Quantifying the Persistence of Daily Routines

1. Enunciato del Problema

La vita quotidiana è strutturata da pattern ricorrenti di comportamento (sonno, movimento, utilizzo dei dispositivi) che allineano i ritmi biologici con le richieste sociali e occupazionali. Sebbene ricerche precedenti abbiano stabilito che i comportamenti individuali sono persistenti all'interno di domini specifici (ad esempio, le "firme sociali" della comunicazione o i pattern di mobilità), rimane ignoto se questa persistenza si generalizzi alle routine quotidiane olistiche che abbracciano simultaneamente molteplici domini comportamentali.

Le domande di ricerca fondamentali sono:

• Gli individui esibiscono una distribuzione stabile e specifica della persona dei giorni attraverso un insieme di "tipi di routine" ricorrenti?
• La transizione temporale tra questi tipi di routine è anch'essa specifica della persona e stabile nel tempo?
• Questa "firma della routine" persiste attraverso diverse popolazioni (età, occupazione, stato di salute) e finestre di osservazione (da settimane a mesi)?

2. Metodologia

Fonti dei Dati

Lo studio ha utilizzato tre dataset longitudinali indipendenti comprendenti 1.086 partecipanti e oltre 153.000 giorni-persona:

1. Tesserae: 592 lavoratori dell'informazione negli Stati Uniti (durata di 1 anno).
2. MoMo-Mood: 164 partecipanti in Finlandia (133 pazienti con episodi depressivi, 31 controlli sani) per 1 anno.
3. GLOBEM: 497 studenti universitari negli Stati Uniti per 4 anni accademici (finestre di osservazione più brevi di 10 settimane per anno).

Estrazione delle Caratteristiche e Preprocessing

I dati di sensing passivo sono stati aggregati in vettori giornalieri contenenti 13 caratteristiche attraverso tre domini:

• Sonno: Orario di coricarsi, orario di risveglio e durata (derivati da dispositivi indossabili o dallo stato di blocco/sblocco del telefono).
• Mobilità: Conteggi dei passi o deviazione standard della magnitudine dell'accelerometro, aggregati in quattro finestre da 6 ore (Notte, Mattina, Pomeriggio, Sera).
• Utilizzo dei Dispositivi: Durata del tempo di schermo, aggregata in quattro finestre da 4 ore.
• Normalizzazione: Le caratteristiche sono state normalizzate z all'interno di ciascun partecipante per focalizzarsi sulla variabilità intra-individuale. I giorni con dati mancanti sono stati esclusi.

Approccio di Modellazione

• Clustering (GMM): Gli autori hanno impiegato Modelli a Mixture Gaussiana (GMM) per identificare tipi di routine latenti. A differenza di K-Means, i GMM permettono un clustering morbido (assegnazione probabilistica) e catturano le correlazioni tra le caratteristiche tramite matrici di covarianza.
• Selezione del Modello: Il numero ottimale di cluster ($K$) è stato determinato utilizzando il Criterio di Informazione Bayesiano (BIC). L'analisi ha identificato coerentemente 8 tipi di routine come sufficienti a catturare la struttura dominante della vita quotidiana in tutti gli studi.
• Definizione della Firma:
  • Firma della Routine ($\sigma$): Un vettore che rappresenta la proporzione di giorni che un partecipante trascorre in ciascuno dei $K$ tipi di routine, ordinati dal più frequente al meno frequente.
  • Firma di Transizione: Una matrice di probabilità di transizione ($P \in \mathbb{R}^{K \times K}$) che rappresenta la probabilità di passare da un tipo di routine a un altro tra giorni consecutivi.

Metriche di Persistenza

Per quantificare stabilità e distintività, gli autori hanno diviso i dati di ciascun partecipante in due finestre temporali uguali e calcolato:

• Distanza da Sé ($d_{self}$): La distanza tra la firma di un partecipante nella prima metà rispetto alla seconda metà (misurando la stabilità intra-individuale).
• Distanza di Riferimento ($d_{ref}$): La distanza tra la firma di un partecipante e le firme degli altri partecipanti nella stessa finestra temporale (misurando la distintività inter-individuale).
• Metriche di Distanza: Principalmente Divergenza Jensen-Shannon (JSD) per le firme distribuzionali, con Distanza Cosine e Distanza di Bhattacharyya utilizzate per controlli di robustezza.

