Dynamic prediction of depressive states using stress processes: A multilevel decision tree approach

摘要： 近年来, 抑郁预测的重要性日渐凸显。以往研究主要在个体间水平考察抑郁的风险因素, 本研究聚焦个体内水平, 结合压力这一关键因素以及日常压力过程模型, 构建压力过程对抑郁状态的动态预测模型。收集356名大学生7天(每天5次)的生态瞬时评估数据, 采用多层决策树的机器学习算法, 发现：(1)含忧虑消极情绪、压力源和反刍的模型能准确预测个体后续(3小时后)有无抑郁状态; (2)不含情绪的预测模型中, 整合当前和预期压力应对、反刍、身体不适感和主观压力感受也能实现对抑郁状态的有效预测; (3)压力过程的多个成分会累积作用于个体, 共同预测后续的抑郁状态; (4)压力过程的累积均值和偏离值动态指标对抑郁状态预测有重要贡献。研究从动态视角开发抑郁状态的实时预警工具, 揭示多种压力过程因素协同预测的复杂组合和影响路径, 深化压力过程对抑郁状态复杂预测模式的理解。