„Tensor-Factorization" und „Membership vectors"

Neuro-Depesche 7-8/2017

Smartphone-Abhängigkeit gut einschätzbar

Exzessive Smartphone-Nutzung verursacht persönliche und soziale Probleme bis hin zu einer klinischen Abhängigkeitssymptomatik. Nun wurden anhand einer speziellen App Smartphone-Nutzerdaten erfasst, um mittels eines komplexen Prädiktionsalgorithmus eine Suchtentwicklung zu erkennen.

Von 48 Smartphone-Nutzern (nur Android- Geräte) wurden zwischen März 2016 und Jan. 2017 insgesamt 41 683 „Logs“ ausgewertet. Diese betrafen den Einsatz verschiedener entsprechender Apps am Tage und in der Nacht sowie dessen Dauer. Die Teilnehmer im Alter zwischen 20 und 39 Jahren wurden nach der Korean Smartphone Addiction Proneness Scale for Adults (S-Scale) und einem persönlichen (offline) Interview durch einen Psychiater und einen klinischen Psychologen einer Abhängigen- (SUD, n = 25) und einer Kontrollgruppe (SUC, n = 23) zugeordnet.
Mithilfe einer Tensor-Faktorisierung wurden sechs relevante Nutzungsmuster definiert. Für alle sechs war die Nutzungsdauer in der SUD-Gruppe signifikant länger als in der SUC-Gruppe. Am größten war der Unterschied bei der Nutzung von Unterhaltungs-Apps (36,1 vs. 10,5 Min.; am häufigsten zwischen Mitternacht und 5 Uhr morgens). Es folgten Gaming in der Nacht (30,8 vs. 6,3 Min.), soziales Networking (SN) am Tage (29,3 vs. 8,9 Min.), allgemeines Websurfing (21,7 vs. 8,1 Min.), SN in der Nacht (24,2 vs. 12,7 Min.) und – mit dem geringsten absoluten Unterschied – mobiles Shoppen (6,3 vs. 3,4 Min.).
Die sog. „Membership vectors” dieser sechs Muster ergaben eine signifikant bessere Prädiktionsleistung für die klinisch erfasste Smartphone-Abhängigkeit als die jeweiligen Rohdaten. Die Area under the Curve (AUC) in diesem Modell betrug 0,8183, die AUC der Rohdaten nur 0,7068. Die Genauigkeit der Vorhersage war um ca. 6,5% größer. JL
Kommentar

Die Identifikation und komplexe mathematische Auswertung der Nutzungsmuster erwies sich als effektiv, um eine Smartphone- Abhängigkeit zu erfassen bzw. zu prädizieren. Sie waren gewöhnlichen Auswertungen der zumeist „verrauschten” und daher schlecht interpretierbaren Nutzungsdaten überlegen. Die Methode könnte, so die Autoren, auch der Therapiekontrolle dienen.

Quelle:

Choi J et al.: Smartphone dependence classification using tensor factorization. PLoS One 2017; 12(6): e0177629 [Epub: 21. Juni; doi: 10.1371/journal. pone.0177629]

Alle im Rahmen dieses Internet-Angebots veröffentlichten Artikel sind urheberrechtlich geschützt. Alle Rechte, auch Übersetzungen und Zweitveröffentlichungen, vorbehalten. Jegliche Vervielfältigung, Verlinkung oder Weiterverbreitung in jedem Medium als Ganzes oder in Teilen bedarf der schriftlichen Zustimmung des Verlags.

x