动态贝叶斯网络建模参与度与步行行为：来自一年期微随机化试验的启示（HeartSteps II研究）

本刊推荐：本研究采用动态贝叶斯网络（DBN）方法，分析移动健康（mHealth）干预中用户参与度（app page views）与步行行为（Fitbit steps）的动态关联。研究揭示干预消息数量对应用参与度的强促进作用（日均提升12.84–25.84次/消息），并发现西班牙裔参与者中应用使用与步行行为的正相关关系（6.70–10.93步/分钟/次浏览）。该方法为个性化数字行为改变干预（DBCI）提供了时序建模新范式。

　　

引言：移动健康技术的挑战与机遇

移动健康（mHealth）技术如可穿戴活动追踪器（Fitbit等）和数字应用程序，能够支持现实场景中的行为改变。然而其有效性很大程度上取决于参与者对数字技术的参与度（如应用页面浏览量）和干预组件的响应程度（如抗久坐消息）。现有行为改变理论多呈现静态单向关系，难以捕捉个体在真实世界中随时间演变的复杂行为模式。随着数字工具和传感器的发展，密集纵向数据（ILD）的获取为建立动态行为改变理论提供了新的可能。

研究方法：动态理论构建与贝叶斯网络建模

本研究基于HeartSteps II研究数据，该研究是一项为期一年的微随机化试验（MRT），旨在通过可穿戴活动追踪器促进超重成年人的步行行为。研究采用理论构建方法论（TCM）的五步流程：明确实证现象、形成原型理论、转化为数学模型、贝叶斯估计验证和模型评估。

核心分析工具动态贝叶斯网络（DBN）作为概率图模型，能够表征变量间的条件依赖关系和时间滞后效应。模型包含七个关键变量：温度、接收消息数、周末状态、感知忙碌度、感知休息度、应用参与度和每分钟步数，并假设这些变量在连续时间点（k-1, k）间存在动态相互作用。

具体动态假设包括：

1. 1.

   感知忙碌度受其前一日状态影响

2. 2.

   感知休息度受其前一日状态影响

3. 3.

   每日应用页面浏览量受前日浏览量、当日感知忙碌度、感知休息度、周末状态、消息接收量和温度影响

4. 4.

   每日步数受前日步数、当日及前日应用浏览量、感知忙碌度、周末状态、消息接收量和温度影响

模型通过贝叶斯潜在动态模型（BayesLDM）工具箱实现参数估计，采用马尔可夫链蒙特卡洛（MCMC）方法处理缺失数据，假设数据为随机缺失（MAR）。

研究结果：多层次动态关系揭示

应用参与度驱动因素：所有参与者（100%，n=10）中，接收消息数量对每日应用页面浏览量显示出强烈正向影响，贝叶斯可信区间（BCI）全部为正值。每增加一条消息预测日均增加12.84（12.19–13.57）至25.84（24.28–27.59）次页面浏览。90%的参与者的周末状态对应用参与度有积极影响。

步行行为的关键预测因子：80%的西班牙裔/拉丁裔参与者（4/5）中，每日应用页面浏览与步行行为存在强正相关，每增加一次应用浏览预测增加6.70（6.37–7.05）至10.93（10.14–11.78）步/分钟。周末状态对步数的影响存在个体差异，有的参与者周末步数减少，有的则增加。消息数量对步数有轻微负向影响。

个体化差异的显著发现：温度和感知忙碌度对步行行为的影响表现出明显的个体差异。一名西班牙裔参与者温度与步数呈正相关（预测增加6.52步/分钟/单位温度），而另一名参与者则呈负相关（减少8.50步/分钟/单位温度）。感知忙碌度与步数的关系同样存在方向性差异，有的参与者忙碌度增加导致步数减少12.24步/分钟，有的则增加16.96步/分钟。

种族/ethnicity的探索性分析：虽然非预设假设，但数据显示西班牙裔/拉丁裔参与者中应用浏览对步数的当日正向影响更普遍（80% vs 20%）。西班牙裔参与者中前日应用浏览对次日步数的影响也更明显（40% vs 0%）。感知忙碌度对应用参与度的负向影响在西班牙裔中更显著（60% vs 20%），而对体力活动的负向影响在非西班牙裔白人中更常见（60% vs 20%）。

讨论与启示：迈向个性化数字健康干预

本研究通过DBN方法揭示了数字行为改变干预（DBCI）中参与度与行为结果的复杂动态关系。结果表明，日常情境因素（如周末）、心理因素（如感知忙碌度）和干预消息共同影响着应用参与度和步行行为。这些发现在总体、组间和个体水平上的异同，支持了从个体化建模出发、逐步聚合到群体推断的“自下而上”研究范式。

关于潜在种族/ethnicity差异，西班牙裔参与者中应用参与对步行行为的更强关联可能反映了该群体通过数字工具克服运动障碍的特殊需求。感知忙碌度的文化差异可能源于西班牙裔文化中“家庭优先”的价值观和对个人运动时间的不同看法。

个体化差异的发现为个性化适应干预提供了重要依据。基于个体对温度、忙碌度等因素的特异性反应，可以设计更有针对性的干预策略，避免无效提示造成的负担和脱离。

研究优势与局限：贝叶斯方法的力量与挑战

本研究采用完全贝叶斯方法处理缺失数据，通过BayesLDM工具箱实现模型估计与多重插补同时进行，降低了计算成本。指定先验分布融入了领域知识，为模型提供了理论基础。研究包含 underrepresented 的西班牙裔/拉丁裔人群，增强了结果的多样性。

局限包括参与者筛选可能引入 engagement bias，5点李克特量表的心理测量限制了复杂动态关系的探索。模型假设局部平稳性，未能捕捉长期非平稳过程如习惯形成或复发。MAR假设虽然合理但仍可能受非随机缺失影响。

未来方向：从动态建模到精准干预

未来研究可探索更精细的心理测量方法，扩展模型处理非平稳性和长期动态过程，如通过隐马尔可夫模型（HMM）或分段建模捕捉参与度状态转变（如脱离、再参与）。整合客观时间序列数据与质性资料可深化对参与度动态的理解。

最终，这种个体化动态建模方法将为开发精准、自适应的数字健康干预提供科学基础，帮助识别最佳干预时机，最大化干预效果同时最小化参与者负担，推动数字行为改变干预向更精准、更有效的方向发展。