ИИ научили измерению стресса по манере использования смартфона
В Корейском институте передовых технологий KAIST разработали фреймворк на основе алгоритмов машинного обучения, который измеряет уровень стресса пользователя, анализируя его действия на смартфоне. Технология SHIRBT-MMF описана в журнале Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies.
Идея воспользоваться гаджетом как окном в душу человека не нова — у всех нас теперь это неотъемлемая часть повседневной жизни. Прежние работы по оценке стресса с помощью смартфона в основном анализировали такие показатели, как время у экрана, количество запусков приложений, время и частоту использования по категориям приложений, а также особенности набора текста. Однако при смене используемых приложений или их интерфейсов меняются и анализируемые данные, что ухудшает однородность результатов.
«Мы рассматривали смартфон не просто как устройство для измерения времени использования, а как пространство повседневной жизни, где общение человека, поиск информации и финансовые операции выполняются многократно», — пояснил профессор Ли Ый-джин, руководивший исследованием.
Новая система анализирует не приложения, которые открывает пользователь, а его действия с устройством: пишет, читает, смотрит видео, платит и т. п. Такие повторяющиеся действия определили как «рутинные поведенческие задачи при взаимодействии человека со смартфоном» (Smartphone Human Interaction Routine Behavior Tasks — SHIRBT). Выявили повторяющиеся паттерны переходов между экранами на протяжении нескольких дней, а затем с помощью большой языковой модели присвоили им поведенческие метки: «переписка в мессенджере», «просмотр веб-страниц», «финансовый платеж», «чтение и написание электронной почты».
В испытаниях на способность одинаково классифицировать одно и то же действие в разных приложениях для почты, браузерах и мессенджерах система показала точность выше 95%.
В целях защиты приватности система не сохраняет фактический текст или содержание сообщений, а фиксирует только поведенческую информацию — текст введен, как часто, а также переходы между экранами. Сведения о получателях сообщений или собеседниках при звонках сохраняются в недоступном для расшифровки хэше.
Исследовательская группа проанализировала данные из реальной жизни 26 студентов и офисных работников 20–30 лет. Среди участников, по которым были доступны как самооценки стресса, так и записи со смартфона, 16 человек из краткосрочной группы предоставили в среднем 30,5 дня данных, а 10 человек из долгосрочной группы — в среднем 105,1 дня. На основе ежедневных самооценок участников и 29 типов их повторяющихся действий построили персонализированные модели, различающие дни со стрессом и без него.
Лучшая модель показала среднюю точность 75,9% для краткосрочных участников и 73,8% для долгосрочных — это на 5,5 и 3,5 процентных пункта соответственно лучше традиционного подхода, собирающего статистику использования приложений.
Эффективность сохраняется даже при сокращении числа анализируемых действий. Если оставить только анализ двух действий — «переписки в мессенджере» и «финансового платежа» — точность оценки стресса все равно выше, чем у методов слежения за временем в приложении.
В эксперименте собран большой массив данных, работа с которыми позволит улучшить модель и снизить нагрузку по сбору информации, рассчитывают авторы. В дальнейших исследованиях предполагается расширить выборку по возрасту, профессиям, операционным системам смартфона — в этом опыте был только Android.
