人工智能驱动的动态心理测量:使用日常行为和认知数据纠正大学生心理健康尺度
B G Tong1, Zihong Liang1, Xuemei He1
1Department of Psychiatry, Inner Mongolia People's Hospital, Hohhot, China.
Frontiers in digital health
|December 15, 2025
概括
这项研究引入了一种人工智能驱动的动态心理测量方法,可以准确评估焦虑和抑郁,显示出显著的临床改善. 人工智能工具证明了作为心理健康干预措施的可行性和潜力.
科学领域:
- 数字健康数字健康
- 人工智能在心理健康中的作用
- 心理测量 心理测量
背景情况:
- 传统的心理健康尺度提供静态评估,可能缺少动态的心理波动.
- 需要更准确,更快速的方法来评估和干预心理健康状况.
研究的目的:
- 评估一种人工智能驱动的动态心理测量方法,用于纠正传统的心理健康尺度.
- 通过大学学生的日常行为和认知数据来验证这种AI方法的可行性.
- 评估人工智能方法作为改善心理健康结果的干预工具的潜力.
主要方法:
- 177名大学生参与了一项为期1.5年的研究,使用微信小程序收集数据.
- 数据包括认知投票,行为检查和标准化心理量表 (SAS,SDS,SCL-90).
- 大型语言模型 (LLM) 和检索增强生成 (RAG) 动态调整了规模得分;统计分析比较了动态与传统方法.
主要成果:
- 动态评估模型显示,与传统尺度相比,焦虑 (SAS AUC=0.95) 和抑郁 (SDS AUC=0.93) 的精度更高.
- 在三个学期内,观察到临床评估焦虑 (HAM-A:15.2%) 和抑郁 (HAM-D:40.0%) 的显著减少.
- 学生参与度高 (79%参与认知投票) 和SCL-90的初始有效性被注意到,尽管随着时间的推移,特异性下降.
结论:
- 人工智能驱动的动态评估提供了卓越的准确性,并比焦虑和抑郁的静态方法更好地捕捉心理波动.
- 该系统显示出作为一个综合评估干预循环的潜力,增强自我意识,并导致显著的临床改进.
- 人工智能模型适应复杂的,长期的症状模式仍然存在挑战,强调需要多式联络数据和道德考虑.
