《Health Marketing Quarterly》:Business intelligence in health marketing and mental health: A structural topic modeling study
编辑推荐:
心理健康障碍构成一项主要的全球性挑战,推动了对早期诊断、预防和人群监测中可扩展、基于证据的策略的需求。该领域内的商业智能(Business Intelligence,BI)研究在概念和方法论上仍显碎片化,阻碍了跨学科整合。本研究探讨以下问题:过去30年间心理健
心理健康障碍构成一项主要的全球性挑战,推动了对早期诊断、预防和人群监测中可扩展、基于证据的策略的需求。该领域内的商业智能(Business Intelligence,BI)研究在概念和方法论上仍显碎片化,阻碍了跨学科整合。本研究探讨以下问题:过去30年间心理健康与医疗保健中商业智能应用的主要主题;BI相关文献摘要内部及跨摘要的模式,包括整合潜力;以及引用影响力最强的主题。通过这样做,研究人员将碎片化的商业智能应用综合为一种基于服务主导逻辑(Service-Dominant Logic,SDL)的、市场塑造性的情报视角,从而为健康营销学术做出贡献。这种重新框架是一种解释性综合:它受到结构主题建模(Structural Topic Modeling,STM)研究结果的启发,并通过将这些结果与既有的健康营销理论整合而发展,而非直接作为主题模型的实证输出产物。研究人员使用结构主题建模对Web of Science核心合集(1990–2025年)中的2,227篇同行评审论文进行分析,经过基于PRISMA的20,634条记录筛选后,揭示了20个潜在主题,这些主题追溯了商业智能、数据挖掘(data mining)和仪表盘分析在心理健康领域的演变。研究人员通过提出健康营销中关于商业智能的新视角来贡献文献,展示了在跨学科碎片化和时间演变的条件下,如何将分散的分析流综合为一个基于服务主导逻辑的心理健康情报平台(Mental Health Intelligence Platform,MHIP)。结果揭示了从个体心理焦点向系统性、计算性方法的转变,这些方法构成了心理健康情报平台的基础。本研究概述了一个研究议程,用于在未来的健康营销研究中实证评估心理健康情报平台的(MHIP)设计。
**论文解读:健康营销与心理健康中的商业智能——基于结构主题建模的综合分析**
### 研究背景与问题
心理健康障碍已成为全球性重大公共卫生挑战,疾病的日益流行迫切要求采用可扩展、基于证据的方法进行早期诊断、预防及人群监测。商业智能(Business Intelligence, BI)及关联分析技术,如数据挖掘、仪表盘和预测分析,在整合临床、行为、地理空间和组织数据以支持决策方面展现出巨大潜力,能够改善心理健康服务的交付与健康营销策略。然而,现有研究在概念和方法上高度碎片化:临床分析、认知系统、空间情报和伦理治理等子领域各自独立发展,缺乏统一的理论框架来整合这些分散的分析流。这种碎片化限制了BI在健康营销中实现人口层面的整合性情报平台(如心理健康情报平台,Mental Health Intelligence Platform, MHIP)的潜力,尤其阻碍了基于细分、目标选择和定位的精准市场塑造与行为干预设计。因此,本研究旨在系统性地考察过去三十年间BI、数据挖掘和仪表盘分析在心理健康与健康营销中的部署模式,并探索如何将这些分散的流综合为一个连贯的MHIP视角,为健康营销理论提供整合基础。
### 研究设计与结论
研究人员对Web of Science核心合集(WoS)中1990–2025年间发表的2,227篇同行评审论文进行了系统的结构性主题建模(Structural Topic Modeling, STM)分析。通过这一方法,他们识别出20个潜在主题,并揭示了主题的流行度随时间演变、主题间的相关性网络以及主题与引用影响力之间的关系。研究得出三个核心结论:第一,领域内存在四大高阶主题聚类,即数字消费者情报(Digital Consumer Intelligence)、临床服务情报(Clinical Service Intelligence)、健康公平与测量分析(Health Equity & Measurement Analytics)以及神经行为基础(Neurobehavioral Foundations);第二,领域正从个体心理焦点向系统性、计算性方法转变,临床服务情报作为整合枢纽,链接行为分析、预测模型和治理框架;第三,传统的临床测量主题(如心理健康量表验证)具有更高的引用影响力,而新兴的数字消费者分析主题尽管流行度上升,但引用归因较低,表明理论整合尚未成熟。研究最终提出了一个基于服务主导逻辑(Service-Dominant Logic, SDL)的MHIP概念框架,并衍生出五项可检验的研究命题,为未来实证评估提供了议程。
