💻 computer science

Quantifying the Persistence of Daily Routines

1,000 人以上の参加者からの受動的センシングデータを分析することで、本研究は、時間や人口統計学的要因を超えて一貫性を保ちながら性格特性と modest な関連を示す、約 8 種類の安定した個人固有の日常パターンが、独自の行動指紋として日常生活を構成していることを明らかにした。

原著者： Nguyen Luong, Talayeh Aledavood

公開日 2026-04-28

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Nguyen Luong, Talayeh Aledavood

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

あなたの人生を「日の図書館」と想像してみてください。多くの人は毎日が一様だと考えていますが、この研究は、私たち一人ひとりの図書館には、実は繰り返し語り継がれるわずか数種類の「物語」しか収められていないことを示唆しています。

以下は、研究者たちが発見したことをシンプルに分解したものです。

1. 日常の「メニュー」

研究者たちは、1,000 人以上の 15 万日以上にも及ぶデータを分析しました。彼らは主に 3 つの要素を追跡しました。人々がどのように眠り、どのように動き、どのようにスマートフォンを使用しているかです。

彼らは、生活が混沌としているように感じられるにもかかわらず、人々は実際には約8 種類の異なる日という小さく固定された「メニュー」を循環していることを発見しました。

比喩: これらをレストランのメインコースだと考えてみてください。「仕事日のスペシャル」「週末のリラックス」「遅い夜の外出」「休暇の落ち込み」などがそれです。
発見: コンピュータは、それが週の何曜日かを知る必要はありませんでした。睡眠と運動のパターンを見るだけで、「週末」のパターンと「仕事日」のパターンが自然と分離したのです。

2. あなたの個人的な「ルーチンの署名」

誰もが同じ 8 種類の日というメニューにアクセスできる一方で、誰もがそれを異なる方法で注文します。

比喩: そのレストランに 2 人の人がいると想像してください。A さんは 80% の確率で「仕事日のスペシャル」を注文し、20% の確率で「週末のリラックス」を注文します。B さんは 5 種類の異なる料理の間で時間を均等に分割します。
発見: 研究者たちは、いかなる個人においても、これらの日の種類のうちわずか 2 種類がその人の生活の半分以上を占めていることを発見しました。この日の特定の組み合わせがあなたの「ルーチンの署名」です。それはあなたの指紋と同じくらいあなた固有のものです。

3. あなたの週の「脚本」

重要なのは、あなたがどの日を持っているかだけでなく、それらの間をどのように切り替えるかです。

比喩: テレビドラマを想像してください。登場人物（ルーチンの種類）は同じでも、彼らが現れる順序がプロットを作り出します。ある人は非常に予測可能な脚本を持っているかもしれません。「仕事日、仕事日、仕事日、週末、週末」といった具合に。別の人は混沌とした脚本を持っているかもしれません。「仕事日、週末、仕事日、仕事日、週末」といった具合に。
発見: 一日の種類から次の種類へ切り替える方法も、あなた固有のものです。たとえ 2 人が同じ日の組み合わせを持っていたとしても、彼らがそれらを切り替える方法は異なる可能性が高いのです。

4. 安定性：あなたはあなたです

研究者たちは、これらの署名が時間とともに変化するかどうかを確認しました。彼らは数週間から 1 年までの期間にわたる人々を観察しました。

発見: あなたの署名は驚くほど安定しています。1 月のあなたの「メニューの注文」を見ると、6 月の注文と非常に似ています。未来のあなたは、他人のように見える可能性よりも、あなた自身のように見える可能性の方がはるかに高いのです。
例外: 人のルーチンの「安定性」をわずかに変化させた唯一の要素は、その人の性格でした。本能的に誠実性（組織力と規律）が高い人々は、やや硬直した予測可能なルーチンを持つ傾向がありました。年齢や性別はあまり関係ありませんでした。

5. これがなぜ重要なのか（論文によると）

この論文は、これらのパターンが非常にユニークで安定しているため、行動の指紋として機能すると示唆しています。

比喩: セキュリティシステムが顔であなたを識別できるのと同じように、コンピュータはあなたの日常の睡眠とスマートフォン使用のパターンを見るだけで、あなたを識別できる可能性があります。
言及された応用: 著者らは、これらの署名が非常に個人的であるため、誰かの生活が「おかしくなっている」ことを検知するために使用できると指摘しています。ある人のいつもの「指紋」が突然変化すれば、それは健康上の問題や混乱を示唆する可能性があり、集団の平均値ではなく、あなた自身の正常な状態に基づいた個別の監視を可能にします。

