COVID学生研究：通过手机感应技术观察疫情期间大学生的生活

文献标题

COVID Student Study: A Year in the Life of College Students during the COVID-19 Pandemic Through the Lens of Mobile Phone Sensing

文献信息

• 主题领域: 移动感知技术与大学生行为及心理健康研究
• 关键词: 移动感知, COVID-19, 大流行, 精神健康, 数字表型

研究背景与问题

• 研究背景: COVID-19 大流行改变了大学生的日常生活，包括社交、学业、心理健康等。许多研究探讨了大流行期间学生的行为变化，却主要基于自我报告，缺乏客观数据支持。
• 发现的问题:
  • 大学生在大流行中的心理健康和行为变化尚不明确，特别是缺乏在长期时间尺度（例如整个大流行第一年）上的客观观察。
  • COVID-19 相关关切是否与心理健康显著关联？
  • 未来能否通过移动感知数据预测学生的心理状态（例如 COVID-19 相关的关切）？
• 研究动机:
  • 校园疫情防控需要了解大学生的心理和行为变化以制定针对性政策。
  • 使用移动感知数据能减少传统自我报告的主观偏差，提供更可靠的数据基础。

解决方案

• 提出的方法与解决方案:
  • 使用“StudentLife” 应用捕捉 180 名大学生的移动感知数据（如位置、手机使用、睡眠等）和自我报告问卷数据，分析学生在 COVID-19 大流行前一年（2019 年 3 月至 2020 年 2 月）与大流行第一年的行为和心理健康变化。
  • 基于数据建模研究，设计深度学习模型（Fully Convolutional Neural Network, FCNN）预测学生的 COVID-19 相关关切。
• 创新点:
  • 结合长期客观移动感知数据和行为问卷，探索大学生精神健康与行为的广泛关联。
  • 使用机器学习模型分析并预测学生的心理状态，提出广泛的群体分类和个性化支持机制。
• 实施步骤:
  1. 数据收集：连续采集参与者 2 年的移动感知数据和每周问卷。
  2. 数据分析：分为长时间行为模式变化分析、基于自我报告的学生群体分类（聚类分析）以及深度学习预测 COVID-19 关切。
  3. 实验验证：评估预测模型性能，并提取影响 COVID-19 关切预测的重要特征。

研究成果

• 具体成果:
  • 行为变化分析:
    • 大流行第一年学生旅行距离、活跃度均显著下降（如步行时间减少 33%）。
    • 平均手机使用时长增加 15%，睡眠总时长增加 4%，但学生在家的时间增加 38%。
  • 心理健康与 COVID-19 关切关联:
    • COVID-19 关切与抑郁（ρ=0.35）、焦虑（ρ=0.25）和压力（ρ=0.25）显著相关。
    • 31% 的学生在 COVID-19 第一年始终保持较高的关切。
  • 群体特征差异:
    • 部分学生群体表现出更高的抑郁、焦虑和压力水平，同时 COVID-19 关切更高。
    • 群体间行为变化存在显著差异，如手机使用习惯、睡眠模式等。
  • 深度学习预测:
    • FCNN 在预测学生的 COVID-19 关切上表现最佳，AUROC 为 0.70，F1 分数为 0.71。
    • 重要特征包括独特位置访问次数、居家时间、音频播放时长等。
• 优势: 相较自我报告，移动感知数据提供了连续、客观且细粒度的行为信息，有助于优化干预和公共健康政策。
• 局限性与未来方向:
  • 局限性:
    • 样本局限在一所美国高校，研究结果的普适性需要进一步验证。
    • 数据收集限制于智能手机，且部分行为特征依赖于底层 API 的可靠性。
  • 未来方向:
    • 扩展样本多样性（包括其他国家、不同年龄群体）。
    • 引入多模态数据（如可穿戴设备），探索更全面的心理健康预测模型。
    • 开发基于预测模型的数字化干预机制，与心理健康服务无缝对接。

总结

该研究提供了关于大学生在 COVID-19 大流行中的行为及心理健康变化的重要见解，结合移动感知数据和深度学习技术，不仅拓展了对公共健康危机的理解，还为未来的政策制定与个性化干预提供了数据驱动的解决方案。