Digital phenotyping for classification of anxiety severity during COVID-19
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
COVID-19 has led to an increase in anxiety among Canadians. Canadian Perspectives Survey Series (CPSS) is a dataset created by Statistics Canada to monitor the effects of COVID-19 among Canadians. Survey data were collected to evaluate health and health-related behaviours. This work evaluates CPSS2 and CPSS4, which were collected in May and July of 2020, respectively. The survey data consist of up to 102 questions. This work proposes the use of the survey data characteristics to identify the level of anxiety within the Canadian population during the first- and second-phases of COVID-19 and is validated by using the General Anxiety Disorder (GAD)-7 questionnaire. Minimum redundancy maximum relevance (mRMR) is applied to select the top features to represent user anxiety, and support vector machine (SVM) is used to classify the separation of anxiety severity. We employ SVM for binary classification with 10-fold cross validation to separate the labels of Minimal and Severe anxiety to achieve an overall accuracy of <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="IM1"><mml:mn>94.77</mml:mn><mml:mo>±</mml:mo><mml:mn>0.13</mml:mn><mml:mtext>%</mml:mtext></mml:math> and <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="IM2"><mml:mn>97.35</mml:mn><mml:mo>±</mml:mo><mml:mn>0.11</mml:mn><mml:mtext>%</mml:mtext></mml:math> for CPSS2 and CPSS4, respectively. After analysis, we compared the results of the first and second phases of COVID-19 and determined a subset of the features that could be represented as pseudo passive (PP) data. The accurate classification provides a proxy on the potential onsets of anxiety to provide tailored interventions. Future works can augment the proposed PP data for carrying out a more detailed digital phenotyping.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle