Apple Machine Learning Research
·
评估大规模数字感知在抑郁和焦虑中的可行性：数字心理健康研究
💡
原文英文，约500词，阅读约需2分钟。
📝
内容提要
这篇文章探讨了数字心理健康研究（DMHS），通过智能手机和可穿戴设备收集数据，评估抑郁和焦虑状态。研究涉及4000多名参与者，收集了长达12个月的传感器数据，旨在量化心理健康状况。文章描述了招募过程、研究方法及初步发现，显示参与者的高参与度和遵从性。
🎯
关键要点
-
数字心理健康研究（DMHS）通过智能手机和可穿戴设备收集数据，评估抑郁和焦虑状态。
-
研究涉及4000多名参与者，收集了长达12个月的传感器数据，样本在年龄、出生性别、种族和抑郁症状严重程度上具有多样性。
-
研究设计了定期自我报告和访谈基础的量表，以尽可能广泛地评估抑郁、焦虑和感知压力的元素，同时减少参与者的测量负担。
-
初步发现显示参与者在12个月期间表现出高参与度和遵从性，描述了纵向症状轨迹。
❓
延伸问答
数字心理健康研究（DMHS）是如何评估抑郁和焦虑的？
DMHS通过智能手机和可穿戴设备收集数据，评估抑郁和焦虑状态，使用定期自我报告和访谈基础的量表。
这项研究的参与者有多少人，样本特征是什么？
研究涉及4000多名参与者，样本在年龄、出生性别、种族和抑郁症状严重程度上具有多样性。
研究的初步发现是什么？
初步发现显示参与者在12个月期间表现出高参与度和遵从性，并描述了纵向症状轨迹。
DMHS如何减少参与者的测量负担？
研究设计了优化的定期自我报告和访谈基础的量表，以尽可能广泛地评估心理健康元素。
数字心理健康研究的潜在影响是什么？
数字心理健康研究的广泛应用可能会改变抑郁和焦虑的评估方式，提升研究和临床护理的效果。
这项研究的数据收集持续了多长时间？
数据收集持续了长达12个月。
➡️