3. Risultati Chiave

Scoperta dei Tipi di Routine

• La vita quotidiana si risolve in un insieme compatto di ~8 tipi di routine interpretabili.
• Questi tipi sono emersi in modo non supervisionato senza dati di calendario ma riflettevano chiaramente strutture del mondo reale (ad esempio, giorni lavorativi standard, weekend/festività con sonno più lungo/maggiore uso dello schermo e pattern di mobilità notturna).
• Dominanza: In tutti gli studi, i due tipi di routine più frequenti hanno rappresentato in media il 57,63% dei giorni di un partecipante, indicando che gli individui trascorrono la maggior parte del loro tempo in appena due pattern ricorrenti.

Stabilità delle Firme di Routine

• Stabilità Intra-individuale: La firma di routine di un partecipante era significativamente più simile alla propria versione passata che a quella di qualsiasi altro individuo ($d_{self} < d_{ref}$).
  • Tesserae: $d_{self} = 0,135$ vs. $d_{ref} = 0,164$ ($p < 10^{-3}$).
  • Questa stabilità si è mantenuta sia nelle finestre di osservazione brevi (30 giorni) che in quelle lunghe (135 giorni).
• Dinamiche di Transizione: Il modo in cui gli individui transitano tra i tipi di routine (la matrice di transizione) era anch'esso specifico della persona e stabile.
  • Tesserae: $d_{self} = 0,481$ vs. $d_{ref} = 0,537$ ($p < 10^{-3}$).
  • Questo indica che gli individui non si limitano a mantenere una sola routine, ma ciclicano attraverso più tipi in un ordine caratteristico e non casuale.

Predittori della Persistenza

• Demografia: Età e genere non hanno mostrato nessuna associazione significativa con la stabilità delle firme di routine.
• Tratti di Personalità:
  • Coscienziosità: Associata positivamente a distanze di firma più elevate (indicando meno stabilità) nelle analisi con finestre lunghe ($p=0,001$).
  • Neuroticismo: Associato positivamente alla distanza della firma di routine nei modelli con finestre lunghe ($p=0,039$).
  • Nota: La correlazione positiva con la distanza implica che punteggi più alti in questi tratti correlano con routine meno rigide/persistenti in questo specifico contesto, sebbene le dimensioni dell'effetto fossero modeste.

4. Contributi Chiave

1. Quadro Olistico: Supera l'analisi comportamentale a dominio singolo (ad esempio, solo sonno o solo mobilità) per modellare routine quotidiane multi-modali simultaneamente.
2. Concetto di Firma di Routine: Formalizza la "firma di routine" come una metrica a doppio componente: (1) distribuzione dell'allocazione del tempo e (2) dinamiche di transizione giorno per giorno.
3. Validazione della Persistenza: Dimostra che queste firme sono robuste "impronte digitali comportamentali" che persistono attraverso popolazioni diverse (cliniche, studentesche, professionali) e scale temporali.
4. Scoperta Non Supervisionata: Dimostra che un piccolo insieme di tipi di routine latenti (circa 8) può spiegare la struttura dominante della vita quotidiana senza etichettature preliminari.

5. Significato e Implicazioni

• Monitoraggio della Salute Personalizzato: Le firme di routine possono servire come baseline specifiche per l'individuo. Le deviazioni dalla firma di una persona (piuttosto che dalle norme della popolazione) potrebbero rilevare segnali precoci di problemi di salute, ricadute nella salute mentale o interruzioni dello stile di vita.
• Rischio di Re-identificazione: L'alta distintività e la stabilità temporale di queste firme pongono un rischio per la privacy. Anche in dataset anonimizzati, la combinazione di più modalità comportamentali potrebbe permettere la re-identificazione degli individui nel tempo e tra dataset.
• Scienza Comportamentale: Stabilisce che la "persistenza" osservata nei singoli comportamenti è un principio generale dell'organizzazione umana, suggerendo che gli esseri umani si assestano naturalmente in un insieme limitato di pattern complessi e multi-comportamentali per gestire il carico cognitivo e le richieste ambientali.

Limiti

• Sparsità dei Dati: I dati di localizzazione (GPS) sono stati esclusi a causa di un'elevata percentuale di dati mancanti, e le caratteristiche di comunicazione erano scarse (limitate a chiamate/SMS), potenzialmente tralasciando sfumature nell'interazione sociale.
• Natura Non Supervisionata: Sebbene robusto, il clustering è non supervisionato; i significati dei cluster possono variare leggermente tra le popolazioni e l'approccio "bag-of-days" ignora le dipendenze temporali sequenziali (sebbene la periodicità come la divisione giorni feriali/fine settimana sia emersa naturalmente). Il lavoro futuro potrebbe incorporare modelli di Markov per catturare meglio le sequenze temporali.