Ứng dụng theo dõi tâm trạng giúp nhận biết điều gì?

Cách tiếp cận này gần với ecological momentary assessment (EMA): ghi nhận trải nghiệm của một người lặp lại trong đời sống thực thay vì chỉ yêu cầu họ nhớ lại sau một khoảng thời gian dài. Các tổng quan nghiên cứu cho thấy EMA trên thiết bị di động được sử dụng để thu thập tâm trạng, căng thẳng và những trải nghiệm liên quan trong bối cảnh hằng ngày; một tổng quan năm 2025 về 168 nghiên cứu cũng ghi nhận EMA được sử dụng rộng rãi trong nghiên cứu tâm lý trị liệu.

Ứng dụng có thể nhận ra những thay đổi cảm xúc nào?

Dữ liệu theo dõi có thể làm nổi bật nhiều kiểu thay đổi mà trí nhớ thông thường khó nhận ra chính xác. Một người có thể cảm thấy mình “dạo này hay buồn”, nhưng lịch sử ghi nhận cho phép kiểm tra cụ thể hơn: cảm giác buồn xảy ra thường xuyên hơn hay chỉ có vài ngày nổi bật, mức độ có tăng không, kéo dài bao lâu và có xuất hiện theo một mẫu nhất định hay không.

Những thay đổi đáng quan sát thường nằm ở bốn chiều chính: mức độ, tần suất, thời lượng và độ biến động. Ví dụ, điểm tâm trạng trung bình có thể giảm dần; những lần ghi nhận căng thẳng có thể xuất hiện dày hơn; trạng thái khó chịu có thể kéo dài từ một thời điểm ngắn sang phần lớn ngày; hoặc cảm xúc có thể chuyển lên xuống mạnh hơn so với nhịp thường thấy trước đó.

Ứng dụng cũng có thể làm rõ sự thay đổi trong cơ cấu cảm xúc. Một người không nhất thiết chuyển đơn giản từ “vui” sang “buồn”. Dữ liệu có thể cho thấy sự gia tăng của cáu kỉnh, lo lắng, căng thẳng, kiệt sức hoặc cảm giác trống rỗng trong khi những trạng thái như hứng thú, bình tĩnh hay năng lượng xuất hiện ít hơn.

Điểm quan trọng là thay đổi được đánh giá tương đối với mẫu nền của chính người sử dụng. Hai người cùng chấm tâm trạng ở một mức không nhất thiết có cùng ý nghĩa. Điều đáng chú ý hơn thường là một người bắt đầu lệch khỏi mô hình vốn có của mình.

Xu hướng cảm xúc được hình thành từ dữ liệu hằng ngày như thế nào?

Một lần ghi nhận chỉ cho biết trạng thái tại một thời điểm. Chuỗi ghi nhận mới cho phép ứng dụng tìm thấy xu hướng.

Giả sử người dùng thường nhập mức tâm trạng, cảm xúc nổi bật và một vài yếu tố bối cảnh. Khi dữ liệu được tích lũy, ứng dụng có thể nhóm chúng theo ngày, tuần, thời điểm trong ngày hoặc hoàn cảnh rồi so sánh. Từ đó, một chuỗi điểm riêng lẻ có thể trở thành những mẫu như “tâm trạng thường thấp hơn vào cuối ngày”, “căng thẳng tăng vào những ngày ngủ kém” hoặc “những ngày có hoạt động xã hội thường đi cùng mức năng lượng khác”.

Đây cũng là lý do việc ghi nhận gần với thời điểm trải nghiệm có giá trị. EMA được phát triển nhằm thu thập trải nghiệm trong môi trường sống thực và giảm sự phụ thuộc vào việc nhớ lại một giai đoạn dài. Tuy vậy, cách thiết kế phép đo giữa các nghiên cứu rất khác nhau về câu hỏi, thang điểm và tần suất ghi nhận, nên không tồn tại một cách theo dõi duy nhất phù hợp cho mọi trường hợp.

Dữ liệu càng nhất quán thì việc so sánh càng có ý nghĩa. Nếu hôm nay người dùng chấm “tâm trạng chung”, ngày mai lại chấm “mức căng thẳng” nhưng coi hai con số như cùng một đại lượng, biểu đồ có thể trông rõ ràng mà thực chất đang so sánh hai khái niệm khác nhau. Vì vậy, chất lượng của xu hướng phụ thuộc cả vào độ dài chuỗi dữ liệu lẫn tính nhất quán của cách ghi.

Tần suất, cường độ và thời lượng giúp phân biệt thay đổi ra sao?

Ba đặc điểm này giúp tránh kết luận quá nhiều từ một ngày tốt hoặc xấu bất thường.

