Die fortlaufend stärkere Durchdringung unseres Alltags mit digitalen Technologien wird besonders deutlich durch tragbare Geräte wie Smartphones, auf die jederzeit zugegriffen werden kann. Noch einen Schritt weiter gehen körpernah getragene, vernetzte Self-Tracking-Systeme wie Aktivitätstracker, welche kontinuierlich Bewegungsdaten und physiologische Parameter erfassen, algorithmisch aufbereiten und an die Nutzer*innen als quantifiziertes Feedback, oft zur Verhaltensmodifikation, zurückmelden. Diese spezifische Form der Interaktion zwischen Mensch und Technologie – körpernah, kontinuierlich, quantifiziert, vernetzt und persuasiv – ist für die Ingenieurpsychologie besonders relevant, da sie eine sehr enge Verbindung von Körper und Technik erfordert und spezifische Herausforderungen für die Stärkung der Selbstbestimmung ihrer Nutzer*innen bereithält. Einerseits dienen Aktivitätstracker der erleichterten Selbstreflexion durch Sichtbarmachung von Zusammenhängen, die zuvor verborgen blieben, wie etwa zwischen sportlicher Aktivität und Ruheherzfrequenz. Andererseits sollen Aktivitätstracker die Motivation für körperliche Verhaltensänderungen steigern. Die Nutzung von Aktivitätstrackern bewegt sich also potenziell in einem Spannungsfeld zwischen der Steigerung von Selbstbestimmung durch erweitertes Wissen sowie Aufzeigen von Handlungsoptionen und der Einschränkung der Selbstbestimmung durch persuasive Strategien zur Motivationssteigerung. Dieses Spannungsfeld bedingt neue Ansätze zur Beziehungsgestaltung zwischen Mensch und Trackingsystem. In der empirischen Forschung zur Nutzung von Aktivitätstrackern wird häufig darauf hingewiesen, dass ein Großteil der Nutzenden nach wenigen Wochen oder Monaten den kontinuierlichen Gebrauch beendet. Dieser Befund deutet daraufhin, dass Barrieren existieren, die die Langzeitnutzung unwahrscheinlicher machen. Des Weiteren wird immer wieder über negative Effekte der Trackernutzung berichtet, beispielsweise Stress. Allerdings ist auch bekannt, dass zahlreiche andere Personen ihr Trackingsystem über Jahre hinweg intensiv und erfolgreich gebrauchen. Es lässt sich also in Bezug auf die Nutzungstrajektorien eine bedeutsame Varianz feststellen, die es zu erklären gilt, um Self-Tracking-Anwendungen für diverse Nutzende gewinnbringend zu gestalten. Um diesem Vorhaben gerecht zu werden, ist es unabdingbar zu verstehen, welche individuellen Differenzen in der Gruppe der Nutzer*innen die Interaktion mit dem Aktivitätstracker, insbesondere in Bezug auf motivationale Aspekte, prägen. Dieser Herausforderung stellt sich die vorliegende Dissertation und greift dazu auf etablierte Theorien und Konzepte der Persönlichkeits- und Sozialpsychologie zurück. Da der theoriegeleitete Einbezug von Personenmerkmalen in die ingenieurpsychologische Forschung noch wenig vorangetrieben war, bestand zu Beginn des Promotionsvorhabens die Notwendigkeit, ein Konstrukt zu konzeptualisieren, welches zum einen auf einem stabilen psychologischen Theoriefundament steht und zum anderen spezifisch auf den Kontext der Mensch-Technik-Interaktion zugeschnitten ist. Im Rahmen der vorliegenden Dissertation wurde aus diesem Grund an der Herleitung der interaktionsbezogenen Technikaffinität (ATI) als kontextspezifische Variante der Denkfreude und ihrer Messbarmachung gearbei-tet. Insgesamt umfassten die Datenerhebungen zur Bestimmung der Gütekriterien der ATI-Skala fünf Datensätze mit über 1500 Teilnehmenden. Das Resultat der Skalenentwicklung ist ein unidimensionales, ökonomisches, reliables und valides Erhebungsinstrument der interaktionsbezogenen Technikaffinität (Artikel 1). Als relativ stabiles Persönlichkeitsmerkmal, das die Motivation zur Auseinandersetzung mit Technik grundlegend beeinflusst, wurde ATI in die folgenden Studien zur Interaktion zwischen Mensch und Aktivitätstracker miteinbezogen. Um die alltägliche, individuelle Mensch-Tracker-Interaktion umfassend zu verstehen und erklären zu können, wie es zu den unterschiedlichen Nutzungsverläufen kommt, müssen verschiedene Phasen der Nutzung untersucht werden. Zunächst ist zu klären, welche Motivatoren Menschen eigentlich dazu veranlassen, mit der Trackernutzung zu beginnen. Weiterhin ist die Nutzungsphase selbst zu beleuchten, um zu beschreiben, wie sich die oben beschriebene, spezifische Form der Trackerinteraktion auf die Nutzungserfahrung und anhaltende Motivation auswirkt und wie