Zespół badawczy ocenił, czy lekkie modele jezykowe mogą przewidywać poziom stresu bezpośrednio na smartfonach, bez wysyłania danych do chmury. Wykorzystano podejście zero-shot prompting, testując jak dokładne przewidywania osiągają modele wraz z pomiarem ich opóźnienia i przepustowości.
Wyniki wskazują, że dane ze źródeł obiektywnych - czyli sensorów w urządzeniu - nieznacznie przewyższają subiektywne samopomiary użytkowników. Kluczowe odkrycie dotyczy skalowania: modele poniżej 2 miliardów parametrów działają wystarczająco szybko na typowych telefonach, zachowując przewidywalny przydział pamięci i mocy obliczeniowej. To oznacza, że aplikacje zdrowotne mogą analizować dane dotyczące stresu bez dostępu do internetu.
Badanie podkreśla zarówno potencjał on-device inference dla ochrony prywatności w monitorowaniu zdrowia psychicznego, jak i realne ograniczenia tego podejścia. Lekkie modele nie zawsze dorównują większym wersjom, ale nadal oferują akceptowalny kompromis między dokładnością a dostępnością zasobów na mobilnych urządzeniach zdrowotnych.