Digital Assessment of Depression, Acute Stress, and Socioeconomic Disparities Using Wearable and Smartphone Devices Across the Lifespan
Notice bibliographique
Résumé
Traditional assessment of affective and behavioral functioning relies almost entirely on questionnaires, self-report interviews, and laboratory-based measurements.Although each of these approaches has important strengths, they are also subject to limitations.Recently, technological advances in mobile computing have allowed for the widespread adoption of consumer mobile technologies that may ameliorate many methodological limitations of traditional assessment methods as these devices contain a multitude of sensors enabling the scalable, unobtrusive, and ecologically valid collection of biobehavioral variables.Despite many review articles delineating the promise of these devices, research has largely been limited to single symptom profiles and homogenous populations.This symposium will address these gaps by presenting novel findings that utilize multimethod approaches (e.g., actigraphy, GPS, photoplethysmography, camera and light sensors) to examine how intensively longitudinal study designs leveraging consumer smartphone and wearable technology can be used to index mental health profiles, acute stress, and socioeconomic disparities across the lifespan and in diverse populations.First, Dr. Nelson will present a preregistered assessment of multiple clinical profiles using a computational psychiatry machine learning approach with large scale wearable data collection in a large nationally representative sample of adolescents.Second, Dr. Lockwood, will present a large-scale longitudinal study using newly-validated smartphone-based optic sensor to assess socioeconomic disparities.Third, Vega will present on how 6 months of smartphone sensor data during COVID-19 predicts weekly levels of depression and anxiety.Lastly, Harvie will present on how smartphone-based measures of photoplethysmography using a consumer wearable device tracks self-reported increases in perceived stress in children and adults.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».