人工智能通过手机传感器和问卷数据预测大学生的压力
大学生的生活充满压力。他们要完成作业，参加课外活动，更不用说准备考试和提交工作申请了。不幸的是，压力对健康的负面影响是有据可查的。如果不及时治疗，它会导致心血管疾病，影响记忆和认知，甚至抑制免疫系统。
为了帮助找出造成社会和学术压力的巨大因素，马萨诸塞大学计算机科学学院的研究人员求助于人工智能。他们通过问卷调查和智能手机传感器数据，利用人工智能预测压力水平——低于中值、中值或高于中值。他们报告说，他们的模型实现了最先进的性能，与学生睡眠模式、活动、对话、位置、心理健康信息(如压力水平)等数据集的基线相比，取得了45.1%的改进。
他们在预印服务器Arxiv.org上发表了一篇论文(“深度多任务网络的个性化学生压力预测”)，描述了他们的工作。
“随着可穿戴设备的日益普及，利用从这些设备收集的生理数据来预测穿戴者的心理状态(如情绪和压力)的能力显示出了巨大的临床应用价值，但这样的任务极具挑战性，”合著者写道。“随着FitBit、Apple Watch和智能手机等可穿戴设备中引入高质量、强大的传感器，以合理的精确度高效收集生理和行为数据的成本已经变得可以承受。”
研究人员的人工智能系统——跨个人活动的LSTM多任务自动编码网络(CALM-Net)——将数据视为时间序列(即，并可识别其中包含的时间模式。此外，它还提供了个性化模型和合并时间序列信息的能力，这将随着学生人数的增加而提高性能。它可以推断和测量一些事情，比如一周中的哪一天，睡眠评分，睡眠时间，以及到下一个任务截止日期的时间。
这个模型训练的语料库——学生生活——是在达特茅斯大学进行的，由一款Android应用程序辅助。，并与活动(步行、跑步)、音频(寂静、声音、噪音)、手机充电水平和手机锁定状态等被动感知数据配对，频率高达每10秒。
在测试中，CALM-Net改进了与之比较的两种最先进模型的性能。研究人员推断，这是它将数据视为时间序列的能力的直接结果。他们写道:“CALM-Net能够整合粒状时间信息和高级协变量，以及能够在不过度拟合的情况下为每个学生破译个性化模式的体系结构，这有助于其高性能。”“(这种方法)提高了所有评估模型的性能，表明使用个性化的层通常可以更好地对压力指标进行建模。”
