docs(10_Wiki): 위키 전체 재구성 — Topic_* 폴더를 4개 카테고리로 통합 + 대규모 중복 제거
Topic_Agent/Topic_Blog/Topics/Topics_Biz/Topics_Meeting/Topics_Rag의 마크다운 지식 문서를 Topic_General/Topic_Programming/Topic_Graphic/Topic_Business 4개 카테고리로 재분류. - 중복 제거: frontmatter의 status:duplicate/merged + duplicate_of/redirect_to 필드로 자기 자신을 중복으로 선언한 리다이렉트 stub 1032개 제거, 완전 동일 내용 파일 472개 제거, 동일 파일명·다른 내용 충돌 시 더 큰(완전한) 버전만 유지(162개 제거) — 총 1639개 중복 제거. - 분류: 폴더 단위로 명확한 항목(AI_and_ML/Coding/Architecture 등 → Programming, Comfyui/Visual_Effects → Graphic, Topics_Biz/Topics_Meeting/사업 등 → Business, Poetic_Blog_Writing/창의성/Game_Design 등 → General)은 폴더 우선순위로, 나머지 혼재 폴더(Topic_Agent/Topic_Blog/Topics 루트/Thinking & Reasoning/Other/UI_UX_Assets)는 title/tags 키워드 스코어링으로 파일 단위 분류(불명확한 경우 General로 폴백). 원본 폴더명은 "From_*" 서브폴더로 보존해 추적 가능성 유지. - 최종 배치: Programming 2784 / General 1608 / Graphic 285 / Business 249 = 4926개 문서. - 에이전트 운영 상태(.astra/.agent/.obsidian/sessions/memory/_company/docs/lessons/_shared/src)는 지식 콘텐츠가 아니므로 재분류 대상에서 제외하고 원위치 유지. - Topics/Topic_email(상위 보호 폴더 Topic_email과 파일명 100% 중복) 삭제 — 보호 폴더 자체는 미변경. - 완전히 비게 된 Topic_Agent/Topic_Blog/Topics_Biz/Topics_Rag 폴더 제거.
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,210 @@
|
||||
---
|
||||
id: wiki-2026-0508-experience-sampling-method
|
||||
title: Experience Sampling Method
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [ESM, EMA, Ecological Momentary Assessment, Diary Studies]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [research-methodology, psychology, ux-research, mobile]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: typescript
|
||||
framework: react-native
|
||||
---
|
||||
|
||||
# Experience Sampling Method
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 retrospection bias 의 in-the-moment self-report 의 replace"**. Experience Sampling Method (ESM, Csikszentmihalyi & Larson 1987) 매 participants 의 day 의 multiple times 의 random/scheduled prompt, 매 current activity/affect/context 의 record. Mobile-era 매 EMA (Ecological Momentary Assessment) 의 generalize — 매 mental health, UX, productivity research 의 gold standard.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 Why ESM
|
||||
- **Retrospection bias**: 매 "지난주 어땠나" 매 peak-end bias, mood-congruent recall 의 distort.
|
||||
- **Ecological validity**: 매 in-context 매 lab 의 not-replicate.
|
||||
- **Within-subject variance**: 매 person × situation 의 interaction 의 capture.
|
||||
|
||||
### 매 Sampling schedules
|
||||
- **Signal-contingent**: 매 random beep 매 day 매 6-8 prompts.
|
||||
- **Interval-contingent**: 매 fixed times (9am/12pm/3pm/6pm).
|
||||
- **Event-contingent**: 매 specific event (meal, exercise) 의 trigger.
|
||||
- **Hybrid**: 매 baseline random + event triggers.
