伊朗大学生失眠研究用机器学习识别预测因素：对失眠的恐惧与压力居前
一篇发表于《Sleep Science》的摘要显示，研究者对伊朗比尔詹德（Birjand）576名大学生做横断面调查，用随机森林、决策树和SHAP（沙普利加性解释）分析找出失眠的主要预测因素；
自我报告显示“担心睡不着”和压力最突出，焦虑、睡眠卫生差、抑郁也强相关。 该设计只能提示关联，不能证明因果，也不能据此认定AI（人工智能）干预有效。
研究原始来源可核对
事实与证据边界
研究于2023—2024学年在伊朗比尔詹德的高校开展，样本为576名学生，采用横断面设计。 方法包括随机森林、决策树与SHAP特征重要性分析。 自我报告问卷结果显示，深夜时段“担心无法入睡”和压力是失眠最重要的预测因素； 焦虑、睡眠卫生差和抑郁也与失眠强相关。 其他相关因素包括经济与家庭担忧、就寝时间、起床时间、睡眠时长和社交媒体使用。
机器学习模型进一步突出上述因素，睡眠卫生差且焦虑水平高者更可能失眠。 作者指出失眠与焦虑、抑郁、压力可能存在双向关系，并称机器学习在识别失眠相关模式和辅助个性化干预策略方面显示潜力； 因横断面设计无法推断因果。
分析判断
这项摘要级证据的价值在于展示机器学习在心理与睡眠相关因素筛选中的用法：模型输出与问卷结论方向一致，可作为生成假设和设计干预分组的线索。 但它不是诊断工具验证，也不是干预效果试验； “双向关系”是作者的讨论性表述，不能写成因果结论。 对AI（人工智能）心理产品而言，可关注的风险是把此类相关性预测包装成失眠诊断或疗效承诺。
后续观察信号
- 查找该论文全文以核对模型性能指标与样本代表性
- 关注同期刊或团队后续纵向研究