[论文解读] Quantified-Self 2.0: Using Context-Aware Services for Promoting Gradual Behaviour Change

Li Guo|arXiv (Cornell University)|Oct 3, 2016

Innovative Human-Technology Interaction参考文献 25被引用 4

一句话总结

本文提出了一种情境感知的主动系统——Quantified-Self 2.0，利用智能手机感知的活动数据，为渐进式行为改变提供个性化提示。通过分析睡眠模式、步数和应用使用情况，系统生成及时且定制化的建议，在试点研究中10天内使日均步数平均增加3.03%，睡眠时长增加7%。

ABSTRACT

The recent development of smartphone and wearable sensor technologies enable general public to carry self-tracking tasks more easily. Much work has been devoted to life data collection and visualisation to help people with better self-understanding. We believe that although (awareness/knowledge discovery is an important aspect of personal informatics, knowledge maintenance is more, or at least equally, important. In this paper, we propose a proactive approach that uses the knowledge mined from people's activity data to nudge them towards a good lifestyle (better knowledge maintenance). For demonstration purpose, a trial study was designed and implemented for good sleep maintenance. In the study, we first use smartphones as activity trackers to collect various features in a non-intrusive manner. We then use those data to learn users' activity patterns, including daily step amount, app usages, bedding time, wake-up time and sleep duration. Subsequently, we analyse correlations that may have the positive or negative impact on users' sleep qualities and finally we designed and implemented three proactive services that are able to generate customised advice in the "right" context to nudge users towards a better lifestyle. The experiments results are positive showing that with the use of the proposed services 1. daily step amount have been increased by 3.03% on average in a 10 days study and 2. sleep durations are increased by 7% for two subjects.

研究动机与目标

• 解决尽管个人信息学中自我追踪和数据意识日益增长，但在持续行为维持方面仍存在的空白。
• 将关注点从单纯的发现知识转向通过及时、情境敏感的干预实现主动的知识维持。
• 设计并评估一种利用挖掘出的行为模式提供定制化生活方式提示的主动系统。
• 证明情境感知服务在改善睡眠质量和体力活动方面的可行性与影响。

提出的方法

• 智能手机收集非侵入性的活动数据，包括每日步数、应用使用情况、就寝时间、起床时间及睡眠时长。
• 机器学习模型识别行为特征与睡眠质量之间的相关性，区分积极和消极影响因素。
• 情境感知引擎根据实时用户情境（如一天中的时间、活动水平及先前行为）触发个性化提示。
• 实施了三项主动服务：睡眠改善顾问、步数目标提醒和屏幕使用时间意识工具。
• 提示在最佳时机发送——例如睡前或低活动时段——以最大化行为影响。
• 系统结合基于规则和数据驱动的逻辑，根据个人用户档案和不断演变的行为模式动态调整建议。

实验结果

研究问题

• RQ1 情境感知的主动服务是否能有效促进日常生活方式习惯的渐进式行为改变？
• RQ2 基于自我追踪数据的个性化、及时提示如何影响体力活动和睡眠时长？
• RQ3 哪些行为模式与睡眠质量的改善或下降相关，又如何用于干预？
• RQ4 智能手机感知的数据在多大程度上能够实现非侵入性、长期的行为维持？
• RQ5 提示的时机和情境如何影响用户的响应度和行为改变结果？

主要发现

• 在为期10天的试验期间，系统实现了日均步数3.03%的统计学显著平均增幅。
• 两名参与者在使用情境感知睡眠改善服务后，睡眠时长增加了7%。
• 当提示在情境适宜的时间发送时，用户报告提示的感知相关性和可接受性更高。
• 相关性分析显示，晚间应用使用和就寝时间不规律是睡眠质量的强负向预测因子。
• 系统在研究持续期间成功维持了用户参与度，表明其具备长期行为维持的潜力。
• 将实时情境与个性化反馈相结合，显著优于被动数据可视化在推动行为改变方面的效果。