[論文レビュー] Detecting Affective Flow States of Knowledge Workers Using Physiological Sensors

Matthew Lee|arXiv (Cornell University)|Jun 18, 2020

Human-Automation Interaction and Safety被引用数 4

ひとこと要約

本研究では、心拍変動量、皮膚電気反応、その他の信号を用いて、知識労働者の感情的フロー状態を検出する機械学習手法を提案している。フロー状態と非フロー状態を区別する際のAUCは0.889に達し、休息状態と作業状態を区別する際のAUCは0.98に達しており、職場における生産性およびウェルネス支援の分野で、実時間での応用が強く期待できる。

ABSTRACT

Flow-like experiences at work are important for productivity and worker well-being. However, it is difficult to objectively detect when workers are experiencing flow in their work. In this paper, we investigate how to predict a worker's focus state based on physiological signals. We conducted a lab study to collect physiological data from knowledge workers experienced different levels of flow while performing work tasks. We used the nine characteristics of flow to design tasks that would induce different focus states. A manipulation check using the Flow Short Scale verified that participants experienced three distinct flow states, one overly challenging non-flow state, and two types of flow states, balanced flow, and automatic flow. We built machine learning classifiers that can distinguish between non-flow and flow states with 0.889 average AUC and rest states from working states with 0.98 average AUC. The results show that physiological sensing can detect focused flow states of knowledge workers and can enable ways to for individuals and organizations to improve both productivity and worker satisfaction.

研究の動機と目的

• 自己報告や日記に基づく手法の限界を克服し、知識労働者のフロー状態を客観的に検出すること。
• フローの9つの現象学的特徴に基づき、バランスの取れたフロー、自動的フロー、非フロー（過度に挑戦的な状態）という3つの明確な集中状態を誘発する作業課題を設計すること。
• 生理的データを用いて、休息、作業、非フロー、フロー状態を区別できる機械学習分類器を開発すること。
• 作業者がフロー状態に入りやすく、その状態を維持できるように支援する実時間の干渉を可能にすることにより、生産性および職務満足度を向上させること。
• 作業者のウェルネスを保ちながら、組織がフローのデータを活用してタスクの割り当て、トレーニング、パフォーマンス監視に役立てられるようにすること。

提案手法

• フローの9つの現象学的特徴に基づいて、バランスの取れたフロー、自動的フロー、非フロー（過度に挑戦的な状態）という3つの明確な集中状態を誘発するラボ課題を設計した。
• 作業実行中に、心拍変動量（rmssd, sdNN, total_power）、皮膚電気反応レベル、皮膚電気反応ピークなどの生理的データを収集した。
• 参加者が意図した集中状態を経験したかを検証するため、操作チェックとしてフロー短縮尺度（Flow Short Scale）を用いた。
• 生理的特徴を用いて、非パーソナライズドな機械学習分類器（例：SVM、ランダムフォレスト）を訓練し、集中状態を分類した。
• 交差検証を用いて一般化性を確保しつつ、AUCと正答率を参加者間で評価した。
• 統計的分析を実施し、各状態を区別する生理的サインを同定した。例えば、バランスの取れたフローでは皮膚電気反応ピークが最も多く、自動的フローでは皮膚電気反応の変動が最小であった。

実験結果

リサーチクエスチョン

• RQ1 知識労働者の作業課題中における非フロー状態とフロー状態を、生理的信号が信頼性高く区別できるか？
• RQ2 バランスの取れたフローと自動的フローといった異なるタイプのフロー状態に対応する、明確な生理的パターンが存在するか？
• RQ3 生理的データに基づいて訓練された機械学習モデルは、多様な参加者に対して、休息、作業、非フロー、フロー状態を正確に分類できるか？
• RQ4 心拍変動量や皮膚電気反応といった生理的マーカーは、異なる集中状態でどのように変化するか？
• RQ5 フロー状態の検出が、生産性およびウェルネスを向上させるために実時間で行える職場への干渉に与えるインパクトは何か？

主な発見

• 機械学習分類器は、非フロー状態とフロー状態を区別する際、平均AUC 0.889を達成し、優れた識別性能を示した。
• 休息対作業状態を分類する分類器は、平均AUC 0.98を達成し、タスク参加状態の検出において高い正確性を示した。
• バランスの取れたフローは、皮膚電気反応ピークの数が最多と関連しており、最適な挑戦-スキルのバランス下での高揚状態を示唆している。
• 自動的フローは、皮膚電気反応測定値の変動が最小であったことから、安定的で低アーザルゲーションの関与状態であると特徴づけられた。
• 非フロー状態（過度に挑戦的なタスク）は、心拍変動量（rmssd, sdNN, total_power）が最も高く、ストレスに対処するための副交感神経の活性化を示唆している。
• 全集中状態の総合分類正答率は67%、非フロー対フローでは75%、バランスの取れたフロー対自動的フローでは74%に達し、参加者グループ全体で一貫した性能を示した。