sich negative Nutzungskonsequenzen bemerkbar machen. Schließlich sind zum Verständnis der Nutzungstrajektorien die Gründe für den Abbruch zu berücksichtigen, sodass auch die Phase nach der Nutzung relevant ist. Da sich diese Dissertation dezidiert damit beschäftigt, wie sich die Interaktion mit Aktivitätstrackern im Alltag gestaltet, ist die Untersuchung der Nutzung in Stichproben von tatsächlichen bzw. ehemaligen Aktivitätstracker-Nutzer*innen angezeigt. Aus diesem Grund wurden zwei Online-Erhebungen durchgeführt, um ebendiese Stichproben zu erreichen. Das Ziel der ersten Studie (N = 210) war die quantitative Analyse von Nutzungsmotivationen sowie unintendierten, negativen Effekten der Trackernutzung im Alltagsgebrauch. Es zeigte sich, dass das Tracken sowohl zum Selbstzweck (intrinsische Motivation) als auch zur Erreichung eines externen Ziels (extrinsische Motivation) durchgeführt wird und diese Motivationstypen oft gleichzeitig auftreten. Darüber hinaus konnte gezeigt werden, dass negative Effekte in Form von Motivationsverlusten in Bezug auf die Trackernutzung und die körperliche Aktivität eine Rolle im Alltag vieler Nutzer*innen spielen. Die Wahrscheinlichkeit des Auftretens dieser Effekte wird teilweise von Personenmerkmalen wie ATI und der Nutzungsmotivation bestimmt (Artikel 2). Die zweite Studie nahm ehemalige Nutzer*innen (N = 159) in den Blick und fokussierte auf die Erfassung der Gründe für den Nutzungsabbruch sowie die Stabilität der Abbruchentscheidung. Die Ergebnisse machten deutlich, dass zahlreiche Nutzungsbarrieren für die Entscheidung, den Tracker abzulegen, ausschlaggebend sind. Außerdem sind die Abbruchentscheidungen oft nicht permanent, was auf eine episodische Trackernutzung hindeutet (Artikel 3). Schließlich wurden wiederum Personenmerkmale und außerdem Interaktionscharakteristika in Betracht gezogen, um die große Varianz hinsichtlich Abbruchgründen und -permanenz zu erklären. Die Analysen offenbarten unter anderem, dass eine episodische Nutzung (d. h. nicht endgültige Beendigung) wahrscheinlicher ist, wenn sich die Nutzungsmotivation durch einen hohen Grad an Selbstbestimmung auszeichnet (Artikel 4). Abschließend betonen die Befunde der Dissertation die zentrale Rolle der wahrgenommenen Selbstbestimmung im Kontext der Mensch-Tracker-Interaktion und geben Anlass für Designrichtlinien, die die Beziehung zwischen Trackingsystem und Nutzer*in mit all ihren gegenseitigen Abhängigkeiten und individuellen Merkmalen berücksichtigen, um so die Selbstbestimmung zu erhalten oder sogar durch vertieftes Selbstwissen zu stärken. / The ongoing permeation of our daily life with digital technologies is particularly evident in wearable devices such as smartphones, which can be accessed at any time. Wearable, connected self-tracking systems such as activity trackers go even a step further. They continuously record movement data and physiological parameters, process them algorithmically and provide quantified feedback to the user, often for behavioral modification. This specific form of interaction between humans and technology – close to the body, continuous, quantified, connected, and persuasive – is particularly relevant for engineering psychology, as it requires a very close connection between body and technology and poses specific challenges for strengthening the self-determination of its users. That is, on the one hand, activity trackers serve to facilitate self-reflection by revealing relationships which were previously hidden, such as the relationship between physical activity and resting heart rate. On the other hand, activity trackers are intended to enhance motivation for physical behavioral changes. The use of activity trackers thus potentially moves in a field of tension between the increase of self-determination through expanded knowledge as well as the identification of behavioral options and the restriction of self-determination through persuasive strategies to increase motivation. This tension requires new approaches to the design of relationships between people and tracking systems. Empirical research on activity tracker usage often highlights that a large proportion of users stop continuous use after a few weeks or months. This finding suggests the existence of barriers that make long-term use less likely. Furthermore, negative effects of tracker use, such as stress, are repeatedly reported. However, it