《Scientific Reports》于2026年10月13日发表一项关于运动行为与心理状态的机器学习研究。研究团队调查了中国三所高职医学院校的1127名学生，数据采集时间为2024年9月至11月。研究将运动行为与焦虑、抑郁、压力及生活满意度等指标结合分析，但文中的心理状态分组属于研究性分类，并非临床诊断。原始论文
研究采用随机森林、Apriori关联规则、K-Means聚类和XGBoost等方法。结果显示，在纳入的运动变量中，每周运动频率包含的信息量最多；较频繁的中等强度有氧运动与较低的焦虑和抑郁状态更常同时出现。聚类分析还识别出四个存在部分重叠的运动—心理状态画像，说明运动频率、强度、形式、动机和社交环境可能需要被放在同一框架中观察，而不宜只看单一指标。
在分类任务中，XGBoost在由226名学生组成的内部留出测试集上表现最好，准确率为0.889，宏平均AUC为0.943。不过，对严重心理困扰的敏感度为0.769；采用“留一所学校作外部检验”的验证方式后，准确率降至0.858。这一差异提示，模型可能受到学校样本结构、问卷填写方式和地区环境的影响，不能仅凭单一院校数据判断其普适性。
这项工作的价值主要在于展示了机器学习如何把运动行为拆分为多个维度，并用于发现群体层面的关联模式。它并未证明运动直接导致心理状况改善，也没有证明模型已经具备心理筛查或临床决策能力。由于研究是横断面设计，且验证主要基于内部数据，因果关系和跨地区稳定性仍需通过长期随访、多中心样本和独立外部验证进一步检验。对于教育机构或健康服务部门而言，相关模型更适合作为研究和风险分层的辅助工具，而不应替代专业评估。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
