A Formative Study of Brief Affective Text as a Complement to Wearable Sensing for Longitudinal Student Health Monitoring

Résumé technique : Une étude formative sur le texte affectif bref comme complément au capteur portable pour la surveillance longitudinale de la santé étudiante

Énoncé du problème
Les dispositifs portables capturent de plus en plus des données physiologiques et comportementales avec une haute fidélité, mais ils manquent du contexte psychologique nécessaire pour interpréter ces signaux. Bien que les capteurs puissent détecter que l'efficacité du sommeil d'un étudiant a diminué ou que la variabilité de la fréquence cardiaque (VFC) a chuté, ils ne peuvent pas déterminer si la cause est une surcharge académique, une détresse relationnelle, une inquiétude financière ou une maladie. Cette « opacité psychologique » limite l'utilité du capteur passif pour les interventions de santé numérique. Les méthodes existantes pour ajouter du contexte, telles que l'évaluation écologique momentaire (EMA), introduisent souvent une charge significative pour les participants, réduisant ainsi leur évolutivité à long terme. À l'inverse, la collecte passive de texte (par exemple, les réseaux sociaux) manque souvent d'alignement temporel avec les données physiologiques. Les auteurs examinent si un texte ultra-bref et naturaliste, collecté avec une charge minimale dans le cadre d'un protocole d'étude, peut servir de complément évolutif et peu coûteux au capteur passif pour retrouver le contexte psychologique façonnant les résultats physiologiques.

Méthodologie
L'étude est une analyse secondaire de données longitudinales issues de l'essai contrôlé randomisé LEMURS (NCT05841979), impliquant 458 étudiants universitaires suivis sur une année académique complète (33 semaines).

• Collecte de données :

  • Physiologique : Les participants portaient des bagues Oura en continu, générant des données pour neuf résultats : six métriques de sommeil (durée, efficacité, sommeil paradoxal, sommeil profond, VFC/RMSSD, latence d'endormissement) et trois métriques d'activité physique (pas/jour, minutes MET d'intensité modérée/élevée).
  • Textuelle : Toutes les deux semaines, les participants répondaient à une seule question ouverte : « Parmi toutes les choses qui se sont produites au cours des deux dernières semaines, quelle est celle qui vous préoccupe le plus ? »
  • Corpus : L'étude a produit 3 610 vagues-personnes, dont 3 073 contenant une réponse de préoccupation. La longueur médiane de la réponse était de trois mots (moyenne = 6,0), reflétant un format ultra-bref et à faible charge.

• Approches de traitement automatique du langage naturel (TALN) :
  Les auteurs ont comparé trois pipelines distincts de traitement automatique du langage naturel (TALN) pour extraire un signal du texte :

  1. SEANCE (basé sur des dictionnaires) : Extraction d'environ 80 caractéristiques psycholinguistiques (affect, cognition, orientation sociale) à l'aide de dictionnaires validés (par exemple, EmoLex, ANEW, General Inquirer).
  2. RoBERTa-base (préentraîné général) : Génération d'embeddings de phrases à 768 dimensions à partir de corpus anglais généraux, réduits à 127 composantes principales (CP) via une analyse en composantes principales (ACP).
  3. MentalRoBERTa (adapté au domaine) : Utilisation d'une variante de RoBERTa préentraînée sur 13 millions de publications Reddit liées à la santé mentale, réduites à 100 CP.
  4. Classification Zero-Shot : Une analyse distincte a classé le texte en neuf domaines thématiques (par exemple, académique, financier, relations) pour tester si le thème seul portait un signal.

• Analyse statistique :
  L'analyse centrale a utilisé des modèles linéaires à effets mixtes intra-individuels avec des intercepts aléatoires pour les participants. Cette conception isole les fluctuations semaine après semaine (variance intra-individuelle) des différences individuelles stables (variance inter-individuelle), ce qui est crucial étant donné la haute stabilité des résultats physiologiques (les coefficients de corrélation intraclasse variaient de 0,57 à 0,93). Les modèles ont évalué les associations entre les caractéristiques linguistiques et les résultats portables, en contrôlant la semaine académique et la longueur de la réponse. La décomposition de la variance ($\Delta R^2$) et l'analyse de dominance ont été utilisées pour comparer le pouvoir explicatif des différentes méthodes de TALN.

