Leveraging LLMs to Predict Affective States via Smartphone Sensor Features

由于年轻成年人的心理健康问题是一个紧迫的公共卫生问题，因此每日数字情绪监测以便早期发现已成为一个重要的前景。数字表型学是一个活跃的研究领域，它涉及从个人数字设备（如智能手机（使用和传感器）和可穿戴设备）收集和分析数据，以推断行为和心理健康。虽然这些数据通常使用统计和机器学习方法进行分析，但大型语言模型（LLMs）的出现提供了一种新的方法来理解智能手机传感数据。尽管LLMs在各个领域的有效性得到了证明，但在数字心理健康方面，尤其是在整合移动传感器数据方面，LLMs仍然相对未被探索。我们的研究旨在通过采用LLMs根据大学生的智能手机传感数据预测情感结果来填补这一空白。我们证明了零样本和少样本嵌入LLMs在推断一般幸福感方面的有效性。我们的发现揭示了LLMs可以仅使用智能手机传感数据作出有前途的情感测量预测。这项研究揭示了LLMs在情感状态预测方面的潜力，强调了智能手机行为模式和情感状态之间的复杂联系。据我们所知，这是第一项利用LLMs进行情感状态预测和数字表型学任务的工作。

论文旨在探讨使用大型语言模型（LLMs）结合智能手机传感器数据进行情感状态预测的可行性，以解决年轻人心理健康问题。

使用大型语言模型（LLMs）结合智能手机传感器数据进行情感状态预测，可以有效地推断普遍幸福感。

论文使用零样本和少样本嵌入LLMs进行情感状态预测，结果显示LLMs可以仅使用智能手机传感器数据作出有前途的情感状态预测。该研究揭示了LLMs在情感状态预测和数字表型任务中的潜力，强调了智能手机行为模式和情感状态之间的复杂联系。

最近的相关研究包括使用传感器和机器学习技术进行情感状态预测，以及使用大型语言模型进行各种任务的研究。