في عالم البيانات الكبيرة، تعتبر البيانات الزمنية كنزًا حقيقيًا لعلماء البيانات. ولكن ماذا يحدث عندما يؤدي استغلال هذه البيانات إلى فقدان المعلومات القيمة حول تغير سلوك الأفراد؟ دراسة جديدة استعرضت كيف يمكن أن تؤثر الأساليب المستخدمة في التعلم التبايني على البيانات الزمنية، موضحة وجود "مشكلة التوسع".

تستعرض الدراسة تأثير النمو في سجلات الأفراد وكيف يمكن أن تتسبب في فقدان معلومات دقيقة عن تغيراتهم السلوكية. فعندما يتم اعتبار المشاهدات من نفس الشخص كمؤشرات إيجابية، قد يمتد هذا الارتباط إلى حالات سلوكية بعيدة ومتنوعة", مما يجعل التفسيرات الخاطئة تعرض المعلومات الهامة للخطر.

جاءت النتائج بناءً على سجلات استشعار تم جمعها عبر فترة تصل إلى عامين ونصف. ووجد الباحثون أن التوسع الأوسع في السجلات يمكن أن يؤدي إلى كبت المعلومات المتعلقة بالتغيرات الحقيقية في سلوك الأفراد، حتى عندما تكون السجلات التاريخية ثابتة. في أقصى حالات التوسع، تبين أن أقل من 10% من المعلومات المستعادة من نموذج غير مدرب تبقى قابلة للاسترجاع.

ومع ذلك، لم يكن التوجه نحو إبقاء البيانات الإيجابية محلية كافيًا. فمع نمو السجلات، تصبح الحالات البعيدة التي لم يتم مقارنتها فحسب مشابهة بشكل متزايد. ولقد أظهرت النتائج أن التباين الأقصى يمكن أن يُعوض عن فقدان المعلومات من خلال توضيح التباين بين المشاهدات من نفس الشخص.

استناداً إلى بيانات من 199 مشاركاً في تجربة GLOBEM، خلص الباحثون إلى أن التوسع الزمني يقدم خيارًا مهمًا: فالزيادة في التاريخ لا تعني بالضرورة زيادة في الثبات. من خلال التحكم في ما يتم الاحتفاظ به كعنصر ثابت أثناء نمو السجلات، يمكننا الحفاظ على القيمة الأساسية لهذه البيانات فيما يتعلق بالتغيرات السلوكية.