Detection of Depressive Symptoms in College Students Using Multimodal Passive Sensing Data and Light Gradient Boosting Machine: Longitudinal Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Depression is the top contributor to global disability. Early detection of depression and depressive symptoms enables timely intervention and reduces their physical and social consequences. Prevalence estimates of depression approach 30% among college students. Passive, device-based sensing further enables detection of depressive symptoms at a low burden to the individual. OBJECTIVE: We leveraged an ensemble machine learning method (light gradient boosting machine) to detect depressive symptoms entirely through passive sensing. METHODS: A diverse sample of undergraduate students (N=28; mean age 19.96, SD 1.23 y; 15/28, 54% women; 13/28, 46% Latine; 10/28, 36% Asian; 4/28, 14% non-Latine White; 11/28, 4% other) participated in an intensive longitudinal study. Participants wore 2 devices (an Oura ring for sleep and physiology data, and a Samsung smartwatch for physiology and movement data) and installed the AWARE software on their mobile devices, which collects passive sensing data such as screen time. Participants were derived from a randomized controlled trial of a positive psychology mobile health intervention. They completed a self-report measure of depressive symptoms administered weekly over a 19- to 22-week period. RESULTS: -score of 0.744 and a Cohen κ coefficient of 0.474, indicating moderate agreement between the predicted labels and the ground truth. The most predictive features of depressive symptoms were sleep quality and missed mobile interactions. CONCLUSIONS: Findings suggest that data collected from passive sensing devices may provide real-time, low-cost insight into the detection of depressive symptoms in college students and may present an opportunity for future prevention and perhaps intervention.
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 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».