008240612s2023      us  |||||||||||||||c||eng  d
■001000016931666
■00520240214100100
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380326544
■035    ▼a(MiAaPQ)AAI30418190
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a020
■1001  ▼aXu,  Xuhai  Orson.
■24510▼aComputational  Support  for  Longitudinal  Well-Being▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Washington.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(133  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Dey,  Anind  K.;Mankoff,  Jennifer.
■5021  ▼aThesis  (Ph.D.)--University  of  Washington,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aAs  artificial-intelligent-powered  devices  have  become  more  embedded  in  our  lives,  they  offer  an  unprecedented  ability  to  passively  sense  our  daily  behavior  at  a  high  resolution.  These  everyday  devices  are  already  equipped  with  machine  learning  techniques  to  monitor  our  basic  health  behaviors,  such  as  physical  activity  and  heart  rate,  and  provide  suggestions  accordingly.  However,  they  are  still  far  from  understanding  our  high-level,  longitudinal  behaviors,  such  as  mental  well-being.  Early  research  about  longitudinal  behavior  modeling  and  intervention  is  still  facing  a  set  of  deployability  challenges  before  being  ready  for  real-world  deployment.  For  behavior  modeling,  these  challenges  include  interpretability  (revealing  human-readable  insights  about  behavior),  personalization  (adapting  models  to  every  individual),  and  generalizability  (ensuring  models  work  robustly  on  new  users  and  contexts).  Furthermore,  the  results  and  insights  of  behavior  models  need  to  be  connected  with  intervention  techniques  to  influence  users'  behavior  and  improve  their  well-being.  With  mental  well-being  as  the  main  application,  my  research  is  targeted  at  these  deployability  challenges  by  (1)  collecting  and  releasing  the  first  multi-year  passive  sensing  datasets,  (2)  developing  new  behavior  modeling  techniques  that  are  interpretable,  personalized,  and  generalizable,  and  (3)  designing  and  deploying  a  novel  intervention  technique  based  on  behavior  models'  insights  to  improve  user  well-being.  Combining  these  efforts,  I  propose  the  vision  of  "computational  longitudinal  well-being",  where  interactive  systems  based  on  everyday  devices  can  precisely  and  robustly  understand,  model,  and  influence  long-term  human  behavior  for  better  health  and  well-being.
■590    ▼aSchool  code:  0250.
■650  4▼aInformation  science.
■650  4▼aComputer  science.
■650  4▼aBehavioral  sciences.
■653    ▼aHuman  behavior
■653    ▼aBehavior  modeling
■653    ▼aMachine  learning
■653    ▼aUbiquitous  computing
■653    ▼aLongitudinal  well-being
■690    ▼a0723
■690    ▼a0984
■690    ▼a0602
■71020▼aUniversity  of  Washington▼bInformation  School.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0250
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931666▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024