Nghiên cứu công bố trên arXiv (mã arXiv:2608.14578) sử dụng dữ liệu theo dõi từ khoảng 11.860 đối tượng thuộc dự án Phát triển Nhận thức Não bộ Vị thành niên (ABCD Study) nhằm xây dựng hệ thống dự đoán nguy cơ sớm về việc bắt đầu sử dụng rượu và cần sa.
Nhóm tác giả đã tiến hành đánh giá và đối chiếu hiệu quả giữa các phương pháp tiếp cận dạng cắt ngang (cross-sectional), chuỗi thời gian (longitudinal) và mô hình dựa trên đồ thị (graph-based). Các kiến trúc được đưa vào thử nghiệm bao gồm mô hình cây quyết định, mạng nơ-ron hồi quy (RNN) và mạng tích chập đồ thị thời gian (Temporal Graph Convolutional Networks - T-GCN). Trong đó, các đồ thị T-GCN được xây dựng dựa trên mối quan hệ gia đình, trường học và độ tương đồng về đặc trưng giữa các cá nhân.
Kết quả thực nghiệm cho thấy các mô hình khai thác dữ liệu theo chuỗi thời gian liên tục vượt trội so với các mô hình cắt ngang chỉ dựa trên mốc cơ sở. Xét ở phương diện độc lập, mô hình XGBoost theo chuỗi thời gian (temporal XGBoost) mang lại hiệu năng cao nhất. Mặc dù cấu trúc T-GCN không vượt qua temporal XGBoost khi hoạt động riêng lẻ, điểm rủi ro trích xuất từ đồ thị lại cung cấp thêm các tín hiệu mang tính bổ trợ hữu ích.
Khi kết hợp dự đoán từ temporal XGBoost và T-GCN thông qua kỹ thuật xếp tầng ở cấp độ điểm số (score-level stacking), mô hình đạt hiệu năng tổng thể cao nhất trên tất cả các hành vi mục tiêu (bao gồm nếm thử rượu, dùng rượu, dùng cần sa và kết hợp cả hai), với chỉ số diện tích dưới đường cong ROC (AUC-ROC) vượt mức 0,79.
Phân tích mức độ quan trọng của đặc trưng chỉ ra các yếu tố dự báo hàng đầu đối với hành vi bắt đầu dùng chất kích thích ở tuổi vị thành niên gồm: sự lệch chuẩn từ bạn bè đồng trang lứa, độ tuổi, các triệu chứng hành vi hướng ngoại, mức độ giám sát của phụ huynh, chuẩn mực văn hóa và bối cảnh khu dân cư sinh sống.