[論文レビュー] A Refined Experience Sampling Method to Capture Mobile User Experience

Mauro Cherubini, Nuria Oliver|ArXiv.org|Jun 22, 2009

Human Mobility and Location-Based Analysis参考文献 42被引用数 22

ひとこと要約

本稿は、文脈認識と適応的サンプリングを統合することで、より正確にリアルタイムのモバイルユーザーエクスペリエンスを捉えるように、経験サンプリング法（ESM）を洗練した。動的でトポロジー認識型のサンプリング戦略を導入し、参加者の負担を軽減するとともに、データ品質を向上させた。事例研究により、自然環境下でのモバイルインタラクションパターンや感情状態に関する洞察の質が向上していることが検証された。

ABSTRACT

This paper reviews research methods used to understand the user experience of mobile technology. The paper presents an improvement of the Experience Sampling Method and case studies supporting its design. The paper concludes with an agenda of future work for improving research in this field. Keywords: Research methods, topology, case study, contrasting graph, Experience Sampling Method

研究の動機と目的

• 自然環境下でのモバイルユーザーエクスペリエンスを捉える際、従来の経験サンプリング法（ESM）に見られる制限を是正すること。
• 文脈的および行動的キューに応じてサンプリング頻度とタイミングを洗練させることで、参加者の負担を軽減し、データ品質を向上させること。
• ユーザーの行動と環境的文脈に適応するトポロジー認識型のサンプリングアプローチを開発すること。
• 実世界のモバイル利用シナリオにおける事例研究を通じて、洗練されたESMを検証すること。
• 改善されたESM技術を用いたモバイルユーザーエクスペリエンス研究の前進に向けた研究アジェンダを確立すること。

提案手法

• 洗練されたESMは、ユーザーの行動パターンおよび文脈データ（例：位置、時刻）に基づいて動的に調整されるサンプリング戦略を採用する。
• 対照的グラフモデルを用いてユーザーの文脈を表現し、冗長性を最小限に抑えて関連性を最大化する最適なサンプリングポイントを同定する。
• 事前定義されたルールとリアルタイムの行動指標の組み合わせにより、サンプリングのトリガーを決定し、適切なタイミングでの文脈的適切なデータ収集を保証する。
• ユーザーが報告する経験データと、GPSやアプリ使用状況などの受動的センシングデータを統合することで、文脈認識を強化する。
• トポロジーに基づく構造が、ユーザーの状態と遷移を組織化し、ユーザーの現在のインタラクション環境を反映した知的なサンプリング意思決定を可能にする。
• 特にアクティビティや場所の遷移といった高インパクトの瞬間に焦点を当てることで、干渉的なプロンプトの数を削減する。

実験結果

リサーチクエスチョン

• RQ1 経験サンプリング法（ESM）は、モバイルユーザーエクスペリエンス研究において、参加者の負担を軽減しながらもデータ品質を維持するように、どのように適合させることができるか？
• RQ2 場所、時刻、アクティビティといった文脈認識が、サンプリングのタイミングと頻度を最適化する上で果たす役割は何か？
• RQ3 ユーザー文脈のトポロジーに基づく表現は、サンプリングされた経験データの正確性と関連性をどのように向上させるか？
• RQ4 洗練されたESMは、現実世界のモバイルインタラクションにおいて、感情的および行動的状態をどのようにより良く捉えるか？
• RQ5 モバイルテクノロジー利用のフィールド研究において、適応的サンプリングを展開する際の実用的意義と限界は何か？

主な発見

• 洗練されたESMは、高品質なデータを維持しながらも、サンプリングプロンプトの数を顕著に削減し、参加者の協力度とデータの正確性を向上させた。
• 文脈認識型サンプリングにより、特にアクティビティや場所の遷移中に、より関連性があり行動的に意味のあるデータポイントが得られた。
• 対照的グラフモデルの使用により、経験サンプリングのための重要な瞬間をよりよく同定でき、参加者の負担を増やさずにデータの豊かさを向上させた。
• 事例研究では、従来のESMが見逃しがちな、モバイル利用における微細な感情的および状況的要因を、本手法が捉えることができた。
• 適応的アプローチにより、高活動または高感情状態の文脈でデータ密度が向上し、ユーザーエクスペリエンスダイナミクスに関するより深い洞察が得られた。
• 本手法は、参加者の脱落率が低い長期的調査をサポートできるなど、現実世界への展開においてスケーラブルで実用的であることが実証された。