An Adaptive Anxiety Intervention Recommender System Using DSW-UCB Contextual Multi-Armed Bandit with Relevance Filtering

在心理健康这一安静且往往隐形的领域中，焦虑是一种拒绝静止的状态。它随着一天中的时间、天气、工作的突发压力或片刻的沉思而不断波动。由于这些感受如此多变，旨在帮助管理它们的工具往往难以跟上节奏。一个在周二上午能让用户平静的应对策略，到了周四晚上可能显得毫无用处甚至令人烦躁。多年来，数字健康应用一直试图通过提供个性化建议来解决这个问题，但其中许多系统都依赖于一个根本性的缺陷：它们将每一次过去的交互都视为正在发生的当下。它们以对待五分钟前的感受时那样的强度，去记忆用户数月前的偏好，从而创造了一种因承载了过多历史而无法适应当下的数字记忆。

这正是由尼日利亚乌斯曼·丹福迪奥大学（Usmanu Danfodiyo University）研究人员开发的一种新方法所提供的不同路径。该团队致力于构建一个更智能的焦虑干预推荐系统，该系统理解人类的情绪是非平稳的，这意味着情绪会随时间变化，且不遵循固定模式。该系统不再试图从用户的整个历史记录中学习，而是专注于最重要的部分：近期过去。通过结合两种特定技术——快速遗忘旧数据和过滤掉无用的反馈——他们创建了一个能够几乎瞬间转向的模型，以应对用户情绪状态的变化。其结果是一个不仅具有记忆力，而且真正具备适应能力的数字助手，能够学会如何在恰当的时刻提供正确的呼吸练习或正念活动。

研究人员首先承认了现有技术的一个关键局限性。大多数当前的推荐系统都是基于“全历史”模式运行的。想象一名学生为了考试而研读他曾拥有的每一本教科书，从一年级到现在，从未合上过书。虽然这名学生拥有海量的信息，但他很可能会被过时的事实所困扰，无法专注于当下的考试。同样，如果一款心理健康应用将用户六个月前的平静状态与现在的恐慌发作等同看待，那么它会做出糟糕的推荐。系统会变得反应迟钝，陷入一种不再符合用户现状的建议循环中。研究人员认为，为了使焦虑干预有效，系统必须优先考虑近期的交互，并丢弃遥远过去的噪音。

为了解决这个问题，团队设计了一个使用“滑动窗口”记忆的系统。该系统不再关注用户一生的全部历史，而只关注最近的一百次交互。随着新的交互发生，最旧的一次会退出视野，从而确保系统始终从最新的数据中学习。然而，仅仅观察最近的一百个瞬间是不够的；其中某些时刻可能是混乱或无用的。也许用户点击了一个建议，但随即关闭了应用；或者也许他们给出的评分与其真实感受并不相符。为了处理这种情况，研究人员添加了一个“相关性过滤器”。这个机制就像一名质量控制检查员，根据用户参与的程度为每次交互分配分数。如果一次会话时间很短且缺乏参与感，系统会在其学习过程中赋予其极低的权重。如果用户在建议上投入了时间并表现出受益，那么这次交互就会被赋予更多的权重。这防止了系统被偶然的点击或分心的时刻所误导。

团队在受控模拟中测试了他们的新系统，称之为“折扣滑动窗口置信上限模型”（Discounted Sliding-Window Upper Confidence Bound model）。他们创建了一个数字环境，其中虚拟用户的焦虑水平和背景环境会发生剧烈变化，模拟了人类情绪在现实世界中的不可预测性。他们将新系统与几种旧模型进行了对比，包括传统的全历史方法，以及仅使用滑动窗口或仅使用折扣因子的其他变体。结果清晰且显著。在用户需求突然改变的情景下，传统系统需要超过600步才能确定新的最佳干预措施。相比之下，带有相关性过滤器的系统仅用了235步就恢复了过来，其回归正轨的速度比传统系统快了一倍多。

当观察推荐的总成功率时，性能差距更为惊人。在模拟过程中，新系统的正面结果比传统的全历史模型多积累了20.9%。它还减少了61.1%的“遗憾”（regret，即衡量系统做出次优选择次数的指标）。这意味着该系统不仅在适应速度上更快，而且决策更加一致且精准。研究人员发现，记忆窗口的大小也至关重要。他们测试了从50到500次交互不等的窗口大小，并发现100次交互的窗口提供了最佳平衡。它既足够大以提供稳定的学习，又足够小以便对变化做出快速反应。当他们将这种特定的窗口大小与相关性过滤器结合时，系统在测试中实现了最高的奖励值和最低的遗憾值。

研究还表明，系统处理坏数据的方式至关重要。当研究人员测试一个激进丢弃任何低质量交互的系统版本时，结果变得不稳定。系统在好的和坏的推荐之间剧烈摆动。然而，使用“软性”过滤器的版本——即给予低质量交互微小的权重而非完全忽略——则保持了稳定可靠的表现。这表明，即使是嘈ole或混乱的反馈也有其价值，只要它不被允许主导学习过程。系统学会了变得鲁棒，既能忽略噪音，又不会丢失信号。

尽管这些结果令人鼓舞，但研究人员谨慎地指出，这些成果是在模拟环境中取得的。该研究并未涉及真实的真人参与者或临床试验；它是一项针对算法逻辑及其在计算机模型内适应性的严谨测试。作者强调，下一步是在伦理监督下使用真实用户进行测试，并引入实际的生理信号（如心率或睡眠模式）以使背景信息更加丰富。他们还计划探索如何提高系统的透明度，确保用户理解为何做出特定建议，并赋予他们在必要时进行干预的控制权。

这项工作的核心成就证明了推荐系统可以在混乱的环境中既快速又准确。通过放下过去并仔细权衡现在，新模型避免了困扰许多数字健康工具的历史偏差陷阱。它为未来的心理健康支持提供了一个蓝图：支持不再是一个静态的建议库，而是一个随用户而演变的动态对话。在一个焦虑往往以其不可预测性为特征的世界里，一个能够随这种不可预测性而移动的系统，代表了在实现真正个性化且有效的数字护理方面迈出了重要一步。