利用年度 Screenome 數據與 CES-D 量表預測憂鬱症狀變化之個體內研究
arXiv - Computers and SocietyMerve Cerit, Andrea Mock, Vryan Almanon Feliciano, Thomas N. Robinson, Byron Reeves, Nilam Ram, Nick Haber
研究證明透過數位表型技術（Screenomics）結合行為數據，能有效預測個體未來兩週憂鬱症狀的惡化或改善。
AI 幫你先抓重點
AI 重點 1
從「靜態評估」轉向「動態數位表型」的預測範式。
滑鼠懸停看 AI 判斷理由
傳統心理評估依賴回溯性問卷，易受記憶偏差影響；本研究展示了透過連續、高頻率的數位行為數據（如螢幕截圖行為），能捕捉到臨床問卷無法察覺的微小行為變化，實現預防性干預。
AI 重點 2
個體差異（Individual Heterogeneity）在數位行為預測中的核心地位。
滑鼠懸停看 AI 判斷理由
研究強調了「個體內（Within-person）」預測的重要性，這提醒我們在開發 AI 監測系統時，不能僅依賴大眾常模，必須建立基於個人基準線（Baseline）的動態模型，才能精準識別異常。
核心研究發現
- 1
使用 XGBoost 模型在預測憂鬱症狀嚴重程度變化時，其 AUC 值可達 0.906，展現高度預測準確性。
- 2
研究發現個體的典型症狀水平是預測未來變化的關鍵指標，若缺乏此數據，將無法偵測到嚴重的惡化轉折。
- 3
數位行為特徵顯示，憂鬱惡化前常伴隨社群媒體使用量增加、裝置使用碎片化及夜間活動模式改變等前兆。
對教育工作者的啟發
雖然本研究聚焦於臨床憂鬱症，但其方法論對教育科技具備高度啟發：1. 數位足跡監測：可開發類似系統監測學生的數位學習行為（如學習工具使用頻率、碎片化程度），作為學生心理健康或學習倦怠的預警指標。2. 個體化基準線：在設計 AI 學習分析系統時，應著重於建立學生的「個人行為基準」，而非僅用班級平均值，以精準識別學習狀態的異常波動。3. 預防性介入：透過捕捉行為前兆（如學習模式破碎化），在學生出現學業危機或心理問題前，及時提供支持。
原始文獻資訊
- 英文標題：
- Within-person prediction of depressive symptom change using year-long Screenome data and CES-D assessments
- 作者：
- Merve Cerit, Andrea Mock, Vryan Almanon Feliciano, Thomas N. Robinson, Byron Reeves, Nilam Ram, Nick Haber
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。