Quantifying the Persistence of Daily Routines

1. Declaração do Problema

A vida diária é estruturada por padrões recorrentes de comportamento (sono, movimento, uso de dispositivos) que alinham ritmos biológicos com demandas sociais e ocupacionais. Embora pesquisas anteriores tenham estabelecido que comportamentos individuais são persistentes dentro de domínios específicos (por exemplo, "assinaturas sociais" de comunicação ou padrões de mobilidade), permanece desconhecido se essa persistência se generaliza para rotinas diárias holísticas que abrangem múltiplos domínios comportamentais simultaneamente.

As principais questões de pesquisa são:

• Os indivíduos exibem uma distribuição estável e específica da pessoa de dias através de um conjunto de "tipos de rotina" recorrentes?
• A transição temporal entre esses tipos de rotina também é específica da pessoa e estável ao longo do tempo?
• Essa "assinatura de rotina" persiste em diferentes populações (idade, ocupação, status de saúde) e janelas de observação (semanas a meses)?

2. Metodologia

Fontes de Dados

O estudo utilizou três conjuntos de dados longitudinais independentes compreendendo 1.086 participantes e mais de 153.000 dias-pessoa:

1. Tesserae: 592 trabalhadores de informação nos EUA (duração de 1 ano).
2. MoMo-Mood: 164 participantes na Finlândia (133 pacientes com episódios depressivos, 31 controles saudáveis) ao longo de 1 ano.
3. GLOBEM: 497 estudantes universitários nos EUA ao longo de 4 anos acadêmicos (janelas de observação mais curtas de 10 semanas por ano).

Extração de Recursos e Pré-processamento

Dados de sensoriamento passivo foram agregados em vetores diários contendo 13 recursos em três domínios:

• Sono: Hora de deitar, hora de acordar e duração (derivados de wearables ou status de bloqueio/desbloqueio do telefone).
• Mobilidade: Contagem de passos ou desvio padrão da magnitude do acelerômetro, agregados em quatro intervalos de 6 horas (Noite, Manhã, Tarde, Noite).
• Uso de Dispositivo: Duração do tempo de tela, agregada em quatro intervalos de 4 horas.
• Normalização: Os recursos foram normalizados por z-score dentro de cada participante para focar na variabilidade intra-individual. Dias com dados ausentes foram excluídos.

Abordagem de Modelagem

• Agrupamento (GMM): Os autores empregaram Modelos de Mistura Gaussiana (GMM) para identificar tipos de rotina latentes. Diferentemente do K-Means, o GMM permite agrupamento suave (atribuição probabilística) e captura correlações de recursos através de matrizes de covariância.
• Seleção de Modelo: O número ótimo de clusters ($K$) foi determinado usando o Critério de Informação Bayesiano (BIC). A análise identificou consistentemente 8 tipos de rotina como suficientes para capturar a estrutura dominante da vida diária em todos os estudos.
• Definição de Assinatura:
  • Assinatura de Rotina ($\sigma$): Um vetor representando a proporção de dias que um participante passa em cada um dos $K$ tipos de rotina, ordenados do mais frequente ao menos frequente.
  • Assinatura de Transição: Uma matriz de probabilidade de transição ($P \in \mathbb{R}^{K \times K}$) representando a probabilidade de mover-se de um tipo de rotina para outro entre dias consecutivos.

Métricas de Persistência

Para quantificar estabilidade e distintividade, os autores dividiram os dados de cada participante em duas janelas de tempo iguais e calcularam:

• Distância Própria ($d_{self}$): A distância entre a assinatura de um participante na primeira metade versus a segunda metade (medindo estabilidade intra-individual).
• Distância de Referência ($d_{ref}$): A distância entre a assinatura de um participante e as assinaturas de outros participantes na mesma janela de tempo (medindo distintividade interindividual).
• Métricas de Distância: Primariamente Divergência de Jensen-Shannon (JSD) para assinaturas distribucionais, com Distância Cosseno e Distância de Bhattacharyya usadas para verificações de robustez.

