Les indices de stress peuvent être cachés dans les habitudes quotidiennes telles que discuter, rechercher et effectuer des paiements sur un smartphone. Les chercheurs de KAIST ont développé une technologie qui analyse plusieurs comportements de routine exécutés de manière répétée dans des applications afin d’identifier l’état de stress quotidien d’une personne.
KAIST (président Choongsik Bae) a annoncé le 15 octobre qu’une équipe de recherche dirigée par le professeur Uichin Lee du Département d’informatique IA avait développé « SHIRBT-MMF », une technologie qui identifie automatiquement les comportements répétés sur les smartphones et utilise des facteurs tels que la durée et la fréquence de chaque comportement et les modèles de saisie de texte pour déterminer l’état de stress quotidien.
Des recherches antérieures sur le stress basées sur les smartphones ont principalement analysé des facteurs tels que le temps passé devant un écran, le nombre de lancements d’applications, le temps et la fréquence d’utilisation par catégorie d’application et le comportement de frappe. Cependant, lorsque les applications utilisées ou leurs interfaces changent, les données analysées changent également, ce qui peut réduire la stabilité des modèles conçus pour suivre le stress sur de longues périodes.
L’équipe de recherche s’est donc concentrée sur « ce qu’une personne fait » plutôt que sur « quelle application elle utilise ». Même si un utilisateur passe de KakaoTalk à LINE ou WhatsApp, l’activité elle-même reste une « conversation par messagerie ». En d’autres termes, l’analyse est basée sur l’objectif du comportement plutôt que sur le nom de l’application.
L’équipe a défini ces comportements répétés comme des « tâches comportementales de routine d’interaction humaine sur smartphone (SHIRBT) ». Grâce à sa technique développée indépendamment de « Multi-Level Sequential Pattern Mining (ML-SPM) », l’équipe a identifié des modèles de transition d’écran récurrents sur plusieurs jours, puis a utilisé un grand modèle de langage (LLM) pour attribuer des étiquettes de comportement facilement compréhensibles telles que « chat par messagerie », « navigation sur le Web », « paiement financier » et « lecture/écriture d’e-mails ». En évaluant si le même comportement pouvait être classé de manière cohérente dans différentes applications de messagerie, de navigateur Web et de messagerie, le système a atteint une précision de plus de 95 %.
Pour protéger la confidentialité, le système n’a pas stocké le contenu réel du texte ou du message saisi par les utilisateurs, enregistrant uniquement des informations comportementales telles que si le texte a été saisi, à quelle fréquence il a été saisi et les transitions d’écran. Les informations sur les destinataires des messages ou les interlocuteurs ont également été traitées par hachage, qui convertit les informations d’origine en valeurs qui ne les révèlent pas directement.
L’équipe de recherche a analysé les données réelles de 26 étudiants universitaires et employés de bureau âgés de 20 à 30 ans. Parmi les participants pour lesquels des évaluations du stress autodéclarées et des enregistrements sur smartphone étaient disponibles, 16 participants à court terme ont fourni en moyenne 30,5 jours de données, tandis que 10 participants à long terme ont fourni en moyenne 105,1 jours. Sur la base des auto-évaluations quotidiennes des participants, les chercheurs ont construit des modèles personnalisés faisant la distinction entre les jours avec et sans stress.
Au total, 29 types de comportements répétés ont été identifiés dans l’utilisation du smartphone par les participants, chaque personne répétant régulièrement en moyenne environ sept comportements. L’équipe de recherche a utilisé des modèles d’intelligence artificielle personnalisés formés sur ces modèles comportementaux pour déterminer si une personne souffrait de stress un jour donné. Le modèle le plus performant a atteint une précision moyenne de 75,9 % pour les participants à court terme et de 73,8 % pour les participants à long terme, ce qui signifie qu’il était correct environ trois fois sur quatre. Ces résultats étaient respectivement 5,5 points de pourcentage et 3,5 points de pourcentage supérieurs à l’approche conventionnelle consistant à analyser l’utilisation des applications à l’aide de la même technique d’IA.
Les performances pourraient également être maintenues même lorsque le nombre de comportements utilisés dans l’analyse était réduit. Avec le même modèle personnalisé, en utilisant seulement deux comportements, « chat par messagerie » et « paiement financier », ou même en analysant uniquement le « chat par messagerie », on a produit une précision de classification moyenne supérieure à celle de la méthode conventionnelle. Dans les données à long terme, les indicateurs analytiques basés sur des comportements répétés ont également moins changé au fil du temps et ont conservé une structure plus stable que ceux utilisés dans l’approche conventionnelle.
Dans cette expérience, les chercheurs ont collecté un large éventail d’enregistrements d’utilisation des smartphones afin de comparer leur méthode aux approches conventionnelles. À l’avenir, l’équipe s’attend à ce qu’une fois les comportements répétés d’un individu identifiés, concentrer la collecte et l’analyse des données sur ces comportements pertinents puisse réduire le fardeau de la collecte de données. L’étude suggère le potentiel de développement d’une technologie numérique de surveillance de la santé mentale qui facilite la compréhension des comportements utilisés dans la classification et reste relativement stable même lorsque l’environnement de l’application change.
Nous avons considéré le smartphone non seulement comme un appareil permettant de mesurer le temps d’utilisation, mais comme un espace de la vie quotidienne où les communications, la recherche d’informations et les activités financières d’un individu sont effectuées de manière répétée.
Professeur Uichin Lee, Département de calcul IA de KAIST
Cependant, cette étude a utilisé des associations entre le comportement et le stress et n’a pas démontré de relation causale montrant qu’un comportement particulier provoque ou réduit le stress. Sur la base des résultats des utilisateurs de smartphones Android dans la vingtaine et la trentaine, l’équipe de recherche prévoit d’étendre l’étude à un plus large éventail de groupes d’âge, de professions et d’environnements de smartphones et de vérifier sa stabilité à long terme.
Dans cette étude, Hansoo Lee a participé à l’étude en tant que premier auteur, le professeur Uichin Lee en tant qu’auteur correspondant, et les chercheurs Taehyeon Park et Youngji Koh, ainsi que le professeur Jae-Gil Lee de la School of Computing, en tant que co-auteurs. La recherche a été publiée en décembre 2025 dans la revue internationale Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies. L’étude devrait être présentée à l’ACM UbiComp/ISWC 2026, qui se tiendra à Shanghai, en Chine, du 13 au 15 octobre 2026.
