从时序个人健康数据生成解释的框架

尽管个人追踪其健康数据（如心率、步数、食物日志）已变得更为容易，但在数据收集与生成有意义的解释以帮助用户更好地理解其数据对自身意义之间，仍存在巨大鸿沟。随着对其数据理解的加深，用户将能够依据新获得的信息采取行动，并努力更接近其健康目标。我们旨在通过挖掘数据中以行为发现形式呈现的可能提示用户倾向的有趣结果，来弥合数据收集与解释生成之间的差距。我们的重点是通过一组信息性摘要模板（或称“原型形式”，protoforms）提升时序个人健康数据的可解释性。这些原型形式既涵盖帮助用户评估其健康目标的基于评估的摘要，也涵盖解释其隐式行为的基于模式的摘要。除个体用户外，我们所用的原型形式亦设计用于群体层面的摘要。我们应用所提方法从真实用户数据生成摘要（单变量与多变量），并表明我们的系统能够生成有趣且有用的解释。