Bất kể hoàn cảnh xuất thân của cá nhân ra sao, nghề nghiệp và xã hội của họ như thế nào, mỗi cá nhân khác nhau sẽ trải nghiệm các mức độ hài lòng, viên mãn và hạnh phúc khác nhau trong cuộc sống. Thước đo chung về sự hài lòng trong cuộc sống này, được gọi chung là "hạnh phúc", là trọng tâm chính của nhiều nghiên cứu tâm lý.

Việc hiểu rõ hơn về nhiều yếu tố góp phần tạo nên hạnh phúc có thể giúp các nhà nghiên cứu tìm ra các biện pháp can thiệp có mục tiêu cá nhân hóa giúp cải thiện mức độ viên mãn của mọi người. Mặc dù nhiều nghiên cứu trước đây đã cố gắng phân định các yếu tố này, nhưng rất ít nghiên cứu tận dụng các mô hình máy học tiên tiến hiện nay để xác định.

Các mô hình máy học được thiết kế để phân tích lượng lớn dữ liệu, khám phá các mô hình ẩn và đưa ra dự đoán chính xác. Sử dụng các công cụ này để phân tích dữ liệu thu thập được trong các nghiên cứu trước đây về khoa học thần kinh và tâm lý học có thể giúp làm sáng tỏ các yếu tố môi trường và di truyền ảnh hưởng đến hạnh phúc.

Các nhà nghiên cứu tại Vrije Universiteit Amsterdam và Trung tâm Y tế Đại học Amsterdam gần đây đã bắt đầu nghiên cứu những yếu tố dự báo hạnh phúc bằng cách phân tích một tập dữ liệu lớn, được thu thập tại Hà Lan trong khoảng thời gian mười năm, bằng máy học. Phát hiện của họ, được công bố trên tạp chí Nature Mental Health, đã chỉ ra được một số yếu tố có thể dự đoán được mức độ hạnh phúc trong cộng đồng nói chung.

"Các biện pháp can thiệp hiệu quả vào hạnh phúc cá nhân đòi hỏi khả năng dự đoán ai sẽ phát triển hay không phát triển cảm giác hạnh phúc và cần hiểu được các cơ chế cơ bản của nó. Chúng tôi đặt mục tiêu xây dựng các mô hình dự đoán bằng học máy cho hạnh phúc của người lớn từ cấp độ exposome và bộ gen, đồng thời xác định các yếu tố tiên lượng lớn nhất (N từ 702 đến 5874)", Dirk H. M. Pelt, Philippe C. Habets và các đồng nghiệp cho biết.

Pelt, Habets và các đồng nghiệp đã sử dụng các mô hình học máy để phân tích dữ liệu từ Sổ đăng ký song sinh Hà Lan, một tập dữ liệu được thu thập từ một nhóm dân số lớn trong suốt 11 năm. Dữ liệu này được thu thập từ cùng một nhóm trẻ em khi chúng khoảng 3, 5, 7, 10, 12, 14 và 15 tuổi, cũng như từ ba đợt người lớn tham gia riêng biệt.

Bộ dữ liệu Netherland Twin Register bao gồm thông tin di truyền được gọi là điểm số đa gen (tức là bộ gen), cũng như thông tin về môi trường của người tham gia (tức là exposome chung) và các điều kiện tâm lý xã hội (tức là exposome cụ thể). Các nhà nghiên cứu đã đào tạo ba mô hình học máy khác nhau, được gọi là XGBoost (XGB), SVM và RF trên lượng dữ liệu lớn này.

Sau đó, họ sử dụng một kỹ thuật có tên là Shapley Additive Explanation (SHAP) để khám phá những đóng góp của các tính năng khác nhau vào các dự đoán do ba mô hình đưa ra. Phân tích của họ cho thấy rằng các dự đoán về hạnh phúc của mô hình dựa trên nhiều yếu tố môi trường và tâm lý xã hội liên quan đến sự hài lòng trong cuộc sống, hạnh phúc và chất lượng cuộc sống của người tham gia.

"Không phải bộ gen (R2 = −0,007 [−0,026–0,010]), mà là exposome chung (R2 = 0,047 [0,015–0,076]) và đặc biệt là exposome cụ thể (R2 = 0,702 [0,637–0,753]) có khả năng dự đoán mức độ khỏe mạnh trong một bộ thử nghiệm độc lập. Việc thêm bộ gen (P = 0,334) và exposome chung (P = 0,695) độc lập hoặc kết hợp (P = 0,029) ngoài exposome cụ thể không cải thiện được khả năng dự đoán".

Nhìn chung, các nhà nghiên cứu nhận thấy rằng khuynh hướng di truyền của những người tham gia (tức là bộ gen của họ) không dự đoán được mức độ hạnh phúc, trong khi các yếu tố môi trường và tâm lý xã hội thì có. Các yếu tố mà họ thấy có khả năng dự đoán tốt nhất về hạnh phúc là sự lạc quan, đặc điểm tính cách, mức độ hỗ trợ xã hội, các động lực trong khu phố sinh sống và đặc điểm nhà ở. "Những phát hiện của chúng tôi làm nổi bật tầm quan trọng của việc theo dõi theo chiều dọc và những tiềm năng dự đoán hạnh phúc của các phương thức dữ liệu khác nhau", các nhà nghiên cứu cho biết.

Nghiên cứu gần đây của Pelt, Habets và các đồng nghiệp của ông cho thấy rằng các hoàn cảnh môi trường, xã hội và tâm lý cụ thể đóng góp nhiều nhất vào hạnh phúc chủ quan của mọi người. Trong tương lai, những phát hiện mà họ thu thập được có thể cung cấp thông tin cho việc phát triển các biện pháp can thiệp được cá nhân hóa nhằm cải thiện sự hài lòng trong cuộc sống của những tùy cá nhân cụ thể, đồng thời có khả năng truyền cảm hứng cho việc sử dụng máy học nhiều hơn nữa để khám phá các yếu tố khác ảnh hưởng đến hạnh phúc.

P.T.T (NASATI), theo https://medicalxpress.com/news/10/2024