[论文解读] Improving Prediction of Real-Time Loneliness and Companionship Type Using Geosocial Features of Personal Smartphone Data

Congyu Wu, Amanda N. Barczyk+7 more|arXiv (Cornell University)|Oct 19, 2020

Health disparities and outcomes参考文献 29被引用 4

一句话总结

本研究从智能手机蓝牙和GPS数据中提出新颖的地理社交特征，以预测大学生的实时孤独感及陪伴类型。通过分析蓝牙相遇的时空模式与社交熟悉度，以及位置聚类特征，该模型在基线基础上显著提升了孤独感预测性能（AUC = 0.74），且在心理健康结果上的表现优于社会情境结果。

ABSTRACT

Loneliness is a widely affecting mental health symptom and can be mediated by and co-vary with patterns of social exposure. Using momentary survey and smartphone sensing data collected from 129 Android-using college student participants over three weeks, we (1) investigate and uncover the relations between momentary loneliness experience and companionship type and (2) propose and validate novel geosocial features of smartphone-based Bluetooth and GPS data for predicting loneliness and companionship type in real time. We base our features on intuitions characterizing the quantity and spatiotemporal predictability of an individual's Bluetooth encounters and GPS location clusters to capture personal significance of social exposure scenarios conditional on their temporal distribution and geographic patterns. We examine our features' statistical correlation with momentary loneliness through regression analyses and evaluate their predictive power using a sliding window prediction procedure. Our features achieved significant performance improvement compared to baseline for predicting both momentary loneliness and companionship type, with the effect stronger for the loneliness prediction task. As such we recommend incorporation and further evaluation of our geosocial features proposed in this study in future mental health sensing and context-aware computing applications.

研究动机与目标

• 探究日常生活中孤独感与陪伴类型之间的即时关系。
• 从智能手机蓝牙和GPS数据中开发新型地理社交特征，以捕捉社交暴露模式。
• 评估这些特征对实时孤独感与陪伴类型预测能力的影响。
• 评估社交相遇的时空可预测性与熟悉度是否与即时孤独感相关。
• 通过被动、实时感知支持情境感知型心理健康干预。

提出的方法

• 在三周内收集129名使用安卓手机的大学生的即时孤独感与陪伴类型自报告数据。
• 利用蓝牙近距离数据与GPS位置聚类提取地理社交特征，以表征社交暴露情境。
• 计算包括唯一蓝牙设备数量与熵，以及社交空间与时间规律性的均值/最大值等特征。
• 采用滑动窗口预测方法评估模型在实时孤独感与陪伴类型分类中的性能。
• 应用回归与机器学习模型，对比包含与不包含地理社交特征的预测性能。
• 每日更新训练数据，以模拟真实世界部署并提升模型适应能力。

实验结果

研究问题

• RQ1 日常生活中，即时孤独感水平与陪伴类型（独处、亲密关系、非亲密关系）之间有何关联？
• RQ2 从蓝牙与GPS数据中提取的地理社交特征是否能比基线模型更准确地预测实时孤独感？
• RQ3 反映社交相遇时空可预测性与熟悉度的特征是否能提升陪伴类型预测性能？
• RQ4 地理社交特征对孤独感预测的预测能力是否强于对陪伴类型分类的预测能力？
• RQ5 每日更新训练数据如何影响模型随时间的性能表现？

主要发现

• 在有亲密关系陪伴的时刻，孤独感显著降低，而独处时刻的孤独感最高，但独处与感到孤独之间的相关性较弱。
• 随时间检测到的唯一蓝牙设备数量与熵是孤独感的重要预测因子，数值越高，孤独感越强。
• 反映社交相遇具有高时空规律性的特征（如一致的会面时间/地点）与较低孤独感相关。
• 地理社交特征模型在孤独感预测中实现了平均AUC为0.74，较基线模型提升0.2。
• 地理社交特征带来的性能提升在孤独感预测中比在陪伴类型分类中更为显著。
• 通过每日重训，模型的预测能力持续提升，表明其在自适应、实时心理健康感知应用中具有价值。