### 关键技术与方法
本研究采用系统性文献计量与计算文本分析相结合的方法。主要技术方法包括:基于PRISMA框架的文献筛选(从20,634条初始记录中筛选出2,227篇论文,来源为Web of Science核心合集,涵盖健康服务科学、商业、心理学和计算机科学等学科类别);结构主题建模(STM),这是一种无监督的概率文本分析技术,可建模主题相关性并纳入文献发表年份和WoS学科类别作为协变量,以捕捉时间动态和学科融合趋势;主题验证采用独立双人评审和FREX(高频且排他性)关键词权重评估;分析工具为R语言STM包(版本1.3.7),预处理包括小写转换、去除标点、停用词和词干化。
### 研究结果
**RQ1:主导主题与主题流行度**
通过诊断指标(保留似然值、残差、语义一致性及近似下界)确定最优主题数为K=20。利用FREX加权词和代表性摘要进行独立双人评审,识别出20个主题,包括远程医疗系统效率、预测分析、焦虑与抑郁相关量表、品牌FOMO营销、恐惧消退机制等。主题流行度分布显示,最流行主题约占语料库的9%以上,其余在2%–8%之间,反映了测量型、行为型和分析驱动型研究流的共存。
**RQ2:主题交叉与纵向模式**
通过LOESS平滑的时间趋势图发现,学术兴趣发生了结构性转向:与技术、数字化和分析相关的主题(如远程医疗系统效率、技术采用意愿)显著上升,而临床测量主题(如心理健康量表验证、护理利用率)比例下降。主题相关网络分析(Louvain聚类算法)揭示了四个主要高阶聚类:数字消费者情报、临床服务情报、健康公平与测量分析、神经行为基础。临床服务情报作为整合节点,连接预测分析、行为参与和治理框架,表明BI应用正从孤立分析工具向综合参与生态系统演化。
**RQ3:引用影响力与知识结构**
引用影响分析表明,健康量表验证、生活质量、患者依从性及职业压力等主题与较高引用数正相关,而新兴数字化消费分析主题(如品牌FOMO营销)引用关联较低。这揭示了方法成熟性与技术创新之间的张力,体现该领域技术上发展快于理论整合的现状。
### 讨论总结与研究结论
讨论部分将STM发现重新诠释为健康营销框架下的战略情报能力。研究人员指出,BI在心理健康领域不应被视为后端操作工具,而是多层次的市场塑造性基础设施。四大高阶聚类(数字消费者情报、临床服务情报、健康公平与测量分析、神经行为基础)分别对应健康营销中的细分与参与架构、基于结果的价值主张设计、公平导向的目标定位以及信任治理基础。在此基础上,研究提出了五项可检验命题,涵盖整合深度、市场塑造效力、关系互惠调节、治理信任中介以及实证可操作化。结论部分翻译如下:
本研究采用结构主题建模(STM)探索了心理健康营销中商业智能(BI)的潜在主题结构,基于1990–2025年Web of Science核心合集的2,227篇论文,揭示了该领域的内在组织方式。针对RQ1,研究识别出20个潜在主题,它们汇聚为三个高阶聚类:数字消费者情报、临床服务情报和健康公平与测量分析,表明行为数据分析、临床结果测量与治理导向的公平分析正同步发展,但并未形成统一整合的情报系统。针对RQ2,临床服务情报作为整个领域的整合枢纽,通过主题相关性与行为分析、预测和治理等主题联系,提示MHIP设计应以临床服务情报为证据核心,确保消费者分析或空间情报产生的分析结果始终植根于临床证据并受治理过程问责。针对RQ3,引用结构高度分层:方法论成熟的测量与临床评估主题具有显著更高的持续引用,而新兴的数字消费者分析主题尽管流行度高,引用归因较低,表明消费者分析传统尚处于理论巩固的初期阶段。研究的核心贡献是概念性与整合性的:基于STM映射,提出将BI重新概念化为可能塑造市场的多层次情报系统MLt,并设计了五项可检验的研究命题,为健康营销的实证与理论发展提供了清晰的研究议程。