Résultats clés

1. Le signal existe dans le texte ultra-bref : Même avec une longueur médiane de réponse de trois mots, le contenu linguistique était significativement associé à la variation intra-individuelle des résultats de sommeil et d'activité physique au cours de l'année académique.
2. Ton affectif vs contenu thématique :
   • Le contenu thématique ne portait pas le signal : La classification zero-shot des thèmes de préoccupation n'a produit aucune association significative avec les résultats physiologiques (à une exception mineure concernant la santé physique et l'efficacité du sommeil).
   • Les dimensions affectives portaient le signal : Le registre émotionnel (ton, valence, intensité) était constamment associé aux résultats pour les trois méthodes de TALN.
   • Exemple : Les semaines caractérisées par un langage d'épuisement émotionnel (par exemple, « se sentir fatigué tout le temps ») étaient associées à une qualité de sommeil plus faible et à une VFC plus basse. Les semaines dominées par un cadrage de préoccupation académique (par exemple, « examens », « notes ») étaient associées à une activité physique plus faible.
3. Comparaison des méthodes de TALN :
   • Les embeddings préentraînés généraux (RoBERTa-base) ont surpassé les modèles adaptés au domaine pour la plupart des résultats, en particulier l'activité physique.
   • Les embeddings adaptés au domaine (MentalRoBERTa) ont montré un avantage relatif spécifiquement pour les résultats autonomes (VFC/RMSSD) et la latence d'endormissement, suggérant que le préentraînement spécifique à la santé mentale capture mieux les signaux liés au stress pour ces métriques spécifiques.
   • Les méthodes basées sur des dictionnaires (SEANCE) ont expliqué moins de variance que les modèles d'embeddings.
4. Signal unique dans les représentations distributionnelles : Une proportion substantielle des dimensions d'embeddings significatives (32 % pour RoBERTa, 17 % pour MentalRoBERTa) ne pouvait pas être mappée à une construction nommée du dictionnaire SEANCE. Cela indique que les signaux linguistiques pertinents pour la santé (par exemple, l'atténuation, la brièveté comme posture, la minimisation émotionnelle) ne sont récupérables que par des représentations distributionnelles, et non par des lexiques fixes.
5. Trajectoires physiologiques : L'étude a confirmé un déclin au niveau du semestre de l'efficacité du sommeil, de la VFC et de l'activité physique, cohérent avec la littérature antérieure, mais a démontré que les caractéristiques linguistiques expliquent une variance au-delà de ces tendances générales du semestre.

Importance et affirmations
L'article se positionne comme une étude formative établissant une limite inférieure pour ce que le capteur passif de texte affectif peut accomplir. Les auteurs revendiquent les contributions suivantes :

• Faisabilité des invites ultra-briefs : Ils démontrent qu'une seule question ouverte bimensuelle, produisant des réponses aussi courtes que trois mots, fournit un signal détectable et pertinent physiologiquement. Cela remet en question l'hypothèse selon laquelle le capteur basé sur le texte significatif nécessite des journaux longs ou des EMA fréquentes et chargées.
• Orientation de conception pour la santé numérique : Les résultats suggèrent que les systèmes portables devraient privilégier l'extraction de caractéristiques affectives plutôt que la classification de sujets. Les systèmes qui orientent les utilisateurs en fonction de « ce » dont ils s'inquiètent (sujet) peuvent rejeter le « comment » (ton émotionnel) critique qui corrèle avec les états physiologiques.
• Complémentarité, non remplacement : L'étude soutient que le texte affectif ultra-bref est un complément pratique et à faible charge au capteur passif. Il fournit le contexte psychologique que les capteurs ne peuvent pas récupérer, permettant une interprétation plus riche des données physiologiques sans concurrencer la nature passive des dispositifs portables.
• Insight méthodologique : Les résultats soulignent que les modèles préentraînés généraux constituent une valeur par défaut robuste pour le capteur de texte court dans les populations étudiantes, tandis que l'adaptation au domaine offre des gains marginaux spécifiques pour les métriques du système nerveux autonome.

Les auteurs concluent que l'association du capteur physiologique passif avec des invites affectives ouvertes périodiques et ultra-briefes offre une voie évolutive vers des systèmes de santé numérique conscients du contexte, à condition que les travaux futurs abordent la confidentialité, le moment des invites et la traduction des signaux affectifs en interventions actionnables.