مطالعات رفتاری و اجتماعی در سلامت روان 1 پیاپی 1 1404 02 01 Predicting the Risk of Psychological Disorders Using Digital Behavioral Markers: An Artificial Intelligence and Behavioral Science Framework پیش‌بینی خطر اختلالات روان‌شناختی با استفاده از نشانگرهای رفتاری دیجیتال: یک چارچوب هوش مصنوعی و علوم رفتاری 81 98 EN محمد مرادی گروه مشاوره خانواده، دانشگاه گیلان، رشت، ایران مینا ابراهیمی گروه مشاوره خانواده، دانشگاه گیلان، رشت، ایران حسن رستمی گروه مشاوره خانواده، دانشگاه گیلان، رشت، ایران Journal Article <p>This study aimed to identify the components, requirements, and mechanisms of a culturally responsive, ethically governed, and person-centered framework for predicting the risk of psychological disorders using digital behavioral markers, artificial intelligence, and behavioral science principles. This qualitative study was conducted using conventional content analysis. The participants were 22 clinical psychologists, psychiatrists, artificial intelligence and data science specialists, and digital health professionals working in Tehran, Iran. They were selected through purposive maximum-variation sampling. Data were collected exclusively through in-depth semi-structured interviews. Theoretical saturation was reached after the nineteenth interview, followed by three additional interviews to confirm the stability and completeness of the categories. The interviews were transcribed verbatim and analyzed through initial coding, constant comparison, aggregation of conceptually similar codes, and development of subcategories and main categories. NVivo software was used to organize, manage, retrieve, and compare the qualitative data. Credibility and dependability were enhanced through member checking, peer debriefing, maximum-variation sampling, documentation of the analytical process, and examination of alternative interpretations. The analysis generated five main categories: “multimodal architecture of digital behavioral markers,” “dynamic and person-specific prediction,” “understandable artificial intelligence with human oversight,” “ethical governance, data security, and algorithmic justice,” and “clinical translation and cultural localization.” Participants emphasized that no single digital marker could reliably indicate psychological risk. Changes in mobility, sleep, circadian regularity, communication, smartphone interaction, language, voice, and physiological activity needed to be interpreted relative to the individual’s baseline and social context. The proposed system was therefore conceptualized as a probabilistic early-warning mechanism rather than an autonomous diagnostic instrument. Reliable psychological risk prediction requires multimodal longitudinal data, individualized temporal models, explicit uncertainty estimation, explainability, fairness auditing, dynamic consent, data minimization, and continuous professional oversight. The proposed framework may support early screening, prioritization of referrals, monitoring of symptom trajectories, and timely preventive interventions. Nevertheless, algorithmic outputs should be treated as decision-support information and should not replace clinical interviews, professional judgment, contextual assessment, or the therapeutic relationship.</p> <p>پژوهش حاضر با هدف شناسایی مؤلفه‌ها، الزامات و سازوکارهای یک چارچوب بومی، اخلاق‌مدار و شخص‌محور برای پیش‌بینی خطر اختلالات روان‌شناختی با استفاده از نشانگرهای رفتاری دیجیتال، هوش مصنوعی و مبانی علوم رفتاری انجام شد. این پژوهش با رویکرد کیفی و روش تحلیل محتوای قراردادی انجام شد. مشارکت‌کنندگان شامل ۲۲ نفر از روان‌شناسان بالینی، روان‌پزشکان، متخصصان هوش مصنوعی و علم داده و کارشناسان سلامت دیجیتال شاغل در تهران بودند که با نمونه‌گیری هدفمند و با رعایت اصل بیشینه تنوع انتخاب شدند. داده‌ها صرفاً از طریق مصاحبه‌های نیمه‌ساختاریافته عمیق گردآوری شدند. اشباع نظری در مصاحبه نوزدهم حاصل شد و سه مصاحبه دیگر برای اطمینان از تثبیت مقوله‌ها انجام گرفت. مصاحبه‌ها پس از پیاده‌سازی کلمه‌به‌کلمه، با استفاده از فرایند کدگذاری اولیه، مقایسه مستمر، ادغام کدهای مشابه و تشکیل زیرمقوله‌ها و مقوله‌های اصلی تحلیل شدند. مدیریت، سازمان‌دهی و بازیابی داده‌ها با نرم‌افزار NVivo انجام شد و اعتبار یافته‌ها از طریق بازبینی مشارکت‌کنندگان، بازبینی همتایان، ثبت مسیر تحلیل و نمونه‌گیری با بیشینه تنوع بررسی شد. تحلیل مصاحبه‌ها به استخراج پنج مقوله اصلی منجر شد: «معماری چندوجهی نشانگرهای رفتاری دیجیتال»، «پیش‌بینی پویا و شخص‌محور»، «هوش مصنوعی قابل‌فهم و تحت نظارت انسان»، «حکمرانی اخلاقی، امنیت داده و عدالت الگوریتمی» و «ترجمان بالینی و بومی‌سازی فرهنگی». مشارکت‌کنندگان تأکید کردند که هیچ نشانگر منفردی برای پیش‌بینی اختلالات روان‌شناختی کافی نیست و تغییرات درون‌فردی در تحرک، خواب، ارتباطات، الگوی استفاده از تلفن همراه، زبان، صدا و شاخص‌های فیزیولوژیک باید در بافت زندگی، شرایط اجتماعی و خط پایه شخص تفسیر شوند. همچنین، خروجی سامانه باید به‌صورت سطح خطر احتمالی همراه با میزان عدم‌قطعیت ارائه شود، نه به‌عنوان تشخیص قطعی. چارچوب پیشنهادی نشان می‌دهد که پیش‌بینی معتبر خطر روان‌شناختی مستلزم ادغام داده‌های چندوجهی، مدل‌های زمانی و شخص‌محور، توضیح‌پذیری، ارزیابی سوگیری، رضایت پویا، حداقل‌گرایی داده و نظارت متخصص انسانی است. چنین سامانه‌ای می‌تواند به غربالگری زودهنگام، اولویت‌بندی ارجاع، پایش تغییرات و مداخله به‌موقع کمک کند، اما نباید جایگزین مصاحبه بالینی، قضاوت حرفه‌ای یا رابطه درمانی شود.</p> https://jbssmh.com/index.php/jbssmh/article/download/11/9