在美国大学生中使用移动传感检测感知不公平待遇:试点机器学习研究

科学领域:

• 数字化表型化是指数字化表型化.
• 机器学习在心理健康中的应用
• 移动传感应用 移动传感应用

背景情况:

• 不公平待遇的经历与大学生的负面健康结果有关.
• 目前的检测方法依赖于自我报告,限制及时干预.
• 之前的研究还没有探索被动移动传感用于检测感知不公平待遇 (PUT).

研究的目的:

• 调查使用移动传感用于被动检测日常PUT体验的可行性.
• 开发和评估用于PUT检测的机器学习模型.
• 为这个领域的未来研究建立一个基准.

主要方法:

• 在两个10周的学期内,从201名本科生收集了数据.
• 使用的生态瞬间评估 (EMA) 对于每天自我报告的PUT.
• 实施了用户独立的监督分类和用户独立的异常检测模型.

主要成果:

• 使用者依赖的异常检测模型,特别是LSTM-AE,在检测PUT方面表现出卓越的性能.
• 发现的关键行为模式包括移动性,睡眠和屏幕时间的变化.
• 轻GBM和随机森林模型在用户独立分类中表现优于基线.

结论:

• 移动传感显示了在大学生中被动检测PUT的潜力.
• 识别的行为模式可以为开发有针对性的干预提供信息.
• 移动技术提供了及时支持的机会,以改善学生的福祉.