Representation Matters in Longitudinal Affective Computing

Der Rhythmus unserer Geister und Körper

Stellen Sie sich vor, Sie versuchen, die Stimmung eines Menschen oder die Schärfe seines Verstandes zu verstehen, indem Sie nur eine einzige Momentaufnahme betrachten. Es ist, als würde man versuchen, den Plot eines ganzen Films zu erraten, indem man nur einen einzigen Frame betrachtet. In der Welt des „Affective Computing“ – ein schicker Begriff für das Lehren von Computern, menschliche Gefühle und Gedanken zu verstehen – haben Wissenschaftler ein großes Problem. Wir haben zwei Arten von Daten, die sich in völlig unterschiedlichen Geschwindigkeiten bewegen. Einerseits haben wir tragbare Gadgets wie Smartwatches, die wie super aufmerksame Spione fungieren und unseren Herzschlag, Schlaf und unsere Schritte jede einzelne Sekunde, jeden einzelnen Tag aufzeichnen. Andererseits gibt es den „Goldstandard“ des Wissens darüber, wie sich jemand fühlt: ihn direkt zu fragen. Aber Menschen können nicht jede Minute einen detaillierten Stimmungsfragebogen ausfüllen; sie tun dies nur gelegentlich, vielleicht einmal alle paar Wochen oder Monate.

Dies erzeugt ein Missverhältnis. Es ist, als hätte man ein hochauflösendes Video eines fließenden Flusses, aber nur ein Foto des Wasserstands, das einmal im Monat aufgenommen wurde. Wie verbindet man die beiden? Wenn man einfach den Durchschnitt des Flusslaufs für diesen Monat nimmt, übersieht man vielleicht die aufregenden Stromschnellen oder die ruhigen Pools, die eigentlich die Geschichte der Reise des Wassers erzählen. Diese Arbeit befasst sich genau mit diesem Rätsel: Wie übersetzt man die täglichen Sensordaten eines ganzen Jahres in ein Format, das für jene gelegentlichen Stimmungs- und Gehirn-Check-Umfragen Sinn ergibt? Die Antwort liegt nicht nur darin, Zahlen zu berechnen; es geht darum, die richtige „Sprache“ zu finden, um das tägliche Geplapper des Körpers in die periodischen Berichte des Geistes zu übersetzen.

Die Detektivgeschichte von 82 Erwachsenen

In dieser Studie agierten die Forscher wie Detektive, die versuchen, ein Rätsel mithilfe von Daten aus 82 Erwachsenen in der Schweiz zu lösen. Diese Teilnehmer trugen Smartwatches, die ihren Herzschlag, Schlaf und ihr Aktivitätsniveau jeden Tag für fast ein Jahr verfolgten. Währenddessen füllten dieselben Menschen alle paar Monate (speziell in vier verschiedenen „Wellen“ der Studie) Umfragen über ihre Gefühle (wie Stress, Angst oder Glück) aus und absolvierten Tests, um zu sehen, wie gut ihre Gehirne funktionierten (wie Gedächtnis, Aufmerksamkeit und Geschwindigkeit).

Das Team stellte eine einfache, aber knifflige Frage: Wenn wir versuchen vorherzusagen, wie sich jemand fühlt oder wie gut sein Gehirn arbeitet, welcher Teil der täglichen Sensordaten ist tatsächlich relevant? Sie testeten drei verschiedene Wege, um die täglichen Daten in einen einzigen „Zeugnisbericht“ für jeden mehrmonatigen Zeitraum zusammenzufassen:

1. Der „Level“-Ansatz: Dieser betrachtet den Durchschnittszustand während dieses Zeitraums. Es ist, als würde man fragen: „Wie schnell floss der Fluss im Durchschnitt diesen Monat?“
2. Der „Absolute Drift“-Ansatz: Dieser betrachtet die Veränderung gegenüber dem vorherigen Zeitraum. Er fragt: „Floss der Fluss diesen Monat schneller oder langsamer als im letzten Monat, und um wie viel?“
3. Der „Proportional Drift“-Ansatz: Dieser betrachtet die prozentuale Veränderung. Er fragt: „Hat sich die Geschwindigkeit des Flusses im Vergleich zum letzten Monat verdoppelt oder halbiert?“

Sie testeten auch verschiedene Arten, die täglichen Daten zu beschreiben. Anstatt nur den Durchschnitt (Mittelwert) zu verwenden, betrachteten sie die „Form“ der Daten – Dinge wie die Extremwerte (Kurtosis), die Streuung (Interquartilsabstand) oder die Tiefpunkte (Minima).

