- GND
- 1259555046
- LSF ID
- 58176
- Sonstiges
- der Hochschule zugeordnete*r Autor*in
- GND
- 1015876811
- LSF ID
- 3881
- ORCID
-
0000-0001-9603-5272
- Sonstiges
- der Hochschule zugeordnete*r Autor*in
Abstract in Englisch:
Recommender systems are today an essential part of software applications used in everyday life and facilitate the decision-making process for users by personalizing the options from which they can choose. An emerging and rapidly growing application domain for these systems is health care, and the majority of research contributions related to health recommender systems are about preventive health care. However, some crucial areas in this domain have been mostly overlooked. One such area is mental health promotion, which, despite its critical importance, has a relatively negligible share in existing solutions and research. User stress and mood are fundamental concepts in preventive health care, and proper skills for coping with stress and improving mood are crucial for individual mental well-being, which is the central theme of this dissertation. Health recommender systems have high potential benefits in personalizing health-related recommendations and, especially, engaging users in behavior change processes. A health recommender system for health promotion and behavior change is a holistic system that, ideally, uses techniques from ubiquitous computing to provide pervasive health. Building a health recommender system, therefore, is a multidisciplinary effort that engages various areas, which we summarize as tracking, interacting, and personalizing components, and address them in this dissertation regarding our recommendation domain, stress reduction. In particular, we discuss three major contributions to the problem of building health recommender systems for stress reduction and mood improvement: (1) establishing proper ways to track user mood; (2) building one of the first interactive mobile health recommender system research platforms and providing an extensive holistic dataset for flexible investigation of health recommender systems in the future; and (3) developing dynamic mood and health-aware, user-engaging algorithms and carefully comparing the performance and characteristics of the presented techniques. These contributions were the result of various mixed and longitudinal user studies which engaged with more than 2,500 users. This dissertation brings together for the first time various aspects of user decision-making - such as explicit short-term preferences, health needs, and long-term goals - for a holistic health-aware recommender system. By thoroughly discussing various components, this dissertation presents a roadmap for building health recommender systems, and interactive, mood-aware, and mental health-promoting systems in the future.
Abstract in Deutsch:
Empfehlungssysteme sind heute ein wesentlicher Bestandteil von Softwareanwendungen des täglichen Lebens und erleichtern den Benutzern die Entscheidungsfindung, indem sie die Auswahlmöglichkeiten personalisieren. Ein aufstrebender und schnell wachsender Anwendungsbereich für diese Systeme ist das Gesundheitswesen. Die meisten Forschungsbeiträge zu Empfehlungssystemen im Gesundheitsbereich befassen sich mit der präventiven Gesundheitsversorgung. Allerdings wurden einige wichtige Themen in diesem Bereich bisher weitgehend übersehen. Ein solches Thema ist die Förderung der psychischen Gesundheit, die trotz ihrer entscheidenden Bedeutung in den bestehenden Lösungen und Forschungsarbeiten nur einen relativ geringen Anteil einnimmt. Stress und Stimmung des Nutzers sind grundlegende Konzepte der Gesundheitsvorsorge, und geeignete Fähigkeiten zur Stressbewältigung und zur Verbesserung der Stimmung sind für das individuelle psychische Wohlbefinden von entscheidender Bedeutung, was das zentrale Thema dieser Dissertation ist. Empfehlungssysteme für die Gesundheit haben ein hohes Potential, gesundheitsbezogene Empfehlungen zu personalisieren und vor allem die Nutzer in Verhaltensänderungsprozesse einzubinden. Ein Empfehlungssystem für die Gesundheitsförderung und Verhaltensänderung ist ein ganzheitliches System, das idealerweise Techniken aus dem Ubiquitous Computing nutzt, um allgegenwärtige Möglichkeiten zur Gesungheitsförderung zu bieten. Die Entwicklung eines Empfehlungssystems für den Gesundheitsbereich ist daher ein multidisziplinäres Unterfangen, das verschiedene Bereiche umfasst, die wir als Tracking-, Interaktions- und Personalisierungskomponenten zusammenfassen und in dieser Dissertation im Hinblick auf unsere Empfehlungsdomäne, die Stressreduktion, behandeln. Insbesondere diskutieren wir drei wichtige Beiträge zum Aufbau von Empfehlungssystemen für Stressabbau und Stimmungsverbesserung: (1) die Entwicklung geeigneter Methoden zur Erfassung der Stimmung des Nutzers; (2) der Aufbau einer der ersten interaktiven Forschungsplattformen für mobile Gesundheitsempfehlungssysteme und die Bereitstellung eines umfangreichen ganzheitlichen Datensatzes für die flexible Untersuchung von Gesundheitsempfehlungssystemen in der Zukunft; und (3) die Entwicklung dynamischer stimmungs- und gesundheitsbewusster Algorithmen, die den Nutzer ansprechen, und der sorgfältige Vergleich der Leistung und der Eigenschaften der vorgestellten Techniken. Diese Beiträge sind das Ergebnis verschiedener gemischter und längsschnittlicher Nutzerstudien, die mit mehr als 2.500 Nutzern durchgeführt wurden. In dieser Dissertation werden zum ersten Mal verschiedene Aspekte der Entscheidungsfindung von Nutzern - wie explizite kurzfristige Präferenzen, Gesundheitsbedürfnisse und langfristige Ziele - für ein ganzheitliches gesundheitsbezogenes Empfehlungssystem zusammengeführt. Durch die gründliche Erörterung der verschiedenen Komponenten stellt diese Dissertation ein Plan für den Aufbau von Gesundheitsempfehlungssystemen und interaktiven, stimmungsbewussten und die psychische Gesundheit fördernden Systemen in der Zukunft dar.