通过被动感知预测心理健康中的语义差距

文献标题

Semantic Gap in Predicting Mental Wellbeing through Passive Sensing

文献信息

• 主题领域: 心理健康预测与被动传感
• 关键词: 被动传感, 心理健康, 社交媒体, 活动模式, 语义差距, 生理测量, 自我报告, 多模态传感

研究背景与问题

• 发现的问题或挑战: 被动传感技术用于心理健康推断时，通常依赖自我报告作为真值标签。然而，自我报告主要反映心理层面，但无法完全对准生理层面的心理状态，这可能导致两个层面之间出现“语义差距”。此外，被动传感数据难以捕捉影响真值标签的完整生态因素。

• 研究重要性: 心理健康状态与个人的福祉和生产力密切相关，了解语义差距有助于推进被动传感技术的应用，为心理健康领域提供高效和准确的预测工具。

• 研究动机与相关工作: 语义差距在计算领域（如自然语言处理和计算机视觉）已有广泛讨论，但尚未系统探讨其对心理健康预测的影响。本研究提出被动传感数据中的语义差距问题，并尝试通过多模态数据评估此现象的普遍性和解决路径。

解决方案

• 提出的方法或解决方案: 通过多模态数据（三个离线传感器流和社交媒体语言特征）预测心理健康真值标签中的两个主要测量维度：自我报告（心理层面）和生理测量中的高唤醒状态（生理层面）。提出了两个核心问题：

  • RQ1: 社交信号是否比行为信号更能预测心理层面的自我报告？
  • RQ2: 行为信号是否比社交信号更能预测生理层面的高唤醒状态？

• 创新之处:

  1. 将“语义差距”的理论首次应用于心理健康预测。
  2. 利用跨传感器数据（离线传感器与社交媒体语言）表征心理健康构建的不同抽象维度。
  3. 综合多模态数据，通过量化方法进行语义差距比较。

• 实施步骤和关键技术:

  1. 应用多模态传感器数据（智能手机、可穿戴设备、蓝牙设备）和社交媒体语言特征。
  2. 使用回归方法（随机森林、梯度提升、XGBoost）估计心理健康构建。
  3. 分析不同窗口长度对模型预测性能的影响，通过相关性和对称平均绝对百分比误差（SMAPE）对比模型优劣。
  4. 使用后验分析验证社会信号对预测自我报告的增强作用，并测试行为信号对生理测量的预测效果。

研究成果

• 具体成果:

  1. 社交媒体语言比离线行为信号更能有效预测自我报告中的焦虑和压力（心理层面）。
  2. 行为信号比社交语言信号更能准确预测生理测量中的高唤醒状态（生理层面）。
  3. 增加模拟社会信号（蓝牙互动特征）能显著改善基于行为信号的预测模型。

• 与现有解决方案相比的优势:

  1. 提出了针对不同心理健康构建（心理和生理）的针对性传感器选择建议。
  2. 推荐通过最小化传感器数量实现资源优化，即“简约传感”。
  3. 拓宽了被动传感领域对真值标签特性及敏感性的理解。

• 实验或评估结果:

  • 对心理层面的自我报告，社交媒体语言模型的相关性达到 r = 0.56，优于行为信号模型的 r = 0.34。
  • 对生理层面的高唤醒状态，行为信号模型的相关性达到 r = 0.63，优于社交媒体模型的 r = 0.56。
  • 增加蓝牙提取的互动特征后，行为信号对自我报告预测的相关性提高了约 64%。

• 局限性与未来方向:

  1. 数据集限制：研究仅基于特定数据集（Tesserae项目），结果可能不完全适用于其他数据。
  2. 构建范围：仅研究焦虑和压力，未来可扩展至其他心理健康构建。
  3. 模型类型：以动态状态为目标变量，未来可扩展至稳定性心理构建（如社交障碍）。
  4. 质量控制：建议进一步探索语境对自我报告的影响，以筛选更可靠的真值标签。