Die große Entdeckung: Gefühle ändern sich, Gehirne bleiben beständig

Die Ergebnisse enthüllten eine faszinierende Spaltung in der Art und Weise, wie unser Körper und unser Geist funktionieren, was darauf hindeutet, dass unsere Gefühle und unsere kognitiven Fähigkeiten zwei verschiedene Sprachen sprechen.

Für Gefühle (Affekt): Die Studie fand heraus, dass der Absolute Drift-Ansatz im Allgemeinen der stärkste Prädiktor war, um vorherzusagen, wie sich jemand fühlt (Angst, Stress oder Glück). Während der „Level“-Ansatz (die Betrachtung des Durchschnittszustands) für einige spezifische Metriken funktionierte, war der „Drift“-Ansatz – das Verfolgen, wie sehr sich die Physiologie einer Person im Vergleich zu den letzten Monaten verändert hat – der klare Gewinner für die meisten affektiven Zustände. Es ist wie die Erkenntnis, dass ein Mensch nicht traurig ist, weil sein Herz mit 70 Schlägen pro Minute schlägt (ein Level); er ist traurig, weil seine Herzfrequenz signifikant von seinen üblichen 80 Schlägen pro Minute gesunken ist (ein Drift). Die „Veränderung“ des Körpers ist das stärkste Signal für die „Stimmung“ des Geistes.

Für Gehirnleistung (Kognition): Für kognitive Aufgaben wie Gedächtnis und Aufmerksamkeit kehrte sich die Geschichte um. Hier war der Level-Ansatz oft der beste Prädiktor. Um vorherzusagen, wie gut das Gehirn eines Menschen arbeitet, ist man tatsächlich an den Durchschnittszustand interessiert. Es ist, als würde man sagen: „Wenn der Fluss allgemein in einem stetigen, starken Tempo fließt, bewegt sich das Boot (das Gehirn) gut.“ Die Veränderung spielte nicht so eine große Rolle wie der aktuelle Zustand. Dies deutet darauf darauf hin, dass die kognitive Leistung an die stabile, langfristige Baseline einer Person gebunden ist und nicht an deren jüngste Schwankungen.

Die Form der Daten spielt ebenfalls eine Rolle

Eine weitere wichtige Erkenntkeit betraf die Art und Weise, wie sie die täglichen Daten zusammengefasst haben. Die Forscher entdeckten, dass einfache Mittelwerte (wie der Mittelwert oder Median) oft am wenigsten nützlich waren. Stattdessen hielten die „Form“ der Daten die Geheimnisse bereit. Merkmale wie die Minima (die niedrigsten Herzfrequenzen), die Kurtosis (wie „spitz“ oder extrem die Daten waren) und die Spanne der Veränderungen trugen viel mehr Signale als nur der Durchschnitt. Es ist, als würde die Geschichte des Flusses nicht durch seine durchschnittliche Tiefe erzählt, sondern durch seine tiefsten Senkungen und seine höchsten Spitzen.

Was dies für die Zukunft bedeutet

Die Arbeit legt nahe, dass wir nicht alle Daten zur Gehirngesundheit gleich behandeln sollten. Wenn wir Smartwatches bauen wollen, die erkennen können, wenn sich jemand gestresst oder ängstlich fühlt, sollten diese so programmiert werden, dass sie nach Veränderungen im Vergleich zur eigenen Vergangenheit der Person suchen. Wenn wir frühe Anzeichen eines kognitiven Rückgangs erkennen wollen, sollte die Uhr auf Abfälle im Durchschnitt der Leistung über die Zeit achten.

Die Forscher weisen vorsichtig darauf hin, dass diese Studie mit gesunden Erwachsenen in der Schweiz und in Frankreich durchgeführt wurde, daher können wir noch nicht zu 100 % sicher sein, dass dies überall und für jeden gilt. Doch indem sie das „Missverhältnis“ zwischen täglichen Sensoren und monatlichen Umfragen als eine spezifische Designentscheidung statt als einen Fehler behandelten, haben sie Wissenschaftlern ein neues Werkzeug an die Hand gegeben. Sie haben gezeigt, dass wir, indem wir die richtige „Übersetzung“ (Veränderung vs. Level) und die richtigen „Details“ (Form vs. Durchschnitt) wählen, bessere, genauere Systeme bauen können, um unsere Gehirne und Herzen in der realen Welt zu verstehen.