改进 mHealth 微干预对于应对压力的参与度和效果：野外研究
内容提要
本研究提出了一种基于传感器和上下文信息的增强应激学习算法，利用智能设备实时监测压力水平。实验表明，结合脉搏波图和环境信息的模型显著提高了压力检测的准确性。此外，开发的MindShift技术通过动态生成个性化的说服策略，降低了用户的智能手机使用频率，提升了心理健康干预效果。
延伸解读
多模态数据提升压力检测准确性
研究显示，结合脉搏波图与环境信息的随机森林分类器，F1得分达到70%，而仅使用脉搏波图时为56%。这表明融合生理信号与上下文信息能显著提高压力检测的准确性，为mHealth干预提供更可靠的实时监测基础。
MindShift：动态说服策略降低手机使用
MindShift利用大型语言模型，根据用户即时状态动态生成个性化说服内容。在为期5周的实地实验中，干预接受率提高17.8-22.5%，智能手机使用频率降低12.1-14.4%，用户成瘾程度下降且自我效能感提升，展示了LLM在行为改变干预中的潜力。
上下文感知主动学习减少数据标注需求
研究提出的上下文感知主动学习策略，相比随机策略和传统主动学习，分别减少88%和32%的用户查询，同时达到理想检测性能。这有助于降低模型训练成本，提升mHealth系统在真实环境中的可持续性。
职场心理健康支持的重要性
研究强调为雇员营造支持性工作环境的重要性，通过聊天机器人实时检测压力并提供早期援助，可带来22%的增长。这提示组织应关注员工心理健康，利用技术手段及时干预，提升整体福祉。
Q&A
这项研究提出了什么新技术来监测压力水平？
研究提出了一种基于传感器和上下文信息的增强应激学习算法，利用智能设备实时监测压力水平。
MindShift技术如何改善心理健康干预效果？
MindShift通过动态生成个性化的说服策略，降低了用户的智能手机使用频率，提升了心理健康干预效果。
结合脉搏波图和环境信息的模型在压力检测中表现如何？
该模型的F1得分达到70%，显著高于仅使用脉搏波图的56%。
MindShift技术对用户的智能手机使用频率有何影响？
MindShift使智能手机使用频率降低了12.1-14.4%。
研究强调了什么对员工心理健康的重要性？
研究强调了为雇员的心理健康营造支持性工作环境的重要性。
这项研究的实验结果如何？
实验结果显示，MindShift使干预接受率提高了17.8-22.5%，用户的智能手机成瘾程度显著下降，自我效能感提高。
