オンラインゲーマーの不安障害レベル検出のための属性重み付きナイーブベイズモデルの微調整

  • Latubessy, A., Wardoyo, R., Musdholifah, A., & Kusrohmaniah, S. (2024). Fine tuning attribute weighted naïve Bayes model for detecting anxiety disorder levels of online gamers. International Journal of Electrical and Computer Engineering (IJECE), 14(3), 3277. https://doi.org/10.11591/ijece.v14i3.pp3277-3286

本研究では、順序データを用いた微調整属性重み付きナイーブベイズ(FTAWNB)モデルを適用する。先行研究において、FTAWNBモデルは使用されたデータセットにおいて競合モデルを凌駕したことが知られている。しかし、FTAWNBモデルは、順序データを使用するメンタルヘルス領域では適用されていない。そこで本研究では、不安ゲーマーのデータセットを用いて、微調整属性重み付きナイーブ・ベイズ(FTAWNB)モデルをテストした。不安障害は、ゲーム障害の出現を示す可能性のある精神健康障害である。ゲーマーは、4つのクラス、すなわち、最小の不安、軽度の不安、中程度の不安、重度の不安に分類される不安障害を経験する可能性がある。次に、同じデータセットを用いて、FTAWNBによる結果を、他の3つのナイーブ・ベイズ・アルゴリズム、すなわちガウシアン・ナイーブ・ベイズ、多項式ナイーブ・ベイズ、およびカテゴリカル・ナイーブ・ベイズと比較する。モデルの性能は精度、正確度、再現性、処理時間に基づいて測定される。テスト結果は、FTAWNBが他の3つのモデルの精度、精度、想起を上回り、99.22%の精度を持つことを示している。一方、ガウスNBの精度は91.132%、カテゴリカルは91.592%、多項式ナイーブベイズは61.104%であった。しかし、FTAWNBは他の3モデルの処理時間より若干長い。FTAWNBはモデルの構築に0.07秒、訓練データに対するモデルのテストに0.05秒かかる。