Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/88017
Title: Personality detection from the use of smartphone
Other Titles: Deteção de personalidade a partir do uso de smartphone
Authors: Bastos, Mafalda Viana
Orientador: Cardoso, Fernando Amílcar Bandeira
Macedo, Luís Miguel Machado Lopes
Keywords: Aprendizagem Máquina; Deteção da Personalidade; Telemóveis; Uso de Aplicações Móveis; Comportamento; Machine Learning; Personality Detection; Smartphones; App Usage; Behavior
Issue Date: 22-Jul-2019
Serial title, monograph or event: Personality detection from the use of smartphone
Place of publication or event: CMS/DEI
Abstract: Numa era cada vez mais tecnológica, a utilização e comercialização de smartphones emergiu exponencialmente na última década. Hoje em dia, existem mais de 2 mil milhões de pessoas que utilizam o seu smartphone diariamente, tornando-se este um dos objetos mais pessoais que temos connosco a qualquer momento. Tal permite que todas as ações e comportamentos possam ser capturados de uma forma não intrusiva e sem precedentes o que, apesar de parecer uma desvantagem da vida moderna, pode trazer-nos muitos benefícios no futuro.O objetivo deste estudo é assim perceber se é possível detetar a personalidade dos utilizadores a partir do seu comportamento. Isto porque a deteção automática da personalidade através do telemóvel pode ter muitas aplicações, nomeadamente publicidade, gestão de recursos humanos, deteção precoce de depressão e outras doenças do foro psicológico, melhoria de Assistentes Pessoais Inteligentes, entre outros.Para alcançar este objetivo, o problema é abordado através de técnicas de \textit{machine learning}, nomeadamente algoritmos de classificação. Em primeira instância é utilizada classificação binária e, em segunda instância, com várias classes. Em ambos os casos foram desenvolvidos 5 classificadores, em que cada um visa prever um dos 5 principais traços de personalidade: Agradabilidade, Conscienciosidade, Estabilidade Emocional, Extroversão e Abertura à Experiência. Estes classificadores pretendem prever cada traço de personalidade a partir da utilização de aplicações móveis.Com uma accuracy 22% melhor que aleatório, os classificadores binários mostraram ser duas vezes melhor que os classificadores com várias classes. A Estabilidade Emocional e Extroversão são os traços mais fáceis de prever, tendo ambos os modelos uma accuracy de 67,5%. Estes modelos podem beneficiar bastante a capacidade de adaptação dos Assistentes Pessoais Inteligentes aos seus utilizadores e, se desenvolvidos, podem-se tornar úteis em muitas outras áreas
In an increasingly technological era, the use of smartphones has emerged exponentially in the last decade. Nowadays, over 2 billion people use their smartphones on a daily basis, making them one of the most personal objects we have with us at all times. This allows these devices to capture our actions and behaviors in an unobtrusive and unprecedented way. Despite seeming like a disadvantage of modern life, this knowledge can bring us many benefits in the future.The goal of this study is to understand if it is possible to identify smartphone users' personality from their behavior. This automatic detection of personality can have numerous applications, such as advertising, human resources management, early detection of depression and other psychological illnesses, improvement of Intelligent Personal Assistants (IPAs), among others.To achieve this goal, a machine learning approach is used based on classification algorithms. This approach is divided into two parts: binary classification and multi-label classification. In both cases, five classifiers were created in order to predict each of the Big Five personality traits:Agreeableness, Conscientiousness, Emotional Stability, Extroversion, and Openness. These classifiers aim at predicting each trait from mobile applications usage through smartphones.The binary classifiers proved to be two times better than the multi-label ones, with an accuracy 22% better than random. Emotional Stability and Extroversion are easier to predict than other traits, with both models reporting an accuracy of 67,5%. These models can greatly benefit IPAs’ capability of adapting to their users and, if further developed, can be useful in many other fields.
Description: Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/88017
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
FINAL_dissertation_mafalda.pdf1.73 MBAdobe PDFView/Open
Show full item record

Page view(s)

107
checked on Oct 21, 2021

Download(s)

356
checked on Oct 21, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons