behavioral indicators

Background Depression and anxiety symptoms are common among college students. Behavioral and psychosocial indicators may support preventive campus mental health work, but risk-stratification frameworks require external validation. Methods We developed a construct-level model-explanation framework using questionnaire data from a development sample. The cleaned dataset included 1,267 students; internal-validation analyses included 1,096 students for depression risk and 1,095 for anxiety risk. Risk was defined as a Patient Health Questionnaire-9 (PHQ-9) or Generalized Anxiety Disorder-7 (GAD-7) score of 10 or higher. The primary Feature set C random-forest (RF) pipelines integrated demographic, traditional, and emerging behavioral and psychosocial indicators. Fold-specific preprocessing and percentile cutoffs were used for internal validation. Locked pipelines were applied without retraining, predictor reselection, optimization, recalibration, or threshold adjustment to an independent university sample of 1,468 students. Results External area under the receiver operating characteristic curve (AUROC), area under the precision–recall curve (PR-AUC), and Brier scores were 0.813 (95% CI, 0.776–0.848), 0.402 (0.325–0.491), and 0.090 (0.083–0.098), respectively, for depression and 0.809 (0.765–0.851), 0.205 (0.144–0.300), and 0.063 (0.056–0.070), respectively, for anxiety. Ordinary participant-level bootstrap was the primary approach, with stratified bootstrap as a sensitivity analysis. Depression calibration was close to the prevalence baseline (Brier 0.091; intercept −0.668; slope 1.401), whereas anxiety showed miscalibration (Brier 0.063 vs. baseline 0.051; intercept −1.227; slope 1.102). The models supported external discrimination and risk ranking but did not validate individual absolute-risk probabilities or clinical thresholds. Conclusion Behavioral and psychosocial indicators supported externally validated risk stratification in an independent university sample. Anxiety-risk findings should be interpreted as preliminary because the number of positive cases was limited. Further evaluation is needed before wider implementation.

Driver drowsiness is a major safety concern in heavy-duty truck operation, particularly in freeway car-following (CF) scenarios that require prolonged vigilance and continuous longitudinal control. However, how drowsiness-induced reduced alertness influences truck drivers’ CF behavior in real-world settings remains insufficiently understood. To address this gap, this study established a naturalistic heavy-truck CF dataset from long-haul freeway operations, with driver alertness labels obtained from a Smart Eye system. A three-level analytical framework was adopted to examine the effects of alertness on CF behavior from the perspectives of high-level behavioral indicators, model-based mechanism characterization, and primitive-level temporal structure. Specifically, overall CF performance was first described using commonly used indicators, then parameterized using the Intelligent Driver Model (IDM), and further interpreted at a finer temporal scale through behavioral primitives identified by a disentangled sticky hierarchical Dirichlet process hidden Markov model (DS-HDP-HMM). The results consistently showed that reduced alertness was associated with changes in drivers’ longitudinal adjustment patterns, which may partly reflect compensatory responses. Compared with alert driving, non-alert driving was associated with a more conservative spacing strategy, milder and less aggressive longitudinal regulation, and more near-constant and weak-regulation behavioral primitives, while active acceleration and deceleration corrections were less frequent. These findings provide a multi-level understanding of the longitudinal control mechanisms underlying non-alert truck driving in freeway environments and offer behavioral evidence for the development of intelligent driving assistance systems that can better respond to non-alert road truck drivers.

خواب‌آلودگی راننده یکی از نگرانی‌های عمده ایمنی در عملیات رانندگی کامیون‌های سنگین، به‌ویژه در سناریوهای دنباله‌روی خودرو (CF) در آزادراه‌ها است که نیازمند هشیاری طولانی‌مدت و کنترل طولی پیوسته می‌باشد. با این حال، چگونگی تأثیر کاهش هشیاری ناشی از خواب‌آلودگی بر رفتار CF رانندگان کامیون در شرایط واقعی هنوز به‌طور کافی درک نشده است. به‌منظور رفع این خلأ، این مطالعه یک مجموعه داده طبیعی‌نگر CF کامیون‌های سنگین از عملیات طولانی‌مدت در آزادراه‌ها ایجاد کرد که برچسب‌های هشیاری راننده از سامانه Smart Eye به‌دست آمد. یک چارچوب تحلیلی سه‌سطحی برای بررسی اثرات هشیاری بر رفتار CF از منظر شاخص‌های رفتاری سطح بالا، توصیف سازوکار مبتنی بر مدل و ساختار زمانی در سطح ابتدایی اتخاذ شد. به‌طور مشخص، عملکرد کلی CF ابتدا با استفاده از شاخص‌های رایج توصیف شد، سپس با مدل Intelligent Driver Model (IDM) پارامتردهی گردید و در مقیاس زمانی دقیق‌تر از طریق ابتدایی‌ترین رفتارها که توسط مدل DS-HDP-HMM (مدل فرآیند دیریکله سلسله‌مراتبی چسبنده تفکیک‌شده پنهان مارکوف) شناسایی شدند، تفسیر شد. نتایج به‌طور پیوسته نشان داد که کاهش هشیاری با تغییر در الگوهای تنظیم طولی رانندگان همراه است که ممکن است تا حدی بازتاب پاسخ‌های جبرانی باشد. در مقایسه با رانندگی هوشیار، رانندگی غیرهوشیار با راهبرد فاصله‌گذاری محافظه‌کارانه‌تر، تنظیم طولی ملایم‌تر و کمتر تهاجمی، و رفتارهای ابتدایی نزدیک به حالت ثابت و با تنظیم ضعیف‌تر همراه بود، در حالی که اصلاحات فعال شتاب و کاهش سرعت کمتر رخ می‌داد. این یافته‌ها درک چندسطحی از سازوکارهای کنترل طولی زیربنایی رانندگی غیرهوشیار کامیون در محیط‌های آزادراهی ارائه می‌دهد و شواهد رفتاری برای توسعه سامانه‌های هوشمند کمک‌راننده که بتوانند بهتر به رانندگان کامیون غیرهوشیار پاسخ دهند، فراهم می‌کند.

