Data-Driven Learning in High-Resolution Activity Sampling From Patients With Bipolar Depression: Mixed-Methods Study
Notice bibliographique
Résumé
Background Behavioral activation is a pen and paper-based therapy form for treating depression. The patient registers their activity hourly, and together with the therapist, they agree on a plan to change behavior. However, with the limited clinical personnel, and a growing patient population, new methods are needed to advance behavioral activation. Objective The objectives of this paper were to (1) automatically identify behavioral patterns through statistical analysis of the paper-based activity diaries, and (2) determine whether it is feasible to move the behavioral activation therapy format to a digital solution. Methods We collected activity diaries from seven patients with bipolar depression, covering in total 2,480 hours of self-reported activities. A pleasure score, on a 1-10 rating scale, was reported for each activity. The activities were digitalized into 6 activity categories, and statistical analyses were conducted. Results Across all patients, movement-related activities were associated with the highest pleasure score followed by social activities. On an individual level, through a nonparametric Wilcoxon Signed-Rank test, one patient had a statistically significant larger amount of spare time activities when feeling bad (z=–2.045, P=.041). Through a within-subject analysis of covariance, the patients were found to have a better day than the previous, if that previous day followed their diurnal rhythm (ρ=.265, P=.029). Furthermore, a second-order trend indicated that two hours of daily social activity was optimal for the patients (β2=–0.08, t (63)=–1.22, P=.23). Conclusions The data-driven statistical approach was able to find patterns within the behavioral traits that could assist the therapist in as well as help design future technologies for behavioral activation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».