文献标题

DeepStress: Supporting Stressful Context Sensemaking in Personal Informatics Systems Using a Quasi-experimental Approach

文献信息

• 主题领域: 个性化信息系统和心理健康领域，通过分析因果关系帮助用户管理日常压力
• 关键词: 个性化信息系统, 心理健康, 准实验方法, 因果关系, 数据驱动的反思

研究背景与问题

• 发现的问题或挑战:

  • 个性化信息系统（PI）虽引导用户从自我监测数据中获得洞见，但在帮助用户理解因果关系时仍存局限。
  • 数据复杂性和外部混杂因素的偏差可能导致仅基于相关性的分析得出错误结论。
  • 使用用户自主实验方法（self-experimentation）虽严谨但在日常生活中不易实施。
  • 当前缺乏应用准实验方法以辅助因果分析的PI系统。

• 问题的重要性:

  • 更清晰的因果关系分析将有助于用户基于数据采取有效的长期压力管理行动，提升心理健康。

• 研究动机与相关工作:

  • 文献和初步访谈揭示用户需要更直观且准确地识别压力影响的上下文。
  • 准实验方法在控制外部混杂因素方面被认为是一种平衡实用性与科学有效性的解决方案。

解决方案

• 提出的方法或解决方案:

  • 设计DeepStress系统，基于用户6周的自我数据收集帮助分析与压力相关的上下文因果关系。
  • 采用准实验方法中的匹配（matching）技术，通过平衡处理与控制组的混杂变量来达成因果分析。

• 创新之处:

  • 运用准实验方法从用户观察数据中推测因果关系，无需实施严格的随机实验。
  • 引入双阶段因果分析，不仅判断某上下文是否与压力相关，还探索给定上下文内其他可能影响压力的因素。

• 实施步骤与关键技术:

  1. 数据采集：使用移动应用让参与者通过体验采样方法记录压力、活动、地点、社交环境等信息。
  2. 因果分析方法：通过Coarsened Exact Matching（CEM）进行上下文匹配，平衡混杂变量。
  3. 系统功能：
     • 历史压力数据导航：用户可查看日历、图表，重访过去记录。
     • 因果关系结果展示：通过可视化和说明直接告知压力相关的因果上下文。
     • 支持规划与行动：展示如何调控具体上下文内压力。

研究成果

• 具体成果:

  • DeepStress被证明能够帮助用户回顾历史数据、识别压力上下文并理解因果关系。
  • 用户通过系统改进了行为规划，并在压力管理上采取针对性的行动。
  • 调查揭示了用户在处理因果关系时的认知过程与困难。

• 与现有解决方案的优势:

  • 相较于仅依赖关联分析的系统，DeepStress在因果推断上更具科学性。
  • 系统提升了用户对上下文间复杂关系的认识，不仅关注孤立的单一上下文。

• 实验或评估结果:

  • 深度用户研究表明DeepStress用户体验得分为74.1，表明系统在支持因果关系探索方面具有良好可用性。
  • 用户通过该系统自主生成解释，以增强对结果的理解并更好地规划日常生活。

• 局限性与未来方向:

  • 记录上下文细粒度的挑战：提供更细化的选项或支持用户添加注释可能提升准确性。
  • 数据需求与负担：自动化数据采集或定制数据收集范围可减少用户负担。
  • 全样本匹配的局限性：探索其他准实验方法或扩展至更多有不同背景的群体。
  • 未来研究方向还包括比较基于因果分析的系统与其他PI系统的优劣性。

致谢

• 本研究获得韩国政府（MSIT）资助，感谢其对生物及医学技术发展项目的支持。