解析心理健康社会人口差异中的分析学应用：意义与突破

为解决心理健康服务和治疗存在社会人口差异的问题，研究人员开展了应用分析学（如 AI、机器学习、深度学习）识别此类差异及减轻模型偏差的研究。研究发现预测、聚类分组和公平性模型应用较多，差异与多因素有关且因情境而异，为后续研究提供了方向。

　　不幸的是，心理健康服务和治疗存在社会人口差异。为解决这一问题，近期研究开始应用分析方法（即广义的人工智能，尤其是机器学习和深度学习），以识别这些差异，并在可能的情况下，减轻心理健康研究中使用的模型内的偏差。然而，由于此类研究分散在众多期刊和研究背景中，很难了解其研究范围和现状。在此，研究人员对该领域的文章进行了分析。研究人员确定了 2017 年至 2023 年 7 月期间 40 篇与在心理健康社会人口差异背景下使用分析学相关的文章。研究发现，预测、聚类 / 分组和公平性模型在分析的文章中应用最为频繁。这些文章中识别出了许多与心理健康相关的社会人口差异，例如与种族 / 民族、性别、年龄和社会经济地位相关的差异，但这些发现通常取决于具体情境。因此，在这项分析中，研究人员还就如何提高研究结果的普遍性，以及如何兼顾情境相关的研究结果提出了建议，特别是通过识别异质性治疗效果、减轻模型偏差、使用生成式人工智能、整合设备数据，以及将研究结果转化为实际应用等方式。