Tần suất trả lời câu hỏi một trạng thái xuất hiện bao nhiêu lần. Nếu cảm giác căng thẳng từng chỉ thỉnh thoảng xuất hiện nhưng gần đây được ghi nhận trong nhiều ngày hơn, dữ liệu đang cho thấy sự thay đổi về tần suất dù mức căng thẳng mỗi lần có thể không cao hơn.

Cường độ phản ánh trạng thái đó mạnh đến đâu. Một cảm xúc có thể xuất hiện với tần suất gần như cũ nhưng mức đánh giá tăng dần. Đây là kiểu thay đổi mà chỉ đếm số ngày xuất hiện sẽ bỏ sót.

Thời lượng cho biết trạng thái qua đi nhanh hay có xu hướng kéo dài. Hai ngày đều có một lần ghi “buồn” không tương đương nếu một trường hợp chỉ xuất hiện ngắn còn trường hợp kia kéo dài qua nhiều lần ghi nhận liên tiếp.

Khi kết hợp ba chiều này với độ biến động, dữ liệu trở nên hữu ích hơn. Một mức trung bình tương đối ổn định vẫn có thể che khuất việc tâm trạng dao động rất mạnh giữa các thời điểm. Ngược lại, một giai đoạn có vài điểm rất thấp chưa chắc phản ánh xu hướng giảm nếu phần dữ liệu còn lại vẫn quanh mức nền.

Vì thế, một biểu đồ trung bình duy nhất thường chưa đủ để hiểu diễn biến cảm xúc. Xu hướng có ý nghĩa hơn khi xem đồng thời mức trung tâm, tần suất xuất hiện, độ kéo dài và cách dữ liệu phân tán theo thời gian.

Dữ liệu có thể cho thấy cảm xúc thường thay đổi trong bối cảnh nào?

Khi ứng dụng cho phép ghi thêm bối cảnh, người dùng có thể quan sát mối liên hệ giữa tâm trạng và những yếu tố xảy ra cùng thời điểm. Các trường thường gặp gồm giấc ngủ, mức năng lượng, hoạt động thể chất, tương tác xã hội, áp lực công việc, chu kỳ sinh hoạt hoặc sự kiện đáng chú ý.

Giá trị ở đây không chỉ là biết “hôm đó tâm trạng thấp”, mà là nhìn thấy một mẫu lặp. Chẳng hạn, nhiều lần ghi nhận có thể cùng cho thấy căng thẳng cao hơn sau những đêm người dùng tự đánh giá ngủ kém. Một mẫu khác có thể cho thấy năng lượng thấp thường xuất hiện vào một khung giờ cụ thể hoặc trạng thái bình tĩnh xuất hiện nhiều hơn trong những ngày có một hoạt động nhất định.

Tuy nhiên, đi cùng nhau không có nghĩa là nguyên nhân của nhau. Nếu tâm trạng thấp thường xuất hiện sau đêm ngủ kém, dữ liệu cá nhân mới cho thấy hai yếu tố có liên hệ theo thời gian. Nó chưa chứng minh thiếu ngủ gây ra toàn bộ thay đổi tâm trạng; căng thẳng, sức khỏe, lịch làm việc hoặc yếu tố khác có thể cùng ảnh hưởng.

Vì vậy, các “trigger” mà ứng dụng gợi ý nên được hiểu trước hết là mẫu cần kiểm tra, không phải kết luận nhân quả. Đây là khác biệt quan trọng giữa theo dõi để hiểu bản thân và biến một biểu đồ tương quan thành lời giải thích chắc chắn.

Khi nào một thay đổi đáng chú ý hơn dao động tâm trạng bình thường?

Tâm trạng vốn không cố định. Một thay đổi đơn lẻ sau một ngày mệt mỏi, một cuộc tranh luận hoặc một sự kiện vui không nhất thiết tạo thành xu hướng. Dữ liệu trở nên đáng chú ý hơn khi thay đổi lặp lại, kéo dài hoặc khác rõ so với mẫu nền cá nhân.

Có thể xem xét đồng thời ba câu hỏi: thay đổi này có xuất hiện nhiều lần không, nó có duy trì qua thời gian không và nó có đi kèm thay đổi trong sinh hoạt hay khả năng hoạt động không. Cách nhìn này có giá trị hơn việc tìm một “điểm số xấu” duy nhất.

Không có một ngưỡng điểm tâm trạng phổ quát mà mọi ứng dụng có thể dùng để tuyên bố rằng người dùng đã chuyển từ bình thường sang có vấn đề tâm lý. Thang đo, cách đặt câu hỏi, thuật toán và mục đích của từng sản phẩm khác nhau. Bản thân nghiên cứu EMA cũng sử dụng nhiều thiết kế đo lường khác nhau.

Một thay đổi vì thế nên được đọc theo đường diễn biến, không chỉ theo một con số: mức hiện tại so với chính người đó trước đây thế nào, thay đổi có bền hay chỉ thoáng qua, hoàn cảnh nào đi cùng nó và nó có ý nghĩa thực tế gì đối với cuộc sống hằng ngày.

