从智能手机数据中学习社会情境：跨国与日常生活中的泛化

理解社会情境如何在人们的日常生活中展开，对于设计能够支持用户实现个人目标、福祉和活动的移动系统至关重要。作为问卷的替代方案，一些研究使用被动收集的智能手机传感器数据，通过机器学习模型来推断社会情境（即是否独处）。然而，现有的少数研究仅关注特定的日常生活场合，以及局限于一两个国家内的地理队列。这限制了对推断模型在日常生活场合和多个国家之间泛化能力的理解。在本文中，我们使用了一个新颖的、大规模的多模态智能手机传感数据集，包含从五个国家（蒙古、意大利、丹麦、英国、巴拉圭）的 581 名年轻成年人中收集的超过 21.6 万份自我报告，首先了解使用传感器数据进行社会情境推断是否可行，然后探究行为和国家层面的多样性如何影响推断。我们发现，多种传感器能为社会情境提供信息；部分个性化的多国模型（使用所有国家的数据进行训练和测试）与特定国家模型（在国家内部进行训练和测试）均可达到 90% 以上的 AUC 相似性能；并且无论地理距离远近，模型对未见过的国家均不能很好地泛化。这些发现证实了移动数据多样性的重要性，有助于更好地理解不同国家的社会情境推断模型。