Bitte benutzen Sie diese Kennung, um auf die Ressource zu verweisen: https://doi.org/10.48548/pubdata-1651
RessourcentypZeitschriftenartikel
TitelEstimation of minimal data sets sizes for machine learning predictions in digital mental health interventions
DOI10.48548/pubdata-1651
Handle20.500.14123/1732
Autor*inZantvoort, Kirsten  0000-0001-9876-054X
Nacke, Barbara  0000-0002-8976-8440
Görlich, Dennis  0000-0002-2574-9419
Hornstein, Silvan  0000-0002-0398-7096
Jacobi, Corinna  0000-0002-0982-0596
Funk, Burkhardt  0000-0001-5855-2666
AbstractArtificial intelligence promises to revolutionize mental health care, but small dataset sizes and lack of robust methods raise concerns about result generalizability. To provide insights on minimal necessary data set sizes, we explore domain-specific learning curves for digital intervention dropout predictions based on 3654 users from a single study (ISRCTN13716228, 26/02/2016). Prediction performance is analyzed based on dataset size (N = 100–3654), feature groups (F = 2–129), and algorithm choice (from Naive Bayes to Neural Networks). The results substantiate the concern that small datasets (N ≤ 300) overestimate predictive power. For uninformative feature groups, in-sample prediction performance was negatively correlated with dataset size. Sophisticated models overfitted in small datasets but maximized holdout test results in larger datasets. While N = 500 mitigated overfitting, performance did not converge until N = 750–1500. Consequently, we propose minimum dataset sizes of N = 500–1000. As such, this study offers an empirical reference for researchers designing or interpreting AI studies on Digital Mental Health Intervention data.
SpracheEnglisch
SchlagwörterPsychiatric Disorder; Therapeutics; Psychische Störung
Jahr der Veröffentlichung in PubData2025
Art der VeröffentlichungZweitveröffentlichung
PublikationsversionVeröffentlichte Version
Datum der Erstveröffentlichung2024-12-18
EntstehungskontextForschung
AnmerkungenThis publication was funded by the German Research Foundation (DFG).
Veröffentlicht durchMedien- und Informationszentrum, Leuphana Universität Lüneburg
Zugehörige Ressourcen Beziehungen dieser Publikation
Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 

Zantvoort_Estimation_of_minimal_data_sets_sizes_for_machine_learning_predictions_in_digital_mental_health_interventions.pdf
MD5: 64e11da8c919933dac81f6ae6908e2ce
Lizenz: 
open-access

1.9 MB
Adobe PDF		Öffnen/Anzeigen

Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt, soweit nicht anderweitig angezeigt.

Ansichten
Zitationsformate
Datensatz Exporte
Zugriffsstatistik

Seitenaufruf(e): 2

Download(s): 1