要約すると: 私たちは皆、繰り返す「デフォルトの日」の小さなセットを持っています。それらの日の特定の組み合わせと、それらを切り替える順序が、日を追うごとに私たちを定義する、ユニークで安定した署名を作り出します。

「日常習慣の持続性を定量化する」論文の詳細な技術的サマリーです。

1. 問題定義

日常生活は、睡眠、移動、デバイス使用といった行動の反復パターンによって構造化されており、これにより生物学的リズムが社会的・職業的ニーズと整合しています。先行研究では、特定の領域（例えば、コミュニケーションにおける「社会的シグネチャ」や移動パターン）において個人の行動が持続的であることが確立されていますが、この持続性が複数の行動領域にまたがる包括的な日常習慣に一般化するか否かは未解明です。

核心的な研究課題は以下の通りです：

個人は、一連の反復する「習慣タイプ」にまたがる日付の安定した個人固有の分布を示すか？
これらの習慣タイプ間の時間的遷移もまた、個人固有であり、時間的に安定しているか？
この「習慣シグネチャ」は、異なる集団（年齢、職業、健康状態）および観測期間（数週間から数ヶ月）にわたって持続するか？

2. 手法

データソース

本研究は、1,086 名の参加者と153,000 人以上の日数を含む 3 つの独立した縦断データセットを利用しました：

Tesserae: 米国の情報ワーカー 592 名（1 年間）。
MoMo-Mood: 1 年間にわたるフィンランドの 164 名の参加者（うつ病エピソードのある患者 133 名、健康な対照群 31 名）。
GLOBEM: 米国の大学生 497 名が 4 年間（年間 10 週間の短い観測ウィンドウ）にわたって参加。

特徴量抽出と前処理

パッシブセンシングデータは、3 つの領域にわたる13 の特徴量を含む日次ベクトルに集約されました：

睡眠: 就寝時刻、起床時刻、睡眠時間（ウェアラブル端末またはスマートフォンのロック/アンロック状態から導出）。
移動: 歩数または加速度計の振幅の標準偏差を、4 つの 6 時間区間（夜、朝、午後、夕方）に集約。
デバイス使用: スクリーンタイムの持続時間を、4 つの 4 時間区間に集約。
正規化: 特徴量は、個人内の変動に焦点を当てるため、各参加者内で z-正規化されました。欠損データを含む日は除外されました。

モデリングアプローチ

クラスタリング（GMM）: 著者は、潜在する習慣タイプを特定するために**ガウス混合モデル（GMM）**を採用しました。K-Means と異なり、GMM はソフトクラスタリング（確率的な割り当て）を可能にし、共分散行列を通じて特徴量の相関を捉えます。
モデル選択: 最適なクラスタ数（ $K$ ）は、ベイズ情報量基準（BIC）を用いて決定されました。分析は、すべての研究において8 つの習慣タイプが日常生活の支配的な構造を捉えるのに十分であることを一貫して示しました。
シグネチャの定義:
- 習慣シグネチャ（ $\sigma$ ）: 参加者が各 $K$ 個の習慣タイプに費やす日数の割合を表すベクトルであり、頻度の高い順に並べられています。
- 遷移シグネチャ: 連続する日付間である習慣タイプから別の習慣タイプへ移動する確率を表す遷移確率行列（ $P \in \mathbb{R}^{K \times K}$ ）。

持続性指標

安定性と独自性を定量化するために、著者は各参加者のデータを 2 つの等しい時間ウィンドウに分割し、以下の値を計算しました：

自己距離（ $d_{self}$ ）: 前半と後半における参加者のシグネチャ間の距離（個人内の安定性を測定）。
参照距離（ $d_{ref}$ ）: 参加者のシグネチャと、同じ時間ウィンドウ内の他の参加者のシグネチャとの距離（個人間の独自性を測定）。
距離指標: 主に分布シグネチャに対してジェンセン・シャノンダイバージェンス（JSD）を使用し、頑健性の確認のためにコサイン距離とバタチャリヤ距離も用いました。

