预测以供回顾：将算法压力预测整合到个人信息系统中以促进大学生的心理健康

文献标题

Prediction for Retrospection: Integrating Algorithmic Stress Prediction into Personal Informatics Systems for College Students’ Mental Health

文献信息

• 主题领域: 人机交互、个人信息学、心理健康、压力管理
• 关键词: 个人信息学, 心理健康, 压力管理, 算法体验, 可解释性

研究背景与问题

• 发现的问题或挑战:

  • 大学生处于心理健康问题首次出现的高风险阶段，压力严重影响他们的身体及心理状态。
  • 传统方法难以有效跟踪和理解压力反应，从而影响用户采取适当措施解决压力来源。
  • 现有的智能个人信息学(Personal Informatics, PI)系统主要关注状态检测和报告，而不是支持用户的深度反思和行为改变。

• 重要性:

  • 压力管理对提高大学生的生产力、身心健康至关重要。
  • 数据驱动的反思可以提高用户对自身压力模式和来源的认知，从而促使积极的行为改变。

• 研究动机与相关工作:

  • 个人信息学系统已经被证明可以帮助用户反思健康数据并采取行动，但在压力管理领域尚缺乏充分的算法辅助反思机制。
  • 可解释性人工智能(XAI)能够改善用户体验、提高算法透明度，但过度解释可能带来认知负担和降低信任，需要谨慎设计。

解决方案

• 方法或解决方案:

  • 开发一个名为“MindScope”的压力管理系统，通过智能手机数据和机器学习算法推断用户的压力水平。
  • 设计三种层次的压力预测信息解释（无解释、类别级解释、详细解释），以探讨解释性对用户反思的影响。
  • 预测报告的数据包括社交活动、地点、行动、睡眠和手机使用行为。

• 创新之处:

  • 结合算法预测和解释机制，支持用户针对压力模式和来源的主动反思。
  • 引入基于用户反馈的持续模型更新机制。
  • 探索如何通过适量解释促进用户主导的反思和压力干预计划。

• 实施步骤和技术:

  • 模型阶段: 收集10天的用户压力数据，通过生态时刻评估(EMA)和设备传感器数据，建立个性化的压力预测模型。
  • 预测阶段: 提供15天的压力预测报告，用户可以确认或调整系统预测，同时接收干预建议。
  • 使用基于SHAP值的解释生成技术，将关键压力影响因素呈现为类别或具体行为信息。
  • 使用推送通知建议用户完成微任务作为压力干预。

研究成果

• 具体成果:

  • MindScope能够帮助用户识别压力模式，回忆压力相关事件，并制定详细的减压计划。
  • 在25天的实地研究中，参与者压力水平显著下降，说明MindScope对压力管理的潜在效果。

• 与现有解决方案的优势:

  • MindScope结合了算法预测和用户驱动的交互，可改善记忆偏差并鼓励用户生动且详细地回忆压力事件。
  • 提供不同层次的解释以适应用户的需求，既方便实时反思，也支持详细的压力源分析。

• 实验或评估结果:

  • 用户对类型2（类别解释）和类型3（详细解释）的评价均优于类型1（无解释）。
  • 类型3报告更具可操作性，但容易受到模型准确性低时用户信任的影响，而类型2报告督促用户主动回忆并生成假设。
  • 数据隐私和长期使用中模型表现的问题在部分用户群体中仍然突出。

• 局限性与未来方向:

  • 需要扩展实验时间和参与者群体以验证不同层次解释对更广泛人群的影响。
  • 冷启动问题以及算法对个体化差异的敏感性仍需要优化。
  • 未来工作可以考虑更长时间的研究以及加入更多的交互设计元素（如缩放、过滤）的灵活解释机制。

总结

该研究通过开发和部署MindScope系统，为大学生提供基于算法的压力预测及相应解释，支持用户更好地反思和管理压力。实验揭示了预测算法和解释性在促进反思中的潜力，同时提出了众多设计建议以改善用户体验和系统可靠性。在心理健康领域的个人信息学研究中，此论文开辟了一条新的方向，呼吁通过开放性算法设计辅助用户深度了解自身状态和行为模式，同时促进积极的行为改变。