پیش بینی پاسخ به معنویت درمانی در کاهش خصومت: یک تحلیل یادگیری ماشین تفسیرپذیر با رگرسیون جریمه شده ترکیبی

هدف این پژوهش، گذر از پرسش سنتی «آیا معنویت درمانی اثربخش است؟» و پاسخ به پرسش راهبردی تر «برای چه کسی اثربخش است؟» از طریق شناسایی مهم ترین ویژگی های پایه پیش بینی کننده کاهش خصومت متعاقب یک دوره معنویت درمانی گروهی بود. در قالب یک تحلیل ثانویه بر روی داده های یک کارآزمایی نیمه آزمایشی با طرح پیش آزمون-پس آزمون، داده های ۱۵ دانشجوی گروه آزمایش (۱۱ زن، ۴ مرد؛ میانگین سنی ۰۴/۲۷ سال) که دوره کامل معنویت درمانی گروهی مبتنی بر بسته تقی زاده و میرعلائی (۱۳۹۰) را به پایان رسانده بودند، تحلیل شد. متغیر ملاک، تغییر در کنترل خصومت (ΔHostility = Hostility_Post – Hostility_Pre) و پیش بین ها شامل سن، جنسیت، و نمرات پیش آزمون چهار خرده مقیاس پرخاشگری (کنترل خشم بدنی، کنترل خشم کلامی، کنترل پرخاشگری و کنترل خصومت) از پرسشنامه پرخاشگری باس و پری (AQ) بود. تحلیل داده ها با استفاده از الگوریتم رگرسیون جریمه شده ترکیبی (Elastic Net) با پارامتر α = ۵/۰ و انتخاب λ بهینه از طریق اعتبارسنجی متقاطع حذف یکتایی (LOOCV) انجام شد. در مدل نهایی (۴۷/۰ = λ)، الگوریتم از میان شش پیش بین اولیه، دو متغیر را حفظ کرد: پیش آزمون کنترل خصومت با ضریب استاندارد ۴۴/۰- (۳۲/۰- = B) مهم ترین پیش بین پاسخ درمانی بود که نشان دهنده بهبود بیشتر در افراد با خصومت اولیه بالاتر است. سن نیز با ضریب استاندارد ۱۸/۰ (۰۳/۰ = B) دومین پیش بین نگه داشته شده بود که حاکی از سودمندی اندک بیشتر در دانشجویان مسن تر است. جنسیت، خشم بدنی، خشم کلامی و پرخاشگری پایه به طور کامل از مدل حذف شدند. ضریب تعیین مبتنی بر اعتبارسنجی متقاطع (cross-validated R²) معادل ۲۹/۰ و ریشه میانگین مربعات خطا (RMSE) معادل ۵۲/۰ به دست آمد. یافته ها نشان می دهد که معنویت درمانی، نه به طور یکسان، بلکه متناسب با شدت مشکل اولیه، بیشترین سود را برای افراد با خصومت بالاتر به همراه دارد و سن نیز سهمی فروتنانه در این پیش بینی ایفا می کند. این نتایج، گامی اولیه به سوی شخصی سازی مداخلات معنوی و طراحی درمان های متناسب با نیمرخ شناختی-نگرشی مراجعان به شمار می رود.‬‬‬‬

کلیدواژه ها:

خصومت ، معنویت درمانی ، پاسخ درمانی ، رگرسیون جریمه شده ترکیبی ، یادگیری ماشین تفسیرپذیر ، شخصی سازی درمان