Innovative mood instability assessment via personas analysis using keyboard data and self-report questionnaires

This study aims to explore how self-report questionnaires, when combined with keyboard data collected through the BiAffect application, can be used to develop personas that help understand and track mood instability in women. A key focus of the research is to determine if keyboard data can effectively identify mood changes without relying on self-report questionnaires, which can be burdensome for patients. To achieve this, we computed features from both the keyboard data and the self-report questionnaire data to create three distinct datasets: one containing only keyboard data, one with just questionnaire data, and a third that combined both sources. We applied various preprocessing methods and determined the optimal one as well as the optimal number of clusters using four heuristics for analysis. This process allowed us to create three personas for each dataset. To assess the accuracy and reliability of the personas, we employed a SSML framework using the clustering algorithm used to create the Personas to generate weak ground truth labels. We validated the personas through N-fold cross-validation with several classifiers. Each classifier was optimized via an exhaustive grid search to identify the best hyperparameters. Weighted accuracy, precision, recall, and F1 score were used to compare the weak ground truth labels and the predicted labels, evaluating the model's overall performance and generalization abilities The results showed that the personas created from questionnaire data had significantly different psychological profiles. In contrast, personas based solely on keyboard data exhibited more similar psychological features. When we looked at the concatenated dataset, we found that two out of the three personas showed distinct mood profiles, while the third persona had an average psychological profile but displayed unique typing behaviours. Although we observed some correlation between poorer mood and more erratic, slower, and less frequent typing behaviours, the findings suggest that keyboard data alone is not sufficient to provide a comprehensive picture of an individual’s mood state.

Questo studio si propone di esplorare come i questionari self-report, combinati con i dati della tastiera raccolti attraverso l'applicazione BiAffect, possano essere utilizzati per sviluppare personas che aiutino a comprendere e tracciare l'instabilità dell'umore nelle donne. Uno degli obiettivi principali della ricerca è determinare se i dati della tastiera possono identificare efficacemente i cambiamenti d'umore senza affidarsi ai questionari self-report, che son impegnativo per le pazienti. Abbiamo calcolato le caratteristiche sia dei dati della tastiera sia dei dati del questionario self-report per creare tre set di dati distinti: uno contenente solo i dati della tastiera, uno con i soli dati del questionario e un terzo che combinava entrambe le fonti. Abbiamo applicato vari metodi di preprocessing e determinato quello ottimale, nonché il numero ottimale di cluster utilizzando quattro euristiche per l'analisi, creando tre personas per ogni set di dati. Per valutare l'accuratezza e l'affidabilità delle personas, abbiamo impiegato un framework SSML utilizzando l'algoritmo di clustering usato per creare le Personas per generare etichette di verità deboli. L'accuratezza ponderata, la precisione, il richiamo e il punteggio F1 sono stati utilizzati per confrontare le etichette deboli della verità a terra e le etichette previste, valutando le prestazioni complessive e le capacità di generalizzazione del modello. I risultati hanno mostrato che le personas create dai dati del questionario avevano profili psicologici significativamente diversi. Al contrario, le personas basate sui dati della tastiera presentavano caratteristiche psicologiche più simili. Esaminando il set di dati concatenati, abbiamo scoperto che due delle tre personas presentavano profili di umore distinti, mentre la terza persona aveva un profilo psicologico medio, ma mostrava comportamenti di digitazione unici. Sebbene sia stata osservata una certa correlazione tra uno stato d'animo peggiore e comportamenti di digitazione più irregolari, lenti e meno frequenti, i risultati suggeriscono che i dati della tastiera da soli non sono sufficienti a fornire un quadro completo dello stato d'animo di una donna.