💻 computer science

Quantifying the Persistence of Daily Routines

通过分析来自 1000 多名参与者的被动感知数据，本研究确立了日常生活围绕约八种稳定且因人而异的常规类型构建，这些类型作为独特的行为指纹，在时间和人口统计学特征上保持一致，同时与人格特质存在适度关联。

原作者： Nguyen Luong, Talayeh Aledavood

发布于 2026-04-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Nguyen Luong, Talayeh Aledavood

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你的人生是一座由日子组成的图书馆。大多数人认为每一天都是独一无二的，但这项研究表明，对我们每个人而言，这座图书馆实际上只包含少数几个反复上演的“故事”，我们不断重述着它们。

以下是研究人员发现的简明解析：

1. 日常生活的“菜单”

研究人员分析了来自 1,000 多人、超过 150,000 天的数据。他们追踪了三方面内容：人们的睡眠、活动以及手机使用情况。

他们发现，尽管生活看似混乱，但人们实际上是在循环使用一个固定的、约八种不同类型日子的“小菜单”。

类比：把这些日子想象成餐厅的主菜。你可能有“工作日特供”、“周末放松餐”、“深夜外出”或“假期低迷”等选项。
发现：计算机无需知道具体是星期几就能得出这一结论。它只需观察睡眠和活动的模式，“周末”和“工作日”的模式便会自然分离。

2. 你的个人“常规签名”

虽然每个人都拥有同样的八种日子“菜单”，但每个人点单的方式各不相同。

类比：想象餐厅里的两个人。A 有 80% 的时间点“工作日特供”，20% 的时间点“周末放松餐”。而 B 则将时间平均分配在五种不同的菜品上。
发现：研究人员发现，对于任何单一个体而言，仅两种日子类型就构成了其生活的一半以上。这种特定的日子组合就是你的“常规签名”。它如同你的指纹一样，专属于你。

3. 你一周的“剧本”

重要的不仅仅是你拥有哪些日子，还在于你如何在它们之间切换。

类比：想象一部电视剧。你可能拥有相同的人物（常规类型），但他们出现的顺序构成了剧情。一个人的剧本可能非常可预测：“工作日、工作日、工作日、周末、周末”。另一个人的剧本可能则充满混乱：“工作日、周末、工作日、工作日、周末”。
发现：你从一种日子类型切换到下一种的方式也是独一无二的。即使两个人的日子组合相同，他们切换这些日子的方式很可能也不同。

4. 稳定性：你就是你

研究人员检查了这些签名是否会随时间改变。他们观察了人们从几周到整整一年的时间段。

发现：你的签名出奇地稳定。如果你查看一月份的“点单菜单”，它与六月份的菜单非常相似。你在未来更像你自己，而不是像某个陌生人。
例外：唯一略微影响一个人常规“稳定性”的因素是性格。天生更尽责（有条理且自律）的人，其常规往往略微更加僵化、可预测。年龄和性别则影响不大。

5. 为何这很重要（根据论文所述）

论文指出，由于这些模式如此独特且稳定，它们就像一种行为指纹。

类比：正如安全系统可以通过面部识别你一样，计算机也有可能仅通过观察你日常的睡眠和手机使用模式来识别你。
文中提及的应用：作者指出，由于这些签名如此个人化，它们可用于发现某人的生活何时“异常”。如果一个人惯常的“指纹”突然改变，这可能预示着健康问题或生活受到干扰，从而允许基于你的正常状态（而非通用群体平均值）进行个性化监测。

简而言之：我们所有人都有少量重复的“默认日子”。这些日子的特定组合以及我们切换它们的顺序，构成了一个独特且稳定的签名，日复一日地定义着我们要成为谁。

以下是论文《量化日常惯例的持久性》的详细技术摘要。

1. 问题陈述

日常生活由重复的行为模式（睡眠、移动、设备使用）所构建，这些模式将生物节律与社会及职业需求相协调。虽然先前的研究已证实个体行为在特定领域内具有持久性（例如通信中的“社交签名”或移动模式），但尚不清楚这种持久性是否泛化到跨越多个行为领域的整体日常惯例。

核心研究问题如下：

个体是否在一系列重复的“惯例类型”上表现出稳定的、因人而异的天数分布？
这些惯例类型之间的时间转换是否也是因人而异且随时间保持稳定的？
这种“惯例签名”是否在不同人群（年龄、职业、健康状况）和观察窗口（数周至数月）中持续存在？

2. 方法论

数据来源

本研究利用了三个独立的纵向数据集，包含1,086 名参与者和超过153,000 人天的数据：

Tesserae： 592 名美国信息工作者（为期 1 年）。
MoMo-Mood： 芬兰的 164 名参与者（133 名抑郁发作患者，31 名健康对照者），为期 1 年。
GLOBEM： 美国 497 名大学生，跨越 4 个学年（每年较短的 10 周观察窗口）。

