[논문 리뷰] Detecting Affective Flow States of Knowledge Workers Using Physiological Sensors

Matthew Lee|arXiv (Cornell University)|2020. 06. 18.

Human-Automation Interaction and Safety인용 수 4

한 줄 요약

이 연구는 지식 근로자에서 정서적 흐름 상태를 식별하기 위해 기계 학습 기반 접근법을 제안한다. 심박수 변동성, 땀샘 도전도 및 기타 생리적 신호를 활용하여 흐름 상태와 비흐름 상태를 분류한다. 흐름 대 비흐름 상태를 구분하는 데 AUC가 0.889에 도달했으며, 휴식 대 작업 상태를 구분하는 데는 AUC가 0.98에 도달하여 직장 내 실시간 생산성 및 웰빙 지원의 강력한 잠재력을 입증한다.

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.

연구 동기 및 목표

• 자기 보고 및 일기 기반 방법의 한계를 극복하기 위해 지식 근로자의 흐름 상태를 생리적 신호를 통해 객관적으로 감지하는 것.
• 흐름의 아홉 특성에 기반해 균형 잡힌 흐름, 자동적 흐름, 비흐름 상태를 유도할 수 있는 작업 과제를 설계하는 것.
• 생리적 데이터를 사용하여 휴식, 작업, 비흐름, 흐름 상태를 구분할 수 있는 기계 학습 분류기 개발.
• 근로자가 흐름 상태에 진입하고 유지하도록 돕는 실시간 간섭 조치를 가능하게 하는 것.
• 근로자의 웰빙을 유지하면서 조직 차원에서 흐름 데이터를 작업 배정, 교육, 성과 모니터링에 활용할 수 있도록 지원하는 것.

제안 방법

• 흐름의 아홉 현상학적 특성에 기반해 세 가지의 명확한 집중 상태(균형 잡힌 흐름, 자동적 흐름, 비흐름 상태)를 유도하기 위한 실험실 과제를 설계했다.
• 참가자들이 과제를 수행하는 동안 심박수 변동성(rmssd, sdNN, total_power), 땀샘 도전도 수준, 땀샘 도전도 반응 피크 등의 생리적 데이터를 수집했다.
• 참가자가 의도한 집중 상태를 경험했는지 확인하기 위해 흐름 단축 척도를 조작 확인 도구로 사용했다.
• 비개인화된 기계 학습 분류기(SVM, 랜덤 포레스트 등)를 사용하여 생리적 특징을 기반으로 집중 상태를 분류하도록 훈련시켰다.
• 일반화 가능성을 확보하기 위해 교차 검증을 활용하여 참가자 간의 성능을 AUC 및 정확도 기준으로 평가했다.
• 각 상태를 구분하는 생리적 서명을 규명하기 위해 통계 분석을 적용했으며, 예를 들어 균형 잡힌 흐름 상태에서는 높은 땀샘 도전도 피크가 관찰되었다.

실험 결과

연구 질문

• RQ1 지식 근로자들이 업무 과제를 수행하는 동안 생리적 신호가 비흐름 상태와 흐름 상태를 신뢰성 있게 구분할 수 있는가?
• RQ2 균형 잡힌 흐름과 자동적 흐름과 같은 다양한 유형의 흐름 상태에 대해 구체적인 생리적 패tern이 존재하는가?
• RQ3 생리적 데이터 기반 기계 학습 모델이 다양한 참가자 간에 휴식, 작업, 비흐름, 흐름 상태를 정확하게 분류할 수 있는가?
• RQ4 심박수 변동성과 땀샘 도전도와 같은 생리적 마커가 다양한 집중 상태에서 어떻게 변화하는가?
• RQ5 흐름 상태 감지를 통해 실시간 직장 간섭 조치를 통해 생산성과 웰빙을 향상시키는 데 어떤 의미가 있는가?

주요 결과

• 기계 학습 분류기는 비흐름 대 흐름 상태를 구분하는 데 평균 AUC 0.889를 기록하여 강력한 분류 성능을 보였다.
• 휴식 대 작업 상태를 구분하는 분류기는 평균 AUC 0.98를 기록하여 과제 참여도를 높이게 검출하는 데 뛰어난 정확도를 보였다.
• 균형 잡힌 흐름 상태는 땀샘 도전도 피크 수가 가장 많아 최적의 과제-기능 균형 상태에서의 높은 각성 상태를 시사했다.
• 자동적 흐름 상태는 땀샘 도전도 측정치의 변동성이 가장 낮아 안정적이고 저각성의 집중 상태를 나타냈다.
• 비흐름 상태(과도하게 도전적인 과제)는 심박수 변동성(rmssd, sdNN, total_power)이 가장 높았으며, 스트레스를 관리하기 위해 부비경계계 활성화가 일어났음을 시사했다.
• 전반적인 분류 정확도는 모든 집중 상태에서 67%였고, 비흐름 대 흐름 상태에서는 75%, 균형 잡힌 흐름 대 자동적 흐름 상태에서는 74%로 참가자 집단 간 일관된 성능을 보였다.