《Behavioral Sciences》:Academic Stress and Mental Health Challenges Among International Students in China
编辑推荐:
背景:晚年生活中的身体活动(Physical Activity, PA)与复杂、多层次的因素交织在一起,是一个重要的行为科学主题。本研究考察了中老年人中异质性的长期PA模式,并探讨了由社会生态模型(Social Ecological Model, SEM)组织
背景:晚年生活中的身体活动(Physical Activity, PA)与复杂、多层次的因素交织在一起,是一个重要的行为科学主题。本研究考察了中老年人中异质性的长期PA模式,并探讨了由社会生态模型(Social Ecological Model, SEM)组织的多层次基线变量如何有助于轨迹分类。方法:纵向数据来自中国健康与养老追踪调查(China Health and Retirement Longitudinal Study, CHARLS)。研究人员使用潜在类别增长模型(Latent Class Growth Modeling, LCGM)和增长混合模型(Growth Mixture Modeling, GMM)对重复的PA测量进行建模,以识别不同的轨迹组。然后,将得到的轨迹成员身份用于探索性机器学习分类分析,其中根据SEM组织的基线变量评估其对分类的相对贡献。结果:识别出三条PA轨迹:持续低PA、高下降PA和中等上升PA。在评估的分类器中,随机森林(Random Forest, RF)显示出最高的内部分类性能,AUC值在0.943至0.945之间。社会参与、年龄、教育水平和性别在两个随机森林分类任务中表现出最一致的高变量重要性排名。结论:研究结果强调,中老年人的长期PA模式并非遵循单一统一轨迹,而是表现出显著的轨迹异质性。在社会生态模型框架内组织的多层次因素对于区分不同的PA轨迹具有探索性价值,表明未来的PA研究应超越整体活动水平,进一步考虑个体的动态轨迹背景及其相应的分类相关特征。
**论文解读:基于社会生态模型与机器学习的中老年人身体活动轨迹异质性研究**
**研究背景与问题**
随着全球人口老龄化加速,促进健康老龄化成为公共卫生优先事项。世界卫生组织预测,到2050年,60岁及以上人口将达22亿,占全球近四分之一;在中国,这一比例预计超过三分之一。身体活动(Physical Activity, PA)被广泛认为是可改变的行为,有助于维持功能能力、预防慢性病、提升生活质量和改善心理健康。然而,现有研究多关注PA水平的静态相关性,对其长期动态变化模式的理解仍不充分。PA并非静态行为:尽管中年活跃者在晚年更可能保持活跃,但总体PA随年龄增长而下降,且这种下降在不同个体间并非均匀发生。系统综述表明,三或四类轨迹解决方案最为常见,而低活动轨迹常占据最大亚组。此外,中老年人在重大生活转变(如退休)期间的PA变化可能呈阶段性。因此,识别异质性长期PA轨迹及其区分因素至关重要。
为考察与不同PA轨迹相关的变量,需要整合多层次因素。社会生态模型(Social Ecological Model, SEM)提供了一个整合框架,强调个体行为受个体、人际、组织、社区和政策层面影响。以往轨迹研究主要解释年龄、性别、教育、收入、健康状态和生活方式因素的差异,但环境因素和社会资本等关注不足。本研究利用SEM指导变量选择,并应用机器学习比较各生态层面因素对轨迹分类的相对贡献。
**研究方法与样本**
本研究使用中国健康与养老追踪调查(CHARLS)的三波纵向数据(2011、2013、2018),最终分析样本为3112名45岁及以上中老年人。关键方法包括:第一,采用潜在类别增长模型(LCGM)和增长混合模型(GMM)识别PA轨迹;第二,基于识别出的轨迹,以持续低PA组为参照,进行两项二元分类任务(高下降PA vs 持续低PA,中等上升PA vs 持续低PA),比较五种机器学习模型(随机森林RF、XGBoost、支持向量机SVM、K近邻KNN、多层感知机MLP)的性能;第三,利用SEM组织12个基线变量(个体层:年龄、性别、教育水平、自评健康、抑郁症状、睡眠、生活满意度;人际层:婚姻状况、子女支持、社会参与;组织层:退休状态;政策层:补贴),评估各变量对分类的相对重要性。模型性能通过10折分层交叉验证评估,以AUC、准确率、灵敏度、阳性预测值和Brier分数衡量。
