ИИ определяет ежедневный стресс по рутинным действиям на смартфоне

Признаки стресса можно обнаружить в повседневных привычках: в общении в чате, поиске информации и оплатах со смартфона. Исследователи из KAIST разработали систему, которая анализирует повторяющиеся действия в приложениях и на их основе определяет, испытывал ли человек стресс в конкретный день.

KAIST (президент Чунгсик Пэ) объявил 15 октября, что группа под руководством профессора Уичина Ли из Отдела вычислений искусственного интеллекта создала метод «SHIRBT‑MMF», который автоматически выделяет повторяющееся поведение на смартфоне и использует такие параметры, как продолжительность и частота действий, а также шаблоны ввода текста, чтобы оценить ежедневное состояние стресса.

В отличие от предыдущих подходов, которые в основном опирались на суммарное время работы с экраном, число запусков приложений и частоту использования категорий приложений или поведение при наборе текста, новая методика учитывает, что при смене приложений или их интерфейсов сами анализируемые данные меняются, и это понижает стабильность моделей при длительном наблюдении.

Исследователи сосредоточились на том, «что человек делает», а не на том, «какое приложение он использует». Например, переключение с KakaoTalk на LINE или WhatsApp остаётся тем же типом действия — «чат в мессенджере». Анализ опирается на цель поведения, а не на название приложения.

Команда обозначила такую повторяющуюся активность как «Рутинные задачи взаимодействия человека со смартфоном (SHIRBT)». С помощью собственной методики «Многоуровневый последовательный анализ шаблонов (ML‑SPM)» исследователи выделяли повторяющиеся шаблоны смены экранов в течение нескольких дней, а затем использовали большую языковую модель (LLM) для присвоения понятных меток поведения — например «мессенджер: общение в чате», «просмотр веб‑страниц», «финансовые платежи» и «чтение/написание электронной почты». При проверке устойчивости классификации одного и того же поведения в разных приложениях (электронная почта, браузеры, мессенджеры) система показала точность выше 95%.

Для защиты приватности система не сохраняла сами тексты сообщений или их содержимое; фиксировалась только поведенческая информация — факт и частота ввода текста, переходы между экранами. Данные о получателях сообщений или партнёрах по вызову обрабатывались с помощью хеширования, то есть преобразовывались в значения, которые не раскрывают исходную информацию.

В эксперименте проанализировали реальные записи 26 участников — студентов и офисных работников в возрасте 20–30 лет. На основе ежедневных самооценок исследователи построили персонализированные модели, которые различали стрессовые и нестрессовые дни для каждого человека.

Всего было выделено 29 типов повторяющегося поведения; в среднем у каждого участника регулярно повторялось около семи шаблонов. Персонализированные модели ИИ, обученные на этих шаблонах, определяли, был ли день стрессовым. Лучший алгоритм показал среднюю точность 75,9% для краткосрочных участников и 73,8% для долгосрочных — то есть правильно классифицировал примерно три из четырёх дней. По сравнению с традиционным подходом к анализу использования приложений эти результаты были выше на 5,5 и 3,5 процентных пункта соответственно.

При этом производительность оставалась высокой и при сокращении набора анализируемых действий. С той же персонализированной моделью, используя только два поведения — «чат в мессенджере» и «финансовые платежи», — или даже только «чат в мессенджерах», удалось получить более высокую среднюю точность классификации, чем у традиционного метода. В долгосрочных данных показатели, основанные на повторяющемся поведении, также менялись менее резко со временем и сохраняли более стабильную структуру, чем показатели, получаемые стандартными способами.

В исследовании собрали широкий набор записей об использовании смартфонов, чтобы всесторонне сравнить новый метод с традиционными подходами. В будущем учёные ожидают, что после выявления повторяющихся шаблонов можно будет сосредоточить сбор и анализ данных именно на этих значимых формах поведения, что снизит нагрузку на процесс сбора данных. По их мнению, подход даёт потенциал для создания цифровых инструментов мониторинга психического здоровья, которые одновременно объясняют, какие именно поведения использовались для классификации, и остаются относительно устойчивыми при изменении приложений.

«Мы рассматривали смартфон не просто как устройство для измерения времени использования, но и как пространство повседневной жизни, где неоднократно осуществляются общение, поиск информации и финансовые операции. Это исследование закладывает основу для превращения сложных записей смартфона в понятные человеку поведенческие единицы и предлагает надёжную базу для долгосрочного мониторинга психического здоровья», — добавил профессор Уичин Ли.

Профессор Уичин Ли, Отдел вычислений искусственного интеллекта KAIST

Авторы подчёркивают, что исследование выявляет лишь связи между поведением и стрессом, но не доказывает причинно‑следственной связи — то есть нельзя утверждать, что конкретное поведение вызывает или снижает стресс. Набор данных ограничивался пользователями Android в возрасте 20–30 лет; команда планирует распространить исследование на более широкие возрастные группы, разные профессии и условия использования смартфонов и проверить долгосрочную стабильность метода.

В исследовании в качестве первого автора участвовал Хансу Ли; старший и соответствующий автор — профессор Уичин Ли; соавторами также являются Тэхён Пак и Ёнджи Ко, а также профессор Джэ‑Гил Ли из Школы вычислительной техники. Работа была опубликована в декабре 2025 года в журнале Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. Планируется презентация исследования на конференции ACM UbiComp/ISWC 2026, которая пройдёт в Шанхае, Китай, с 13 по 15 октября 2026 года.