Objective: This study investigates the common characteristics of countries with high happiness index scores using a cluster analysis of 20 nations. Design: The study is an ecological study where the unit of observation is the population in a country. Setting: Data were drawn from the World Happiness Report, World Bank, WHO, and World Population Review (2023–2025). Main outcome measures: The study focused on five variables: social support, GDP per capita, healthy life expectancy, crude death rate, and health expenditure. Results: Results revealed that countries in higher-performing clusters exhibited consistently strong social support systems, moderate to high GDP per capita, high healthy life expectancy, moderate crude death rates, and substantial public health spending. Among these factors, social support emerged as the most influential determinant, aligning with recent literature emphasizing the psychological and societal benefits of strong interpersonal networks. GDP alone was not a sufficient predictor of happiness; countries with high economic output but lower investment in health and social infrastructure ranked lower in overall well-being. Conclusions: This study demonstrates that countries with high happiness cannot be characterized by economic prosperity alone. The cluster analysis showed that high happiness may coexist with different combinations of economic, social, and health conditions. The study therefore characterizes countries with high Happiness Index scores as heterogeneous rather than uniform.
The WHO Adolescent Well-being Framework identifies agency and resilience as a central domain of adolescent well-being, yet its expression from a health promotion perspective remains insufficiently understood. Although previous research has often focused on specific behaviours or isolated factors, less attention has been given to how interconnected personal and relational resources coexist as patterns reflecting the WHO domain of agency and resilience. This study explored such patterns among young Swedish persons aged 15–18 years and examined gender differences across these patterns. A cross-sectional survey was conducted among 419 students in Swedish upper secondary schools. Agency and resilience were operationalised through measures of salutogenic health, positive youth development (PYD), playfulness, goal orientation, and physical activity. A person-oriented cluster analysis was used to identify patterns of interconnected resources, and gender differences between patterns. Three distinct resource patterns were identified: a low-resource group (26%), a high-resource group (28%), and an asymmetric-resource group (47%), characterised by relatively favourable intrapersonal resources alongside lower relational PYD resources. Girls were significantly overrepresented in both the low-resource and asymmetric-resource groups. Together, these findings suggest that young persons with seemingly favourable individual resources may nevertheless exhibit underlying vulnerabilities when resources are considered as interconnected patterns rather than isolated characteristics. This perspective contributes to the empirical understanding of the WHO domain of agency and resilience and may inform person-centred, relational approaches to promoting young persons’ well-being.
Creativity is a core competency within Kenya’s Competency-Based Education framework, and Integrated Science offers opportunities for learners to investigate, collaborate, experiment, and apply scientific knowledge. However, limited context-specific evidence exists on how teachers combine instructional strategies to foster creativity in Junior School Integrated Science. This study assessed variations in teachers’ combined use of inquiry-based, collaborative, experiential and hands-on, and technology-enhanced strategies in public Junior Schools in Ainabkoi Sub-County, Uasin Gishu County, Kenya. Guided by Piaget’s Cognitive Constructivist Theory, it adopted a pragmatic worldview and convergent parallel mixed-methods design. Questionnaires were completed by 81 Integrated Science teachers, and semi-structured interviews were conducted with 15 Lead Integrated Science Teachers. Quantitative data were analysed using descriptive statistics and hierarchical cluster analysis (HCA), while qualitative data underwent thematic analysis. Collaborative learning recorded the highest use (M = 4.06, SD = 0.65), followed by inquiry-based learning (M = 3.94, SD = 0.66), experiential/hands-on learning (M = 3.54, SD = 0.53), and technology-enhanced instruction (M = 2.92, SD = 0.37). HCA yielded three exploratory profiles distinguished by relative emphasis on technology, inquiry and experiential learning, and collaboration. Interviews indicated that teachers adapted strategy combinations to lesson demands, resources, time, class size, and preparation requirements. The findings show variation in teachers’ reported practices, supporting differentiated professional development and improved access to practical and digital resources. Learner creativity was not directly measured.
