Time2Stop：用于智能手机过度使用干预的自适应和可解释的人工智能循环

文献标题

Time2Stop: Adaptive and Explainable Human-AI Loop for Smartphone Overuse Intervention

文献信息

• 主题领域: 人机交互、智能手机过度使用、可解释人工智能 (XAI)
• 关键词: Just-in-time adaptive intervention, Smartphone overuse, Explainable AI, Human-in-the-loop, Behavioral intervention, Adaptive learning, Personalization, Human-centered AI, Intervention effectiveness, Mobile health

研究背景与问题

• 问题与挑战:

  1. 智能手机过度使用已成为一个严重的社会问题，影响个人的身体健康（如头痛、慢性颈痛）、心理健康（如焦虑和抑郁）和社会幸福感（如分心、家庭冲突）。
  2. 现有干预手段（如使用时间统计、限制应用访问）大多基于简单规则，无法动态适应个体复杂多变的使用行为和偏好。
  3. 缺乏采用人工智能驱动的 Just-In-Time Adaptive Intervention (JITAI) 方法来解决智能手机过度使用问题，且尚未探索结合人机交互反馈的 AI 驱动干预。
  4. 传统“黑箱”AI模型尽管具有高预测能力，但存在可解释性差的问题，缺乏用户信任和接受度。

• 重要性:

  1. 智能干预工具对于减少手机过度使用的重要性日益增加，尤其是在人机交互和移动健康领域。
  2. 将解释性AI（XAI）引入人机交互可增强用户对系统的信任和合作，同时提升干预的有效性和透明度。
  3. 研究如何结合用户反馈实现个性化和自适应干预，有助于开发更智能的干预系统。

• 研究动机与相关工作:

  1. 之前的研究已经在智能手机的自我限制和干预领域有初步探索，但往往局限于设备级或应用级处理，不能根据用户行为的动态变化调整干预措施。
  2. 初步研究显示，将用户行为数据与AI算法结合，可能在动态干预时机选择上具有效力，但目前缺乏在人机反馈循环（human-in-the-loop）场景下的探索。

解决方案

• 提出的方法:

  1. 开发了 Time2Stop 系统，这是一个基于人工智能的 JITAI 系统，集成了用户反馈（human-in-the-loop）以实现系统模型的自适应和可解释性。
  2. 系统包含四个主要部分：
     • 手机端传感应用，用于收集用户的行为和上下文数据。
     • 基于云的机器学习管线，用于提取行为特征、检测潜在的智能手机过度使用行为，并生成解释。
     • 用户干预界面，当检测到过度使用时进行干预，同时可收集用户反馈。
     • 利用用户反馈迭代更新的 ML 模型，实现长期适应性和精准干预。

• 创新之处:

  1. 提出了一个人机反馈循环系统，能够随着用户行为的演变不断学习并优化干预模型。
  2. 集成了解释性AI模块，通过提供干预原因的高低层次解释来增强用户信任并提高干预接受度。
  3. 开创性地将动态更新ML模型和特征解释功能结合，用于解决智能手机过度使用问题。

• 实施步骤:

  1. 数据收集：通过传感平台 (AWARE) 被动收集用户行为上下文数据，比如应用使用时间、屏幕解锁次数、活动状态和位置等。
  2. 标签获取：采用生态瞬时评估 (EMA) 方法，在用户使用应用时实时收集手机过度使用的自我报告。
  3. 模型更新：采用用户反馈作为新的标签，每天定期更新模型以反映用户行为变化。
  4. 解释生成：利用 SHAP 方法计算特征重要性，为用户提供简化且易于理解的模型预测结果解释。

研究成果

• 具体成果:

  1. 基于 71 位参与者的 8 周田野实验，表明 Time2Stop 在干预准确性和用户接受度方面显著优于基线方法。
  2. 动态自适应模型在干预准确性上相比传统方法提高了 32.8%（相对优势），在接受度上提高了 8%。
  3. 引入解释功能进一步增强了干预效果，使干预的准确性和接受度分别增加了 53.8% 和 11.4%。
  4. 实现了智能手机过度使用的显著减少，例如减少了 7.0~8.9% 的应用访问频率。

• 与现有解决方案的对比优势:

  1. 自适应和解释功能显著提高了干预的个性化和透明度。
  2. 集成了主动态更新和解释功能的完整解决方案（Adaptive-w-Exp 方法）在用户偏好、时间准确性和信任水平上均表现出最高得分。

• 实验或评估结果:

  1. 干预接受度和效果在实验时间内呈上升趋势，表现出对长期部署的潜力。
  2. 使用更抽象的高层次解释能触发用户的自我反思，但可能会引发部分用户的困惑和不信任。

• 局限性与未来方向:

  1. 局限性：
     • 实验参与者主要为年轻大学生，结果可能不适用于其他人群。
     • 缺乏对特定过度使用类型（如社交媒体、游戏）的详细分析。
     • 从数据收集到干预部署间的冷启动问题尚未完全解决，系统仍需额外时间校准。
  2. 未来方向：
     • 探索更动态的个性化解释生成和增强型人机交互方法。
     • 利用联邦学习等隐私保护技术解决数据隐私问题。
     • 优化模型更新频率和冷启动机制，实现更无缝的实际部署。