利用主动特征获取以实现低成本时间预测并减轻参与者负担

arXiv:2610.07452v1 公告类型：新 摘要：准确预测病理性结局是心理学中的一个核心问题。为此，心理学家通常会收集密集的纵向数据。然而，在此类研究中，为实现准确预测而获取大量变量的愿望，往往与尽量减轻参与者负担的需求相冲突。每次测量获取更多变量可以带来更好的预测效果，但获取项目过多会增加不响应和样本流失的风险。纵向主动特征获取（LAFA）是一种解决这一困境的原则性方法。LAFA不要求参与者在每次采集时对每个项目都作答，而是生成一种策略，旨在每个时间点最优地选择要获取的动态项目子集，同时保持我们对特定结果进行预测的能力。然而，现有的LAFA方法大多基于神经网络（NN），而神经网络在实践中难以解释。在本研究中，我们提出了一种树蒸馏方法，用于从基于NN的LAFA网络中学习可解释的策略。我们通过模拟实验和一个用于预测每日酒精消费量的实证EMA数据集验证了该方法。在这两种情况下，我们都发现，在准确性仅有极小损失的情况下，可以有意义地减少每次测量所获取的项目数量。实践中难以解释的神经网络（NN）。在本研究中，我们提出了一种树蒸馏方法，用于从基于NN的LAFA网络中学习可解释的策略。我们通过模拟实验和一个用于预测每日酒精消费量的实证EMA数据集验证了该方法。在这两种情况下，我们都发现，在准确性仅有极小损失的情况下，可以有意义地减少每次测量所获取的项目数量。