Examining the Correlation Between Depression and Social Behavior on Smartphones Through Usage Metadata: Empirical Study
Notice bibliographique
Résumé
Background As smartphone has been widely used, understanding how depression correlates with social behavior on smartphones can be beneficial for early diagnosis of depression. An enormous amount of research relied on self-report questionnaires, which is not objective. Only recently the increased availability of rich data about human behavior in digital space has provided new perspectives for the investigation of individual differences. Objective The objective of this study was to explore depressed Chinese individuals’ social behavior in digital space through metadata collected via smartphones. Methods A total of 120 participants were recruited to carry a smartphone with a metadata collection app (MobileSens). At the end of metadata collection, they were instructed to complete the Center for Epidemiological Studies-Depression Scale (CES-D). We then separated participants into nondepressed and depressed groups based on their scores on CES-D. From the metadata of smartphone usage, we extracted 44 features, including traditional social behaviors such as making calls and sending SMS text messages, and the usage of social apps (eg, WeChat and Sina Weibo, 2 popular social apps in China). The 2-way ANOVA (nondepressed vs depressed × male vs female) and multiple logistic regression analysis were conducted to investigate differences in social behaviors on smartphones among users. Results The results found depressed users received less calls from contacts (all day: F1,116=3.995, P=.048, η2=0.033; afternoon: F1,116=5.278, P=.02, η2=0.044), and used social apps more frequently (all day: F1,116=6.801, P=.01, η2=0.055; evening: F1,116=6.902, P=.01, η2=0.056) than nondepressed ones. In the depressed group, females used Weibo more frequently than males (all day: F1,116=11.744, P=.001, η2=0.092; morning: F1,116=9.105, P=.003, η2=0.073; afternoon: F1,116=14.224, P<.001, η2=0.109; evening: F1,116=9.052, P=.003, η2=0.072). Moreover, usage of social apps in the evening emerged as a predictor of depressive symptoms for all participants (odds ratio [OR] 1.007, 95% CI 1.001-1.013; P=.02) and male (OR 1.013, 95% CI 1.003-1.022; P=.01), and usage of Weibo in the morning emerged as a predictor for female (OR 1.183, 95% CI 1.015-1.378; P=.03). Conclusions This paper finds that there exists a certain correlation between depression and social behavior on smartphones. The result may be useful to improve social interaction for depressed individuals in the daily lives and may be insightful for early diagnosis of depression.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».