is also known that many other users have enjoyed intensive and successful use of their tracking system for many years. Thus, a significant variance in usage trajectories can be observed, which needs to be explained in order to make self-tracking applications beneficial for diverse users. To meet this goal, it is essential to understand which individual differences in the group of users shape the interaction with their activity tracker, especially with respect to motivational aspects. This dissertation addresses this challenge by drawing on established theories and concepts of personality and social psychology. At the beginning of the dissertation project, the theory-based inclusion of personal characteristics in engineering psychology had not yet been sufficiently advanced. Thus, there was a need to conceptualize a construct which, on the one hand, stands on a stable psychological theoretical foundation and, on the other hand, is specifically tailored to the context of human-technology interaction. For this reason, the conceptualization of affinity for technology interaction (ATI) as a context-specific variant of need for cognition and its measurability took place within the context of the dissertation. In total, the data collection to determine the quality criteria of the ATI scale comprised five data sets with over 1500 participants. The result of the scale development is a unidimensional, economical, reliable, and valid survey instrument of ATI (Article 1). As a relatively stable personality trait that fundamentally influences motivation to engage with technology, ATI was included in subsequent studies of human-activity tracker interaction. In order to comprehensively understand the everyday, individual human-tracker interaction and to be able to explain how the various usage patterns occur, different phases of usage must be examined. First, it must be clarified which motivators actually cause a person to start using a tracker. Furthermore, the usage phase itself must be examined to describe how the specific form of tracker interaction described above affects the usage experience and ongoing motivation, and how negative usage consequences become apparent. Finally, to understand usage trajectories, the reasons for discontinuation need to be considered, hence the post-usage phase is also relevant. Since this dissertation decidedly focuses on the interaction with activity trackers in everyday life, the investigation of actual or former activity tracker users is indicated. For this reason, two online surveys were conducted to assess these actual (former) users. The aim of the first study (N = 210) was to quantitatively analyze motivations for usage as well as unintended, negative effects of tracker usage in daily use. It was shown that tracking is performed both for an end in itself (intrinsic motivation) and to achieve an external goal (extrinsic motivation), and that these motivation types often occur simultaneously. Furthermore, it was shown that negative effects in terms of motivation losses with respect to tracker use as well as physical activity play a role in many users' daily lives. The likelihood of these effects occurring is partly determined by personal characteristics such as ATI and motivation for usage (Article 2). The second study examined former users (N = 159) and focused on the reasons for discontinuing use and the stability of abandonment. The results indicated that numerous barriers to use are decisive for the decision to discontinue tracking. In addition, abandonment decisions are often not permanent, suggesting episodic tracker use (Article 3). Finally, person and interaction characteristics were considered to explain the large variance in abandonment reasons and permanence. The analyses revealed, among other things, that episodic use (i.e., not definitive termination) is more likely when the motivation for usage is characterized by a high degree of self-determination (Article 4). In conclusion, the findings of the dissertation emphasize the central role of perceived self-determination in the context of human-tracker interaction and give rise to design guidelines that take into account the relationship between the tracking system and the user with all its interdependencies and individual characteristics in order to preserve or even strengthen self-determination through deeper self-knowledge.