|
||||
|
||||
### 매 응용
|
||||
1. Mood / affect tracking (depression, bipolar).
|
||||
2. Pain studies (chronic pain).
|
||||
3. UX product research — feature use in-context.
|
||||
4. Flow state research (Csikszentmihalyi original).
|
||||
5. LLM agent behavior tracking — analog 매 process.
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### Mobile prompt scheduler (React Native)
|
||||
```typescript
|
||||
import * as Notifications from 'expo-notifications';
|
||||
|
||||
interface ESMConfig {
|
||||
startHour: number; endHour: number;
|
||||
promptsPerDay: number;
|
||||
minIntervalMinutes: number;
|
||||
}
|
||||
|
||||
async function schedulePrompts(cfg: ESMConfig, days = 7) {
|
||||
const slots = generateRandomSlots(cfg, days);
|
||||
for (const slot of slots) {
|
||||
await Notifications.scheduleNotificationAsync({
|
||||
content: {
|
||||
title: 'Quick check-in (30s)',
|
||||
body: 'How are you feeling right now?',
|
||||
data: { promptId: slot.id, scheduledFor: slot.time.toISOString() },
|
||||
},
|
||||
trigger: { date: slot.time },
|
||||
});
|
||||
}
|
||||
}
|
||||
|
||||
function generateRandomSlots(cfg: ESMConfig, days: number) {
|
||||
const slots = [];
|
||||
for (let d = 0; d < days; d++) {
|
||||
const dayStart = new Date();
|
||||
dayStart.setDate(dayStart.getDate() + d);
|
||||
const windowMs = (cfg.endHour - cfg.startHour) * 3600_000;
|
||||
const minGap = cfg.minIntervalMinutes * 60_000;
|
||||
const times: number[] = [];
|
||||
while (times.length < cfg.promptsPerDay) {
|
||||
const candidate = Math.random() * windowMs;
|
||||
if (times.every(t => Math.abs(t - candidate) >= minGap)) {
|
||||
times.push(candidate);
|
||||
}
|
||||
}
|
||||
times.sort((a, b) => a - b).forEach((offset, i) => {
|
||||
const t = new Date(dayStart);
|
||||
t.setHours(cfg.startHour, 0, 0, 0);
|
||||
t.setTime(t.getTime() + offset);
|
||||
slots.push({ id: `${d}-${i}`, time: t });
|
||||
});
|
||||
}
|
||||
return slots;
|
||||
}
|
||||
```
|
||||
|
||||
### Brief response form (PANAS-short, 30s budget)
|
||||
```typescript
|
||||
interface ESMResponse {
|
||||
promptId: string;
|
||||
respondedAt: Date;
|
||||
latencyMs: number;
|
||||
affect: {
|
||||
valence: number; // -3..+3
|
||||
arousal: number; // -3..+3
|
||||
};
|
||||
activity: string; // dropdown: work | social | rest | exercise | other
|
||||
social: 'alone' | 'with_others';
|
||||
freeText?: string;
|
||||
}
|
||||
```
|
||||
|
||||
### Compliance tracking
|
||||
```typescript
|
||||
function complianceMetrics(responses: ESMResponse[], scheduled: number) {
|
||||
const completed = responses.length;
|
||||
const onTime = responses.filter(r => r.latencyMs < 15 * 60_000).length;
|
||||
const meanLatency = responses.reduce((s, r) => s + r.latencyMs, 0) / completed;
|
||||
return {
|
||||
completionRate: completed / scheduled, // target > 0.7
|
||||
onTimeRate: onTime / scheduled, // target > 0.5
|
||||
meanLatencyMin: meanLatency / 60_000,
|
||||
};
|
||||
}
|
||||
```
|
||||
|
||||
### Multilevel analysis (within vs between)
|
||||
```python
|
||||
import statsmodels.formula.api as smf
|
||||
|
||||
# 매 each row 매 prompt response, 매 participant_id 매 grouping
|
||||
model = smf.mixedlm(
|
||||
'valence ~ activity + social + time_of_day',
|
||||
data=df,
|
||||
groups=df['participant_id'],
|
||||
re_formula='~time_of_day',
|
||||
).fit()
|
||||
print(model.summary())
|
||||
# 매 within-person variance (situation) 매 between-person (trait) 의 separate
|
||||
```
|
||||
|
||||
### Sliding-window mood detection
|
||||
```typescript
|
||||
function detectMoodEpisode(responses: ESMResponse[], windowDays = 7, threshold = -1.5) {
|
||||
const sorted = [...responses].sort((a, b) =>
|
||||
a.respondedAt.getTime() - b.respondedAt.getTime());
|
||||
const episodes = [];
|
||||
for (let i = 0; i < sorted.length; i++) {
|
||||
const start = sorted[i].respondedAt;
|
||||
const end = new Date(start.getTime() + windowDays * 86400_000);
|
||||
const window = sorted.filter(r =>
|
||||
r.respondedAt >= start && r.respondedAt <= end);
|
||||
if (window.length < 5) continue;
|
||||
const meanV = window.reduce((s, r) => s + r.affect.valence, 0) / window.length;
|
||||
if (meanV < threshold) episodes.push({ start, end, meanV, n: window.length });
|
||||
}
|
||||
return mergeOverlapping(episodes);
|
||||
}
|
||||
```
|
||||
|
||||
### Privacy: 매 on-device aggregation
|
||||
```typescript
|
||||
// 매 raw responses 매 device 의 stay, 매 weekly summary 만 의 server 의 send
|
||||
async function uploadWeeklySummary(responses: ESMResponse[]) {
|
||||
const summary = {
|
||||
week: getCurrentWeek(),
|
||||
n: responses.length,
|
||||
valenceMean: mean(responses.map(r => r.affect.valence)),
|
||||
valenceStd: std(responses.map(r => r.affect.valence)),
|
||||
activityHistogram: histogram(responses.map(r => r.activity)),
|
||||
};
|
||||
await api.post('/esm/summary', summary);
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Trait measurement (depression baseline) | 매 ESM unnecessary — 매 single questionnaire 매 fine |
|
||||
| Within-day variation 의 question | 매 ESM signal-contingent |
|
||||
| Specific event 매 rare | 매 event-contingent |
|
||||
| Compliance fragile | 매 prompt count 의 reduce, 매 incentive |
|
||||
| Privacy-sensitive (clinical) | 매 on-device aggregation 또는 federated |
|
||||
|
||||
**기본값**: 매 6-8 prompts/day, 매 14 days, 매 30s response — 매 compliance > 70% 의 target.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Research-Methodology]]
|
||||
- 변형: [[Ecological-Momentary-Assessment]]
|
||||
- 응용: [[Flow_State|Flow-State]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 in-the-moment subjective state 의 measure. Within-person variance 의 study. Retrospective bias 의 likely.
|
||||
**언제 X**: 매 stable trait. 매 single-shot decision study. 매 intrusive sampling 매 acceptable 의 X.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Too many prompts**: 매 12+/day 매 fatigue → compliance crash.
|
||||
- **Long forms**: 매 5min response 매 ecological 의 break.
|
||||
- **Ignoring missing-not-at-random**: 매 prompts during depressive episode 매 skipped — 매 selection bias.
|
||||
- **Cross-sectional analysis 의 hierarchical data**: 매 multilevel model 의 use, 매 OLS 의 std error 의 underestimate.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Csikszentmihalyi & Larson 1987 JNMD; Shiffman et al. 2008 Ann Rev Clin Psych).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — ESM scheduler + analysis + privacy patterns |
|
||||
Reference in New Issue
Block a user