Искусственный интеллект может распознавать признаки повседневного стресса, анализируя привычные действия человека со смартфоном. Исследователи из Корейского передового института науки и технологий (KAIST) разработали систему, которая изучает, как люди общаются в мессенджерах, просматривают сайты и совершают финансовые операции. В отличие от прежних методов, новая технология ориентируется не столько на используемые приложения, сколько на характер действий пользователя.
Исследование показывает, что повседневные цифровые привычки могут стать основой для более доступного мониторинга психологического состояния. При этом разработчики подчёркивают: пока речь идёт об экспериментальной технологии, а не о полноценном инструменте диагностики стресса.
Как ИИ распознаёт стресс по поведению человека?
Команда под руководством профессора кафедры вычислительных систем на основе ИИ Уичина Ли (Uichin Lee) разработала технологию SHIRBT-MMF. Её задача — выявлять повторяющиеся сценарии взаимодействия человека со смартфоном и использовать их для оценки того, испытывает ли пользователь стресс в конкретный день.
Ранее подобные исследования преимущественно опирались на продолжительность экранного времени, количество запусков приложений, частоту их использования и особенности набора текста. Однако у такого подхода есть существенный недостаток: люди меняют приложения, устанавливают новые программы и переходят с одной платформы на другую. Из-за этого привычные модели поведения могут выглядеть иначе, хотя сами действия человека остаются прежними.
Исследователи предложили сосредоточиться на том, что именно делает пользователь, а не на том, какое приложение он открывает. Например, переписка в KakaoTalk, LINE или WhatsApp рассматривается как один и тот же тип деятельности — общение в мессенджере.
Такой подход позволяет отслеживать привычки, не привязываясь к конкретному программному обеспечению.
Как устроена технология SHIRBT-MMF?
Для описания повторяющихся действий исследователи ввели понятие Smartphone Human Interaction Routine Behavior Tasks (SHIRBT) — типовых поведенческих сценариев взаимодействия человека со смартфоном.
Сначала специальный алгоритм, разработанный командой, анализирует последовательности переходов между экранами и выявляет закономерности, которые повторяются на протяжении нескольких дней. Метод получил название Multi-Level Sequential Pattern Mining (ML-SPM), что можно перевести как «многоуровневый поиск последовательных закономерностей».
Затем большая языковая модель (LLM) присваивает обнаруженным последовательностям понятные названия: например, «переписка в мессенджере», «просмотр веб-страниц», «финансовые операции» или «чтение и написание электронных писем».
При проверке способности системы распознавать одинаковые действия в разных мессенджерах, браузерах и почтовых приложениях точность классификации превысила 95%.
Это важный результат: алгоритм способен определять тип деятельности даже тогда, когда пользователь меняет приложение. В дальнейшем распознанные сценарии используются в персонализированных моделях ИИ, которые сопоставляют поведение человека с его собственными оценками стресса.
Какие данные собирает система и как защищает приватность?
Один из ключевых вопросов при использовании смартфона для мониторинга психологического состояния — конфиденциальность. Ведь переписка, поисковые запросы и финансовые операции могут содержать чувствительную личную информацию.
Разработчики предусмотрели ограничения на сбор данных. Система не сохраняет непосредственно текст сообщений и введённые пользователем фразы. Вместо этого она фиксирует поведенческие признаки: вводился ли текст, как часто это происходило и какие переходы между экранами совершались.
Информация о получателях сообщений и собеседниках также обрабатывается с применением хеширования. Этот метод преобразует исходные данные в специальные значения, которые не раскрывают их содержание напрямую.
Такой подход позволяет анализировать характер использования смартфона, не сохраняя сами сообщения. Однако он не означает абсолютной анонимности: безопасность подобных систем зависит от того, какие именно данные собираются, как долго они хранятся и каким образом используются.
Насколько точно ИИ определяет стресс?
Исследователи проверили технологию на данных 26 студентов и офисных работников в возрасте от 20 до 39 лет. Участники предоставляли записи использования смартфонов и самостоятельно оценивали своё состояние.
Для 16 участников, наблюдавшихся в краткосрочном режиме, средний период сбора данных составил 30,5 дня. Ещё 10 человек участвовали в более длительном наблюдении, которое продолжалось в среднем 105,1 дня.
На основе самооценок исследователи построили индивидуальные модели, предназначенные для различения дней, когда человек испытывал стресс, и дней, когда он его не отмечал.
Всего удалось выявить 29 типов повторяющихся действий. При этом каждый участник регулярно совершал в среднем около семи таких действий.
Лучшая модель показала следующие результаты:
- 75,9% — средняя точность для участников краткосрочного исследования;
- 73,8% — средняя точность для участников долгосрочного исследования.
Иными словами, система правильно классифицировала состояние примерно в трёх случаях из четырёх. Это на 5,5 процентного пункта и 3,5 процентного пункта выше соответственно, чем при использовании традиционного подхода, основанного на анализе активности приложений с помощью той же модели ИИ.
Примечательно, что для повышения точности не обязательно анализировать десятки поведенческих сценариев. Даже двух типов действий — общения в мессенджерах и финансовых операций — оказалось достаточно, чтобы превзойти традиционный метод. В некоторых вариантах эксперимента лучшие результаты давал анализ одной лишь переписки.
Кроме того, при длительном наблюдении показатели, основанные на повторяющихся сценариях поведения, оставались более стабильными, чем традиционные метрики использования приложений.
Где пригодится такая технология?
Результаты исследования открывают перспективы для развития цифровых инструментов мониторинга психологического состояния. В будущем подобные системы смогут помогать пользователям замечать изменения в повседневных привычках и обращать внимание на возможное ухудшение самочувствия.
Важное преимущество технологии заключается в том, что для её работы не обязательно постоянно заполнять опросники или приобретать специальные носимые устройства. Смартфон уже сопровождает человека в течение дня, а значит, его можно использовать для наблюдения за привычными сценариями поведения.
В перспективе исследователи рассчитывают сократить объём собираемых данных: после выявления характерных для конкретного человека действий системе может потребоваться отслеживать лишь наиболее информативные из них.
Однако до практического применения ещё далеко. Исследование охватило небольшую группу участников, причём все они относились к сравнительно узкому возрастному диапазону. Чтобы подтвердить надёжность метода, необходимо проверить его на людях разных возрастов, профессий и с разными привычками использования смартфонов.
Кроме того, корреляция между поведением и стрессом не доказывает причинно-следственную связь. Например, учащение переписки или изменение финансовых привычек само по себе не означает, что человек испытывает психологическое напряжение. На поведение могут влиять работа, учёба, обстоятельства жизни и множество других факторов.
Поэтому такую технологию пока нельзя считать заменой профессиональной оценке психологического состояния.
Исследование опубликовано в журнале Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. Среди его авторов — первый автор Хансу Ли (Hansoo Lee), Уичин Ли (Uichin Lee), Тэхён Пак (Taehyeon Park), Ёнжи Ко (Youngji Koh) и Джэ-Гиль Ли (Jae-Gil Lee).
В конечном счёте работа демонстрирует перспективный способ анализа цифровых привычек: вместо простого подсчёта экранного времени ИИ пытается понять, какие повседневные действия повторяются в жизни конкретного человека. Если дальнейшие исследования подтвердят надёжность этого подхода, смартфон сможет стать одним из инструментов раннего выявления изменений психологического состояния — при условии соблюдения приватности и осторожной интерпретации результатов.
