LINC：在数字表型研究中维持高质量被动数据的框架

为何手机后台数据很重要

我们大多数人随身携带着一个强大的传感器：智能手机。除了通话和短信，这些设备还在悄然记录我们的去向与移动方式。科学家开始利用这些“被动”信息来更好地理解日常生活中的心理健康，这一领域称为数字表型学。但问题在于：如果手机停止记录，或只是间歇性地记录，那么某人的日常画面就会变得模糊不清。本文提出了一个实用操作手册，称为 LINC，帮助研究团队保持这些看不见的数据流平稳且可靠地运行。

把日常手机使用变成有用线索

在数字表型学中，志愿参与者会安装一个收集传感器信号（如 GPS 位置和运动数据）的应用。随着时间推移，这些轨迹可揭示例行、活动和社交行为的模式，可能与情绪、焦虑或复发风险相关。然而，过去的研究常常面临大量数据缺失——有时缺失了预期的一半或更多。这些缺口会严重扭曲诸如“在家时间”或步行活动等基本测量，导致误导性的科学结论，进而为患者和临床医生带来无用的工具。许多研究团队尝试在事后用统计方法修补这些空洞，但作者认为预防空洞出现远比事后补救更为有效。

一个简单的四步行动计划

作者提出了 LINC，这是一个四部分框架，旨在使高质量被动数据成为常态而非例外。“启动（Launch）”侧重于细致的设置：标准化清单指导工作人员和参与者检查手机设置，例如位置权限和可能会悄然关闭传感器的省电模式。“互动（Interact）”强调定期的、低强度的应用使用——简短的日常调查和简单的数据摘要——以便现代操作系统在后台保持应用活跃。“通知（Notify）”加入每日自动检查，标记何时数据流减慢或停止；“纠正（Correct）”提供逐步故障排除指南和外展信息，以便工作人员能与参与者合作迅速修复问题。重要的是，这些步骤依赖实用工具，而非复杂编程，因此各类研究团队都能采用。

在青年人群中检验该计划

为了检验 LINC 在真实环境中的效果，团队将其应用于一项包含 373 名青年（主要为大学生）的研究，参与者在为期两到三周的项目中探讨社交媒体使用与心理健康。一款智能手机应用收集了位置信息和简短的日常问卷。研究达到了相当完整的覆盖率：在典型一天中，92% 的十分钟时间段至少包含一次 GPS 记录，这一水平高于使用相同平台的大多数以往研究报告。四分之三的参与者超过了早期研究建议的、用于获得稳定可信测量所需的数据质量。许多人从未需要故障排除，而需要帮助的参与者通常只需一到两次联系就能恢复健康的数据流，例如关闭低功耗模式或重新打开应用。

为何缺失片段会扭曲全貌

随后，作者检查了数据缺口如何改变研究者所描述的情形。通过取一位参与者异常完整的 GPS 记录并故意稀疏化，他们展示了当读数间隔达到或超过 30 分钟时，“在家时间”的估计可能会相差数小时。移动地图变得支离破碎，像整天停留在一个地点这样的重要停顿更难被识别。在更大规模的分析中，团队按整体数据质量对天进行分组，观察“在家时间”与步数、移动多样性和屏幕使用等其他指标的相关强度。在约 50% 覆盖率以上，这些关系稳定且清晰；低于该阈值时，这些关系变得更弱且极不稳定，原因不是行为本身发生了改变，而是数据过于零散，无法支持可靠结论。

这对未来智能手机研究的意义

对读者而言，结论是手机后台数据可以成为观察心理健康的有力透镜——但前提是这些数据足够完整、值得信赖。LINC 框架提供了一种切实可行的方法，通过良好设置、温和的日常参与、持续监测和快速问题解决来保护数据质量。与其过度依赖统计方法来填补缺失信息，LINC 的目标是从一开始就尽量保持原始画面的完整。尽管还需要在其他人群和更长时间跨度上进行更多测试，这一方法表明，对手机日常使用细节的细致关注可以使数字心理健康研究更可靠、更有用。

引用: Calvert, E., Lane, E., Flathers, M. et al. LINC: a framework for maintaining high-quality passive data in digital phenotyping studies. Sci Rep 16, 10160 (2026). https://doi.org/10.1038/s41598-026-41435-0

关键词: 数字表型学, 智能手机感测, 数据质量, 心理健康, 被动监测