گروه پژوهشی مطالعات ازدواج و طلاق سنجش، ارزیابی و مداخلات زوج‌درمانی 1 پیاپی 2 2024 07 22 Predicting Divorce Risk Using Machine Learning: Integrating Emotional, Behavioral, and Relational Variables پیش‌بینی خطر طلاق با استفاده از یادگیری ماشین: تلفیق متغیرهای هیجانی، رفتاری و ارتباطی 1 14 FA محمد حسن آسایش دانشیار مشاوره، روانشناسی تربیتی و مشاوره، دانشکده روانشناسی و علوم تربیتی، دانشگاه تهران، ایران کامدین پارساکیا گروه روانشناسی تربیتی و مشاوره، دانشکده روانشناسی و علوم تربیتی، دانشگاه تهران، تهران، ایران | گروه روانشناسی و مشاوره، مؤسسه تحقیقاتی کیمن، ریچموند هیل، اونتاریو، کانادا Journal Article 2024 05 25 <p>This study aimed to develop and evaluate a machine learning model for predicting divorce risk by integrating emotional, behavioral, and relational variables among married couples in Tehran. A correlational–predictive design was conducted on 587 married couples recruited from family counseling centers in Tehran. Standardized measures of emotion regulation, marital satisfaction, conflict patterns, emotional intimacy, empathy, and relational indicators were administered. Divorce risk was operationalized using combined indices of marital dissatisfaction, separation intention, and clinical assessment. After preprocessing and normalization, data were split into training and testing sets, and logistic regression, support vector machine, random forest, gradient boosting, and artificial neural network models were trained. The artificial neural network achieved the highest predictive performance with 0.93 accuracy and 0.97 AUC. Feature importance analysis identified marital satisfaction, emotion regulation, destructive conflict, emotional intimacy, and empathy as the strongest predictors. Significant differences were observed between low-risk and high-risk couples across all emotional, behavioral, and relational variables (p &lt; 0.001). Machine learning provides a powerful framework for early identification of couples at risk of divorce and offers a strong foundation for designing targeted preventive interventions in family counseling systems.</p> <p>هدف این پژوهش طراحی و ارزیابی یک مدل پیش‌بینی خطر طلاق مبتنی بر یادگیری ماشین با تلفیق متغیرهای هیجانی، رفتاری و ارتباطی در میان زوج‌های شهر تهران بود. این پژوهش با طرح همبستگی–پیش‌بین بر روی 587 زوج متأهل ساکن تهران انجام شد که به روش در دسترس از مراکز مشاوره خانواده انتخاب شدند. داده‌ها با استفاده از ابزارهای استاندارد تنظیم هیجان، رضایت زناشویی، الگوهای تعارض، صمیمیت هیجانی، همدلی و شاخص‌های ارتباطی گردآوری شد. متغیر وابسته «خطر طلاق» بر اساس ترکیب نمرات نارضایتی زناشویی، تمایل به جدایی و ارزیابی بالینی مشاوران عملیاتی گردید. داده‌ها پس از پیش‌پردازش و نرمال‌سازی به دو مجموعه آموزش و آزمون تقسیم شد و مدل‌های رگرسیون لجستیک، ماشین بردار پشتیبان، جنگل تصادفی، گرادیان بوستینگ و شبکه عصبی مصنوعی آموزش داده شدند. نتایج نشان داد شبکه عصبی مصنوعی با دقت 0.93 و AUC برابر با 0.97 بالاترین قدرت پیش‌بینی را دارد. تحلیل اهمیت ویژگی‌ها نشان داد رضایت زناشویی، تنظیم هیجان، الگوهای تعارض مخرب، صمیمیت هیجانی و همدلی قوی‌ترین پیش‌بین‌های خطر طلاق هستند. تفاوت معناداری بین زوج‌های کم‌خطر و پرخطر در تمامی متغیرهای هیجانی، رفتاری و ارتباطی مشاهده شد (p &lt; 0.001). یافته‌ها نشان می‌دهد که مدل‌های یادگیری ماشین می‌توانند چارچوبی دقیق و کارآمد برای شناسایی زودهنگام زوج‌های در معرض خطر طلاق فراهم کنند و مبنای طراحی مداخلات پیشگیرانه هدفمند در نظام مشاوره خانواده قرار گیرند.</p> https://www.jctaei.com/index.php/jctaei/article/download/23/23