The Role of Campus Data in Representing Depression Among College Students: Exploratory Research
Notice bibliographique
Résumé
BACKGROUND: Depression is a predominant feature of many psychological problems leading to extreme behaviors and, in some cases, suicide. Campus information systems keep detailed and reliable student behavioral data; however, whether these data can reflect depression and we know the differences in behavior between depressive and nondepressive students are still research problems. OBJECTIVE: The purpose of this paper is to investigate the behavioral patterns of depressed students by using multisource campus data and exploring the link between behavioral preferences and depressive symptoms. The campus data described in this paper include basic personal information, academic performance, poverty subsidy, consumption habit, daily routine, library behavior, and meal habit, totaling 121 features. METHODS: To identify potentially depressive students, we developed an online questionnaire system based on a standard psychometric instrument, the Zung Self-Rating Depression Scale (SDS). To explore the differences in behavior of depressive and nondepressive students, the Mann-Whitney U test was applied. In order to investigate the behavioral features of different depressive symptoms, factor analysis was used to divide the questionnaire items into different symptom groups and then correlation analysis was employed to study the extrinsic characteristics of each depressive symptom. RESULTS: The correlation between these factors and the features were computed. The results indicated that there were 25 features correlated with either 4 factors or SDS score. The statistical results indicated that depressive students were more likely to fail exams, have poor meal habits, have increased night activities and decreased morning activities, and engage less in social activities (eg, avoiding meal times with friends). Correlation analysis showed that the somatic factor 2 (F4) was negatively correlated with the number of library visits (r=-.179, P<.001), and, compared with other factors, had the greatest impact on students' daily schedule, eating and social habits. The biggest influencing factor to poor academic performance was cognitive factor F1, and its score was found to be significantly positively correlated with fail rate (r=.185, P=.02). CONCLUSIONS: The results presented in this study indicate that campus data can reflect depression and its symptoms. By collecting a large amount of questionnaire data and combining machine learning algorithms, it is possible to realize an identification method of depression and depressive symptoms based on campus data.
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 | 0,018 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».