💻 computer science

Quantifying the Persistence of Daily Routines

En analysant des données de détection passive provenant de plus de 1 000 participants, cette étude établit que la vie quotidienne s'organise autour d'environ huit types de routines stables et spécifiques à chaque individu, qui agissent comme des empreintes comportementales uniques, restant cohérents dans le temps et à travers les groupes démographiques tout en présentant des liens modérés avec les traits de personnalité.

Auteurs originaux : Nguyen Luong, Talayeh Aledavood

Publié 2026-04-28

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Nguyen Luong, Talayeh Aledavood

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez votre vie comme une bibliothèque de jours. La plupart des gens pensent que chaque jour est unique, mais cette recherche suggère que, pour chacun d'entre nous, notre bibliothèque contient en réalité seulement quelques « histoires » récurrentes que nous continuons de raconter.

Voici une explication simple de ce que les chercheurs ont découvert :

1. Le « Menu » de la vie quotidienne

Les chercheurs ont analysé plus de 150 000 jours de données provenant de plus de 1 000 personnes. Ils ont suivi trois éléments principaux : comment les gens dormaient, comment ils bougeaient et comment ils utilisaient leur téléphone.

Ils ont découvert que, même si la vie semble chaotique, les personnes oscillent en réalité entre un petit menu fixe d'environ huit types de jours différents.

L'analogie : Pensez à ces types de jours comme aux plats principaux d'un restaurant. Vous pourriez avoir un « Spécial Jour de Travail », un « Détente du Week-end », une « Sortie Tardive » ou un « Creux des Vacances ».
La découverte : L'ordinateur n'avait pas besoin de savoir quel jour de la semaine il était pour déterminer cela. Il suffisait qu'il examine les schémas de sommeil et de mouvement, et les motifs « Week-end » et « Jour de Travail » se séparaient naturellement.

2. Votre « Signature de Routine » personnelle

Bien que tout le monde ait accès au même menu de huit types de jours, chacun commande différemment.

L'analogie : Imaginez deux personnes dans ce restaurant. La personne A commande le « Spécial Jour de Travail » 80 % du temps et le « Détente du Week-end » 20 % du temps. La personne B répartit son temps également entre cinq plats différents.
La découverte : Les chercheurs ont constaté que, pour n'importe quelle personne, seulement deux de ces types de jours constituent plus de la moitié de sa vie. Ce mélange spécifique de jours est votre « Signature de Routine ». Il est aussi unique à vous que votre empreinte digitale.

3. Le « Scénario » de votre semaine

Il ne s'agit pas seulement de quels jours vous avez, mais de comment vous passez de l'un à l'autre.

L'analogie : Imaginez une série télévisée. Vous pouvez avoir les mêmes personnages (les types de routines), mais l'ordre dans lequel ils apparaissent crée l'intrigue. Une personne peut avoir un scénario très prévisible : « Jour de Travail, Jour de Travail, Jour de Travail, Week-end, Week-end ». Une autre personne peut avoir un scénario chaotique : « Jour de Travail, Week-end, Jour de Travail, Jour de Travail, Week-end ».
La découverte : La manière dont vous passez d'un type de jour au suivant vous est également unique. Même si deux personnes ont le même mélange de jours, elles passent probablement de l'un à l'autre de manières différentes.

4. Stabilité : Vous êtes qui vous êtes

Les chercheurs ont vérifié si ces signatures changent avec le temps. Ils ont observé des personnes sur des périodes allant de quelques semaines à une année entière.

La découverte : Votre signature est étonnamment stable. Si vous regardez votre « commande de menu » de janvier, elle ressemble beaucoup à votre commande de juin. Il est beaucoup plus probable que vous ressembliez à vous-même dans le futur qu'à un inconnu.
L'exception : La seule chose qui a légèrement modifié la « stabilité » de la routine d'une personne était sa personnalité. Les personnes naturellement plus consciencieuses (organisées et disciplinées) avaient tendance à avoir des routines légèrement plus rigides et prévisibles. L'âge et le genre n'ont pas vraiment compté.

5. Pourquoi cela compte (selon l'article)

L'article suggère que, comme ces schémas sont si uniques et stables, ils agissent comme une empreinte comportementale.

L'analogie : Tout comme un système de sécurité peut vous identifier par votre visage, un ordinateur pourrait potentiellement vous identifier simplement en examinant vos schémas quotidiens de sommeil et d'utilisation du téléphone.
L'application mentionnée : Les auteurs notent que, comme ces signatures sont si personnelles, elles pourraient être utilisées pour repérer quand la vie de quelqu'un est « décalée ». Si l'« empreinte » habituelle d'une personne change soudainement, cela pourrait signaler un problème de santé ou une perturbation, permettant une surveillance personnalisée basée sur votre norme, plutôt que sur une moyenne générique de groupe.

