Computational network models for forecasting and control of mental health trajectories in digital applications
Notice bibliographique
Résumé
Abstract Ecological momentary assessments (EMA) have transformed mobile mental health by capturing real-time fluctuations in psychological states and behavior. While forecasting future states from EMA data is crucial for adaptive interventions, most current approaches to modeling the underlying psychological mechanisms rely on linear assumptions. These include common network based methods such as vector autoregression (VAR) or Kalman filtering, which assume fixed and proportional relationships among variables. However, a growing body of evidence suggests that psychological dynamics exhibit nonlinear properties raising concerns about the adequacy of linear models for both interpretation and prediction. Here, we leverage three independent 40-day micro-randomized trials (N=145) to benchmark a spectrum of models—from naïve baselines and linear network models to autoregressive Transformers and nonlinear state-space models (SSMs) built on piecewise-linear recurrent neural networks (PLRNNs). PLRNNs provided the most accurate forecasts, including predictions of how individuals responded to interventions. Beyond superior forecasting, the PLRNN’s latent-network structure allowed us to simulate how changes in individual psychological states spread through the system. This revealed interpretable patterns of influence—highlighting central network nodes like sad or down as high-impact intervention targets based on their strong ripple effects. Critically, performance remained robust under real-time retraining constraints and varying data completeness, underscoring the practical viability of nonlinear SSMs in deployed mobile mental health systems. Our results establish PLRNN-based forecasting as a powerful, interpretable foundation for real-time, model-predictive control of digital mental health.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».