רמזים ללחץ יכולים להסתיר בהרגלים יומיומיים כמו צ'אט, חיפוש וביצוע תשלומים בסמארטפון. חוקרי KAIST פיתחו טכנולוגיה המנתחת מספר התנהגויות שגרתיות המבוצעות שוב ושוב בתוך אפליקציות כדי לזהות את מצב הלחץ היומיומי של אדם.
KAIST (הנשיא Choongsik Bae) הודיע ב-15 באוקטובר כי צוות מחקר בראשות פרופסור Uichin Lee מהמחלקה למחשוב בינה מלאכותית פיתח את "SHIRBT-MMF", טכנולוגיה המזהה אוטומטית התנהגויות חוזרות ונשנות של סמארטפונים ומשתמשת בגורמים כמו משך ותדירות כל התנהגות ודפוסי קלט טקסט כדי לקבוע את מצב הלחץ היומיומי.
מחקרי לחץ קודמים מבוססי סמארטפון ניתחו בעיקר גורמים כמו זמן מסך, מספר השקות האפליקציה, זמן ותדירות השימוש לפי קטגוריית אפליקציה והתנהגות הקלדה. עם זאת, כאשר האפליקציות בשימוש או הממשק שלהן משתנים, הנתונים המנותחים משתנים גם הם, מה שיכול להפחית את היציבות של מודלים שנועדו לעקוב אחר לחץ לאורך תקופות ארוכות.
לכן צוות המחקר התמקד ב"מה אדם עושה" ולא "באיזו אפליקציה הוא משתמש". גם אם משתמש עובר מ-KakaoTalk ל-LINE או WhatsApp, הפעילות עצמה נשארת "צ'אט שליחים". במילים אחרות, הניתוח מבוסס על מטרת ההתנהגות ולא על שם האפליקציה.
הצוות הגדיר התנהגויות חוזרות ונשנות אלה כ"משימות התנהגות שגרתיות של אינטראקציה אנושית של טלפונים חכמים (SHIRBTs)." באמצעות טכניקת "כריית דפוסים רציפה מרובה רמות (ML-SPM)" שפותחה באופן עצמאי, הצוות זיהה דפוסי מעבר מסך חוזרים על פני ימים מרובים ולאחר מכן השתמש במודל שפה גדול (LLM) כדי להקצות תוויות התנהגות קלות להבנה כגון "צ'אט שליחים", "גלישה באינטרנט", "תשלום כספי" ו"קריאה/כתיבה של דוא"ל. בהערכות האם ניתן לסווג את אותה התנהגות באופן עקבי בין אפליקציות דואר אלקטרוני, דפדפן אינטרנט ומסנג'ר שונות, המערכת השיגה דיוק של יותר מ-95%.
כדי להגן על הפרטיות, המערכת לא אחסנה את תוכן הטקסט או ההודעה בפועל שהוזנו על ידי המשתמשים, והקליטה רק מידע התנהגותי כגון האם הוזן טקסט, באיזו תדירות הוא הוזן ומעברי מסך. מידע על מקבלי הודעות או שותפים לשיחה עובד גם באמצעות hashing, הממיר את המידע המקורי לערכים שאינם חושפים אותו ישירות.
צוות המחקר ניתח נתונים מהחיים האמיתיים של 26 סטודנטים באוניברסיטה ועובדי משרד בשנות ה-20 וה-30 לחייהם. מבין המשתתפים שעבורם היו זמינים גם הערכות לחץ מדווחות עצמיות וגם רישומי סמארטפון, 16 משתתפים לטווח קצר סיפקו בממוצע 30.5 ימים של נתונים, בעוד ש-10 משתתפים לטווח ארוך סיפקו בממוצע 105.1 ימים. בהתבסס על הערכות עצמיות יומיומיות של המשתתפים, החוקרים בנו מודלים מותאמים אישית המבחינים בין ימים עם ובלי לחץ.
