可穿戴数据不再只做预测：把久坐换成运动，模型给出带睡眠中介的干预对比
核心概要
大学生运动、睡眠与心理困扰的可穿戴数据此前多用于预测关联，难以回答“把久坐时间换成运动后困扰会怎样变化”。CISM把这类改变写成保持每日清醒时间预算的再分配操作，用同一个按时间排序的随机响应模型生成次夜睡眠与后续困扰，并以g计算和序贯增广估计给出群体与个体化的策略对比。在结构模拟的因果恢复设定中，完整CISM的策略MAE为0.096、PEHE为0.129、95%区间覆盖94.1%，去掉时间预算后策略MAE升至0.151。
深度剖析
运动—睡眠—心理健康问题被改写成一个可计算的干预问题：在保持每名学生可用清醒时间不变的前提下，把久坐分钟重新分配给中高强度活动，再问后续困扰会如何变化。 此前的可穿戴研究主要估计传感行为变量与心理健康评分之间的关联，用梯度提升树、序列模型或缺失感知编码器做预测，预测精度和注意力解释并不给出反事实估计量。 在带混杂反馈和活动/睡眠预算的结构模拟中，完整CISM的策略MAE为0.096、PEHE为0.129、95%区间覆盖94.1%，而序贯g公式为0.146、0.194、89.8%，朴素回归为0.226、0.285、74.6%。
同一套按时间排序的随机响应模型同时承担事实重建、运动干预、睡眠中介干预和后续困扰估计，而不是几个互不相连的预测头。 常规做法若在回归中对运动后的睡眠做条件调整，会阻断经睡眠传递的路径；而自然间接效应需要跨世界反事实独立，在存在受处理影响的 mediator–outcome 混杂时尤其脆弱。 方法用随机化中介核定义干预式中介，把总效应拆成直接与睡眠中介两部分，这一分解是随机中介策略下的代数恒等式，并不声称分解普通自然总效应；组件消融中完整CISM的中介MAE为0.079，去掉睡眠核后升至0.156。
估计只在观测数据支持的范围内给出，超出经验支持就弃权，而不是把预测直接当作因果结论。 大幅增加运动在观测队列中缺乏可比样本，且运动记录是自选的，症状、学业截止日期和既往睡眠会同时影响当天活动与次日困扰。 消融中完整CISM的95%覆盖为94.1%、支持限制剔除的候选干预比例为12.4%，去掉支持过滤后覆盖降至84.8%、剔除比例降为0.0%；在GLOBEM与SSAQS的事实预测任务上，CISM的GLOBEM AUC为0.797、SSAQS MAE为13.94，对比TimeMixer的0.783与14.67。
启示与展望
评估覆盖两个学生可穿戴数据集与结构因果恢复实验：GLOBEM为2018至2021年497名参与者、705人年的Fitbit活动与睡眠加每周问卷，SSAQS为两所墨西哥大学本科生一学期的Fitbit Inspire 3数据与0到100分的每日压力、焦虑自评。真实数据上的结论限于按时间顺序的事实预测和带识别假设的策略估计，不构成已验证的临床收益。
观测效应估计仍以一致性、序贯可交换性与正值性等识别假设为前提，作者明确这些假设需要敏感性评估。SSAQS不提供抑郁诊断，其每日压力与焦虑评分与GLOBEM的每周抑郁取向结局不可互换，跨数据集迁移只能在可比行为表征或同一结局的归一化代理上评估。缺失并非随机无法从观测数据排除，SSAQS还包含仅有问卷记录的参与者。