基于智能手机传感数据的心理健康预测：传统机器学习、深度学习与大型语言模型的比较研究
机器学习
2026-01-14 v2
摘要
智能手机传感提供了一种非侵入且可扩展的方式，用于跟踪与心理健康相关的日常行为，捕捉往往 precedes 压力、焦虑或抑郁症状的睡眠、 mobility 和手机使用变化。虽然大多数先前研究聚焦于检测既存条件，但预测心理健康可通过即时自适应干预实现主动支持。本文提出了首个综合性基准测试研究，比较了传统机器学习（ML）、深度学习（DL）和大型语言模型（LLM）用于智能手机传感数据心理健康预测的方法，采用目前最广泛的 College Experience Sensing（CES）数据集，这是目前最广泛的大学生心理健康纵向数据集。我们系统评估了模型在时间窗口、特征粒度、个人化策略和类别不平衡处理方面的表现。结果表明，深度学习模型，特别是 Transformer（宏观 F1=0.58），实现了最佳整体性能，而 LLM 在情境推理方面表现出色，但在时序建模方面较弱。个人化显著改善了对严重心理健康状态的预测。通过揭示不同建模方法如何解释手机传感行为数据随时间的变化，本工作为下一代自适应且以人为中心的心理健康技术奠定了基础，这些技术既可推动研究，也可服务于实际的福祉。
引用
@article{arxiv.2601.03603,
title = {A Comparative Study of Traditional Machine Learning, Deep Learning, and Large Language Models for Mental Health Forecasting using Smartphone Sensing Data},
author = {Kaidong Feng and Zhu Sun and Roy Ka-Wei Lee and Xun Jiang and Yin-Leng Theng and Yi Ding},
journal= {arXiv preprint arXiv:2601.03603},
year = {2026}
}