Evaluating Individual Differences in Emotion Regulation in Response to Sadness Using Digital Phenotyping
Notice bibliographique
Résumé
BACKGROUND The majority of research on emotion regulation processes has been restricted to controlled laboratory settings that use experimental paradigms to investigate short-term outcomes. A true understanding of emotion regulation requires an unobtrusive, ecologically valid assessment of the construct as it naturally unfolds in the environment. Digital phenotyping, or the moment-by-moment quantification of individual-level human behavior using data from smartphone sensors, is a novel method for evaluating human behavior in naturalistic settings. To our knowledge, this is the first study to implement digital phenotyping in the investigation of emotion regulation. OBJECTIVE This study aimed to evaluate whether smartphone-based digital phenotyping data predicts individual differences in emotion regulation in both in-lab and naturalistic settings. METHODS During an in-lab session, unselected university student participants (N = 69) completed self-report questionnaires measuring trait emotion regulation as well as state emotion regulation and state affect following a baseline period, a negative mood induction, and a recovery period. Smartphone-based digital phenotyping data were then collected over the course of a 7-day follow-up period using the Beiwe Research Platform,1 an open-access mobile- and cloud-based research tool for collecting digital data via smartphones. Specifically, variation in global positioning system (GPS) distance and mobile power state (i.e., smartphone battery) level were examined as predictors of longitudinal variation in negative affect, emotion regulation, and depression. RESULTS Results showed that variation in GPS distance was significantly associated with variation in state cognitive reappraisal (b = -0.0004, SE = 0.0002, p = .02) and negative state affect (b = 0. 005, SE = 0.002, p = .01) over time. Variation in power state level was also significantly associated with variation in cognitive reappraisal over time (b = -4.98, SE = 1.72, p = .005) and marginally associated with variation in negative state affect (b = -29.58, SE = 16.73, p = .08) over time. Cluster and classification analyses showed both power state level and GPS distance accurately classified two trait emotion regulation clusters with high sensitivity (.95 and .96 respectively) and specificity (.86 and .97 respectively). However, variation in power state level and GPS distance together with trait and state emotion regulation did not predict current depressive symptoms (ps > .05). CONCLUSIONS Overall, the findings provide initial data on the use of digital phenotyping data in predicting individual differences in state and trait emotion regulation in both in-lab and naturalistic settings. The results suggest that operationalizations of digital phenotyping data and modeling approaches are particularly important factors to consider when implementing digital phenotyping methodology in the study of mental health processes such as emotion regulation.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».