特征提取与预处理

被动传感数据被聚合成包含13 个特征的每日向量，涵盖三个领域：

睡眠： 就寝时间、起床时间和持续时间（源自可穿戴设备或手机锁定/解锁状态）。
移动性： 步数或加速度计幅值标准差，聚合为四个 6 小时的时间段（夜间、早晨、下午、傍晚）。
设备使用： 屏幕使用时间，聚合为四个 4 小时的时间段。
归一化： 特征在每位参与者内部进行 z-归一化，以关注个体内变异性。缺失数据的日期被排除。

建模方法

聚类（GMM）： 作者采用**高斯混合模型（GMM）**来识别潜在的惯例类型。与 K-Means 不同，GMM 允许软聚类（概率分配），并通过协方差矩阵捕捉特征间的相关性。
模型选择： 最佳聚类数量（ $K$ ）是使用贝叶斯信息准则（BIC）确定的。分析一致地识别出8 种惯例类型足以捕捉所有研究中日常生活的主体结构。
签名定义：
- 惯例签名（ $\sigma$ ）： 一个向量，表示参与者花费在每种 $K$ 种惯例类型中的天数比例，按从最常见到最不常见的顺序排列。
- 转换签名： 一个转换概率矩阵（ $P \in \mathbb{R}^{K \times K}$ ），表示在连续两天之间从一种惯例类型转换到另一种惯例类型的概率。

持久性指标

为了量化稳定性和独特性，作者将每位参与者的数据分为两个相等的时间窗口，并计算：

自身距离（ $d_{self}$ ）： 参与者前半段签名与后半段签名之间的距离（衡量个体内稳定性）。
参考距离（ $d_{ref}$ ）： 参与者签名与同一时间窗口内其他参与者签名之间的距离（衡量个体间独特性）。
距离指标： 主要使用分布签名的Jensen-Shannon 散度（JSD），并使用余弦距离和Bhattacharyya 距离进行稳健性检查。

3. 主要结果

惯例类型的发现

日常生活被解析为一组紧凑的约 8 种可解释的惯例类型。
这些类型是在无监督的情况下涌现的，未使用日历数据，但清晰地反映了现实世界的结构（例如：标准工作日、周末/节假日伴随更长的睡眠和更高的屏幕使用，以及夜间移动模式）。
主导性： 在所有研究中，两种最频繁的惯例类型平均占参与者天数的57.63%，表明个体大部分时间都花费在仅两种重复模式中。

惯例签名的稳定性

个体内稳定性： 参与者的惯例签名与其过去的自身相比，显著比与其他任何个体更相似（ $d_{self} < d_{ref}$ $d_{se l f} < d_{r e f}$ ）。
- Tesserae： $d_{self} = 0.135$ 对比 $d_{ref} = 0.164$ （ $p < 10^{-3}$ ）。
- 这种稳定性在短期（30 天）和长期（135 天）观察窗口中均成立。
转换动态： 个体在惯例类型之间转换的方式（转换矩阵）也是因人而异且稳定的。
- Tesserae： $d_{self} = 0.481$ 对比 $d_{ref} = 0.537$ （ $p < 10^{-3}$ ）。
- 这表明个体不仅固守一种惯例，而是以特有的、非随机的顺序循环于多种类型之间。

持久性的预测因子

人口统计学： 年龄和性别与惯例签名的稳定性无显著关联。
人格特质：
- 尽责性： 在长窗口分析中与较高的签名距离呈正相关（表明较低的稳定性）（ $p=0.001$ ）。
- 神经质： 在长窗口模型中与惯例签名距离呈正相关（ $p=0.039$ ）。
- 注：与距离的正相关意味着，在此特定背景下，这些特质得分越高，惯例越不僵化/持久，尽管效应量适中。

4. 主要贡献

整体框架： 超越了单一领域的行为分析（例如仅睡眠或仅移动），转而同时建模多模态日常惯例。
惯例签名概念： 将“惯例签名”形式化为双分量指标：（1）时间分配分布和（2）逐日转换动态。
持久性验证： 证明了这些签名是稳健的“行为指纹”，在不同人群（临床、学生、专业）和时间尺度上持续存在。
无监督发现： 证明了少量潜在惯例类型（约 8 种）可以在无需预先标记的情况下解释日常生活的主体结构。

5. 意义与启示

个性化健康监测： 惯例签名可作为个体特定的基线。偏离个人自身签名（而非人群规范）可能检测到健康问题的早期迹象、心理健康复发或生活方式的中断。
重识别风险： 这些签名的高度独特性和时间稳定性构成了隐私风险。即使在去标识化的数据集中，结合多种行为模式也可能允许跨时间和数据集重新识别个体。
行为科学： 确立了在单一行为中观察到的“持久性”是人类组织的一般原则，表明人类自然地 settles 到一组有限的、复杂的多行为模式中，以管理认知负荷和环境需求。

局限性

数据稀疏性： 位置数据（GPS）因高缺失率被排除，通信特征稀疏（仅限于通话/短信），可能遗漏了社会互动的细微差别。
无监督性质： 虽然稳健，但聚类是无监督的；聚类含义在不同人群间可能略有差异，且“天数集合”方法忽略了序列时间依赖性（尽管工作日/周末的周期性自然涌现）。未来的工作可能会结合马尔可夫模型以更好地捕捉时间序列。