• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文OA文献 >Internet addiction disorder detection of Chinese college students using several personality questionnaire data and support vector machine
【2h】

Internet addiction disorder detection of Chinese college students using several personality questionnaire data and support vector machine

机译：使用若干个性问卷数据和支持向量机的中国大学生互联网成瘾障碍检测

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

With the unprecedented development of the Internet, it also brings the challenge of Internet Addiction (IA), which is hard to diagnose and cure according to the state-of-art research. In this study, we explored the feasibility of machine learning methods to detect IA. We acquired a dataset consisting of 2397 Chinese college students from the University (Age: 19.17 ± 0.70, Male: 64.17%) who completed Brief Self Control Scale (BSCS), the 11th version of Barratt Impulsiveness Scale (BIS-11), Chinese Big Five Personality Inventory (CBF-PI) and Chen Internet Addiction Scale (CIAS), where CBF-PI includes five sub-features (Openness, Extraversion, Conscientiousness, Agreeableness, and Neuroticism) and BSCS includes three sub-features (Attention, Motor and Non-planning). We applied Student's t-test on the dataset for feature selection and Support Vector Machines (SVMs) including C-SVM and ν-SVM with grid search for the classification and parameters optimization. This work illustrates that SVM is a reliable method for the assessment of IA and questionnaire data analysis. The best detection performance of IA is 96.32% which was obtained by C-SVM in the 6-feature dataset without normalization. Finally, the BIS-11, BSCS, Motor, Neuroticism, Non-planning, and Conscientiousness are shown to be promising features for the detection of IA. Keywords: Internet addiction (IA), IA detection, Personality questionnaire, Feature selection, Support vector machine
机译：随着互联网的前所未有的发展，它还为互联网成瘾（IA）挑战，这难以根据最先进的研究诊断和治愈。在这项研究中，我们探讨了机器学习方法检测IA的可行性。我们收购了一个由大学2397名中国大学生组成的数据集（年龄：19.17±0.70，男性：64.17％），他完成简要的自我控制量表（BSC），第11版的Barratt冲动量表（BIS-11），中国大五个个性库存（CBF-PI）和CHEN Internet成瘾规模（CIAS），其中CBF-PI包括五个子特征（开放性，倾向，休闲，令人满意，令人愉快的和神经质）和BSC包括三个子特征（注意，电机和电机和非规划）。我们在数据集上应用了学生的T检验，用于特征选择和支持向量机（SVM），包括C-SVM和ν-SVM，具有网格搜索的分类和参数优化。这项工作说明了SVM是评估IA和问卷数据分析的可靠方法。 IA的最佳检测性能为96.32％，通过C-SVM在6特征数据集中获得而无规范化。最后，BIS-11，BSC，电机，神经囊话，非规划和尽职终端被证明是检测IA的有希望的特征。关键词：互联网成瘾（IA），IA检测，人格问卷，特征选择，支持向量机

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号