基于移动感测的情绪推断模型的泛化与个性化：八国大学生分析

在过去十年中，使用移动感测数据进行情绪推断已在普适计算文献中得到研究。这种推断能够实现一般移动应用中的情境感知和个性化用户体验，并在移动健康应用中提供有价值的反馈和干预。然而，尽管许多研究强调了模型泛化问题，但重点始终是使用不同感测模态和机器学习技术提高模型准确率，使用同质人群收集的数据集。相比之下，关于评估情绪推断模型性能的研究较少，以判断模型是否能够泛化到新国家。在本研究中，我们收集了一个移动感测数据集，包含来自 8 个国家（中国、丹麦、印度、意大利、墨西哥、蒙古、巴拉圭、英国）678 名参与者的 32.9 万份自我报告，以评估地理多样性对情绪推断模型的影响。我们定义并评估了国家特定（在一个国家内训练和测试）、大陆特定（在一个大陆内训练和测试）、国家不可知（在使用训练数据中未出现的国家进行测试）和多国家（使用多个国家进行训练和测试）方法，这些方法针对两个情绪推断任务，使用基于总体水平（非个性化）和混合（部分个性化）模型的感测数据进行训练。我们表明，部分个性化的国家特定模型表现最佳，二分类（负性 vs 正性效价）AUROC 分数范围为 0.78-0.98，三分类（负性 vs 中性 vs 正性效价）为 0.76-0.94。此外，通过国家不可知方法，我们表明即使模型是部分个性化的，与国家特定设置相比，模型表现也不佳。我们还表明，在欧洲情况下，大陆特定模型优于多国家模型。总体而言，我们揭示了情绪推断模型在新国家的泛化问题，以及国家的地理相似性如何影响情绪推断。