KAIST 研究：基于智能手机常规行为识别日常压力
发布时间：2026 年 10 月 15 日
来源机构：韩国先进科学与技术学院 (KAIST)
一项由 KAIST 人工智能计算系 Uichin Lee 教授领导的研究团队开发了一种名为“SHIRBT-MMF”的技术，旨在通过分析智能手机中的重复性行为来自动识别用户的日常压力状态。该研究成果已发表在 ACM 关于互动、移动、可穿戴和无处不在技术的期刊上。
从“应用名称”转向“行为目的”
传统的基于智能手机的压力研究主要依赖屏幕时间、应用启动次数及特定应用类别的使用频率等指标。然而，当应用程序界面更新或用户切换至不同平台（如从 KakaoTalk 切换至 WhatsApp）时，这些原始数据会发生剧烈变化，导致长期追踪模型的稳定性下降。
为解决这一问题，研究团队将分析重点从“使用了哪个应用”转移至“用户在做什么”。例如，无论通过何种即时通讯软件进行聊天，其核心行为均被定义为“信使聊天”。这种基于行为目的而非应用名称的分析逻辑，构成了该技术的基础。
技术原理与隐私保护
该团队将这些重复的行为定义为“智能手机人类交互常规行为任务”（Smartphone Human Interaction Routine Behavioral Tasks, SHIRBTs）。系统利用自主研发的“多级序列模式挖掘”（ML-SPM）技术在多天内识别反复出现的屏幕过渡模式，随后结合大语言模型（LLM）为这些模式分配易于理解的行为标签，如“消息聊天”、“浏览网络”、“金融支付”和“阅读/写电子邮件”。
在跨应用一致性测试中，该系统在不同电子邮件客户端、浏览器及通讯应用中识别同一行为的准确率超过 95%。
针对隐私保护，该系统不存储用户输入的实际文本或消息内容，仅记录行为元数据，包括是否输入文本、输入频率以及屏幕过渡情况。此外，涉及接收者或通话伙伴的信息均经过哈希处理，确保原始信息无法被直接还原。
实验结果与分析
研究团队收集了 26 名参与者（包括大学生和 30 多岁的办公室工作者）的真实生活数据进行评估。其中，16 名短期参与者提供了平均 30.5 天的数据，10 名长期参与者提供了平均 105.1 天的数据。研究人员根据参与者的每日自我评估建立个性化模型，以区分有压力和无压力的日子。
数据分析显示，参与者在使用智能手机期间共呈现出 29 种重复行为类型。基于这些行为模式训练的个性化 AI 模型在压力识别方面表现如下：
- 短期参与者：平均准确率为 75.9%，比使用相同 AI 技术分析传统应用使用数据的方法高出 5.5 个百分点。
- 长期参与者：平均准确率为 73.8%，比传统方法高出 3.5 个百分点。
值得注意的是，即使减少分析的行为数量，模型性能依然保持稳健。仅使用“信使聊天”和“金融支付”两种行为，甚至仅分析“信使聊天”，其分类准确度仍高于传统方法。在长期数据中，基于重复行为的分析指标随时间推移的变化较小，结构稳定性优于传统方法。
局限性与未来展望
KAIST 人工智能计算系的李教授指出，智能手机不仅是测量使用时间的设备，更是沟通、信息搜索和财务活动反复发生的日常生活空间。这项研究为将复杂的手机记录转化为人类可理解的行为单位提供了基础，有助于实现更可靠的长期心理健康跟踪。
目前，该研究揭示了行为与压力之间的关联性，但并未证明特定行为会导致或缓解压力。研究对象局限于 20 至 30 岁的 Android 智能手机用户。研究团队计划未来将范围扩大至更广泛的年龄组、职业群体及不同的智能手机环境，并进一步验证该方法的长期稳定性。
论文作者：汉苏·李（第一作者）、乌·李（副作者）、研究员塔·帕克 (Taehyeon Park)、吉·科 (Youngji Koh) 以及计算机学院教授贾吉尔·李 (Jae-Gil Lee)。
参考文献：汉苏·李等人，《利用智能手机的人类互动日常行为任务挖掘和建模用于日常压力监测》，ACM 关于互动，移动，可穿戴和无处不在技术的诉讼 (2025)。DOI: 10.1145/3770644
