نشریه روانشناسی تجربی و شناختی 3092-6483 1 پیاپی 1 2024 05 20 Identifying the Most Effective Predictors of Depression in Female University Students Using Feature Selection Techniques شناسایی مؤثرترین پیش‌بینی‌کننده‌های افسردگی در دانشجویان زن با استفاده از تکنیک‌های انتخاب ویژگی 98 114 10.61838/qecp.95 FA خدیجه باوی کارشناس ارشد گروه روانشناسی بالینی، واحد اندیمشک، دانشگاه آزاد اسلامی، اندیمشک، ایران سعید بختیارپور استادیار، گروه روانشناسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران Journal Article 2024 04 13 <p><strong>Objective:</strong> The aim of this study was to identify the most effective predictors of depression in female university students using feature selection techniques and machine learning algorithms.</p> <p><strong>Methods and Materials: </strong>This correlational study was conducted among female students at the Islamic Azad University, Ahvaz Branch, during the second semester of the 2022–2023 academic year. A convenience sample of 411 students completed online standardized questionnaires including the Beck Depression Inventory-II (BDI-II), Emotional Intelligence, Rumination, Loneliness, Perfectionism, the Big Five Personality Inventory, and a Socioeconomic Status scale. Data were analyzed using a particle swarm optimization (PSO) algorithm for feature selection and simultaneous-entry multiple regression for hypothesis testing.</p> <p><strong>Findings: </strong>Feature selection analysis revealed that seven psychological variables—neuroticism, emotional intelligence, rumination, loneliness, perfectionism, agreeableness, and anxiety—constituted the optimal predictor set for depression in female students. The regression model showed that these variables accounted for 51% of the variance in depression (F = 32.48, p &lt; 0.01). Among them, neuroticism and emotional intelligence had the most significant predictive effects.</p> <p><strong>Conclusion: </strong>The results indicated that a specific combination of personality traits and emotional variables can significantly predict depression in female university students. These findings provide a foundation for designing preventive and therapeutic interventions aimed at reducing depression in this population.</p> <p><strong>هدف:</strong> پژوهش حاضر شناسایی مؤثرترین پیش‌بینی‌کننده‌های افسردگی در دانشجویان زن با استفاده از تکنیک‌های انتخاب ویژگی و الگوریتم‌های یادگیری ماشین بود.</p> <p><strong>مواد و روش‌ها: </strong>این مطالعه به روش همبستگی انجام شد و جامعه آماری آن را دانشجویان زن دانشگاه آزاد اسلامی واحد اهواز در نیمسال دوم سال تحصیلی ۱۴۰۱–۱۴۰۲ تشکیل دادند. نمونه‌ای به حجم ۴۱۱ نفر به روش در دسترس انتخاب و پرسشنامه‌های استاندارد شامل افسردگی بک (BDI-II)، هوش هیجانی، نشخوار فکری، احساس تنهایی، کمال‌گرایی، پنج عامل بزرگ شخصیت و مقیاس وضعیت اجتماعی-اقتصادی به‌صورت آنلاین تکمیل شد. جهت تحلیل داده‌ها از الگوریتم ازدحام ذرات برای انتخاب ویژگی‌ها و از رگرسیون چندگانه به شیوه ورود هم‌زمان برای آزمون فرضیه استفاده گردید.</p> <p><strong>یافته‌ها: </strong>نتایج تحلیل ویژگی‌ها نشان داد که هفت متغیر روان‌شناختی شامل روان‌رنجوری، هوش هیجانی، نشخوار فکری، احساس تنهایی، کمال‌گرایی، توافق‌پذیری و اضطراب بهترین مجموعه پیش‌بینی‌کننده‌های افسردگی در دانشجویان زن هستند. مدل رگرسیونی حاصل نشان داد این متغیرها قادر به تبیین ۵۱ درصد از واریانس افسردگی بودند (F=32/48, p&lt;0/01). در این میان، متغیرهای روان‌رنجوری و هوش هیجانی بیشترین نقش معنادار را در پیش‌بینی افسردگی ایفا کردند.</p> <p><strong>نتیجه‌گیری: </strong>یافته‌ها نشان داد که ترکیب خاصی از ویژگی‌های شخصیتی و هیجانی می‌تواند به‌طور معناداری افسردگی را در دانشجویان زن پیش‌بینی کند. نتایج این مطالعه می‌تواند مبنایی برای طراحی برنامه‌های مداخله‌ای و پیشگیرانه با هدف کاهش افسردگی در جمعیت دانشجویی زن قرار گیرد.</p> https://quarterlyecp.com/index.php/ecp/article/download/95/67