下载数据 无需填写表单，无需电子邮件，无需注册。 CC BY 4.0 — 使用、重新发布、基于此构建。 mh-graveyard-companies.csv — 542行，每行对应一家公司。主要表。 mh-graveyard-companies.json — 相同的数据，相同的字段名称，格式为JSON。 mh-graveyard-labels-rationale.csv — 1,084行：每个分类标签背后的书面理由。 README.md — 完整的数据字典、方法、局限性。 LICENSE.txt — CC BY 4.0及建议的引用。 数据包含 542个在2000年至2026年间退出市场的数字心理健康组织——停业、破产、收购、转型和整合。每个公司编码最多18个字段：商业模式、实际付款者、筹集资金、退出原因、临床证据、医学联合创始人、收入模型、退出规模、国家、运营年限。此外，还有四个独立的分类轴：产品是什么（product_type）、它是什么类型的组织（entity_type）、它是否替代了一名临床医生或围绕一名临床医生（care_mode），以及是否有一名人类临床医生参与其中。还有一个字段根本不是一个分类——key_mistake，描述了导致每家公司死亡的主要原因。 自行重现研究结果报告中的每一份分享都是从这些行中计算得出的。示例：导入csv行 = list(csv.DictReader(open('mh-graveyard-companies.csv', encoding='utf-8'))) INSTITUTIONAL = {'雇主', '保险公司', '诊所', '医院', '学校'} def rates(group): n = len(group) dead = sum(1 for r in group if r['outcome'] == 'dead') return f 'n= {n} 死亡 {round(100 * dead / n)} %' print(rates([r for r in rows if r['payer'] == 'consumer'])) # n=258 死亡 53% print(rates([r for r in rows if r['payer'] in INSTITUTIONAL])) # n=254 死亡 21% 剪切结果 消费者支付 n=258 · 死亡 53% · 退出 32% 机构支付 n=254 · 死亡 21% · 退出 57% B2C n=210 · 死亡 53% B2B n=214 · 死亡 24% 一次性购买 n=26 · 死亡 85% 医学联合创始人——是 n=156 · 退出 47% 医学联合创始人——否 n=254 · 退出 47% 临床替代，机构支付 n=22 · 死亡 50% 护理交付，机构支付 n=69 · 死亡 9% 谁支付的预测生存率远远优于创始团队的任何信息。临床医生共同创始人对退出率没有影响：47%对47%。 分类是由LLM辅助的四个轴并不是手动编码的。LLM代理读取每家公司的完整描述，并根据固定的分类法指定标签。这是方法中最弱的一部分，这正是为什么每个标签背后的书面理由会作为mh-graveyard-labels-rationale.csv发布——以便可以检查编码而不是信任它。事实字段——资金、日期、国家、结果——来自Crunchbase、CB Insights、Tracxn、公共破产数据库、应用商店下架、Ahrefs域名数据和贸易报道，而不是来自分类过程。如果你发现不认同的标签，那就是你能用这组数据做的最有用的事情。 它不展示的内容 这是一个墓地，而不是随机样本。它中的每家公司都已经退出市场，因此各组之间的比较是相对的——它们不是失败的概率。59%的公司披露了融资情况，而资金的削减仅适用于这些公司。样本中大约67%是美国和英国。在观察少于25个的组中显示方向，而不是精确值。收购也不一定是成功：其中一些交易是破产清算的抛售。 完整报告 基于这些数据的406页报告——七个发现、公司故事的完整目录，以及展示每个结论背后算术的附录：心理健康初创公司墓地：542家死去的公司，七个模式。我在构建Mentalium（一个以语音为主的认知行为疗法日记）时编写了它。在为这一领域的产品投入数年之前，我想知道为什么这一领域有这么多尸体。