En résumé : Nous avons tous un petit ensemble de « jours par défaut » que nous répétons. Le mélange spécifique de ces jours et l'ordre dans lequel nous passons de l'un à l'autre créent une signature unique et stable qui définit qui nous sommes, jour après jour.

1. Énoncé du problème

La vie quotidienne est structurée par des schémas comportementaux récurrents (sommeil, déplacement, utilisation des appareils) qui alignent les rythmes biologiques sur les exigences sociales et professionnelles. Bien que des recherches antérieures aient établi que les comportements individuels sont persistants au sein de domaines spécifiques (par exemple, les « signatures sociales » de la communication ou les schémas de mobilité), il reste à déterminer si cette persistance s'étend aux routines quotidiennes holistiques qui englobent simultanément plusieurs domaines comportementaux.

Les questions de recherche principales sont les suivantes :

Les individus présentent-ils une distribution stable et spécifique à la personne des jours répartis parmi un ensemble de « types de routines » récurrents ?
La transition temporelle entre ces types de routines est-elle également spécifique à la personne et stable dans le temps ?
Cette « signature de routine » persiste-t-elle à travers différentes populations (âge, profession, état de santé) et fenêtres d'observation (de quelques semaines à plusieurs mois) ?

2. Méthodologie

Sources de données

L'étude a utilisé trois ensembles de données longitudinaux indépendants comprenant 1 086 participants et plus de 153 000 jours-personnes :

Tesserae : 592 travailleurs de l'information aux États-Unis (durée de 1 an).
MoMo-Mood : 164 participants en Finlande (133 patients présentant des épisodes dépressifs, 31 témoins sains) sur une période d'un an.
GLOBEM : 497 étudiants universitaires aux États-Unis sur quatre années académiques (fenêtres d'observation plus courtes de 10 semaines par an).

Extraction des caractéristiques et prétraitement

Les données de détection passive ont été agrégées en vecteurs quotidiens contenant 13 caractéristiques réparties sur trois domaines :

Sommeil : Heure du coucher, heure du réveil et durée (dérivées d'objets connectés ou de l'état de verrouillage/déverrouillage du téléphone).
Mobilité : Nombre de pas ou écart-type de l'amplitude de l'accéléromètre, agrégés en quatre tranches de 6 heures (Nuit, Matin, Après-midi, Soirée).
Utilisation des appareils : Durée d'utilisation de l'écran, agrégée en quatre tranches de 4 heures.
Normalisation : Les caractéristiques ont été normalisées par score Z au sein de chaque participant pour se concentrer sur la variabilité intra-individuelle. Les jours comportant des données manquantes ont été exclus.

Approche de modélisation

Clustering (GMM) : Les auteurs ont employé des modèles de mélange gaussien (GMM) pour identifier des types de routines latents. Contrairement aux K-Means, les GMM permettent un clustering souple (affectation probabiliste) et capturent les corrélations entre caractéristiques via des matrices de covariance.
Sélection du modèle : Le nombre optimal de clusters ( $K$ ) a été déterminé en utilisant le critère d'information bayésien (BIC). L'analyse a systématiquement identifié 8 types de routines comme suffisants pour capturer la structure dominante de la vie quotidienne dans toutes les études.
Définition de la signature :
- Signature de routine ( $\sigma$ ) : Un vecteur représentant la proportion de jours qu'un participant passe dans chacun des $K$ types de routines, classés du plus fréquent au moins fréquent.
- Signature de transition : Une matrice de probabilité de transition ( $P \in \mathbb{R}^{K \times K}$ ) représentant la probabilité de passer d'un type de routine à un autre entre deux jours consécutifs.

Métriques de persistance

Pour quantifier la stabilité et la spécificité, les auteurs ont divisé les données de chaque participant en deux fenêtres temporelles égales et calculé :

Distance interne ( $d_{self}$ ) : La distance entre la signature du participant dans la première moitié par rapport à la seconde moitié (mesurant la stabilité intra-individuelle).
Distance de référence ( $d_{ref}$ ) : La distance entre la signature du participant et les signatures des autres participants dans la même fenêtre temporelle (mesurant la spécificité inter-individuelle).
Métriques de distance : Principalement la divergence de Jensen-Shannon (JSD) pour les signatures distributionnelles, avec la distance cosinus et la distance de Bhattacharyya utilisées pour des vérifications de robustesse.

