DOI: https://doi.org/10.1017/psy.2026.10083
PMID: https://pubmed.ncbi.nlm.nih.gov/41883226
تاريخ النشر: 2026-03-26
المؤلف: Ramona Schoedel وآخرون
الموضوع الرئيسي: استشعار الحشود المتنقلة وجمع المعلومات من الحشود
نظرة عامة
يتناول هذا القسم من ورقة البحث الانتقال من التقييمات التقليدية للاستبيانات في البحث النفسي إلى استخدام بيانات الاستشعار المحمول التي تم جمعها عبر الهواتف الذكية. بينما تقدم هذه الطريقة فرصًا فريدة لجمع بيانات سلوكية من العالم الحقيقي، فإنها أيضًا تقدم تحديات منهجية كبيرة بسبب تعقيد البيانات وارتفاع أبعادها، والتي تتكون من أحداث مؤرخة بدقة مللي ثانية. يؤكد المؤلفون على ضرورة تقنيات المعالجة المسبقة المتقدمة لاستخراج متغيرات ذات معنى نفسي من سجلات استخدام التطبيقات.
تستعرض المقالة الحالة الحالية لمعالجة البيانات وتقدم ثلاث دراسات حالة توضح مستويات مختلفة من التعقيد في بعدين رئيسيين: إثراء البيانات وتجميع البيانات. يتضمن إثراء البيانات تحسين البيانات الخام من خلال دمج المعلومات السياقية من مصادر خارجية وداخلية، مثل التقييمات اللحظية البيئية. في المقابل، يلخص تجميع البيانات البيانات من خلال طرق متنوعة، تتراوح من الإحصاءات الوصفية الأساسية إلى نماذج التعلم الآلي المتقدمة. تحدد كل دراسة حالة الفخاخ المحتملة وتناقش التمديدات لتحسين خطوط معالجة البيانات، مما يتناسب مع أنواع البيانات المتنوعة وأسئلة البحث. في النهاية، تسلط المخطوطة الضوء على إمكانيات بيانات الاستشعار المحمول لتقديم رؤى سلوكية دقيقة، مما يشجع على صياغة استفسارات بحثية أكثر تعقيدًا.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على تحول كبير في منهجيات البحث النفسي، حيث تنتقل من التقييمات التقليدية للاستبيانات إلى استخدام تقنيات الاستشعار المحمول. تاريخيًا، كانت دراسة السلوك الفعلي تعوقها التحديات اللوجستية؛ ومع ذلك، فإن التقدم في الأجهزة الرقمية، وخاصة الهواتف الذكية والساعات الذكية، قد مكن الباحثين من جمع البيانات السلوكية والظرفية بشكل سلبي وغير ملحوظ. تتيح هذه الطريقة إجراء دراسات طولية واسعة وقد سهلت استكشاف ظواهر نفسية متنوعة، بما في ذلك سمات الشخصية، حالات المزاج، وأعراض الصحة النفسية، من خلال أطر مبتكرة مثل المعلومات النفسية والتصنيف الرقمي.
على الرغم من وعد الاستشعار المحمول، تؤكد الورقة على التحديات المنهجية المرتبطة بتحليل البيانات المعقدة وعالية الأبعاد التي تولدها هذه التقنيات. غالبًا ما يواجه الباحثون صعوبات في معالجة هذه البيانات بسبب حجمها وتنوعها، مما يتناقض بشكل حاد مع التحليل الأكثر بساطة للاستبيانات الذاتية. يجادل المؤلفون بأن العديد من علماء النفس يفتقرون إلى التدريب اللازم للتعامل مع بيانات الاستشعار المحمول بشكل فعال، مما يؤدي إلى الاعتماد على طرق التحليل التقليدية. لمعالجة هذه التحديات، تهدف الورقة إلى تلخيص ممارسات معالجة البيانات الحالية وتقديم منهجيات متقدمة لاستخراج متغيرات سلوكية ذات معنى من سجلات استخدام التطبيقات، مع التركيز على إثراء البيانات وتجميعها لتعزيز الرؤى النظرية والتجريبية في هذا المجال.
نقاش
في هذا القسم، يناقش المؤلفون منهجيات جمع البيانات والمعالجة المسبقة المستخدمة في دراسة لوحة استشعار الهواتف الذكية (SSPS)، التي تهدف إلى إنشاء مجموعة بيانات مرجعية للبحث النفسي. شملت SSPS 850 مشاركًا قدموا بيانات استشعار محمولة طولية، وتقييمات لحظية بيئية (EMAs)، واستطلاعات عبر الإنترنت. امتدت عملية جمع البيانات من مايو إلى نوفمبر 2020، باستخدام تطبيق مخصص، PhoneStudy، لتسجيل أوضاع استشعار متنوعة، بما في ذلك استخدام التطبيقات وبيانات GPS. يؤكد المؤلفون على أهمية الاعتبارات الأخلاقية، مشيرين إلى أن جميع الإجراءات تمت الموافقة عليها من قبل لجنة الأخلاقيات في جامعة LMU ميونيخ وامتثلت لإرشادات GDPR.
