Sense and Sensibility: Sensible Quality Control and Data Decision-Making in Passive Sensing Data for Adolescent Substance Use Risk Prediction
本論文は、ABCD研究を用いて、厳格なデータ品質管理と透明性の高い特徴量エンジニアリングがいかにして外れ値処理、プラットフォーム間の差異、およびプロトコルの逸脱といった課題に対処できるかを示しながら、思春期の物質使用リスク予測を向上させるための、スマートフォンやウェアラブルデバイスからのパッシブセンシングデータの前処理に関する原理的な推奨事項を提示するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
窓越しにティーンエイジャーの日常の習慣を観察することで、彼らを理解しようとしている場面を想像してみてください。彼らが眠っていたり、歩いていたり、スマートフォンを眺めていたりする姿は見えますが、部屋の中に一緒に入らない限り、全体像を見ることはできません。何十年もの間、科学者たちは、自分が何時間眠ったか、どの程度動いたかを思い出してもらうために、ティーンエイジャーに自身の生活についての調査に回答してもらうことに頼ってきました。しかし、記憶は不確かなものであり、人々は習慣を忘れたり、誤って報告したりすることがよくあります。より新しいアプローチは、若者にスマートフォンやウェアラブル・フィットネス・トラッカーを与え、現実世界での動き、睡眠パターン、スマートフォンの使用状況を静かに記録させるというものです。「パッシブ・センシング（受動的センシング）」として知られるこの手法は、行動に対する連続的かつ客観的な窓を提供します。しかし、デバイスがデータを記録しているからといって、そのデータが常に正確であったり、使いやすかったりするとは限りません。デバイスは故障することもあり、ソフトウェアは不具合を起こすこともあり、テクノロジーとの関わり方はティーンエイジャーによって大きく異なります。科学者が、薬物やアルコールの使用を開始する可能性といった健康リスクを予測するために、この情報の奔流を利用できるようになる前に、まずデータのクリーニング方法、つまりどの数字が真実で、どの数字が間違いであるかを判断する方法を学ばなければなりません。
ある研究チームは、アメリカの青少年に関する大規模な長期研究である「アドレセント・ブレイン・コグニティブ・デベロップメント・スタディ（ABCD研究）」のデータを用いて、これらの厄介な問題を解決しようと試みました。彼らは、フィットネストラッカーを装着し、専用のアプリをスマートフォンで使用することに同意した、13歳または14歳前後の約5,000人のティーンエイジャーのグループに焦点を当てました。目標は、このデジタルデータのパターンが、どの若者が物質使用のリスクが高いかを特定するのに役立つかどうかを確認することでした。しかし、数字を見始めたとき、研究者たちはデータが決して完璧ではないことに気づきました。数日分の活動しか記録されていないティーンエイジャーもいれば、数週間分のデータを持っている者もいました。24時間ぶっ続けで眠っている、あるいは全く動いていないといった、奇妙な数値を示す者もいました。チームは、問題のある行動の兆候となり得るものを捨て去ることなく、どのようにしてこれらの異常値に対処すべきかを考えなければなりませんでした。
研究者たちは、最も極端であり得ない数値は、通常、デバイスの装着時間が最も短いティーンエイジャーから発生していることを発見しました。もしある人がトラッカーを1日しか着用しておらず、その日が非常に活動的でなかった場合、コンピュータは、その人が常に活動していないと計算してしまう可能性があります。これは、奇妙な数値が必ずしも危険なライフスタイルの兆候ではなく、むしろデータが不完全であることの兆候であることを示唆していました。奇妙に見えるデータポイントをすべて削除する代わりに、チームはまず「その人」に注目することに決めました。彼らは、研究に含めるためには、少なくとも5日間の平日と2日間の週末のデータが必要であるというルールを設定しました。このアプローチにより、たとえ睡眠や活動のパターンが不規則であっても、それが単なる1日の不運な結果ではなく、実際のパターンであることを示すのに十分なデータがある限り、そのティーンエイジャーを研究に含めることができました。こうすることで、彼らは、健康リスクに関する最も重要な手がかりが隠されていることが多い、ティーンエイジャーの乱雑で不規則な現実を維持することができたのです。