Theo dõi tâm trạng không đồng nghĩa với chẩn đoán

Ứng dụng có thể phát hiện mẫu dữ liệu nhưng không tự động biết tại sao mẫu đó xuất hiện. Hai người có biểu đồ tương tự có thể có hoàn cảnh, sức khỏe, cách dùng thang điểm và nguyên nhân hoàn toàn khác nhau.

Đây là giới hạn đặc biệt quan trọng đối với các ứng dụng sức khỏe tinh thần dành cho người tiêu dùng. American Psychological Association lưu ý rằng nhiều ứng dụng wellness không được thiết kế để cung cấp phản hồi hay điều trị lâm sàng, có thể thiếu kiểm chứng khoa học và không nên được xem như sự thay thế cho chuyên gia sức khỏe tâm thần.

Ngay cả dữ liệu từ cảm biến như vận động, giấc ngủ hoặc cách sử dụng điện thoại cũng cần được diễn giải thận trọng. Một thay đổi hành vi có thể hữu ích như tín hiệu cá nhân nhưng không phải “dấu vân tay” phổ quát của một rối loạn. Các chuyên gia nghiên cứu công nghệ sức khỏe tâm thần từ lâu đã nhấn mạnh rằng cần biết mức nền của từng người và độ tin cậy của dữ liệu trước khi gán ý nghĩa lâm sàng cho biến động.

Do đó, chức năng phù hợp nhất của ứng dụng theo dõi là giúp người dùng quan sát và tổ chức dữ liệu về trải nghiệm của mình. Nếu một xu hướng kéo dài, trở nên mạnh hơn hoặc đi cùng khó khăn đáng kể trong sinh hoạt, dữ liệu đó có thể được dùng để mô tả diễn biến cụ thể hơn khi trao đổi với chuyên gia, thay vì dùng ứng dụng để tự đặt chẩn đoán.

Nên đọc dữ liệu tâm trạng thế nào để tránh hiểu sai xu hướng?

Điểm bắt đầu nên là mẫu của chính người sử dụng. Thay vì hỏi “điểm này có thấp không?”, câu hỏi hữu ích hơn là “điểm này có khác với cách mình thường ghi nhận không?”. Sau đó mới xem thay đổi có lặp lại và xuất hiện trong bối cảnh nhất quán hay không.

Cũng cần tách quan sát khỏi diễn giải. “Trong nhiều lần ghi gần đây, tâm trạng thấp thường đi cùng những ngày ngủ kém” là một quan sát từ dữ liệu. “Ngủ kém chính là nguyên nhân khiến tâm trạng của tôi giảm” đã là một kết luận nhân quả và cần bằng chứng mạnh hơn.

Dữ liệu thiếu cũng có thể làm méo hình ảnh. Nếu người dùng chỉ mở ứng dụng khi rất vui hoặc rất buồn, biểu đồ sẽ đại diện quá mức cho các trạng thái cực đoan. Nếu ngừng ghi vào những giai đoạn bận rộn, khoảng trống đó không thể mặc định được hiểu là tâm trạng ổn định. Vì vậy, lịch sử theo dõi phản ánh những gì đã được ghi, không phải một bản ghi hoàn hảo về toàn bộ đời sống cảm xúc.

Cuối cùng, nên dùng xu hướng để đặt câu hỏi tốt hơn: điều gì đã thay đổi, thay đổi bắt đầu khi nào, nó thường đi cùng hoàn cảnh nào và có ảnh hưởng gì đến sinh hoạt? Cách sử dụng này biến ứng dụng từ một bảng điểm cảm xúc thành công cụ hỗ trợ nhận biết mẫu cá nhân mà không gán cho dữ liệu mức chắc chắn lớn hơn khả năng của nó.

Ứng dụng theo dõi tâm trạng hữu ích nhất khi nhiều lần ghi nhận được xem như một chuỗi thay vì những điểm số độc lập. Qua thời gian, chuỗi đó có thể làm rõ thay đổi về mức tâm trạng, tần suất, cường độ, thời lượng, độ biến động và những bối cảnh thường xuất hiện cùng cảm xúc.

Điều ứng dụng thực sự giúp nhận biết là mẫu thay đổi của chính người sử dụng. Nó có thể chỉ ra rằng một trạng thái đang xuất hiện khác trước và giúp người dùng mô tả diễn biến cụ thể hơn, nhưng không tự xác định nguyên nhân hay chẩn đoán một rối loạn. Giá trị của dữ liệu nằm ở việc quan sát xu hướng có hệ thống, kiểm tra chúng trong đúng bối cảnh và biết giới hạn của những gì biểu đồ có thể kết luận.