Exploiting sensor data to increase compliance with ecological momentary assessments

Monitoring Mental health in student population is a very important task. Ecological Momentary Assessments (EMAs) is a method based on questions prompted on a smartphone to capture the subjective state of an individual in their natural context. Unfortunately, EMAs are perceived as very burdening by the users, and therefore the compliance rate is often low. We propose a machine learning algorithm to exploit sensor data from smartphone to select the optimal format EMA format to prompt such that it maximizes users’ compliance and, consequently, the information get by the researcher. A framework to evaluate the “Quantity of Information” is formulated and used to determine the informativeness of a set of EMAs. Then, a “Multi-Armed Bandit” algorithm variant is employed to select the best EMA according to the sensed context. A small scale field study (8 participants) is carried out, to discover how to different contexts often correspond different optimal EMAs. An individual interview with each participant reveals the importance of the employment of a format of EMA the users appreciate, and the dependence between the context in which they are and their availability to answer different format of EMAs.

La salute mentale nelle università è un problema serio. Gli Ecological Momentary Assessment (EMA) sono una famiglia di strumenti che si sono rivelati molto efficaci per la sua valutazione. Purtroppo però di solito sono percepiti come un peso da parte degli utenti e perciò il tasso di conformità è molto basso. In questo lavoro proponiamo un algoritmo di Machine Learning che sfrutta i dati raccolti dagli smartphone per selezionare il miglior EMA da mostrare all’utente per aumentare la sua conformità. Viene formulato un modello matematico per la valutazione della Quantità di Informazione contenuta nei diversi EMA. Successivamente, utilizziamo una variante dell’algoritmo “Multi-Armed Bandit” per selezionare il miglior EMA da visualizzare a seconda del contesto rilevato. Tramite una sperimentazione con 8 partecipanti scopriamo come a diversi contesti corrispondano diversi EMA ottimali. Infine, durante un colloquio individuale con i partecipanti alla fine dello studio riscontriamo quanto sia importante per l’utente avere un formato di EMA che apprezzi e la stretta dipendenza tra la sua disponibilità nel rispondere e il contesto in cui si trova.