PulseAugur
中
实时 18:15:34
English(EN) Longitudinal and Graph-Augmented Prediction of Adolescent Substance Use Onset in the ABCD Study

AI模型利用纵向和图数据预测青少年物质使用

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了先进的模型，利用ABCD研究的数据来预测青少年物质使用的发病率。通过比较横断面、纵向和基于图的方法，他们发现纵向模型在基线预测方面始终表现优于其他方法。时间XGBoost表现出最强的独立性能，而时间图卷积网络（T-GCNs）提供了互补的风险信号。通过分数级堆叠结合这些方法取得了最佳结果，识别出同伴偏差、年龄和父母监督等关键预测因素。 AI

影响 展示了用于早期识别青少年物质使用风险的先进AI技术，可能有助于预防工作。

排序理由 学术论文，详细介绍了青少年物质使用的新预测建模方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

AI模型利用纵向和图数据预测青少年物质使用

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
学术论文，详细介绍了青少年物质使用的新预测建模方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, safety, product
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
51 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yixuan He, Jinni Su, Yun Kang ·

    ABCD研究中青少年物质使用发病率的纵向和图增强预测

    arXiv:2608.14578v1 Announce Type: new Abstract: Early identification of adolescent substance-use risk is an important prevention challenge, yet the relative value of baseline characteristics, longitudinal trajectories, and relational context remains unclear. Using data from appro…

相关实体

相关话题