[论文解读] Intelligent Notification Systems: A Survey of the State of the Art and Research Challenges

Abhinav Mehrotra, Mirco Musolesi|arXiv (Cornell University)|Nov 28, 2017

Personal Information Management and User Behavior参考文献 92被引用 18

一句话总结

本综述全面分析了利用用户上下文和行为建模来优化通知时机并减少干扰的智能通知系统。通过整合基于传感器的上下文感知与机器学习技术以预测用户的可中断性，该系统提高了用户对通知的接受度，同时最小化了对任务表现和用户情绪的负面影响。

ABSTRACT

Notifications provide a unique mechanism for increasing the effectiveness of real-time information delivery systems. However, notifications that demand users' attention at inopportune moments are more likely to have adverse effects and might become a cause of potential disruption rather than proving beneficial to users. In order to address these challenges a variety of intelligent notification mechanisms based on monitoring and learning users' behavior have been proposed. The goal of such mechanisms is maximizing users' receptivity to the delivered information by automatically inferring the right time and the right context for sending a certain type of information. This article provides an overview of the current state of the art in the area of intelligent notification mechanisms that relies on the awareness of users' context and preferences. More specifically, we first present a survey of studies focusing on understanding and modeling users' interruptibility and receptivity to notifications from desktops and mobile devices. Then, we discuss the existing challenges and opportunities in developing mechanisms for intelligent notification systems in a variety of application scenarios.

研究动机与目标

• 解决移动通知日益严重的干扰问题，该问题会损害任务表现和用户福祉。
• 识别当前通知系统在适应用户实时上下文和可中断性方面存在的局限性。
• 综述利用传感器数据和行为模式建模用户接受度的最先进方法。
• 强调需要开展大规模、真实环境下的评估，以确保生态效度和可推广性。
• 概述在多样化设备和上下文中设计自适应、以用户为中心的通知系统所面临的开放挑战。

提出的方法

• 系统性回顾基于移动和桌面设备数据的用户可中断性和接受度研究。
• 分析利用物理和认知上下文（如活动、位置、设备使用情况）推断最佳通知时机的上下文感知通知机制。
• 根据来源（人为或机器生成）和与用户上下文的相关性，对通知类型进行分类。
• 使用在自然环境中从真实用户收集的离线数据集，评估可中断性预测模型。
• 整合大规模研究（如 Sahami et al., 2014；Mehrotra et al., 2015）的发现，以评估真实世界中的用户行为。
• 提出需要具备自适应能力的系统，能够从用户交互中学习并动态调整通知策略。

实验结果

研究问题

• RQ1 在移动和桌面环境中，哪些上下文因素显著影响用户对通知的接受度？
• RQ2 当前的智能通知系统如何利用基于传感器的上下文来建模和预测用户的可中断性？
• RQ3 现有可中断性预测模型的关键局限性是什么，特别是在生态效度和可扩展性方面？
• RQ4 通知类型（如社交、促销、系统提醒）如何影响用户的接受度和忽略行为？
• RQ5 在跨多样化用户人口和社交情境下大规模部署智能通知系统面临哪些开放挑战？

主要发现

• 在不适当时间发送的通知会显著干扰正在进行的任务，并对用户的情绪状态产生负面影响。
• 用户经常忽略无关或无趣的通知（如应用更新、游戏邀请），表明对非紧急提醒的接受度较低。
• 当前的可中断性模型主要通过离线方式评估，限制了其在真实世界中的有效性和鲁棒性。
• 迫切需要开展大规模、真实环境下的部署，以在多样化人群和环境中验证预测模型。
• 现有系统往往未能充分考虑认知和身体上下文，导致通知时机不理想并引发用户不满。
• 将上下文推理与自适应学习机制相结合，可显著提升通知的有效性与用户体验。