また、チームは、ティーンエイジャーが使用するスマートフォンの種類が、データを驚くべき方法で変化させることも発見しました。研究では、ティーンがスマートフォンでタイピングに費やした時間を記録するシステムを使用していました。しかし、そのシステムはiPhoneとAndroidスマートフォンでは動作が異なっていました。iPhoneの場合、ユーザーが研究用の特別なキーボードに切り替えない限り、システムはタイピングを記録できませんでした。研究者たちは、多くのiPhoneユーザーがこの切り替えを面倒に感じて通常のキーボードに戻ってしまうのではないかと推測しており、その結果、研究におけるタイピング活動の多くが見逃されていたと考えられました。記録されたデータとティーンエイジャーが実際に行ったことと比較したところ、iPhoneユーザーは、特に使用量が少ないときに、実際よりもずっとタイピングが少ないように見えることが分かりました。これは、データが単に異なっているだけでなく、あるグループに対して系統的なバイアスがかかっていることを意味していました。研究者たちは、この違いを考慮せずに両方のタイプのスマートフォンのデータを単純に混ぜ合わせることはできず、スマートフォンのオペレーティング・システムを分析における主要な要因として扱う必要があると結論付けました。
もう一つの課題は、どの期間をカウントするかを決めることでした。研究には、研究者が参加者を積極的にモニタリングしていた特定の3週間の期間がありました。しかし、デバイスは研究開始前と終了後もデータを記録し続けていました。研究者たちは、公式の研究期間中の行動と、それ以外の期間の行動を比較しました。その結果、ティーンエイジャーは、自分が監視されていると知っている時と、そうでない時では行動が異なることが分かりました。公式の週の間は、睡眠と活動のパターンは互いに一致していました。しかし、研究期間外の日は、パターンが不安定で予測不能になりました。これにより、チームは、公式の3週間の期間中に収集されたデータのみが、信頼に足るものであると判断しました。彼らは、データが異なる文脈から来たものであるなら、データが多いことが必ずしも良いことではないと理解し、余剰な期間のデータを破棄しました。
最後に、研究者たちは、これらの生の数字をコンピュータが理解できる形にするためのツールを構築しなければなりませんでした。彼らは、単にどれだけ眠ったかだけでなく、睡眠がいかに一貫しているかを記述する特徴量を作成しなければなりませんでした。また、時計が深夜をまたいでどのようにリセットされるかによって混乱することなく、午後11時と午前1時の就寝時間の差をどのように測定するかを考えなければなりませんでした。さらに、研究の主催者が完全に見落としていたエラー、例えば、欠損値が誤ってゼロとしてマークされており、それによって実際には動いているのに、まるで一度も動いていないかのように見せてしまうケースなどのクリーニングも行いました。これらすべての入念なクリーニングと整理を経て、チームの手元には428人のティーンエイジャーという、より小さなグループが残りましたが、彼らはそのグループのデータが信頼できるものであると確信していました。
この論文は、物質使用を予測するための完璧な方法を見つけたと主張しているわけでも、デジタルデータの問題が解決されたと言っているわけでもありません。むしろ、この種のデータを使用したいと考えている他の科学者に向けた、実践的なルールを提示しています。主な教訓は、研究者はアウトライヤー（外れ値）や欠損情報をどのように扱うかについて注意深くある必要があるということです。奇妙な数字を単に削除してはいけません。なぜなら、それらの数字こそが最も重要なものかもしれないからです。また、データが使用しているデバイスや収集された時期によって変化するかどうかを確認すべきです。これらのステップに従うことで、科学者は、自分たちが使用している機械のミスではなく、調査対象であるティーンエイジャーの真の生活を、その発見が反映するようにすることができるのです。この研究は、混沌としたデジタル信号のストリームを、ティーンエイジャーの行動の明確なイメージへと変えるためのロードマップを提供し、若者の健康を守るためのより良いツールの道を開くものです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。