This study examines the status of science identity of physics among middle school students, adopting a mixed-methods approach combining survey data and qualitative interviews, thereby addressing a gap in research on science identity in physics within the transitional context from integrated to discipline-specific curricula in early middle school. Quantitative analyses, including descriptive statistics, cluster analysis, correlation analysis, t-tests, and MANOVA, examined students’ science identity status, patterns, and gender differences. Qualitative interviews were analyzed using reflexive thematic analysis to explore underlying factors. The findings indicate that students’ science identity is moderately positive overall but characterized by an internal imbalance. While interest in science classes emerges as the strongest dimension, science role recognition remains notably weak, revealing an interest–recognition gap. A substantial proportion of students cluster within a neutral identity category, suggesting that the transition from integrated science to subject-based curricula represents a critical and malleable stage in identity development. Gender differences are significant across all dimensions of science identity and become more pronounced at higher grade levels, particularly in learning competence, practical performance, and career interest. Qualitative evidence suggests that these patterns may be associated with increasing academic demands following the transition to discipline-specific curricula, shifts in evaluation approaches, and internalized gender stereotypes. Additionally, limited peer discourse, low perceived proximity to the scientist role, and insufficient exposure to authentic scientific practices further constrain identity formation. Teacher recognition is a critical factor, with female students showing heightened sensitivity to it.
این پژوهش به بررسی وضعیت هویت علمی در فیزیک در میان دانشآموزان دوره متوسطه اول میپردازد و با اتخاذ رویکردی ترکیبی که دادههای پیمایشی و مصاحبههای کیفی را تلفیق میکند، به خلأ پژوهشی در زمینه هویت علمی در فیزیک در بستر گذار از برنامه درسی تلفیقی به برنامه درسی مبتنی بر رشتههای مجزا در اوایل دوره متوسطه پاسخ میدهد. تحلیلهای کمی، شامل آمار توصیفی، تحلیل خوشهای، تحلیل همبستگی، آزمون t و تحلیل واریانس چندمتغیره (MANOVA)، وضعیت، الگوها و تفاوتهای جنسیتی هویت علمی دانشآموزان را بررسی کردند. مصاحبههای کیفی با استفاده از تحلیل تماتیک بازتابی برای شناسایی عوامل زمینهای تحلیل شدند. یافتهها نشان میدهد که هویت علمی دانشآموزان به طور کلی در سطحی نسبتاً مثبت قرار دارد اما با عدم تعادل درونی همراه است. در حالی که علاقه به کلاسهای علوم قویترین بُعد هویت است، شناسایی نقش علمی به طور قابل توجهی ضعیف باقی میماند و شکاف علاقه ـ شناسایی را آشکار میسازد. بخش قابل توجهی از دانشآموزان در دسته هویت خنثی قرار میگیرند که نشان میدهد گذار از علوم تلفیقی به برنامه درسی مبتنی بر رشته، مرحلهای بحرانی و انعطافپذیر در رشد هویت به شمار میرود. تفاوتهای جنسیتی در همه ابعاد هویت علمی معنادار است و در پایههای بالاتر، به ویژه در شایستگی یادگیری، عملکرد عملی و علاقه شغلی، برجستهتر میشود. شواهد کیفی حاکی از آن است که این الگوها ممکن است با افزایش انتظارات تحصیلی پس از گذار به برنامه درسی مبتنی بر رشته، تغییر رویکردهای ارزشیابی و درونیسازی کلیشههای جنسیتی مرتبط باشد. همچنین، محدودیت در گفتوگوی همسالان، ادراک پایین از نزدیکی به نقش دانشمند و مواجهه ناکافی با تجارب اصیل علمی، شکلگیری هویت را بیشتر محدود میکند. شناسایی معلم به عنوان عاملی کلیدی مطرح است و دانشآموزان دختر حساسیت بیشتری نسبت به آن نشان میدهند.
Stigmatisation can undermine participation, belonging and well-being in higher education. This study examined how students represent stigmatisation and connect it to diversity, inclusion and perceived institutional responsibility. Grounded in social representations theory, it used a cross-sectional qualitative textual design. A non-probabilistic snowball sample of 519 students from one Spanish university completed an online free-association task based on the Grid Elaboration Method, providing four words and brief explanations in response to “stigmatisation”. Spanish-language responses were analysed in IRaMuTeQ using similarity analysis and descending hierarchical cluster analysis (Reinert method). Seven classes formed two broader branches. The first constructed stigmatisation as categorisation and discrimination affecting LGBTQ+ people, migrants, and people with mental health conditions or functional diversity, with perceived consequences including emotional suffering and academic harm. The second connected stigmatisation to unmet support needs, rigid assessment practices and insufficient institutional responsiveness. By mapping spontaneous associations across multiple forms of difference, the study shows how social marking, psychosocial and educational consequences, and perceived institutional responsibility are organised within a shared representational field. The findings suggest that responses to stigmatisation may benefit from combining awareness-raising with attention to support provision, pedagogical and assessment practices, staff preparation, and communication about inclusion initiatives.
