提出了一种通过构建假社交网络并使用复杂的网络分析与表示学习来改进智能手机应用中的信用评分模型，以实现增强金融包容，提高全球金融福祉的方法。

Jan, 2020

本文研究表明，相较于传统机构数据，利用基于应用程序的市场的替代数据对信用评分模型的影响。这些替代数据来源已经在传统银行和金融机构未能满足需求的人群中展现出巨大的预测借款人行为的能力。结果揭示，在两个国家得到了确认，这些新型数据来源特别适用于预测财务行为中低财富和年轻人，而这类人也是最有可能借助替代性贷款的人群。此外，通过使用 Stochastic Gradient Boosting 解释的 TreeSHAP 方法，我们的结果也显示，这些应用程序来源的变量存在着有趣的非线性趋势，这些趋势对于传统银行而言不是常见的信息。因此，这些研究结果展现了技术公司识别替代数据来源并妥善处理这些新信息的机会与挑战。同时，需要注意的是，替代数据必须经过认真的验证才能克服不同管辖区域的法规障碍。

May, 2020

本文介绍了使用通话记录等大数据源以增强信用评分模型的性能及经济效益的研究。利用不同数据集结合社交网络分析技术，本文得出结论：在信用评分模型中融入通话记录等数据，可以显著提高其统计和经济性能，尤其是在利用利润度量和利润相关选择特征等方面。此外，调用行为特征不仅是其他模型中最具有预测性的特征，而且用它构建模型可以获得最佳利润。

Feb, 2020

通过手机传感器收集的活动数据可可靠地预测人的个性。使用从加速度计记录和运动模式计算出的指标，我们能够在两类问题上预测用户的个性，F1 得分最高可达 0.78。这些新颖的个性指标为社会科学的未来研究开辟了新的途径。我们的结果揭示了不同的行为模式，这些模式对五个大的人格特征有不同的预测作用。它们为无问卷调查地研究与个性相关的问题提供了成本效益高、前所未有规模的可能性。总体而言，本文展示了通过智能手机传感和机器学习技术获取丰富的行为数据如何促进个性研究，并能够为从业者和研究人员提供有关个性不同行为模式的信息。这些发现对于利用移动传感器数据进行个性评估的组织具有实际意义，并将指导未来更精确和高效的预测模型的改进。

Jan, 2024

本研究利用深度学习直接对原始手机元数据建模，通过时间模式预测用户的基本人口统计信息，包括年龄和性别，并通过对模型假设的验证，获得了最先进的预测准确性。

Nov, 2015

通过对高自杀风险人群进行研究，本文从语言和移动文本的多模态表示等方面分析了手机使用行为与情绪的关联，并提出一种保护隐私的深度学习方法来提高智能手机数据的使用价值。

Jun, 2021

该论文提出了一个深度学习模型，用于分析 1995 年至 2014 年间 1.2 亿个贷款的起始和每月表现记录，该模型涉及贷款特定和宏观经济变量，并揭示了多重贷款风险的高度非线性性及其与失业率等变量之间的紧密联系。

Jul, 2016

本文基于一份葡萄牙通讯数据集的 100,000 名匿名用户数据，探索了移动设备数据集中用户的社交网络、时间动态和移动通讯行为之间的联系，并通过聚类和主成分分析发现地理位置是影响人类行为的最重要因素之一。研究结果表明，通过聚类方法可以鲁棒地识别用户的家庭和办公室，并且其通勤距离可以通过引力模型进行合理地解释。

Nov, 2012

使用手机数据和人口统计数据，基于聚合的匿名化人类行为数据进行犯罪预测，实验结果表明，该犯罪预测模型在伦敦的真实犯罪数据上的准确率接近 70%，结果对数据驱动式犯罪分析具有重要意义。

Sep, 2014

本文针对墨西哥手机用户人口的性别和年龄分组进行了观察研究，并提供了一种使用通话模式和通讯图的新型预测方法，可用于预测未标记用户的年龄和性别特征。

Nov, 2015