摘要

随着年轻成人心理健康问题的日益突出，日常数字情绪监测成为早期检测的重要手段。本文探讨了利用大型语言模型（LLMs）通过智能手机传感器特征预测情绪状态的可能性。研究通过收集和分析大学学生的智能手机数据，展示了LLMs在零样本和少样本学习环境下的有效性，揭示了智能手机行为模式与情绪状态之间的复杂联系。这是首次将LLMs应用于情绪状态预测和数字表型任务的研究，为心理健康监测提供了新的视角和方法。

原理

本文利用大型语言模型（LLMs）处理从智能手机传感器收集的行为数据，通过分析这些数据来预测用户的情绪状态。LLMs通过预训练获得广泛的知识和语言理解能力，能够从复杂的数据中提取有用的信息。在处理智能手机数据时，LLMs不仅分析单个传感器产生的数值特征，还能在更高层次上抽象地分析多个传感器数据生成的生活周期描述，从而揭示行为模式与个体心理健康或情绪状态之间的潜在联系。

流程

研究首先从大学学生中收集了17周的智能手机传感器数据和心理评估数据。数据包括电池水平、屏幕解锁、位置信息、应用使用等多种传感器数据。随后，通过RAPIDS工具处理和选择每日级别的行为特征。LLMs通过零样本和少样本学习方法，分析这些特征与情绪状态之间的关系。具体任务包括零样本提示、少样本提示和思维链推理，LLMs被要求根据学生的日常活动描述预测其情绪状态，并提供相应的Likert评分。

应用

本文的研究展示了LLMs在心理健康监测领域的应用潜力，特别是在通过智能手机数据预测情绪状态方面。未来，这种方法可以扩展到更广泛的群体和更复杂的心理健康评估中，为心理健康干预和治疗提供数据支持。此外，随着技术的进一步发展，LLMs在个性化健康管理、情绪调节等领域也有广阔的应用前景。