Basierend auf Tests mit Benutzern, Touchpoints und gesammelten Daten, wird ein Lifestyle-Recommender-System entwickelt, um älteren Erwachsenen zu helfen, mit den REACH-Touchpoints ihren Alltag aktiver zu gestalten und als integriertes Training zu verstehen. In diesem Kontext werden Daten-Analyse-Methoden entwickelt, um bestehende Benutzer zu gruppieren (je nachdem, wie eine jeweilige Verhaltensänderungsintervention ihre gegenwärtigen Gewohnheiten beeinflusst) und Zeitreihendaten zu modellieren. Zum Beispiel kann eine Intervention dazu führen, dass einige Benutzer ihre Aktivität erhöhen (diese werden Responder genannt), einige Benutzer das Gegenteil tun (Nicht-Responder) und einige ihre Aktivität nur vorübergehend verbessern (vorübergehende Responder). Auf diese Weise wird jeder Benutzer mit einer „Bereitschaftsbewertung“ gekennzeichnet, die angibt, wie wahrscheinlich er/sie auf die vorgeschlagene Intervention reagieren wird. Wenn ein neuer Benutzer hinzukommt, wird das System in der Lage sein, eine Verhaltensänderung vorzuschlagen, die an seine Bereitschaftsbewertung angepasst ist, ähnlich einem Benutzer, den das System bereits modelliert hat, wodurch das Risiko vermieden wird, etwas Kontraproduktives für ihn/sie vorzuschlagen.
Abbildung: Die Cluster-Prototypen für das HealthyTogether Dataset (Yürüten, O., Zhang, J., & Pu, P., 2014, Juni: Zerlegen von Aktivitäten des täglichen Lebens, um Routine-Cluster zu entdecken. In: Achtundzwanzigste AAAI-Konferenz über Künstliche Intelligenz).
Abbildung: Das Verhalten der Menschen vor der Intervention (tägliche Aktivitätsmuster) und die Verhaltensänderung der Menschen nach der Intervention (Aktivitätsänderungsmuster) sind links und rechts dargestellt. Die Ergebnisse deuten darauf hin, dass inaktive und mäßig aktive Menschen positiv auf die Intervention reagieren. Reference: Kulev, I., Pu, P., & Faltings, B., 2016, December: Discovering Persuasion Profiles Using Time Series Data. In NIPS 2016 Time Series Workshop.