项目背景与目标
自杀是全球公共卫生的重要问题。童年负性事件（Adverse Childhood Experiences, ACEs）被证明与后期自杀风险高度相关。与此同时，智能手机的使用行为被认为是个体心理状态的重要数字表征。本项目旨在结合童年负性事件（ACEs）与手机使用行为（每日总时长与打游戏时长）两类数据，构建大语言模型与时序预测模型，以探索预测个体自杀风险的可行性。
核心任务设计
任务一：ACEs 的结构化（20分）
- 量表数据：ACE 问卷得分（如 0–10 分总分及维度分数）。
任务二：手机使用习惯的特征建模（20分）
核心变量
- 每日手机使用总时长（分钟/小时）
- 每日打游戏时长（分钟/小时）
派生特征
- 比例特征：打游戏时长 ÷ 总时长（反映娱乐依赖度）
- 趋势特征：过去 7 天/14 天的均值、标准差、变化率（捕捉波动性和习惯稳定性）
- 阈值特征：总时长或游戏时长是否超过设定阈值（如 >4h/天），作为高风险标记
时间序列处理
- 将每日数据窗口化为 7 天或 14 天序列，输入 RNN/GRU/轻量 Transformer
- 或提取统计特征后输入树模型（XGBoost/LightGBM）
任务三：多模态融合与预测（60分）
- 融合方法
- 拼接 ACEs 特征与手机使用特征
- 使用逻辑回归、树模型或神经网络进行风险预测
- 输出
- 个体自杀风险评分（0–1 概率）
- 关键特征贡献解释（如 ACEs 总分、手机使用高波动）
评估指标与验证方案
- 区分度：AUROC、AUPRC
- 分类性能：F1、灵敏度、特异度
- 校准度：Brier Score、校准曲线
- 泛化性：时间外验证（随访数据）与外部样本验证
预期成果
- 构建并验证一个融合 ACEs 与手机使用行为的自杀风险预测模型
- 识别高风险人群的关键特征（如 ACEs 总分、游戏时长比例等）
- 为早期干预与分层管理提供数据支持
参考文献
- Hughes, K., et al. (2017). The effect of multiple adverse childhood experiences on health: a systematic review and meta-analysis. The Lancet Public Health, 2(8), e356–e366.
- McCoy, T. H., & Perlis, R. H. (2025). Applying large language models to stratify suicide risk using narrative clinical notes. Journal of Mood & Anxiety Disorders, 10, 100109.