انگزنی میتواند مشارکت، تعلق و بهزیستی را در آموزش عالی تضعیف کند. این مطالعه بررسی کرد که دانشجویان چگونه انگزنی را بازنمایی میکنند و آن را به تنوع، شمول و مسئولیت نهادی ادراکشده مرتبط میسازند. این پژوهش مبتنی بر نظریه بازنماییهای اجتماعی و با طراحی کیفی متنی مقطعی انجام شد. نمونهگیری غیرتصادفی گلولهبرفی شامل ۵۱۹ دانشجو از یک دانشگاه اسپانیایی بود که یک تکلیف تداعی آزاد آنلاین مبتنی بر روش Grid Elaboration را تکمیل کردند و در پاسخ به «انگزنی» چهار واژه و توضیحات کوتاهی ارائه دادند. پاسخهای به زبان اسپانیایی با استفاده از نرمافزار IRaMuTeQ و از طریق تحلیل شباهت و تحلیل خوشهای سلسلهمراتبی نزولی (روش Reinert) تحلیل شد. هفت طبقه دو شاخه کلی را شکل دادند. شاخه اول، انگزنی را بهعنوان دستهبندی و تبعیض علیه افراد LGBTQ+، مهاجران و افراد دارای شرایط سلامت روان یا تنوع عملکردی بازنمایی کرد که پیامدهای ادراکشده آن شامل رنج عاطفی و آسیب تحصیلی بود. شاخه دوم، انگزنی را به نیازهای حمایتی برآوردهنشده، شیوههای ارزیابی سختگیرانه و پاسخگویی ناکافی نهادی مرتبط دانست. با ترسیم تداعیهای خودجوش در زمینه اشکال مختلف تفاوت، این مطالعه نشان میدهد که نشانهگذاری اجتماعی، پیامدهای روانیاجتماعی و آموزشی و مسئولیت نهادی ادراکشده چگونه در یک میدان بازنمایی مشترک سازمان مییابند. یافتهها حاکی از آن است که پاسخ به انگزنی ممکن است از ترکیب آگاهیبخشی با توجه به ارائه حمایت، شیوههای آموزشی و ارزیابی، آمادگی کارکنان و اطلاعرسانی درباره ابتکارات شمول سود ببرد.
Introduction The rapid integration of artificial intelligence (AI) into education requires teachers to develop new competencies and manage their own learning. While research has examined teachers’ AI attitudes, acceptance, and literacy, less is known about how they regulate their learning in AI contexts. This study examined teachers’ self-regulated learning (SRL) profiles and their associations with demographic characteristics and AI-related experience. Methods In a descriptive survey, 213 in-service teachers completed the Artificial Intelligence Self-Regulated Learning Scale for Teachers (AI-SRLS). Two-Step Cluster Analysis was conducted using five dimensions: task planning, self-monitoring, help seeking, institutional support, and self-evaluation. Results Two profiles emerged: High Strategic Learners, who scored consistently higher across all five dimensions, and Limited Strategy Users, who reported comparatively lower strategy use. Profile membership was significantly associated with prior AI experience and AI-related training. Gender, age, and professional experience did not significantly differentiate the profiles. Discussion Teachers’ AI-related SRL strategies co-occur in distinct profiles, supporting a differentiated approach to professional development. Teachers with limited strategy use may benefit from structured guidance, scaffolded AI learning opportunities, and stronger institutional support, while highly strategic learners may benefit from more autonomous and advanced learning opportunities.
