From Coordinates to Context: An LLM-Bootstrapped Semantic Encoding Framework for Privacy-Preserving Mobile Sensing Stress Recognition

Título: De Coordenadas a Contexto: Un Marco de Codificación Semántica Arrancado por LLM para el Reconocimiento de Estrés en Sensado Móvil con Preservación de la Privacidad

1. El Problema

El estrés psicológico es un problema generalizado que afecta significativamente el bienestar y el rendimiento académico de los estudiantes. Aunque el reconocimiento remoto del estrés es crucial, los métodos existentes presentan limitaciones severas:

• Riesgos de Privacidad: La recolección y el intercambio de datos de ubicación de alta resolución (GPS) exponen a los usuarios a ataques de reidentificación.
• Falta de Explicabilidad: Las técnicas actuales suelen basarse en agrupaciones espaciales abstractas (como DBSCAN) o inyección de ruido. Estas métodos destruyen el significado semántico de las ubicaciones, obligando a los investigadores a utilizar modelos de "caja negra" que no pueden ofrecer explicaciones comprensibles para humanos sobre por qué se detecta estrés.
• Dependencia de APIs Externas: Muchos enfoques semánticos envían coordenadas crudas a APIs de terceros (ej. Google Maps), lo que viola la privacidad al compartir datos sensibles fuera del entorno del usuario.

2. Metodología

Los autores proponen un marco end-to-end llamado PA (Privacy-Aware) que transforma las coordenadas GPS crudas en características semánticas comprensibles para humanos, sin revelar la ubicación exacta.

• Arquitectura de Privacidad:

  • Motor OSM Auto-alojado: Utiliza un motor de geocodificación inversa (Nominatim) alojado localmente con una base de datos OpenStreetMap (OSM) pre-descargada. Esto elimina la necesidad de enviar coordenadas a servidores de terceros.
  • Codificación Semántica con LLM: Una vez que las coordenadas se convierten en tipos de dirección y números (dentro del servidor local), un Modelo de Lenguaje Grande (LLM) se utiliza para "arrancar" (bootstrapping) un mapa estático. El LLM clasifica los tipos de ubicación en categorías funcionales (ej. Hogar, Escuela, Trabajo, Ocio, Viaje).
  • Validación del LLM: Se utilizó el modelo Gemini 2.5 Flash con un prompt zero-shot para crear el diccionario de clasificación. La precisión de esta clasificación fue del 91.3% comparada con una verdad fundamental manual.

• Extracción de Características:

  • Se extrajeron 54 características en total, divididas en tres grupos:
    1. Basadas en Ubicación: Tiempo total y desviación estándar en cada función (hogar, escuela, recreación, etc.) durante el día, la noche y las 24 horas. También se calculó el tiempo fuera de los entornos primarios (hogar/escuela).
    2. Basadas en lo Académico: Tasas de asistencia, proximidad a fechas límite (deadlines) y horarios de clase.
    3. Basadas en el Tiempo: Índice de la semana y día de la semana para capturar patrones temporales (ej. estrés antes de exámenes).

• Modelos de Clasificación:

  • Se emplearon modelos de aprendizaje ensemble (Random Forest y XGBoost) para predecir el estrés binario (estrés vs. sin estrés).
  • Se compararon dos configuraciones de características: AF (Todas las características, incluyendo repetición de ubicación y datos académicos) y PA (Conjunto de características preservado para la privacidad, eliminando los identificadores más riesgosos).

3. Contribuciones Clave

1. Método de Transformación de Datos Estandarizado: Propone el marco PA como un paso de preprocesamiento que destruye los identificadores geográficos sensibles mientras mantiene la utilidad conductual necesaria para el reconocimiento de estrés.
2. Mitigación del Trilema Privacidad-Explicabilidad-Utilidad: Demuestran empíricamente que la generalización semántica de las trayectorias GPS ofrece una resistencia robusta a los ataques de reidentificación (reduciendo la precisión del atacante al 15% en el mejor caso) sin sacrificar la explicabilidad clínica (los resultados pueden interpretarse como "tiempo de recreación reducido").
3. Pipeline Semántico Flexible y Privado: Introducen una arquitectura de "privacidad por diseño" que utiliza un servidor OSM auto-alojado y LLMs, garantizando que cero coordenadas sensibles se filtren a APIs comerciales.

4. Resultados

Los experimentos se realizaron en el conjunto de datos StudentLife (48 estudiantes) y una ablación en el conjunto GeoLife (83 usuarios en Beijing).

• Protección de la Privacidad (Ataques de Reidentificación):

  • En el escenario de "Conocimiento Limitado", el modelo PA redujo la precisión de reidentificación (Top-1) de un 73% (con GPS crudo) a un 25% (AF) y 15% (PA).
  • En el conjunto GeoLife, el método PA redujo la tasa de éxito de reidentificación en 2 a 3 veces en comparación con un enfoque no privado, y hasta 5 veces en términos de precisión equilibrada.
  • El análisis de Información Mutua mostró que el modelo PA eliminó las características más correlacionadas con la identidad (como el horario de clases), manteniendo solo aquellas con correlación moderada pero alta utilidad predictiva.

• Rendimiento en Reconocimiento de Estrés:

  • StudentLife: El modelo PA (Random Forest) logró un 67% de precisión y un 64% de F1-score. Esto es estadísticamente indistinguible del modelo no privado (AF) y superior a los modelos de Deep Learning baselines (STGNN GPS: 58% F1; LSTM: 54% F1).
  • Validación LOSO (Leave-One-Subject-Out): El modelo PA mantuvo un rendimiento robusto (F1 ~70%) en sujetos completamente no vistos, demostrando una alta capacidad de generalización.

• Explicabilidad:

  • El análisis SHAP reveló que las características extraídas coinciden con la literatura psicológica: mayor tiempo en actividades recreativas y trabajo se asocia con menor estrés, mientras que un mayor tiempo de viaje y la proximidad a fechas límite aumentan el estrés.

5. Significado e Impacto

Este trabajo representa un cambio de paradigma en la investigación de sensado móvil y salud mental:

• Cambio de Paradigma en el Intercambio de Datos: Proporciona una vía segura para que los investigadores compartan conjuntos de datos de comportamiento longitudinal sin revelar ubicaciones crudas, permitiendo la creación de modelos de IA explicable (XAI).
• Viabilidad Técnica: Demuestra que es posible eliminar la dependencia de APIs de terceros costosas y riesgosas mediante infraestructura local ligera y LLMs, haciendo que la solución sea escalable para instituciones (universidades) que desean monitorear el bienestar estudiantil.
• Equilibrio Óptimo: Resuelve el conflicto histórico entre la privacidad y la utilidad, demostrando que se pueden proteger los datos de los usuarios sin sacrificar la precisión clínica ni la capacidad de explicar los resultados a los pacientes y profesionales de la salud.