EngageTriBoost：説明可能な機械学習によるデジタルメンタルヘルス介入におけるユーザーエンゲージメントの予測モデリング

要旨: 若年成人におけるメンタルヘルス上の課題は増加しており、デジタルメンタルヘルス介入（DMHI）といった効果的な解決策が必要とされています。期待されている一方で、DMHIは導入の大きな障壁に直面しています。具体的には、初期の利用率が低いことや、離脱率が高いことです。本研究では、機械学習（ML）を用いて、eBridgeというDMHIの利用者の行動パターンを分析します。eBridgeは、動機づけ面接（モチベーショナル・インタビュー）に基づくオンラインカウンセリングを通じて、リスクのある大学生における専門のメンタルヘルスサービスの利用を高めることを目的としています。私たちのアンサンブルモデルであるEngageTriBoostは、サインインおよびカウンセラーとのやり取りによって測定されるエンゲージメントの予測において最大84%の精度を達成しました。次に、Shapley Additive exPlanations（SHAP）分析を適用し、感情の調整困難や、知覚されたスティグマといった、ユーザーのエンゲージメントに影響する主要因について、明確で解釈可能な洞察を得ました。これにより、それらがDMHIの採用に決定的な影響を与えることが示されました。本研究は、説明可能なMLが、DMHIに対するユーザーのエンゲージメントをより良く理解し、ひいてはDMHIの採用を改善し、メンタルヘルスの成果において達成可能なインパクトを高めるうえで大きな力を持つことを示しています。