يستعرض المؤلفون تعقيدات معالجة بيانات الاستشعار المحمول، مع التركيز بشكل خاص على سجلات استخدام التطبيقات. يوضحون الحاجة إلى تنظيف البيانات لمعالجة الأنماط الغامضة في أحداث استخدام التطبيقات، مثل الإطلاقات المتعددة والتأخيرات في أحداث الإغلاق. يقترح المؤلفون وظيفة قائمة على القواعد لتسمية جلسات استخدام التطبيقات، مما يسمح باستخراج متغيرات سلوكية ذات معنى. علاوة على ذلك، يناقشون فوائد إثراء البيانات من خلال تصنيف التطبيقات، مما يعزز قابلية تفسير بيانات استخدام التطبيقات ويخفف من مشكلات ندرة البيانات. أخيرًا، يبرز المؤلفون أهمية طرق تجميع البيانات، مؤكدين على الحاجة إلى اعتبار دقيق للأطر الزمنية وتقنيات التجميع لاستخراج رؤى نفسية ذات معنى من البيانات المثرية.
DOI: https://doi.org/10.1017/psy.2026.10083
PMID: https://pubmed.ncbi.nlm.nih.gov/41883226
Publication Date: 2026-03-26
Author(s): Ramona Schoedel et al.
Primary Topic: Mobile Crowdsensing and Crowdsourcing
Overview
This section of the research paper discusses the transition from traditional questionnaire assessments in psychological research to the utilization of mobile sensing data collected via smartphones. While this method presents unique opportunities for gathering real-world behavioral data, it also introduces significant methodological challenges due to the complexity and high dimensionality of the data, which consists of timestamped events with millisecond resolution. The authors emphasize the necessity of advanced preprocessing techniques to extract psychologically meaningful variables from app usage logs.
The article reviews the current state of data preprocessing and presents three case studies that illustrate varying levels of complexity in two key dimensions: data enrichment and data aggregation. Data enrichment involves enhancing raw data by integrating contextual information from both external and internal sources, such as ecological momentary assessments. In contrast, data aggregation summarizes the data through various methods, ranging from basic descriptive statistics to advanced machine-learning models. Each case study identifies potential pitfalls and discusses extensions to improve preprocessing pipelines, thereby accommodating diverse data types and research questions. Ultimately, the manuscript highlights the potential of mobile-sensing data to yield nuanced behavioral insights, encouraging the formulation of more sophisticated research inquiries.
Introduction
The introduction of this research paper highlights a significant shift in psychological research methodologies, moving from traditional questionnaire assessments to the utilization of mobile sensing technologies. Historically, the study of actual behavior was hindered by logistical challenges; however, advancements in digital devices, particularly smartphones and smartwatches, have enabled researchers to collect behavioral and situational data passively and unobtrusively. This method allows for extensive longitudinal studies and has facilitated the exploration of various psychological phenomena, including personality traits, mood states, and mental health symptoms, through innovative frameworks such as Psychoinformatics and Digital Phenotyping.
Despite the promise of mobile sensing, the paper underscores the methodological challenges associated with analyzing the complex, high-dimensional data generated by these technologies. Researchers often face difficulties in preprocessing this data due to its volume and variability, which contrasts sharply with the more straightforward analysis of self-report questionnaires. The authors argue that many psychologists lack the necessary training to handle mobile-sensing data effectively, leading to a reliance on conventional analysis methods. To address these challenges, the paper aims to summarize current data processing practices and introduce advanced methodologies for extracting meaningful behavioral variables from app usage logs, focusing on data enrichment and aggregation to enhance theoretical and empirical insights in the field.
Discussion
In this section, the authors discuss the data collection and preprocessing methodologies employed in the Smartphone Sensing Panel Study (SSPS), which aimed to create a benchmark dataset for psychological research. The SSPS involved 850 participants who provided longitudinal mobile sensing data, ecological momentary assessments (EMAs), and online surveys. The data collection spanned from May to November 2020, utilizing a custom app, PhoneStudy, to log various sensing modalities, including app usage and GPS data. The authors emphasize the importance of ethical considerations, noting that all procedures were approved by the ethics committee at LMU Munich and adhered to GDPR guidelines.
The authors detail the complexities of preprocessing mobile-sensing data, particularly focusing on app usage logs. They outline the need for data cleaning to address ambiguous patterns in app usage events, such as multiple launches and delays in closure events. The authors propose a rule-based function to label app usage sessions, which allows for the extraction of meaningful behavioral variables. Furthermore, they discuss the benefits of data enrichment through categorization of apps, which enhances the interpretability of app usage data and mitigates issues of data sparsity. Finally, the authors highlight the significance of data aggregation methods, emphasizing the need for careful consideration of time frames and aggregation techniques to derive psychologically meaningful insights from the enriched data.