随着现代生活节奏的加快，年轻人的饮食行为日益受到心理、社会和文化因素的多重影响。大学阶段作为饮食习惯形成的关键期，部分学生表现出对高糖高脂食物的强烈依赖，这种类似物质成瘾的饮食行为被定义为食物成瘾（Food Addiction）。传统研究多采用问卷调查和线性统计方法，难以捕捉心理特质与饮食行为间复杂的非线性关系。尤其在多维数据整合分析方面，传统方法存在明显局限，亟需引入人工智能等创新技术来破解这一难题。
在这项发表于《Scientific Reports》的先锋研究中，科研团队开展了一项横断面研究，旨在通过机器学习（Machine Learning）方法构建大学生食物成瘾的预测模型。研究创新性地将人口统计学指标、人体测量学参数（包括体重指数BMI）与人格心理特征进行多维整合，为早期识别高风险个体提供了新思路。
关键技术方法方面，研究团队首先对210例样本数据进行预处理，采用Tomek Links和SMOTE技术解决类别不平衡问题。通过12种特征选择算法筛选关键变量，并系统比较了逻辑回归（LR）、K近邻（KNN）、随机森林（RF）等10种机器学习模型的预测效能。最终利用SHAP（SHapley Additive exPlanations）可解释性人工智能技术解析模型决策机制。
特征选择与模型构建
通过多种特征选择方法确定心理行为特征的核心预测价值，其中无价值感、冲动性、愤怒情绪等心理指标展现突出重要性。在模型比较中发现，集成学习算法特别是随机森林（Random Forest）和CatBoost表现最佳，其AUC值显著优于传统统计模型。
模型性能评估
在测试集上，先进机器学习模型在准确率、精确度、召回率和F1分数等多项指标上均达到理想水平。梯度提升类算法展现出对复杂模式特征的强大捕捉能力，证实了机器学习在心理行为数据挖掘中的独特优势。
特征重要性解析
SHAP分析可视化结果显示，心理痛苦、僵化认知风格等心理特征与BMI等人体测量学参数共同构成预测网络的核心节点。这一发现不仅验证了既往研究中心理因素的主导作用，更揭示了多维度特征交互影响的复杂机制。
研究结论表明，基于人格特质谱系与先进计算模型的整合方法，能够有效预测大学生的食物成瘾风险。尽管存在样本量有限、人群特异性等局限，但本研究开创性地将心理学评估与人工智能技术相结合，为开发基于机器学习的筛查工具和靶向干预方案奠定了方法学基础。这种跨学科研究范式不仅对改善青年群体营养健康具有实践价值，也为行为成瘾研究提供了新的技术路径。
