[論文レビュー] EMMA: An Emotionally Intelligent Personal Assistant for Improving Wellbeing.

Asma Ghandeharioun, Daniel McDuff+2 more|arXiv (Cornell University)|Dec 29, 2018

Digital Mental Health Interventions参考文献 32被引用数 5

ひとこと要約

EMMA はスマートフォンベースの感情認識型パーソナルアシスタントであり、共感的体験サンプリングとセンサーデータを活用して、タイムリーかつパーソナライズされたメンタルヘルス分野のマイクロアクティビティを提供する。39名の参加者を対象とした2週間の研究で、EMMAは外向的傾向の参加者からの好まれ方が強く、センサーデータを用いた機械学習による性能がゴールスタンダードの自己報告と同等であった。本研究は、mヘルスボットの設計指針を提示した。

ABSTRACT

The delivery of mental health interventions via ubiquitous devices has shown much promise. A natural conversational interface that allows longitudinal symptom tracking and appropriate just-in-time interventions would be extremely valuable. However, the task of designing emotionally-aware agents is still poorly understood. Furthermore, the feasibility of automating the delivery of just-in-time mHealth interventions via such an agent has not been fully studied. In this paper, we present the design and evaluation of EMMA (EMotion-Aware mHealth Agent) through two human-subject experiments with N=39 participants (one-week, and two-week long respectively). EMMA conducts experience sampling in an empathetic manner and provides emotionally appropriate micro-activities. We show the system can be extended to detect a user's mood purely from smartphone sensor data. Our results show that extraverts preferred EMMA significantly more than introverts and that our personalized machine learning model worked as well as relying on gold-standard self-reports of emotion from users. Finally, we provide a set of guidelines for the design of bots for mHealth.

研究の動機と目的

• 自然な会話によって、長期的なメンタルウェルビーイングの追跡を支援する感情知能を持つパーソナルアシスタントの設計と評価。
• スマートフォンセンサーデータを用いた会話型エージェントによるタイムリーなメンタルヘルス介入の実現可能性の調査。
• 特に外向的・内向的タイプのユーザー間での好みの差を含め、性格特性に応じたユーザーの好みとシステムのパフォーマンスの評価。
• ゴールスタンダードの自己報告と同等の精度でスマートフォンセンサーデータから気分を推定する機械学習モデルの構築。
• 実証的発見に基づき、感情認識型mヘルスチャットボットのための実行可能な設計指針の導出。

提案手法

• EMMA は会話インターフェースを用いて体験サンプリングを実施し、共感的で自然な言語でユーザーの現在の気分や体験について尋ねる。
• システムは、スマートフォンセンサーデータ（例：活動、位置、通話/SMSのパターンなど）をもとに学習されたパーソナライズされた機械学習モデルを用いて、リアルタイムでユーザーの気分を推定する。
• 推定された気分とユーザーの好みに基づき、短時間でかつ文脈に適したメンタルウェルビーイングのエクササイズ（マイクロアクティビティ）を提供する。
• 参加者のインタラクションとセンサーデータを、1週間および2週間の研究期間中に収集し、関与度と有効性を評価する。
• モデルの予測された気分とユーザーの自己報告された感情を比較して、正確性を検証する。
• 性格特性（外向性／内向性）を評価し、エージェントに対する好みの差を調査する。

実験結果

リサーチクエスチョン

• RQ1 EMMA のような感情認識型チャットボットは、スマートフォンセンサーデータを活用して、タイムリーなメンタルヘルス介入を効果的に提供できるか？
• RQ2 外向的と内向的の違いを考慮した場合、ユーザーのEMMAに対する好みはどのように変化するか？
• RQ3 スマートフォンセンサーデータから機械学習モデルが、ゴールスタンダードの自己報告の感情評価と同等の精度で気分を推定できるか、その程度はどの程度か？
• RQ4 EMMA の共感的で会話型の設計は、長期的な利用におけるユーザーの関与度と実感される有用性にどのように影響するか？
• RQ5 ユーザー体験とシステムパフォーマンスに基づき、感情知能を持つmヘルスチャットボットのためのどのような設計原則を導出できるか？

主な発見

• 外向的傾向のユーザーが内向的傾向のユーザーよりもEMMAを著しく好んだことから、性格特性が感情認識型エージェントの受容に影響を与える可能性がある。
• 機械学習モデルによる気分予測の性能がゴールスタンダードの自己報告と同等であったことから、スマートフォンセンサーデータからの受動的気分検出の実現可能性が裏付けられた。
• EMMA は会話インターフェースを通じて、パーソナライズされ、感情に適したマイクロアクティビティを効果的に提供し、長期的な症状の追跡を支援した。
• システムは1週間および2週間の研究期間を通じてユーザーの関与を維持したため、実世界のmヘルスアプリケーションにおける継続的利用の可能性が示された。
• 本研究では、感情知能を持つmヘルスボットの設計に向けた重要な設計原則が特定された。具体的には、会話における共感とユーザー特性に基づくパーソナライズが含まれる。
• センサーベースの気分検出により、日常的なスマートフォン利用に加えて、ユーザーの能動的入力が不要なリアルタイムでタイムリーな介入が可能になった。