3. 主要な結果

習慣タイプの発見

日常生活は、約 8 種類の解釈可能な習慣タイプのコンパクトな集合に分解されます。
これらのタイプはカレンダーデータなしで教師なし学習によって出現しましたが、現実世界の構造（例えば、標準的な勤務日、睡眠時間が長くスクリーン使用量が多い週末/祝日、夜間の移動パターンなど）を明確に反映していました。
優位性: すべての研究において、最も頻度の高い 2 つの習慣タイプが参加者の日数の平均**57.63%**を占めており、個人は時間の大部分をわずか 2 つの反復パターンで過ごしていることを示しています。

習慣シグネチャの安定性

個人内の安定性: 参加者の習慣シグネチャは、他のどの個人よりも、自身の過去のシグネチャと有意に類似していました（ $d_{self} < d_{ref}$ $d_{se l f} < d_{r e f}$ ）。
- Tesserae: $d_{self} = 0.135$ 対 $d_{ref} = 0.164$ （ $p < 10^{-3}$ ）。
- この安定性は、短い（30 日間）および長い（135 日間）観測ウィンドウの両方で維持されました。
遷移ダイナミクス: 習慣タイプ間を移動する方法（遷移行列）もまた、個人固有であり、安定していました。
- Tesserae: $d_{self} = 0.481$ 対 $d_{ref} = 0.537$ （ $p < 10^{-3}$ ）。
- これは、個人が単一の習慣に固執するだけでなく、特徴的で非ランダムな順序で複数のタイプを循環していることを示しています。

持続性の予測因子

人口統計: 年齢と性別は、習慣シグネチャの安定性との間に有意な関連を示しませんでした。
性格特性:
- 誠実性: 長期間の観測ウィンドウ分析において、シグネチャ距離の増加（すなわち、安定性の低下）と正の関連を示しました（ $p=0.001$ ）。
- 神経症傾向: 長期間のモデルにおいて、習慣シグネチャ距離と正の関連を示しました（ $p=0.039$ ）。
- 注: 距離との正の相関は、この特定の文脈において、これらの特性のスコアが高いほど、より硬直性のない（持続性の低い）習慣と相関することを意味しますが、効果量は modest（小）でした。

4. 主要な貢献

包括的フレームワーク: 単一の行動領域（睡眠のみ、または移動のみ）の分析を超え、マルチモーダルな日常習慣を同時にモデル化します。
習慣シグネチャの概念: 「習慣シグネチャ」を、(1) 時間配分の分布と (2) 日ごとの遷移ダイナミクスという 2 つのコンポーネントからなる指標として形式化します。
持続性の検証: これらのシグネチャが、多様な集団（臨床、学生、専門職）および時間スケールにわたって持続する堅牢な「行動指紋」であることを実証しました。
教師なし発見: 事前のラベル付けなしに、少数の潜在習慣タイプ（約 8 つ）が日常生活の支配的な構造を説明できることを証明しました。

5. 意義と示唆

個別化された健康モニタリング: 習慣シグネチャは個人固有の基準線として機能できます。集団規範ではなく、個人のシグネチャからの逸脱は、健康問題の初期兆候、精神疾患の再発、または生活習慣の混乱を検出する可能性があります。
再識別リスク: これらのシグネチャの高い独自性と時間的安定性は、プライバシーリスクをもたらします。匿名化されたデータセットであっても、複数の行動モダリティを組み合わせることで、時間やデータセットを超えて個人を再識別できる可能性があります。
行動科学: 単一の行動において観察される「持続性」は、人間の組織化における一般的な原理であることを確立し、人間は認知的負荷や環境的ニーズを管理するために、本質的に限られた数の複雑な多行動パターンに落ち着くことを示唆しています。

限界

データの希薄性: 欠損が多いため位置データ（GPS）は除外され、コミュニケーション特徴量も（通話/SMS に限定されるため）希薄であり、社会的相互作用のニュアンスを見逃している可能性があります。
教師なしの性質: 堅牢ではあるものの、クラスタリングは教師なしです。クラスタの意味は集団間でわずかに変動する可能性があり、「日の袋（bag-of-days）」アプローチは時間的依存関係を無視しています（ただし、平日/週末の分割のような周期性は自然に出現しました）。今後の研究では、時間的シーケンスをよりよく捉えるためにマルコフモデルを取り入れる可能性があります。