Biometric monitoring as part of workplace surveillance is an emerging phenomenon alongside the widespread use of self-tracking technologies. Among tools that are used for biometric monitoring of employees are technologies for menstrual tracking, and companies who have access to their employees menstrual data could use it against them to exert power, control, and discrimination. This project critically addresses questions of surveillance, privacy and productivity at the workplace as menstrual tracking technologies are being inserted into the workplace. It does so by applying a Research through Design (RtD) methodology and creating the fictional menstrual tracking application Career Cycles, which invites users to consider how menstrual technologies at the workplace could and should work. This project contributes to HCI research by demonstrating how a design artifact can engage users in critical discussion about the quantification of the menstruating body, menstrual surveillance at the workplace, and productivity. / Biometrisk övervakning av anställda som är ett framväxande fenomen vid sidan av den alltmer utbredda användningen av teknologier för självspårning. Bland verktyg som används för biometrisk övervakning av anställda finns teknologier för menstruationscykelspårning, och företag som har tillgång till deras anställdas menstruationsata data kan använda den för att utöva makt, kontroll och diskriminering. Detta projekt adresserar kritiskt upp frågor om övervakning, integritet och produktivitet på arbetsplatsen i samband med att teknologier för menstruationscykelspårning införs på arbetsplatser. Det görs genom att tillämpa en Research through Design-metod (RtD) och genom skapandet av den fiktiva mensspårningsapplikationen Career Cycles, som uppmanar användare att överväga hur mensteknologier på arbetsplatsen kan och bör fungera. Detta projekt bidrar till HCI-forskning genom att visa hur en designartefakt kan engagera användare i kritisk diskussion om kvantifiering av den menstruerande kroppen, menstruationsövervakning på arbetsplatsen, och produktivitet.

Le phénotypage numérique mobilise les nombreux capteurs du téléphone intelligent (p. ex. : accéléromètre, GPS, Bluetooth, métadonnées d’appels) pour mesurer le comportement humain au quotidien, sans interférence, et les relier à des symptômes psychiatriques ou des indicateurs de santé mentale. L’apprentissage automatique est une composante intégrale au processus de transformation de signaux bruts en information intelligible pour un clinicien. Cette approche émerge d’une volonté de caractériser le profil de symptômes et ses variations dans le temps au niveau individuel. Ce projet consistait à prédire des variables de santé mentale (p. ex. : stress, humeur, sociabilité, hallucination) jusqu’à sept jours dans le futur à partir des données du téléphone intelligent pour des patients avec un diagnostic de schizophrénie. Le jeu de données CrossCheck, composé d’un échantillon de 62 participants, a été utilisé. Celui-ci inclut 23,551 jours de signaux du téléphone avec 29 attributs et 6364 autoévaluations de l’état mental à l’aide d’échelles ordinales à 4 ancrages. Des modèles prédictifs ordinaux ont été employés pour générer des prédictions discrètes interprétables sur l’échelle de collecte de données. Au total, 240 modèles d’apprentissage automatique ont été entrainés, soit les combinaisons de 10 variables de santé mentale, 3 horizons temporels (même jour, prochain jour, prochaine semaine), 2 algorithmes (XGBoost, LSTM) et 4 tâches d’apprentissage (classification binaire, régression continue, classification multiclasse, régression ordinale). Les modèles ordinaux et binaires ont performé significativement au-dessus du niveau de base et des deux autres tâches avec une erreur moyenne absolue macro entre 1,436 et 0,767 et une exactitude balancée de 58% à 73%. Les résultats montrent l’effet prépondérant du débalancement des données sur la performance prédictive et soulignent que les mesures n’en tenant pas compte surestiment systématiquement la performance. Cette analyse ancre une série de considérations plus générales quant à l’utilisation de l’intelligence artificielle en santé. En particulier, l’évaluation de la valeur clinique de solutions d’apprentissage automatique présente des défis distinctifs en comparaison aux traitements conventionnels. Le rôle grandissant des technologies numériques en santé mentale a des conséquences sur l’autonomie, l’interprétation et l’agentivité d’une personne sur son expérience. / Digital phenotyping leverages the numerous sensors of smartphones (e.g., accelerometer, GPS, Bluetooth, call metadata) to measure