**研究结果**
**1. PA轨迹识别**
通过LCGM和GMM,识别出三条PA轨迹:
- **持续低PA(Persistently Low PA)**(67.5%):三波均保持低水平PA,均值分别为85.75、90.67、72.91 MET。
- **高下降PA(High-Decreasing PA)**(16.3%):2011年最高(336.84 MET),2013年下降(188.16 MET),2018年更低(93.21 MET),呈总体下降模式。
- **中等上升PA(Moderate-Increasing PA)**(16.1%):2011年中等水平(234.69 MET),2013年相似(220.77 MET),2018年上升(307.51 MET),呈总体上升模式。
模型拟合指标(SABIC=112,226.326,熵=0.853,VLMR-LRT p<0.001,BLRT p<0.001)支持三分类GMM为最优模型,分类质量良好(平均后验概率0.869-0.958)。
**2. 机器学习分类性能**
在两项二元分类任务中,随机森林(RF)表现最佳,AUC值分别为0.943和0.945,显著优于XGBoost、SVM、KNN和MLP。RF的变量重要性分析显示:
- 区分高下降PA与持续低PA时,社会参与排名最高,其次为教育水平、年龄和性别。
- 区分中等上升PA与持续低PA时,年龄排名最高,其次为社会参与、教育水平和性别。
- 抑郁症状、自评健康、退休状态、补贴等变量重要性相对较低,但仍有贡献。
**3. 不同轨迹的基线特征差异**
描述性统计显示,社会参与、子女支持、补贴、退休状态、抑郁症状和生活满意度在三条轨迹间存在显著差异(p<0.05),而自评健康和睡眠无显著差异。值得注意的是,持续低PA组的社会参与均值最高,但这与机器学习中社会参与的高重要性并不矛盾,因为描述性统计反映未经调整的组间均值差异,而机器学习重要性反映联合考虑所有变量时的相对贡献。
**讨论与结论**
**讨论总结**:本研究利用CHARLS三波数据识别出中老年人三条异质性PA轨迹,其中持续低PA组占比最大(67.5%),表明长期PA不足是主要行为模式。RF在分类任务中表现最佳,社会参与、年龄、教育水平和性别在两项任务中均显示高重要性,但排序因轨迹对比而异。社会参与在区分高下降PA与持续低PA时最重要,而年龄在区分中等上升PA与持续低PA时更突出。这一模式提示,动态PA轨迹共享某些共同基线特征,同时具有轨迹特定的多变量行为轮廓。研究还发现,持续低PA组较高的社会参与可能源于CHARLS对社会参与的综合测量(包括体育活动类与久坐类),而非真正的身体活动参与,这一发现强调了区分不同类型社会参与的必要性。研究局限性包括:样本缺失导致的潜在选择偏倚;社会参与测量单一;仅三波数据限制非线性变化估计;机器学习模型未进行外部验证;PA评估依赖自我报告,存在回忆偏倚。
**结论**:利用CHARLS纵向数据,本研究识别出中国中老年人三条不同的PA轨迹:持续低PA、高下降PA和中等上升PA。在评估的机器学习模型中,随机森林表现出最高的内部分类性能,社会参与、年龄、教育水平和性别在两个分类任务中具有最一致的高变量重要性排名。这些发现扩展了当前关于异质性PA轨迹及其多层次分类轮廓的认识,表明中老年人的长期PA不应被理解为单一统一模式,而是具有潜在不同分类相关轮廓的独特轨迹模式。未来的PA研究应超越整体活动水平,进一步考察个体的动态轨迹背景、轨迹特定的行为轮廓以及可能与PA启动、维持或积极变化相关的潜在可改变领域。总体而言,在社会生态框架内整合PA轨迹建模与机器学习方法,可能为生成关于健康老龄化与PA促进的未来研究问题提供有用的探索性策略。