مقدمه: ادغام سریع هوش مصنوعی (AI) در آموزش و پرورش، معلمان را ملزم میکند تا شایستگیهای جدیدی را توسعه دهند و یادگیری خود را مدیریت کنند. در حالی که پژوهشها نگرشها، پذیرش و سواد هوش مصنوعی معلمان را بررسی کردهاند، اطلاعات کمتری درباره نحوه تنظیم یادگیری آنها در زمینههای هوش مصنوعی وجود دارد. این مطالعه به بررسی نمایههای یادگیری خودتنظیمی (SRL) معلمان و ارتباط آنها با ویژگیهای جمعیتشناختی و تجربه مرتبط با هوش مصنوعی پرداخت. روشها: در یک پژوهش توصیفی-پیمایشی، 213 معلم شاغل مقیاس یادگیری خودتنظیمی هوش مصنوعی برای معلمان (AI-SRLS) را تکمیل کردند. تحلیل خوشهای دو مرحلهای با استفاده از پنج بُعد شامل برنامهریزی وظیفه، خودنظارتی، کمکخواهی، حمایت نهادی و خودارزیابی انجام شد. یافتهها: دو نمایه شناسایی شد: یادگیرندگان راهبردی بالا که در تمامی ابعاد پنجگانه به طور مداوم امتیاز بالاتری کسب کردند و کاربران راهبرد محدود که استفاده نسبتاً کمتری از راهبردها را گزارش دادند. عضویت در نمایه به طور معناداری با تجربه قبلی هوش مصنوعی و آموزش مرتبط با هوش مصنوعی ارتباط داشت. جنسیت، سن و سابقه حرفهای تفاوت معناداری میان نمایهها ایجاد نکرد. بحث: راهبردهای یادگیری خودتنظیمی معلمان مرتبط با هوش مصنوعی در نمایههای متمایز همزمان رخ میدهد و از رویکرد تفکیکشده در توسعه حرفهای حمایت میکند. معلمانی که استفاده محدودی از راهبردها دارند، ممکن است از راهنمایی ساختاریافته، فرصتهای یادگیری هوش مصنوعی با پشتیبانی و حمایت نهادی قویتر بهرهمند شوند، در حالی که یادگیرندگان بسیار راهبردی میتوانند از فرصتهای یادگیری خودگردان و پیشرفتهتر سود ببرند.
In recent years, psychological strain among young people has increased worldwide due to numerous social crises. School and classroom performance requirements are primary sources of stress for students. Classroom stress emerges when the demands of a teaching situation surpass personal resources, such as self-efficacy beliefs (SEB). Scientific inquiry-based activities, including experiments or modeling, pose a significant challenge in science lessons because students have limited resources in this area, even by the end of lower secondary school. Consequently, an elevated stress level is anticipated in such situations. This exploratory study examined secondary school students’ heart rate variability (n = 86 valid data sets), an indicator of physiological stress, during inquiry-based and non-inquiry-based (communication) situations in science lessons. Moreover, a hierarchical cluster analysis was conducted to investigate whether stress levels differed as a function of individual dispositions that encompassed both stress levels and scientific SEBs. Overall, no significantly elevated stress level was observed during inquiry-based situations. Nevertheless, three types of students with different physiological stress responses were identified, suggesting that individual dispositions are pivotal in guiding personalized stress prevention in science lessons.
در سالهای اخیر، فشار روانی در میان جوانان در سراسر جهان به دلیل بحرانهای اجتماعی متعدد افزایش یافته است. الزامات عملکردی مدرسه و کلاس درس از منابع اصلی استرس برای دانشآموزان بهشمار میروند. استرس کلاسی زمانی بروز میکند که الزامات یک موقعیت آموزشی از منابع فردی، مانند باورهای خودکارآمدی (SEB)، فراتر رود. فعالیتهای علمی مبتنی بر پژوهش، از جمله آزمایش یا مدلسازی، در درس علوم چالشی قابل توجه محسوب میشوند، زیرا دانشآموزان حتی تا پایان دوره متوسطه اول نیز منابع محدودی در این زمینه دارند. بنابراین، انتظار میرود که در چنین موقعیتهایی سطح استرس افزایش یابد. این مطالعه اکتشافی، تغییرپذیری ضربان قلب دانشآموزان دوره متوسطه (n = 86 مجموعه داده معتبر) را به عنوان شاخصی از استرس فیزیولوژیک، در موقعیتهای مبتنی بر پژوهش و غیرمبتنی بر پژوهش (ارتباطی) در کلاسهای علوم مورد بررسی قرار داد. علاوه بر این، یک تحلیل خوشهای سلسلهمراتبی به منظور بررسی تفاوت سطوح استرس بر اساس ویژگیهای فردی که هم سطوح استرس و هم SEB علمی را در بر میگرفت، انجام شد. به طور کلی، در موقعیتهای مبتنی بر پژوهش، افزایش معناداری در سطح استرس مشاهده نشد. با این حال، سه نوع دانشآموز با پاسخهای متفاوت استرس فیزیولوژیک شناسایی شدند که نشان میدهد ویژگیهای فردی در هدایت پیشگیری شخصیسازیشده از استرس در کلاسهای علوم نقش محوری دارند.