daily human behavior without interference and link it to psychiatric symptoms and mental health indicators. Machine learning is an integral component of processing raw signals into intelligible information for clinicians. This approach emerges from a will to characterize symptom profiles and their temporal variations at an individual level. This project consisted in predicting mental health variables (e.g., stress, mood, sociability, hallucination) up to seven days in the future from smartphone data for patients with a diagnosis of schizophrenia. The CrossCheck dataset, which has a sample of 62 participants, was used. It includes 23,551 days of phone sensor data with 29 features, and 6364 mental state self-reports on 4-point ordinal scales. Ordinal predictive models were used to generate discrete predictions that can be interpreted using the guidelines from the clinical data collection scale. In total, 240 machine learning models were trained, i.e., combinations of 10 mental health variables, 3 forecast horizons (same day, next day, next week), 2 algorithms (XGBoost, LSTM), and 4 learning tasks (binary classification, continuous regression, multiclass classification, ordinal regression). The ordinal and binary models performed significantly better than the baseline and the two other tasks with a macroaveraged mean absolute error between 1.436 and 0.767 and a balanced accuracy between 58% and 73%. Results showed a dominant effect of class imbalance on predictive performance and highlighted that metrics not accounting for it lead to systematic overestimation of performance. This analysis anchors a series of broader considerations about the use of artificial intelligence in healthcare. In particular, assessing the clinical value of machine learning solutions present distinctive challenges when compared to conventional treatments. The growing role of digital technologies in mental health has implication for autonomy, sense-making, and agentivity over one’s experience.

The issue of angle instability has been widely discussed in the power engineering literature. Many control techniques have been proposed to provide the complementary synchronizing and damping torques through generators and/or network connected power apparatus such as FACTs, braking resistors and DC links. The synchronizing torque component keeps all generators in synchronism while damping torque reduces oscillations and returns the power system to its pre-fault operating condition. One of the main factors limiting the transfer capacity of the electrical transmission network is the separation of the power system at weak links which can be understood by analogy with a large spring-mass system. However, this weak-links related problem is not dealt with in existing control designs because it is non-trivial during transient period to determine credible weak links in a large power system which may consist of hundreds of strong and weak links. The difficulty of identifying weak links has limited the performance of existing controls when it comes to the synchronization of generators and damping of oscillations. Such circumstances also restrict the operation of power systems close to its transient stability limits. These considerations have led to the primary research question in this thesis, "To what extent can the synchronization of generators and damping of oscillations be maximized to fully extend the transient stability limits of power systems and to improve the transfer capacity of the network?" With the recent advances in power electronics technology, the extension of transfer capacity is becoming more readily achievable. Complementary to the use of power electronics technology to improve transfer capacity, this research develops an improved control strategy by examining the dynamics of the modes of separation associated with the strong and weak links of the reduced transmission network. The theoretical framework of the control strategy is based on Energy Decomposition and Unstable Equilibrium Points. This thesis recognizes that under extreme loadings of the transmission network containing strong and weak links, weak-links are most likely to dictate the transient stability limits of the power system. We conclude that in order to fully extend the transient stability limits of power system while maximizing the value of control resources, it is crucial for the control strategy to aim its control effort at the energy component that is most likely to cause a separation. The improvement in the synchronization amongst generators remains the most important step in the improvement of the transfer capacity of the power system network.

