行为组：一种用于预测和理解行为的贝叶斯分类器方法

预测和理解行为是许多学科的首要目标，尤其是人类行为，因为它是世界上许多最紧迫问题的根源。尽管行为是多个学科中的基础概念，但对于行为究竟是什么，目前并不存在公认的操作性定义；同样，也没有一个普遍公认的行为预测理论框架。在这里，我们提出一种数据驱动的方法，使用“行为组”（Conductome）——即既能预测又能解释某一行为的全部因素——来操作化一个学科中立的行为定义。该定义基于对一个系统进行的一组刺激/反应测量，并表明行为必须通过统计推断过程来确定。由于行为预测可以被表征为一个分类问题，我们认为贝叶斯分类器为开发可解释的预测模型提供了一个很有前景的框架，而这类模型能够逼近行为组。我们利用一个包含1075名个体、拥有3000多个特征的数据集展示了该框架的有效性，并构建了一个用于预测久坐行为的模型；久坐行为已知是肥胖和代谢性疾病的风险因素。我们分析了与58个不同类型变量相关的396个特征子集的效应量、覆盖率、统计显著性以及潜在因果性。

预测和理解行为是许多学科的首要目标，尤其是人类行为，因为它是当今世界许多最紧迫问题的成因。尽管行为是多个学科中的基础概念，但对于行为究竟是什么，并不存在一个公认的操作性定义；对于如何预测行为，也同样缺乏一个普遍认可的理论框架。本文提出一种数据驱动的方法，使用“行为组”（Conductome）——即既能够预测又能够解释某一行为的完整因素集合——来操作化一个学科中立的行为定义。该定义建立在对系统刺激/反应测量集合的基础之上，并表明行为必须通过统计推断过程加以确定。由于行为预测可以被表征为一个分类问题，我们认为贝叶斯分类器提供了一个有前景的框架，可在其中开发可解释的预测模型，以逼近行为组。我们利用一个包含1075名个体、具有3000多个特征的数据集展示了该框架的有效性，并构建了一个用于预测久坐行为的模型；久坐行为已知是肥胖和代谢性疾病的风险因素。我们分析了与58个不同类型变量相关的396个特征子集的效应量、覆盖范围、统计显著性以及潜在因果性。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.05.730500v1?rss=1

🏷️ 行为预测 贝叶斯分类器 可解释建模 久坐行为 统计推断