Objectives Among people seeking sports-specific musculoskeletal specialty care we sought to determine 1) whether level of athletic identity mediates or moderates the relationship between thoughts and feelings and levels of capability and pain intensity, and 2) whether levels of pain intensity and capability differ among statistical groupings based on age and mindsets including athletic identity. Methods Adult patients seeing a sports medicine specialist (n = 135) completed measures of levels of capability, pain intensity, thoughts and feelings regarding sensation, and identification as an athlete. We planned mediation/moderation analysis. When that was not feasible, weadded an unplanned, exploratory cluster analysis of mindset factors. Results The lack of correlation between athletic identity and levels of capability and pain intensity precluded moderation/mediation analysis. An exploratory cluster analysis suggested that relatively younger people who identify as athletes and middle-aged people with somewhat greater feelings of distress may have greater pain intensity on average. Conclusions The finding that feelings of distress, independent of athletic identity, are associated with greater pain intensity and incapability is consistent with evidence that mindsets are a key aspect of musculoskeletal health, perhaps independent of specific identities.
اهداف: در میان افرادی که به دنبال مراقبت تخصصی اسکلتیعضلانی ویژه ورزش هستند، هدف ما تعیین این بود که ۱) آیا سطح هویت ورزشی رابطه بین افکار و احساسات و سطوح توانایی و شدت درد را میانجیگری یا تعدیلگری میکند، و ۲) آیا سطوح شدت درد و توانایی در گروهبندیهای آماری مبتنی بر سن و ذهنیتها از جمله هویت ورزشی متفاوت است یا خیر. روشها: بیماران بزرگسال مراجعهکننده به متخصص پزشکی ورزشی (n = 135) مقیاسهایی از سطوح توانایی، شدت درد، افکار و احساسات مرتبط با حس و شناسایی به عنوان ورزشکار را تکمیل کردند. تحلیل میانجیگری/تعدیلگری برنامهریزی شده بود. زمانی که این امر امکانپذیر نبود، یک تحلیل خوشهای اکتشافی برنامهریزینشده از عوامل ذهنیت افزوده شد. نتایج: فقدان همبستگی بین هویت ورزشی و سطوح توانایی و شدت درد، تحلیل تعدیلگری/میانجیگری را غیرممکن ساخت. یک تحلیل خوشهای اکتشافی نشان داد که افراد نسبتاً جوانتر که خود را ورزشکار میدانند و افراد میانسال با احساس ناراحتی نسبتاً بیشتر، ممکن است به طور میانگین شدت درد بیشتری داشته باشند. نتیجهگیری: یافتهای که احساس ناراحتی، مستقل از هویت ورزشی، با شدت درد و ناتوانی بیشتر همراه است، با شواهدی که ذهنیتها را جنبهای کلیدی از سلامت اسکلتیعضلانی میدانند، شاید مستقل از هویتهای خاص، سازگار است.
Depression represents a complex, multifactorial disorder influenced by the interplay of biological, behavioral, and social determinants. While extensive health surveys, including the National Health and Nutrition Examination Survey (NHANES), gather comprehensive multidomain data, existing studies tend to analyze these domains independently, overlooking the potential to identify integrated, data-driven patterns of depression risk. We have developed SYNERGY-VAE, an interpretable and multimodal deep learning framework that is designed to identify latent health subgroups and facilitate the transparent prediction of depression risk, utilizing NHANES-derived multimodal data from a large analytic cohort that spans five distinct domains from 2005 to 2018. SYNERGY-VAE utilizes a variational autoencoder to learn a shared latent representation derived from five modalities of NHANES, specifically demographic, dietary, examination, laboratory, and questionnaire data. Clustering within this latent space revealed subpopulations exhibiting distinct health signatures. To enhance interpretability, we triangulated insights utilizing encoder weights, standardized mean differences, and permutation feature importance (PFI). Machine learning classifiers were trained within each cluster employing the top 30 PFI-ranked features, with performance evaluated through the receiver operating characteristic area under the curve (AUC) in a 70/30 train-test split. Three latent clusters emerged, each demonstrating markedly different observed prevalence rates of depression within the analytic sample, ranging from 6.8% to 10.9%. Cluster-specific models consistently surpassed pooled models in performance, with the highest predictive accuracy identified in Cluster 2 utilizing XGBoost (AUC = 0.839, 95% CI:0.804–0.874). The importance of features varied across clusters, indicating unique depression risk profiles specific to each subgroup. SYNERGY-VAE demonstrates the power of generative, explainable deep learning for the identification of latent health phenotypes, thereby furthering the objectives of precision mental health. By integrating high-dimensional, multimodal data and facilitating transparent subgroup discovery, our model may inform future stratified and context-aware screening research and contribute to precision psychiatry-oriented research in large health survey datasets.
