基于时间序列机器学习的方法在 idiomonic（特定术语或表达）过程的治疗计划中的应用：tsBoruta 教程

《Journal of Contextual Behavioral Science》：Time series machine learning for idionomic process-based treatment planning: A tutorial on tsBoruta

个性化干预算法在毛发拔除症中的应用研究，比较iARIMAX、iBoruta和tsBoruta算法在识别认知固着等核心预测因子及过程-结果异质性方面的表现，发现tsBoruta在时间序列数据中更具保守性和准确性，61.11%参与者存在独特过程组合，靶向认知固着、行动价值和焦虑过程可覆盖94.44%样本。

　　

Baljinder K. Sahdra | Mercedes G. Woolley | Cristóbal Hernández | William Li | Steven C. Hayes | Joseph Ciarrochi | Michael Twohig | Michael Levin

澳大利亚天主教大学积极心理学与教育研究所，北悉尼，澳大利亚

摘要

背景

本研究展示了三种先进算法——iARIMAX、iBoruta 和 tsBoruta——如何在临床心理学中识别个性化治疗过程，以拔毛症（trichotillomania）作为实证案例。

方法

我们将这些方法与先前的研究结果进行了比较，并评估了它们检测线性和非线性关联的能力。我们预测这些方法会将认知固定（cognitive fixation）作为拔毛症的核心预测因素，并预期过程-结果关联中存在显著异质性——如果这种异质性是系统性的而非随机的，那么它将有助于个性化干预措施的设计。我们还预测 tsBoruta 会优于 iBoruta，因为它考虑了时间序列元素。

结果

所有三种方法都确认认知固定是拔毛症的关键聚合级预测因素。虽然 iARIMAX 最初显示出更强的关联性，但在考虑多个过程后，这种关联性变得不那么显著但仍具有意义。Boruta 系列方法在具体结论上显示出显著差异，其中 tsBoruta 在确认显著效应时更为保守。值得注意的是，61.11% 的参与者表现出独特的相关过程-结果关联组合。针对认知固定、价值行动（valued action）和焦虑这三个关键过程，可能会对样本中的 54 人中的 52 人产生积极影响。

结论

研究结果支持将标准化协议与个性化干预相结合，这对拔毛症的治疗可能具有价值。更广泛地说，本研究提供了方法学指导，并展示了 tsBoruta 如何为治疗计划的临床数据建模复杂性提供了一种强大且平衡的方法。

章节片段

当前研究

在临床心理学中，特定研究（idionomic research）的影响取决于拥有多种经过充分验证的方法（Creswell & Creswell, 2017; Hayes et al., 2022）。在本研究中，我们具体比较了三种不同的算法方法：（1）iARIMAX，代表标准的线性时间序列方法；（2）iBoruta，代表一种能够检测非线性但忽略时间依赖性的机器学习方法；（3）tsBoruta，一种旨在解决……问题的新型混合算法。

方法

该研究已在 Open Science Framework (OSF) 上预先注册：用于同行评审的链接：https://osf.io/2yuw9/?view_only=ed283beb8d5f425fbb15701643031f4e。

结果

分析使用 R 4.5.0 版本（R Core Team, 2025）进行。R 代码脚本和模拟数据可在 OSF 项目中获取（用于同行评审的链接：https://osf.io/qe7vs/?view_only=15b9fedc19554298b9b522955d0bedad）。由于伦理审查委员会（IRB）的限制，我们无法公开原始数据。为了帮助其他研究人员使用我们的 R 代码，我们基于原始数据集创建了模拟数据。使用 MTS 包（Tsay, 2022），我们对每个数据集拟合了一阶向量自回归（VAR）模型。

讨论

在基于过程的治疗研究中，一个核心挑战是识别哪些个体层面的预测因素能够随着时间的推移有意义地影响结果，尤其是在噪声较大的生态瞬时评估（EMA）数据中。在本研究中，我们探讨了三种算法——iARIMAX、iBoruta 和 tsBoruta——在识别与拔毛症结果相关的过程方面的表现，同时考察了普适性（nomothetic）和特异性（idiographic）结论。总体而言，iARIMAX 在建模方面具有优势……

结论

我们的研究通过系统地比较 iARIMAX、iBoruta 和 tsBoruta 三种算法，在检测心理 EMA 数据中的普适性和特异性效应方面取得了重要的方法学进展。目前临床心理学中很少有机器学习应用明确考虑时间序列数据。tsBoruta 在这一领域代表了显著的进步。我们的比较方法揭示了每种算法的相对优势。值得注意的是，tsBoruta……

CRediT 作者贡献声明

Mercedes G. Woolley：写作 – 审稿与编辑，撰写初稿，资源整理，项目管理，资金获取，数据管理，概念构建。 Baljinder Kaur Sahdra：写作 – 审稿与编辑，撰写初稿，数据可视化，软件开发，方法论设计，概念构建。 William Li：撰写初稿，进行正式分析。 Cristóbal Hernández：写作 – 审稿与编辑，撰写初稿，软件开发，方法论设计，进行正式分析。

未引用的参考文献

Breiman, 2001; Capel et al., 2024; Grant et al., 2021; Hernández et al., 2025; Ho and Xie, 1998; Pepe et al., 2009; Robin et al., 2011; Sanabria-Mazo et al., 2025; Tsay et al., 2022; Venkatraman, 1996.

作者说明

本研究使用了先前发表的研究（Woolley et al., 2025）中的样本进行了预先注册的二次数据分析（https://osf.io/2yuw9/?view_only=ed283beb8d5f425fbb15701643031f4e）。该研究的机构审查委员会已批准该研究，所有参与者均提供了知情同意。然而，由于同意书缺乏关于在开放科学平台上共享去识别化数据的说明，我们无法公开原始数据。我们已附上……

利益冲突声明

? 作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。