Background This study focused on internal aspects, including cognitive states and motivational engagement, that may be overlooked by external indicators of participation in collaborative learning, such as utterance counts or observable behaviors. This proof-of-concept feasibility study explored whether neurophysiological responses related to auditory attention could provide information relevant to interpreting conventional behavioral indicators of participation. Using electroencephalogram (EEG) indices (N1 and P2 components), associations with self-regulated learning and interest during collaborative learning were explored. Methods EEG data were collected during real, discussion-based collaborative learning activities conducted in a university classroom setting. EEG data were recorded using wearable devices from nine Japanese university students enrolled in the course. Utterances were categorized as surface- or deep-level regulation utterances according to definitions from a prior study. Using a multivariate temporal response function approach, the N1 and P2 amplitudes elicited by each type of utterance were estimated. The degree of self-regulated learning was indexed by the number of deep-level regulation utterances, and interest in learning was evaluated using subjective rating scores. The relationships between these indices and the N1 and P2 amplitudes were analyzed using linear mixed-effects models. Results The number of deep-level regulation utterances was significantly associated with the N1 amplitude, irrespective of whether the utterances were categorized as deep or surface regulation. In contrast, subjective interest ratings were significantly associated with the N1 amplitude, particularly in response to deep-level-regulation utterances. Conclusion The N1 component, which is related to auditory attention, showed exploratory associations with self-regulatory behavior and learners’ interest.

زمینه: این مطالعه بر جنبه‌های درونی، از جمله حالات شناختی و درگیری انگیزشی، که ممکن است توسط شاخص‌های بیرونی مشارکت در یادگیری مشارکتی مانند شمارش جملات یا رفتارهای قابل مشاهده نادیده گرفته شوند، تمرکز داشت. این مطالعه اثبات مفهوم و امکان‌سنجی بررسی کرد که آیا پاسخ‌های نوروفیزیولوژیک مرتبط با توجه شنیداری می‌تواند اطلاعاتی مرتبط با تفسیر شاخص‌های رفتاری متداول مشارکت فراهم کند یا خیر. با استفاده از شاخص‌های الکتروانسفالوگرام (EEG) (مولفه‌های N1 و P2)، ارتباط این شاخص‌ها با یادگیری خودتنظیمی و علاقه در طول یادگیری مشارکتی بررسی شد. روش‌ها: داده‌های EEG در طول فعالیت‌های واقعی یادگیری مشارکتی مبتنی بر بحث که در محیط کلاس دانشگاه برگزار شد، جمع‌آوری گردید. داده‌های EEG با استفاده از دستگاه‌های پوشیدنی از نه دانشجوی دانشگاه ژاپنی که در این دوره ثبت‌نام کرده بودند، ثبت شد. جملات بر اساس تعاریف یک مطالعه پیشین به عنوان جملات تنظیم سطحی یا عمیق دسته‌بندی شدند. با استفاده از رویکرد تابع پاسخ زمانی چندمتغیره، دامنه‌های N1 و P2 القا شده توسط هر نوع جمله برآورد گردید. میزان یادگیری خودتنظیمی با تعداد جملات تنظیم عمیق سنجیده شد و علاقه به یادگیری با امتیازات ارزیابی ذهنی مورد ارزیابی قرار گرفت. روابط بین این شاخص‌ها و دامنه‌های N1 و P2 با استفاده از مدل‌های خطی اثرات آمیخته تحلیل شد. نتایج: تعداد جملات تنظیم عمیق به طور معناداری با دامنه N1 مرتبط بود، صرف‌نظر از این که جملات به عنوان تنظیم عمیق یا سطحی دسته‌بندی شده بودند. در مقابل، امتیازات علاقه ذهنی به طور معناداری با دامنه N1، به ویژه در پاسخ به جملات تنظیم عمیق، مرتبط بود. نتیجه‌گیری: مولفه N1 که با توجه شنیداری مرتبط است، ارتباطات اکتشافی با رفتار خودتنظیمی و علاقه یادگیرندگان نشان داد.