3. Principais Resultados

Descoberta de Tipos de Rotina

• A vida diária se resolve em um conjunto compacto de ~8 tipos de rotina interpretáveis.
• Esses tipos emergiram de forma não supervisionada sem dados de calendário, mas refletiram claramente estruturas do mundo real (por exemplo, dias de trabalho padrão, fins de semana/férias com sono mais longo/maior uso de tela e padrões de mobilidade noturna).
• Dominância: Em todos os estudos, os dois tipos de rotina mais frequentes representaram uma média de 57,63% dos dias de um participante, indicando que os indivíduos passam a maior parte do tempo em apenas dois padrões recorrentes.

Estabilidade das Assinaturas de Rotina

• Estabilidade Intra-individual: A assinatura de rotina de um participante foi significativamente mais semelhante ao seu próprio eu passado do que a qualquer outro indivíduo ($d_{self} < d_{ref}$).
  • Tesserae: $d_{self} = 0,135$ vs. $d_{ref} = 0,164$ ($p < 10^{-3}$).
  • Essa estabilidade manteve-se tanto em janelas de observação curtas (30 dias) quanto longas (135 dias).
• Dinâmica de Transição: A maneira como os indivíduos transitam entre tipos de rotina (a matriz de transição) também foi específica da pessoa e estável.
  • Tesserae: $d_{self} = 0,481$ vs. $d_{ref} = 0,537$ ($p < 10^{-3}$).
  • Isso indica que os indivíduos não apenas se apegam a uma única rotina, mas ciclam através de múltiplos tipos em uma ordem característica e não aleatória.

Preditores de Persistência

• Demografia: Idade e gênero mostraram nenhuma associação significativa com a estabilidade das assinaturas de rotina.
• Traços de Personalidade:
  • Conscienciosidade: Associada positivamente a maiores distâncias de assinatura (indicando menos estabilidade) em análises de janelas longas ($p=0,001$).
  • Neuroticismo: Associado positivamente à distância da assinatura de rotina em modelos de janelas longas ($p=0,039$).
  • Nota: A correlação positiva com a distância implica que pontuações mais altas nesses traços correlacionam-se com rotinas menos rígidas/persistentes neste contexto específico, embora os tamanhos de efeito tenham sido modestos.

4. Principais Contribuições

1. Framework Holístico: Avança além da análise comportamental de domínio único (por exemplo, apenas sono ou apenas mobilidade) para modelar rotinas diárias multimodais simultaneamente.
2. Conceito de Assinatura de Rotina: Formaliza a "assinatura de rotina" como uma métrica de dois componentes: (1) distribuição de alocação de tempo e (2) dinâmicas de transição dia a dia.
3. Validação da Persistência: Demonstra que essas assinaturas são "impressões digitais comportamentais" robustas que persistem em diversas populações (clínica, estudante, profissional) e escalas de tempo.
4. Descoberta Não Supervisionada: Prova que um pequeno conjunto de tipos de rotina latentes (aprox. 8) pode explicar a estrutura dominante da vida diária sem rotulagem prévia.

5. Significado e Implicações

• Monitoramento de Saúde Personalizado: As assinaturas de rotina podem servir como linhas de base específicas do indivíduo. Desvios da própria assinatura de uma pessoa (em vez de normas populacionais) poderiam detectar sinais precoces de problemas de saúde, recaídas de saúde mental ou interrupções no estilo de vida.
• Risco de Reidentificação: A alta distintividade e estabilidade temporal dessas assinaturas representam um risco de privacidade. Mesmo em conjuntos de dados desidentificados, a combinação de múltiplas modalidades comportamentais poderia permitir a reidentificação de indivíduos ao longo do tempo e entre conjuntos de dados.
• Ciência Comportamental: Estabelece que a "persistência" observada em comportamentos únicos é um princípio geral da organização humana, sugerindo que os humanos naturalmente se estabelecem em um conjunto limitado de padrões complexos e multicomportamentais para gerenciar a carga cognitiva e demandas ambientais.

Limitações

• Esparsidade de Dados: Dados de localização (GPS) foram excluídos devido à alta taxa de ausência, e recursos de comunicação foram esparsos (limitados a chamadas/SMS), potencialmente perdendo nuances na interação social.
• Natureza Não Supervisionada: Embora robusto, o agrupamento é não supervisionado; os significados dos clusters podem variar ligeiramente entre populações, e a abordagem "saco de dias" ignora dependências temporais sequenciais (embora periodicidade como divisões de dia útil/fim de semana tenha emergido naturalmente). Trabalhos futuros podem incorporar modelos de Markov para capturar melhor sequências temporais.