Indiana University-Purdue University Indianapolis (IUPUI) Indiana University School of Dentistry Master Degree Thesis. / Detection of caries at an early stage is unequivocally essential for early preventive intervention. Longitudinal assessment of caries lesions, especially under the opaque preventive sealant, would be of utmost importance to the dental community. OBJECTIVES: The aim of this two-part in-vitro study is to evaluate the performance of multiple detection methods: The International Caries Detection and Assessment System (ICDAS); two quantitative light-induced fluorescence systems QLF; Inspektor™ Pro and QLF-D Biluminator™2 (Inspektor Research Systems B.V.; Amsterdam, The Netherlands); and photothermal radiometry and modulated luminescence (PTR/LUM) of The Canary System® (Quantum Dental Technologies; Toronto, Canada). All these are to be evaluated on their detection of caries on posterior human permanent teeth for 1) of primary occlusal lesions, and 2) under the sealant of primary occlusal lesions. METHODS: One hundred and twenty (N = 120) human posterior permanent teeth, selected in compliance with IU-IRB “Institutional Review Board” standards, with non-cavitated occlusal lesions ICDAS (scores 0 to 4) were divided into two equal groups. The second group (N = 60) received an opaque resin dental sealant (Delton® Light-Curing Pit and Fissure Sealant Opaque, Dentsply, York, PA). All lesions were assessed with each detection method twice in a random order except for ICDAS, which was not used following the placement of the sealant. Histological validation was used to compare methods in regard to sensitivity, specificity, % correct, and the area under receiver- operating characteristic curve (AUC). Intra-examiner repeatability and inter-examiner agreement were measured using intraclass correlation coefficient (ICC). RESULTS: 1) Of primary occlusal lesions, sensitivity, specificity, and AUC values were respectively: 0.82, 0.86 and 0.87 (ICDAS); 0.89, 0.60 and 0.90 (Inspektor Pro); 0.96, 0.57 and 0.94 (QLF-D Biluminator 2); and 0.85, 0.43 and 0.79 (The Canary System). Intra-examiner repeatability and inter-examiner agreement were respectively: 0.81 to 0.87: 0.72 (ICDAS); 0.49 to 0.97: 0.73 (Inspektor Pro); 0.96 to 0.99: 0.96 (QLF-D Biluminator 2); and 0.33 to 0.63: 0.48 (The Canary System). 2) Of primary occlusal lesions under the opaque dental sealants, sensitivity, specificity, and AUC values were respectively: 0.99, 0.03 and 0.67 (Inspektor Pro); 1.00, 0.00 and 0.70 (QLF-D Biluminator 2); and 0.54, 0.50 and 0.58 (The Canary System). Intra-examiner repeatability and inter-examiner agreement were respectively: 0.24 to 0.37: 0.29 (Inspektor Pro); 0.80 to 0.84: 0.74 (QLF-D Biluminator 2); and 0.22 to 0.47: 0.01 (The Canary System). CONCLUSION: Limited to these in-vitro conditions, 1) ICDAS remains the method of choice for detection of early caries lesion due to its adequately high accuracy and repeatability. QLF systems demonstrate potential in longitudinal monitoring due to an almost perfect repeatability of QLF-D Biluminator 2. The Canary System performance and repeatability were not acceptable as a valid method of early caries detection. 2) None of the methods demonstrated acceptable ability in detecting of occlusal caries under the opaque sealant. However, QLF-D Biluminator 2, with limitation to these in-vitro conditions and Delton opaque sealant, demonstrated a fair accuracy AUC (0.70) in detecting of caries under sealants at an experimental threshold of 12.5% ΔF.