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

1. Il Problema

L'articolo affronta la sfida critica di riconoscere lo stress psicologico negli studenti tramite sensori mobili (smartphone) senza compromettere la privacy.

• Vulnerabilità della Privacy: I dati GPS ad alta risoluzione sono estremamente sensibili e soggetti a attacchi di re-identificazione. Le tecniche esistenti per proteggere i dati (come il clustering spaziale DBSCAN o l'iniezione di rumore) distruggono il significato semantico delle posizioni, rendendo i dati "opachi" e privi di spiegazioni comprensibili per l'uomo.
• Dilemma Privacy-Utilità-Spiegabilità: Esiste un conflitto tra la necessità di proteggere la privacy, mantenere l'utilità dei dati per l'addestramento dei modelli e garantire che le previsioni siano spiegabili (XAI). I metodi attuali costringono a scegliere tra privacy totale (perdita di contesto) o utilità totale (rischio di privacy).
• Limiti delle API di Terze Parti: Molti approcci semantici attuali inviano coordinate grezze a servizi cloud (es. Google Maps API), creando rischi di perdita di dati sensibili verso terze parti commerciali.

2. Metodologia

Gli autori propongono un framework end-to-end chiamato Privacy-Aware (PA) che trasforma le coordinate GPS grezze in categorie comportamentali semantiche e comprensibili, preservando la privacy.

A. Pipeline di Codifica Semantica

Il processo avviene in due fasi principali, eseguite localmente senza inviare dati a server esterni:

1. Reverse Geocoding Self-Hosted: Le coordinate GPS vengono mappate su indirizzi e tipi di luogo utilizzando un motore OpenStreetMap (OSM) ospitato in locale (Nominatim). Questo evita la trasmissione di dati sensibili a provider esterni.
2. Bootstrapping con LLM: I 103 tipi di luogo grezzi ottenuti vengono classificati in categorie comportamentali di alto livello (es. Home, Scuola, Lavoro, Ricreazione, Viaggio) utilizzando un Large Language Model (LLM) (Gemini 2.5 Flash).
   • Viene utilizzata una "mappa statica" predefinita per la maggior parte dei casi, con chiamate dinamiche all'LLM solo per casi limite non mappati.
   • L'LLM viene utilizzato come strumento di bootstrapping per creare un dizionario semantico locale, garantendo che solo stringhe di testo astratte (tipi di luogo) vengano elaborate, non coordinate.

B. Estrazione delle Caratteristiche

Vengono estratte 54 caratteristiche totali, divise in tre gruppi:

• Basate sulla Posizione: Tempo trascorso in diverse funzioni (casa, scuola, ricreazione) durante il giorno/notte, deviazione standard, e differenza tra tempo diurno e notturno.
• Basate sull'Accademia: Tassi di frequenza alle lezioni, prossimità delle scadenze (deadline) e assenteismo.
• Basate sul Tempo: Indicatore del giorno della settimana e indice della settimana nel semestre.

C. Modelli di Classificazione

Per la previsione dello stress (binario: stressato/non stressato), vengono utilizzati modelli di ensemble learning (Random Forest e XGBoost) confrontati con baseline Deep Learning (STGNN, LSTM).

D. Valutazione della Privacy

Viene simulato un attacco di re-identificazione con tre livelli di conoscenza dell'attaccante (Ricco, Moderato, Limitato). L'obiettivo è prevedere l'ID dell'utente dai dati anonimizzati. Vengono confrontati tre set di dati:

1. Raw GPS: Coordinate grezze (baseline insicura).
2. All-Features (AF): Tutte le caratteristiche estratte, incluse quelle a rischio.
3. Privacy-Aware (PA): Set di caratteristiche filtrato per rimuovere gli identificatori più forti (es. orari delle lezioni specifici, numero esatto di luoghi visitati).

3. Contributi Chiave

1. Metodo di Trasformazione dei Dati: Un protocollo standardizzato che distrugge gli identificatori geografici sensibili mantenendo l'utilità comportamentale necessaria per il riconoscimento dello stress.
2. Mitigazione del Trade-off: Dimostrazione empirica che la generalizzazione semantica riduce l'accuratezza di re-identificazione dell'avversario (fino al 15% nel caso di conoscenza limitata) mantenendo l'interpretabilità clinica e l'accuratezza del modello.
3. Architettura "Privacy-by-Design": Un sistema che utilizza un motore OSM self-hosted e LLM locali, eliminando la necessità di inviare coordinate a API commerciali di terze parti.

4. Risultati Sperimentali

A. Analisi della Privacy (Dataset StudentLife e GeoLife)

• Riduzione dell'Attacco: Il metodo PA riduce drasticamente l'accuratezza di re-identificazione.
  • Nel dataset StudentLife, l'accuratezza Top-1 scende dal 73% (Raw GPS) al 25% (PA) nel scenario di "Ricca Conoscenza".
  • Nel dataset GeoLife (Beijing), l'uso di gruppi semantici (7 o 12 categorie) riduce l'accuratezza di re-identificazione da oltre il 99% (Raw Location Type) a circa il 45-50%.
  • L'attaccante deve considerare un set di candidati ($k$) molto più grande (es. $k \approx 35$ invece di $k \approx 10$) per raggiungere la stessa accuratezza, rendendo l'attacco computazionalmente proibitivo.

B. Riconoscimento dello Stress

• Prestazioni Superiori: I modelli PA e AF superano le baseline Deep Learning (STGNN GPS).
  • Il modello PA (Random Forest) ottiene un'accuratezza del 67% e un F1-score del 64%.
  • Questo risultato è statisticamente indistinguibile dal modello non privato "All-Features" (67% Acc, 65% F1) e superiore al modello STGNN GPS (58% F1).
• Validazione LOSO (Leave-One-Subject-Out): In scenari di generalizzazione su soggetti mai visti, il modello PA mantiene un F1-score del 70%, dimostrando robustezza e capacità di generalizzazione.

C. Spiegabilità (XAI)

L'analisi SHAP conferma che le caratteristiche estratte sono allineate con la letteratura psicologica:

• Il tempo trascorso in attività ricreative e sul lavoro è associato a uno stress inferiore.
• L'aumento del tempo di viaggio e la vicinanza delle scadenze accademiche sono correlati a stress più elevato.
• La variabilità del tempo trascorso a casa è un indicatore di stress.

5. Significato e Implicazioni

• Condivisione Sicura dei Dati: Il framework offre un metodo pratico per condividere dataset comportamentali longitudinali in modo sicuro, trasformando le coordinate in categorie semantiche prima della pubblicazione.
• Interpretabilità Clinica: A differenza dei modelli "black-box" su dati grezzi o clusterizzati, questo approccio permette di spiegare perché uno studente è stressato (es. "riduzione del 40% del tempo ricreativo"), rendendo lo strumento utile per clinici e studenti.
• Scalabilità: L'uso di un motore OSM locale e LLM rende il sistema scalabile per interi campus universitari senza costi di infrastruttura cloud massiccia e mantenendo la sovranità dei dati.
• Futuro della Ricerca: Questo lavoro stabilisce un nuovo standard per la trasformazione dei dati GPS, permettendo alla comunità di ricerca di costruire modelli di salute mentale più precisi, privati e spiegabili.

In sintesi, il paper dimostra che è possibile trasformare i dati di localizzazione da "coordinate grezze" a "contesto comportamentale" utilizzando l'IA, risolvendo il dilemma tra privacy e utilità e aprendo la strada a sistemi di monitoraggio della salute mentale etici e scalabili.