3. Résultats clés

Découverte des types de routines

La vie quotidienne se résout en un ensemble compact de ~8 types de routines interprétables.
Ces types sont apparus de manière non supervisée sans données calendaires, mais reflètent clairement des structures du monde réel (par exemple, jours de travail standards, week-ends/jours fériés avec un sommeil plus long et une utilisation de l'écran plus élevée, et schémas de mobilité nocturne).
Dominance : Dans toutes les études, les deux types de routines les plus fréquents représentaient en moyenne 57,63 % des jours d'un participant, indiquant que les individus passent la majorité de leur temps dans seulement deux schémas récurrents.

Stabilité des signatures de routines

Stabilité intra-individuelle : La signature de routine d'un participant était significativement plus similaire à sa propre version passée qu'à celle de tout autre individu ( $d_{self} < d_{ref}$ $d_{se l f} < d_{r e f}$ ).
- Tesserae : $d_{self} = 0,135$ contre $d_{ref} = 0,164$ ( $p < 10^{-3}$ ).
- Cette stabilité s'est maintenue à la fois sur des fenêtres d'observation courtes (30 jours) et longues (135 jours).
Dynamique de transition : La manière dont les individus transitent entre les types de routines (la matrice de transition) était également spécifique à la personne et stable.
- Tesserae : $d_{self} = 0,481$ contre $d_{ref} = 0,537$ ( $p < 10^{-3}$ ).
- Cela indique que les individus ne se contentent pas de s'en tenir à une seule routine, mais cyclent à travers plusieurs types dans un ordre caractéristique et non aléatoire.

Prédicteurs de la persistance

Démographie : L'âge et le genre n'ont montré aucune association significative avec la stabilité des signatures de routines.
Traits de personnalité :
- Conscience : Associée positivement à des distances de signature plus élevées (indiquant moins de stabilité) dans les analyses sur de longues fenêtres ( $p=0,001$ ).
- Névrosisme : Associé positivement à la distance de signature de routine dans les modèles sur de longues fenêtres ( $p=0,039$ ).
- Note : La corrélation positive avec la distance implique que des scores plus élevés dans ces traits sont corrélés à des routines moins rigides/persistantes dans ce contexte spécifique, bien que les tailles d'effet soient modestes.

4. Contributions clés

Cadre holistique : Va au-delà de l'analyse comportementale à domaine unique (par exemple, seulement le sommeil ou seulement la mobilité) pour modéliser simultanément les routines quotidiennes multi-modales.
Concept de signature de routine : Formalise la « signature de routine » comme une métrique à double composante : (1) la distribution de l'allocation du temps et (2) la dynamique de transition jour après jour.
Validation de la persistance : Démontre que ces signatures sont des « empreintes digitales comportementales » robustes qui persistent à travers des populations diverses (cliniques, étudiantes, professionnelles) et des échelles de temps.
Découverte non supervisée : Prouve qu'un petit ensemble de types de routines latents (environ 8) peut expliquer la structure dominante de la vie quotidienne sans étiquetage préalable.

5. Importance et implications

Surveillance personnalisée de la santé : Les signatures de routines peuvent servir de références spécifiques à l'individu. Les écarts par rapport à la propre signature d'une personne (plutôt que par rapport aux normes de population) pourraient détecter les premiers signes de problèmes de santé, de rechutes de santé mentale ou de perturbations du mode de vie.
Risque de ré-identification : La forte spécificité et la stabilité temporelle de ces signatures posent un risque pour la vie privée. Même dans des ensembles de données anonymisés, la combinaison de multiples modalités comportementales pourrait permettre la ré-identification d'individus à travers le temps et les ensembles de données.
Sciences du comportement : Établit que la « persistance » observée dans les comportements uniques est un principe général de l'organisation humaine, suggérant que les humains s'installent naturellement dans un ensemble limité de schémas complexes et multi-comportementaux pour gérer la charge cognitive et les exigences environnementales.

Limites

Éparsité des données : Les données de localisation (GPS) ont été exclues en raison d'un taux élevé de données manquantes, et les caractéristiques de communication étaient éparse (limitées aux appels/SMS), risquant de manquer des nuances dans les interactions sociales.
Nature non supervisée : Bien que robuste, le clustering est non supervisé ; les significations des clusters peuvent varier légèrement entre les populations, et l'approche « sac de jours » ignore les dépendances temporelles séquentielles (bien que des périodicités comme les séparations semaine/week-end soient apparues naturellement). Des travaux futurs pourraient intégrer des modèles de Markov pour mieux capturer les séquences temporelles.