术语解释：一组用于开放式意义构建的Large Language Models（LLMs），专门处理与健康和福祉相关的被动感知数据

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》：GLOSS: Group of LLMs for Open-ended Sensemaking of Passive Sensing Data for Health and Wellbeing

智能手机和可穿戴设备的被动感知数据为健康与行为预测模型提供了基础，但构建个体行为与情境的全面理解仍面临挑战。现有系统在开放端推理和复杂多模态数据三角定位方面存在不足。本文提出GLOSS系统，通过集成LLMs实现开放端推理，支持多模态数据三角定位，准确率达87.93%且一致性显著优于RAG技术。系统在健康监测、上下文感知等四个场景中验证有效性，并探讨其应用潜力与局限性。

　　

摘要

智能手机和可穿戴设备的普及使得研究人员能够利用这些设备提供的被动感知数据，构建各种健康和行为结果的预测与检测模型。然而，要全面深入地理解个体的行为及其所处的环境仍是一项重大挑战。由于被动感知数据的特性，数据解读（即从数据中提取有价值的信息）这一过程需要领域知识和技术专长，这对不同的利益相关者来说都构成了障碍。现有的辅助数据解读的系统要么不够灵活，要么无法进行复杂的数据三角测量（即结合多种数据来源进行分析）。在本文中，我们提出了一种新型的数据解读系统——Group of LLMs for Open-ended Sensemaking（GLOSS），该系统能够进行复杂的多模态数据三角测量以提取洞察。实验结果表明，GLOSS的性能显著优于常用的检索增强生成（Retrieval-Augmented Generation, RAG）技术：GLOSS的准确率为87.93%，一致性为66.19%，而RAG的准确率仅为29.31%，一致性为52.85%。此外，我们还通过四个实际案例展示了GLOSS的潜力，这些案例借鉴了UbiComp和HCI领域之前的研究成果及当前的研究方向。最后，我们讨论了GLOSS的潜力、其更广泛的应用意义以及本研究的局限性。

可用格式

您可以通过以下格式查看完整内容：

PDF