בסך הכל זוהו 29 סוגים של התנהגויות חוזרות ונשנות בשימוש של המשתתפים בסמארטפון, כאשר כל אדם חוזר בשגרה בממוצע של כשבע התנהגויות. צוות המחקר השתמש במודלים מותאמים אישית של בינה מלאכותית שהוכשרו על דפוסי התנהגות אלו כדי לקבוע אם אדם חווה לחץ ביום נתון. המודל עם הביצועים הטובים ביותר השיג דיוק ממוצע של 75.9% עבור משתתפים לטווח קצר ו-73.8% עבור משתתפים לטווח ארוך, כלומר הוא היה נכון בערך שלוש מתוך ארבע פעמים. תוצאות אלו היו גבוהות ב-5.5 נקודות אחוז וב-3.5 נקודות אחוז גבוהות, בהתאמה, מהגישה המקובלת של ניתוח השימוש באפליקציה באמצעות אותה טכניקת AI.
ניתן היה לשמור על ביצועים גם כאשר מספר ההתנהגויות המשמשות בניתוח צומצם. עם אותו מודל מותאם אישית, שימוש רק בשתי התנהגויות, "צ'אט שליחים" ו"תשלום כספי", או אפילו ניתוח "צ'אט שליחים" בלבד, הפיק דיוק סיווג ממוצע גבוה יותר מהשיטה המקובלת. בנתונים ארוכי הטווח, גם אינדיקטורים אנליטיים המבוססים על התנהגויות חוזרות השתנו פחות עם הזמן ושמרו על מבנה יציב יותר מאלה המשמשים בגישה המקובלת.
בניסוי זה, החוקרים אספו מגוון רחב של רישומי שימוש בסמארטפונים על מנת להשוות את השיטה שלהם עם גישות קונבנציונליות. בעתיד, הצוות מצפה שברגע שזוהו התנהגויות חוזרות ונשנות של אדם, מיקוד איסוף וניתוח נתונים באותן התנהגויות רלוונטיות עשוי להפחית את נטל איסוף הנתונים. המחקר מציע את הפוטנציאל לפיתוח טכנולוגיית ניטור בריאות הנפש הדיגיטלית שמקלה להבין באילו התנהגויות נעשה שימוש בסיווג ונשארת יציבה יחסית גם כאשר סביבת האפליקציה משתנה.
ראינו את הסמארטפון לא רק כמכשיר למדידת זמן שימוש, אלא כמרחב בחיי היומיום שבו התקשורת, חיפוש המידע והפעילויות הפיננסיות של אדם מתבצעות שוב ושוב", והוסיפו, "מחקר זה מספק בסיס להמרת רשומות מורכבות של סמארטפונים ליחידות התנהגות מובנות לאדם ומציע מעקב אחר בריאות הנפש לטווח ארוך יותר.
פרופסור אויצ'ין לי, מחלקת המחשוב של KAIST AI
עם זאת, מחקר זה השתמש בקשר בין התנהגות למתח ולא הראה קשר סיבתי המראה שהתנהגות מסוימת גורמת או מפחיתה מתח. בהתבסס על ממצאים של משתמשי סמארטפון אנדרואיד בשנות ה-20 וה-30 לחייהם, צוות המחקר מתכנן להרחיב את המחקר למגוון רחב יותר של קבוצות גיל, עיסוקים וסביבות סמארטפונים ולאמת את יציבותו ארוכת הטווח.
במחקר זה השתתפו הנסו לי במחקר כמחבר הראשון, פרופסור אויצ'ין לי כמחבר המקביל, והחוקרים Taehyeon Park ו-Youngji Koh, יחד עם פרופסור Jae-Gil Lee מבית הספר למחשוב, כמחברים. המחקר פורסם בדצמבר 2025 בכתב העת הבינלאומי Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. המחקר אמור להיות מוצג ב-ACM UbiComp/ISWC 2026, שיתקיים בשנחאי, סין, בין ה-13 ל-15 באוקטובר 2026.
