[论文解读] 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 5

一句话总结

EMMA 是一款基于智能手机的、具备情绪感知能力的个人助手，通过共情式体验采样和传感器数据，提供即时、个性化的心理健康微活动。在39名参与者参与的为期两周的研究中，EMMA 在外向者中表现出强烈的用户偏好，并且在使用机器学习分析传感器数据时，性能与金标准自评报告相当，为 mHealth 机器人提供了设计指南。

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.

研究动机与目标

• 设计并评估一款具有情感智能的个人助手，通过自然对话支持长期心理健康状况跟踪。
• 研究通过对话代理结合智能手机传感器数据，实现即时心理健康干预的可行性。
• 评估不同人格类型（尤其是外向者与内向者）的用户偏好和系统性能。
• 开发一种机器学习模型，通过智能手机传感器数据推断情绪，其性能与金标准自评报告相当。
• 基于实证研究结果，提炼出可操作的、面向情绪感知型 mHealth 聊天机器人的设计指南。

提出的方法

• EMMA 使用对话界面进行体验采样，以共情的、自然语言的方式询问用户当前的情绪和体验。
• 系统采用基于智能手机传感器数据（如活动、位置、通话/短信模式）训练的个性化机器学习模型，实时推断用户情绪。
• 根据推断出的情绪和用户偏好，提供简短、情境适宜的心理健康微活动。
• 在为期一周和两周的研究周期内收集用户互动和传感器数据，以评估参与度和有效性。
• 将模型预测的情绪与用户自评情绪进行对比，以验证准确性。
• 通过评估人格特质（外向性/内向性）来探索用户对代理的偏好差异。

实验结果

研究问题

• RQ1 像 EMMA 这样的情绪感知聊天机器人能否有效利用智能手机传感器数据，提供即时心理健康干预？
• RQ2 用户对 EMMA 的偏好是否因人格特质（尤其是外向性与内向性）而异？
• RQ3 机器学习模型在多大程度上能通过智能手机传感器数据准确推断情绪，使其性能与自评金标准情绪评估相当？
• RQ4 EMMA 的共情式对话设计在长期使用中如何影响用户参与度和感知帮助程度？
• RQ5 基于用户使用体验和系统性能，可以提炼出哪些面向情绪智能型 mHealth 聊天机器人的设计原则？

主要发现

• 外向者对 EMMA 的偏好显著高于内向者，表明人格特质会影响用户对情绪感知型代理的接受度。
• 机器学习模型的情绪预测性能与金标准自评报告相当，证明了从智能手机传感器数据中被动检测情绪的可行性。
• EMMA 通过对话界面成功提供了个性化、情绪适配的微活动，支持长期症状跟踪。
• 系统在为期一周和两周的研究周期内均保持了用户参与度，表明其在真实世界 mHealth 应用中具备持续使用的潜力。
• 本研究提炼出情绪智能型 mHealth 机器人的关键设计原则，包括对话中的共情表达以及基于用户特质的个性化设计。
• 基于传感器的情绪检测实现了无需额外主动输入的实时、即时干预，仅依赖用户日常智能手机使用。