Modelling Inter-Individual Differences in Multimodal Data: A Metric Learning Approach for Personalized Well-being Estimation in Healthcare Workers

In stark belasteten Arbeitsumgebungen wie Krankenhäusern und Pflegeeinrichtungen ist das Wohlbefinden von Pflegekräften durch die physischen, emotionalen und zeitlichen Anforderungen ihrer Arbeit ständig beeinträchtigt. Diese Belastungen führen schleichend zu einer Beeinträchtigung des Wohlbefindens, wobei frühe Symptome oft subtil sind und häufig erst lange nach ihrem Auftreten bemerkt werden, was ein proaktives Eingreifen erschwert.Diese Arbeit basiert auf einer Praxisstudie der TU Wien in Zusammenarbeit mit einem Krankenhaus in Hietzing, Wien, an der Pflegekräfte über mehrere Monate teilnahmen.Ziel der Studie war die Modellierung und Vorhersage des täglichen Wohlbefindens mit-hilfe multimodaler Daten, bestehend aus Daten mobiler Sensoren, halbstrukturierten Interviews, psychologischen Merkmalen aus Fragebögen und Schlafverhalten.Im ersten Teil wird untersucht, ob große Sprachmodelle die qualitative Kodierung halbstrukturierter Interviews auf dem gleichen Niveau wie ein Mensch durchführen können.Die generierten Codes zeigen eine hohe thematische Übereinstimmung mit den Annotationen von Experten, was darauf hindeutet, dass die LLM-gestützte Kodierung eine zuverlässige und skalierbare Alternative darstellen kann.Im zweiten Teil wird ein Modell entwickelt, das anhand der ambulanten physiologischen Signale der Teilnehmenden deren tägliches Wohlbefinden (gemessen mit den NASA-TLX-Selbstbeurteilungsbögen) vorhersagt. Die Einbeziehung von Merkmalen aus Interviews verbessert die Vorhersagegenauigkeit zusätzlich.Abschließend werden die Teilnehmenden anhand ihrer Persönlichkeitsmerkmale und Schlafmuster gruppiert, um zu untersuchen, ob sich die Vorhersagekraft der Modelle dadurch weiter steigern lässt. Obwohl dieser Ansatz theoretisch vielversprechend ist,schränkte die geringe Anzahl an Teilnehmenden pro Gruppe die Modellleistung ein,sodass die Ergebnisse nicht eindeutig sind.Trotz dieser Herausforderungen zeigen die Ergebnisse, dass eine aussagekräftige Modellierung des Wohlbefindens auch unter realen Feldbedingungen mit verrauschten Daten und begrenzten Ressourcen möglich ist. Diese Arbeit liefert einen Machbarkeitsnachweis für ein skalierbares, datengestütztes Wohlbefindensmonitoring im klinischen Alltag –nicht nur unter kontrollierten Forschungsbedingungen, sondern auch dort, wo es am dringendsten benötigt wird.