تعتبر الأجهزة القابلة للارتداء والهواتف الذكية مصدرًا غنيًا لسلاسل الزمن السلوكية، مما يساعد في التدخلات الصحية الاستباقية. ومع ذلك، تفتقر الدراسات الحالية إلى المقارنات النظامية بين هياكل التنبؤ الحديثة لهذه البيانات. تكشف دراسة جديدة عن النتائج المثيرة حول كيفية تعميم النماذج عبر مجموعات سكانية مختلفة، وطرق استجابة الهياكل لتعديلات المستويات الفردية، وكيفية تدهور دقة التنبؤ عبر فترات زمنية متعددة.

في هذه الدراسة، تم تقييم ستة هياكل من التعلم العميق، إلى جانب نموذجين من نماذج الأسس (Foundation Models) القابلة للتطبيق بدون تدريب (zero-shot) وبعض المعايير الإحصائية. استخدمت الدراسة ثلاث مجموعات بيانات عامة تتضمن أكثر من 800 مشارك، حيث تم الإبلاغ عن مقاييس محددة لكل خاصية، تشمل عدد الخطوات، ووقت الشاشة، ومدة النوم، عبر فترات زمنية تتراوح بين يوم إلى ثمانية أيام.

أظهرت النتائج أن: (أ) لا يوجد هيكل واحد يتفوق، حيث تصدر نموذج PatchTST بين الهياكل المدربة، فيما كانت نتائج الثلاثة النماذج الأخرى (TCN، MLP، Transformer) متقاربة بشكل ملحوظ؛ (ب) نموذج TimesFM من نماذج الأسس يتساوى أو يتجاوز النماذج المدربة في تطبيقات ذات بيانات منخفضة؛ و (ج) تخصيص المستوى الفردي يقلل الخطأ الجذري المتوسط (RMSE) للخصائص بنسبة تتراوح بين 16-60%، مع استفادة النوم أكثر من غيره في حين كان عدد الخطوات الأقل استفادة.

توفر هذه النتائج توجيهات عملية لاختيار الهياكل المناسبة، ونماذج الأسس، واستراتيجيات التخصيص في مجال التنبؤ بالصحة المحمولة. تسلط هذه الدراسة الضوء على الأولويات الملحة لاستكشاف هياكل التعلم العميق والتخصيص في التنبؤ بالسلوكيات المتعددة الأفق من البيانات المأخوذة من الأجهزة القابلة للارتداء.