Advances in ubiquitous computing and sensor network technologies in a recent decade enable a variety of mobile-based health care. In particular, just-in-time (JIT) adaptive health intervention which delivers the right type of support at the right time has recently been in the spotlight. One challenge for designing JIT intervention is how to make users are $ \textit{receptive} $ to JIT support. This thesis proposes the receptivity-aware computing which understand, detect, and improve receptivity to JIT support with mobile technologies. For this, I first propose a user's underlying decision-making process on an incoming support and investigate a variety of factors relevant to decisions. Subsequently, I devised machine learning models that predict users' decisions using a variety of mobile data. Furthermore, to encourage users to adhere to JIT support, I design a stochastic micro-incentive, in which users' micro-behavior changes are compensated for micro-incentives that are dynamically adjusted depending on users' adherence on different incentives and contexts. Such receptivity-aware computing is expected to not only increase the effectiveness of mobile JIT intervention, but also contribute to the development of JIT intervention that efficiently utilize various resources such as cognition, cost, and time.
유비쿼터스 컴퓨팅 및 센서 네트워크 기술 발전으로 모바일 기반 건강 관리 서비스 및 기술에 대한 관심이 지속적으로 증가하고 있다. 특히, 단순히 사용자의 건강 상태를 추적하는 것 뿐만 아니라, 건강 중재가 필요한 시점을 자동으로 파악하여 선제적으로 중재를 전달하는 적시 건강 중재 (Just-in-time health intervention)가 최근 각광받고 있다. 적시 건강 중재로 인한 건강 개선 효과를 증가시키기 위해서는 적시 건강 중재가 제안하는 행동 변화 제안을 사용자가 지속적으로 수용 (Receptivity)해야 한다. 모바일 적시 건강 중재의 사용자 수용성을 증가시키기 위하여, 본 학위 논문에서는 건강 중재 수용성에 기반한 컴퓨팅 기술을 탐색하였다. 먼저, 적시 건강 중재를 수용하기 위한 사용자 의사 결정 과정을 제시하고 각 의사 결정에 영향을 주는 요소를 탐색하였다. 그 후, 기계 학습 기술을 활용, 다양한 모바일 데이터를 활용한 수용성 예측 기술을 개발하였다. 나아가, 적시 건강 중재의 수용성을 증가시키기 위하여 상황 인지 기반 개인 맞춤형 확률적 인센티브 기술을 연구하여 그 효과를 탐색하였다. 이러한 수용성 인지 컴퓨팅 기술은 모바일 적시 건강 중재의 효과를 증가시킬 뿐 아니라, 인지, 비용, 시간 등의 다양한 자원을 효율적으로 활용한 적시 건강 중재를 개발하는 데 기여할 수 있을 것으로 기대된다.
