An Adaptive Anxiety Intervention Recommender System Using DSW-UCB Contextual Multi-Armed Bandit with Relevance Filtering

Dans le paysage silencieux et souvent invisible de la santé mentale, l'anxiété est une condition qui refuse de rester immobile. Elle fluctue selon l'heure de la journée, la météo, un stress soudain au travail ou un moment de réflexion tranquille. Parce que ces sentiments sont si fluides, les outils conçus pour les gérer ont souvent du mal à suivre le rythme. Une stratégie d'adaptation qui calme une personne un mardi matin peut sembler inutile, voire irritante, un jeudi soir. Pendant des années, les applications de santé numérique ont tenté de résoudre ce problème en proposant des suggestions personnalisées, mais beaucoup de ces systèmes reposent sur une faille fondamentale : ils traitent chaque interaction passée comme si elle se déroulait en ce moment même. Ils se souviennent des préférences d'un utilisateur datant de plusieurs mois avec la même intensité que ses sentiments d'il y a cinq minutes, créant une mémoire numérique trop lourde d'histoire pour s'adapter au moment présent.

C'est ici qu'une nouvelle approche, développée par des chercheurs de l'Université Usmanu Danfodiyo au Nigéria, offre une voie différente. L'équipe a entrepris de construire un système plus intelligent pour recommander des interventions contre l'anxiété, un système qui comprenne que les émotions humaines sont non stationnaires, c'est-à-dire qu'elles changent au fil du temps et ne suivent pas un schéma fixe. Au lieu d'essayer d'apprendre de tout l'historique d'un utilisateur, leur nouveau système se concentre sur ce qui importe le plus : le passé récent. En combinant deux techniques spécifiques — oublier rapidement les données anciennes et filtrer les retours non utiles — ils ont créé un modèle capable de pivoter presque instantanément lorsque l'état émotionnel d'un utilisateur change. Le résultat est un assistant numérique qui ne se contente pas de se souvenir, mais qui s'adapte véritablement, apprenant à proposer l'exercice de respiration ou l'activité de pleine conscience appropriés au moment exact où ils sont nécessaires.

Les chercheurs ont commencé par reconnaître une limitation critique de la technologie actuelle. La plupart des systèmes de recommandation actuels fonctionnent sur une base de « l'historique complet ». Imaginez un étudiant qui étudie pour un examen en lisant tous les manuels scolaires qu'il a possédés, de la maternelle à aujourd'hui, sans jamais fermer un livre. Bien que cet étudiant possède une vaste quantité d'informations, il risque d'être confus par des faits obsolètes et incapable de se concentrer sur ce qui est pertinent pour l'examen d'aujourd'hui. De la même manière, une application de santé mentale qui accorde autant de poids à l'état de calme d'un utilisateur d'il y a six mois qu'à sa crise de panique actuelle fera de mauvaises recommandations. Le système devient lent à réagir, coincé dans une boucle de suggestions qui ne correspondent plus à la réalité de l'utilisateur. Les chercheurs ont soutenu que pour que les interventions contre l'anxiété soient efficaces, le système doit prioriser les interactions récentes et rejeter le bruit du passé lointain.

Pour résoudre cela, l'équipe a conçu un système utilisant une « fenêtre glissante » de mémoire. Au lieu de regarder l'intégralité de l'histoire de la vie d'un utilisateur, le système ne prête attention qu'aux cent dernières interactions. À mesure qu'une nouvelle interaction se produit, la plus ancienne sort du champ de vision, garantissant que le système apprend toujours à partir des données les plus actuelles. Cependant, regarder simplement les cent derniers moments ne suffit pas ; certains de ces moments peuvent être déroutants ou non utiles. Peut-être qu'un utilisateur a cliqué sur une suggestion mais a immédiatement fermé l'application, ou peut-être qu'il a donné une évaluation qui ne correspondait pas à ses sentiments réels. Pour gérer cela, les chercheurs ont ajouté un « filtre de pertinence ». Ce mécanisme agit comme un inspecteur de contrôle qualité, attribuant un score à chaque interaction en fonction du degré d'engagement de l'utilisateur. Si une session était courte et désengagée, le système lui accorde très peu de poids dans son processus d'apprentissage. Si l'utilisateur a passé du temps avec la suggestion et semblait en bénéficier, cette interaction compte beaucoup plus. Cela empêche le système d'être induit en erreur par des clics accidentels ou des moments de distraction.

L'équipe a testé leur nouveau système, qu'ils ont nommé modèle « Discounted Sliding-Window Upper Confidence Bound », dans une simulation contrôlée. Ils ont créé un environnement numérique où les niveaux d'anxiété et le contexte d'un utilisateur virtuel changeaient brusquement, imitant l'imprévisibilité du monde réel des émotions humaines. Ils ont opposé leur nouveau système à plusieurs modèles plus anciens, incluant l'approche traditionnelle de l'historique complet et d'autres variantes utilisant soit uniquement une fenêtre glissante, soit uniquement un facteur de remise (discount factor). Les résultats ont été clairs et significatifs. Dans un scénario où les besoins de l'utilisateur changeaient soudainement, le système traditionnel a mis plus de 600 étapes pour comprendre quelle était la nouvelle meilleure intervention. En revanche, le nouveau système doté du filtre de pertinence s'est rétabli en seulement 235 étapes, reprenant la bonne voie plus de deux fois plus vite.

L'écart de performance était encore plus frappant lorsqu'on observait le succès total des recommandations. Tout au long de la simulation, le nouveau système a accumulé 20,9 % de résultats positifs de plus que le modèle traditionnel de l'historique complet. Il a également réduit le « regret » — une mesure du nombre de fois où le système a fait un choix sous-optimal — de 61,1 %. Cela signifie que le système était non seulement plus rapide pour s'adapter, mais qu'il prenait également de meilleures décisions de manière constante. Les chercheurs ont découvert que la taille de la fenêtre de mémoire importait également. Ils ont testé des fenêtres allant de 50 à 500 interactions et ont découvert qu'une fenêtre de 100 interactions offrait le meilleur équilibre. Elle était assez large pour assurer un apprentissage stable, mais assez petite pour réagir rapidement aux changements. Lorsqu'ils ont combiné cette taille de fenêtre spécifique avec leur filtre de pertinence, le système a obtenu la récompense la plus élevée et le regret le plus bas lors de leurs tests.

L'étude a également révélé que la manière dont le système gère les mauvaises données est cruciale. Lorsque les chercheurs ont testé une version du système qui écartait agressivement toute interaction de faible qualité, les résultats sont devenus instables. Le système oscillait violemment entre de bonnes et de mauvaises recommandations. Cependant, la version qui utilisait un filtre « doux » — accordant un poids infime aux interactions de faible qualité plutôt que de les ignorer complètement — a maintenu une performance stable et fiable. Cela suggère que même un retour bruyant ou déroutant a une certaine valeur, tant qu'il n'est pas autorisé à dominer le processus d'apprentissage. Le système a appris à être robuste, ignorant le bruit sans perdre le signal.

Bien que ces résultats soient prometteurs, les chercheurs précisent avec prudence qu'ils ont été obtenus dans un environnement simulé. L'étude n'a pas impliqué de véritables participants humains ou d'essais cliniques ; il s'agissait d'un test rigoureux de la logique et de l'adaptabilité de l'algorithme au sein d'un modèle informatique. Les auteurs soulignent que la prochaine étape consiste à tester ce cadre avec de vrais utilisateurs sous supervision éthique, en incorporant des signaux physiologiques réels tels que la fréquence cardiaque ou les cycles de sommeil pour rendre le contexte encore plus riche. Ils prévoient également d'explorer comment rendre le système plus transparent, afin que les utilisateurs comprennent pourquoi une suggestion spécifique a été faite et qu'ils puissent avoir le contrôle pour la passer outre si nécessaire.

La réussite fondamentale de ce travail est la démonstration qu'un système de recommandation peut être à la fois rapide et précis dans un environnement chaotique. En laissant de côté le passé et en pesant soigneusement le présent, le nouveau modèle évite le piège du biais historique qui frappe de nombreux outils de santé numérique. Il offre un modèle pour un avenir où le soutien à la santé mentale n'est pas une bibliothèque statique de conseils, mais une conversation dynamique qui évolue avec l'utilisateur. Dans un monde où l'anxiété est souvent définie par son imprévisibilité, un système capable de se déplacer avec cette imprévisibilité représente une étape significative vers une assistance numérique véritablement personnelle et efficace.