产品基本信息

• 手机使用：日均使用时长、社交媒体使用频率、游戏 APP 耗时等
• 心理健康：抑郁量表得分、焦虑指数、自尊水平评分
• 学业表现：各科成绩、作业完成时长、课堂专注度评分
• 生活方式：日均睡眠时间、运动频率、屏幕使用外社交时间
  ● 数据格式：CSV（UTF-8 编码，支持 Python/R/SPSS 直接读取）
  ● 许可证：MIT（允许修改、商用及再分发）
  ● 更新频率：固定版本（无后续更新）

产品使用说明

1. 数据导入：
   • Python：pd.read_csv('teen_phone_addiction_dataset.csv')
   • R：read.csv('teen_phone_addiction_dataset.csv')
2. 关键变量解析：
   • phone_usage_time：日均手机使用时长（分钟），连续型变量
   • social_media_freq：社交媒体打开频率（次 / 日），离散型变量
   • depression_scale：抑郁量表得分（0-50 分），越高表示风险越高
   • academic_performance：综合学业成绩（百分制），连续型变量
3. 典型分析场景：
   • 相关性分析：计算手机使用时长与抑郁得分的 Pearson 相关系数，验证成瘾行为的心理影响。
   • 聚类分析：基于手机使用模式与生活方式特征，将青少年分为 “低风险”“中风险”“高风险” 群体。
   • 预测建模：使用随机森林算法，以手机使用数据预测学业成绩下降风险（AUC 值可达 0.82+）。
4. 注意事项：
   • 合成数据虽基于真实行为模式建模，但需结合实地调研数据交叉验证。
   • 部分量表得分（如抑郁指数）为仿真生成，临床应用时需谨慎。

应用场景

1. 心理学研究：分析手机使用时长与抑郁倾向、焦虑量表得分的相关性，验证成瘾行为对心理健康的影响。
2. 教育干预：通过学业成绩与 APP 使用类型的关联分析，制定针对性数字健康干预方案。
3. 机器学习建模：以手机使用特征为输入，构建睡眠质量预测模型或成瘾风险分类器。
4. 公共政策研究：基于生活方式行为数据（如运动频率、睡眠时间），评估青少年数字健康政策效果。

产品来源

1. 行为建模：基于 WHO 青少年健康行为调查（HBSC）框架，结合美国心理学会（APA）手机成瘾诊断标准定义变量体系。
2. 数据生成：使用高斯混合模型（GMM）模拟真实群体分布，通过因果推断算法构建变量间关联（如手机使用→睡眠不足→学业下降）。
3. 效度验证：生成数据与某地区 300 名青少年实测数据的关键指标相关性达 0.81（p<0.001），确保分布一致性。