افسردگی یک اختلال پیچیده و چندعاملی است که تحت تأثیر تعامل عوامل زیستی، رفتاری و اجتماعی قرار دارد. اگرچه پیمایشهای گسترده سلامت، از جمله پیمایش ملی سلامت و تغذیه (NHANES)، دادههای جامع چندحوزهای را گردآوری میکنند، مطالعات موجود تمایل دارند این حوزهها را به طور مستقل تحلیل کنند و از شناسایی الگوهای یکپارچه و مبتنی بر دادههای ریسک افسردگی غافل میشوند. ما SYNERGY-VAE را توسعه دادهایم؛ یک چارچوب یادگیری عمیق چندوجهی و قابل تبیین که برای شناسایی زیرگروههای پنهان سلامت و تسهیل پیشبینی شفاف ریسک افسردگی طراحی شده است و از دادههای چندوجهی استخراجشده از NHANES در یک نمونه تحلیلی بزرگ که پنج حوزه متمایز را از سال ۲۰۰۵ تا ۲۰۱۸ دربرمیگیرد، بهره میبرد. SYNERGY-VAE از یک واریاسیونال اتوانکودر برای یادگیری نمایش پنهان مشترک مشتقشده از پنج وجه NHANES، به طور خاص دادههای جمعیتشناختی، رژیمی، معاینه، آزمایشگاهی و پرسشنامهای استفاده میکند. خوشهبندی در این فضای پنهان، زیرجمعیتهایی با امضاهای سلامت متمایز را آشکار ساخت. برای افزایش قابلیت تبیین، بینشها با استفاده از وزنهای انکودر، تفاوت میانگین استانداردشده و اهمیت ویژگی مبتنی بر جایگشت (PFI) مثلثبندی شدند. طبقهبندهای یادگیری ماشین در هر خوشه با استفاده از ۳۰ ویژگی برتر رتبهبندیشده بر اساس PFI آموزش داده شدند و عملکرد آنها از طریق مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) در تقسیم ۷۰/۳۰ آموزش-آزمون ارزیابی شد. سه خوشه پنهان شناسایی شد که هر یک نرخهای شیوع مشاهدهشده افسردگی به طور قابل توجهی متفاوتی را در نمونه تحلیلی نشان دادند، که از ۶.۸٪ تا ۱۰.۹٪ متغیر بود. مدلهای اختصاصی خوشه به طور پیوسته عملکرد بهتری نسبت به مدلهای تجمیعی داشتند و بالاترین دقت پیشبینی در خوشه ۲ با استفاده از XGBoost (AUC = 0.839, 95% CI:0.804–0.874) مشاهده شد. اهمیت ویژگیها در خوشههای مختلف متفاوت بود و نشاندهنده پروفایلهای ریسک افسردگی منحصر به فرد برای هر زیرگروه بود. SYNERGY-VAE قدرت یادگیری عمیق مولد و قابل تبیین را برای شناسایی فنوتیپهای پنهان سلامت نشان میدهد و بدین ترتیب اهداف سلامت روان دقیق را پیش میبرد. با یکپارچهسازی دادههای چندوجهی با ابعاد بالا و تسهیل کشف شفاف زیرگروهها، مدل ما میتواند پژوهشهای آینده غربالگری لایهبندیشده و زمینهمحور را اطلاعرسانی کند و به پژوهشهای روانپزشکی دقیق در دادههای بزرگ پیمایش سلامت کمک نماید.
