基于机器学习的情境感知EMAs：离线可行性研究
人机交互
2025-06-23 v1
摘要
移动健康(mHealth)系统帮助研究人员在真实世界环境中监测和照护患者。利用mHealth应用程序的研究使用生态瞬时评估(EMA)、被动感知和情境特征来开发情绪识别模型，这些模型依赖于EMA响应作为基准。因此,在开展成功的mHealth研究时,必须考虑EMA的合规性。利用机器学习是解决这一问题的方法之一,通过预测响应概率来发送EMA。然而,文献表明,这一方法可能导致在与响应性相关的情绪情境下更频繁地提示参与者,从而缩小收集情绪的范围。我们提出了一个多目标函数,利用机器学习识别发送EMA的最佳时机。该函数通过结合预测的响应概率与情绪预测中的不确定性来识别最佳时刻。不确定性会导致该函数优先选择模型置信度较低的时间点,这些时间点通常对应于被低估的情绪。我们展示了,该目标函数会导致在参与者响应且经历较少观察到的情绪时发送EMA。该评估是在两个数据集上进行的离线评估: (1) 91名阿尔茨海默病及相关痴呆患者家属照护者, (2) 45名健康参与者。结果表明,多目标函数的值在参与者响应EMA并报告较少观察到的情绪时 tends to be higher。这表明使用所提出的目标函数指导EMA的交付可能提高接受率并捕获更广泛的情绪范围。
引用
@article{arxiv.2506.15834,
title = {Machine Learning-based Context-Aware EMAs: An Offline Feasibility Study},
author = {Zachary D King and Maryam Khalid and Han Yu and Kei Shibuya and Khadija Zanna and Marzieh Majd and Ryan L Brown and Yufei Shen and Thomas Vaessen and George Kypriotakis and Christopher P Fagundes and Akane Sano},
journal= {arXiv preprint arXiv:2506.15834},
year = {2025}
}