[論文レビュー] Aligning Daily Activities with Personality: Towards A Recommender System for Improving Wellbeing

Mohammed Khwaja, Miquel Ferrer+3 more|arXiv (Cornell University)|Sep 9, 2019

Mental Health Research Topics被引用数 4

ひとこと要約

本論文は、ユーザーの日常的行動をBig-Fiveパーソナリティ特性と一致させることで、主観的幸福度（SWB）を向上させる、パーソナライズドレコメンデーションシステムを提案する。スマートフォンで収集された行動、パーソナリティ、SWBデータを用いて訓練された機械学習モデルにより、高SWBまたは低SWBをもたらす最適な行動分布を予測し、個々のユーザーに対して「悪い」行動パターンを特定する際、最大92％の正確性を達成した。

ABSTRACT

Recommender Systems have not been explored to a great extent for improving health and subjective wellbeing. Recent advances in mobile technologies and user modelling present the opportunity for delivering such systems, however the key issue is understanding the drivers of subjective wellbeing at an individual level. In this paper we propose a novel approach for deriving personalized activity recommendations to improve subjective wellbeing by maximizing the congruence between activities and personality traits. To evaluate the model, we leveraged a rich dataset collected in a smartphone study, which contains three weeks of daily activity probes, the Big-Five personality questionnaire and subjective wellbeing surveys. We show that the model correctly infers a range of activities that are 'good' or 'bad' (i.e. that are positively or negatively related to subjective wellbeing) for a given user and that the derived recommendations greatly match outcomes in the real-world.

研究の動機と目的

• 幸福度指向のレコメンデーションシステムにおけるコールドスタート問題を、ユーザーのパーソナリティ特性をプロファイルとして活用することで解決すること。
• パーソナリティと日常的行動分布の整合性が、主観的幸福度（SWB）の駆動要因であるとモデル化すること。
• SWBを向上させる最適な行動パターンを予測するパーソナライズド行動レコメンデーションシステムを開発すること。
• モデルが高SWBおよび低SWBの結果をもたらす「ホワイトリストおよびブラックリスト化された」行動分布を正確に推定できるかを検証すること。
• モデルの性能を、理想状態（完全準拠）および現実的状態（大多数の準拠）の両方のユーザー行動シナリオで評価すること。

提案手法

• スマートフォンアプリを用いて2〜3週間の縦断的データセットを収集し、毎日5回のエコロジカル・マーメントリー評価（EMA）プローブを用いて行動報告を取得した。
• 地面のSWB測定として、Big-Fiveパーソナリティ検査とライフ満足度調査を統合した。
• パーソナリティ特性と行動分布パターンの整合性に基づいてSWBを予測する機械学習分類器を用いた。
• 予測されたSWB結果と一致する分布をシミュレートすることで、高SWBおよび低SWBのための最適な行動範囲を定義した。
• 予測された最適範囲を第二のデータセットにおける実際のユーザー行動分布と比較することで、モデルの性能を評価した。
• 正則化パrameter（λ=0.1）を用いた二値分類モデルを適用し、有意差を示す8つの主要な行動クラスタを同定した。

実験結果

リサーチクエスチョン

• RQ1 パーソナリティ特性を用いて、主観的幸福度を向上させるパーソナライズド行動パターンを推定できるか？
• RQ2 個々のユーザーに対して、高SWBまたは低SWBをもたらす行動分布の範囲をモデルがどの程度正確に予測できるか？
• RQ3 現実世界のユーザー行動と照らし合わせた場合、モデルは「良い」および「悪い」行動パターンをどれほど正確に特定できるか？
• RQ4 モデルは、理想状態（完全準拠）の仮定と現実的状態（大多数の準拠）の仮定のどちらにおいてもより優れた性能を示すか？
• RQ5 行動とパーソナリティの整合性を考慮しない、単にパーソナリティおよび行動データのみを用いるベースライン分類器よりも、モデルは優れているか？

主な発見

• 提案されたモデルは、パーソナリティ-行動整合性に基づくSWB予測において、3つのベンチマーク分類器を9〜18％上回った。
• 8つの主要な行動をすべて考慮した場合、高SWBクラスの51％、低SWBクラスの74％のユーザーが予測された最適範囲内に行動分布を持っていた。
• 少なくとも5つの行動を評価した場合、高SWBユーザーの予測正確性は71％に向上し、低SWBユーザーでは92％に達した。
• モデルは「悪い」行動パターン（低SWB）を特定する際、より高い感度を示し、「良い」パターンを特定するよりも優れた性能を示した。
• 行動分布とパーソナリティの整合性がSWBの強力な予測要因であることが示され、パーソナライズド幸福度レコメンデーションシステムの実現可能性が裏付けられた。
• 現実の準拠条件でも高い正確性を示したため、本システムは実世界の幸福度干渉に実用的である可能性がある。