Assessing the Availability of Users to Engage in Just-in-Time Intervention in the Natural Environment.
Assessing the Availability of Users to Engage in Just-in-Time Intervention in the Natural Environment.
复制标题
DOI：
10.1145/2632048.2636082
复制
发表时间：
2014
期刊：
影响因子：
--
通讯作者：
Kumar S
中科院分区：
文献类型：
--
作者：
Sarker H;Sharmin M;Ali AA;Rahman MM;Bari R;Hossain SM;Kumar S
用于健康监测的可穿戴无线传感器使及时干预措施（JITI）的设计和交付成为可能。JITI成功的关键在于它的交付时间，以便用户能够参与其中。我们通过分析2,064小时的生理传感器数据和2,717份来自30名参与者为期一周的实地研究的自我报告，迈出了用户可用性建模的第一步。我们使用响应提示的延迟来客观地衡量可用性。我们计算了99个特征，并确定了30个最具判别性，以训练机器学习模型来预测可用性。我们发现，地点、影响、活动类型、压力、时间和一周中的哪一天，在预测可用性方面起着重要作用。我们发现，用户在工作和开车时的可用性最低，而在户外行走时的可用性最高。我们的模型最终在10倍交叉验证中达到了74.7%的准确率，在留一主体的情况下达到了77.9%的准确率。
Wearable wireless sensors for health monitoring are enabling the design and delivery of just-in-time interventions (JITI). Critical to the success of JITI is to time its delivery so that the user is available to be engaged. We take a first step in modeling users’ availability by analyzing 2,064 hours of physiological sensor data and 2,717 self-reports collected from 30 participants in a week-long field study. We use delay in responding to a prompt to objectively measure availability. We compute 99 features and identify 30 as most discriminating to train a machine learning model for predicting availability. We find that location, affect, activity type, stress, time, and day of the week, play significant roles in predicting availability. We find that users are least available at work and during driving, and most available when walking outside. Our model finally achieves an accuracy of 74.7% in 10-fold cross-validation and 77.9% with leave-one-subject-out.
登录
查看更多内容
影响因子：
3.6
作者：
Alpers, Georg W.
通讯作者：
Alpers, Georg W.
影响因子：
2.5
作者：
Fonner, Kathryn L.;Roloff, Michael E.
通讯作者：
Roloff, Michael E.
影响因子：
3.7
作者：
Avrahami, D.;Gergle, D.;Kiesler, S.
通讯作者：
Kiesler, S.
影响因子：
7.4
作者：
Burns MN;Begale M;Duffecy J;Gergle D;Karr CJ;Giangrande E;Mohr DC
通讯作者：
Mohr DC
影响因子：
6.7
作者：
Bohannon, RW
通讯作者：
Bohannon, RW