應用行動科技紀錄與研究人們日常生活行為與脈絡 7/16 hpx72
TRANSCRIPT
應用行動科技紀錄與研究人們日常生活行為與脈絡
張永儒 (Stanley Chang) HPX72
7.16.2015
關於我… • 博士後選人@密西根大學
• 研究領域
– Human Computer Interac?on (HCI) – Ubiquitous Compu?ng (Ubicomp) – Informa?on Behavior – Interac?on Design
人機互動
普及運算
資訊行為
互動設計
Mobile Data Collec?on • Methods • Tools
Mobile Informa?on Seeking
Mobile Crowdsourcing
Mobile Availability & Interrup?bility
Ubicomp Interac?on Design • Tools • Process
Environmental Cogni?on
Memory • Bias • ForgeSng • Reminiscing Language
Learning
Incen?ve-‐Design
今天你不會聽到:
• 行動科技一覽介紹
• 如何設計和製作行動科技
• 研究案例的細節
• 建議買哪一台來研究
廣告一下啊?
但你會聽到: • 傳統方法研究日常生活行為的缺點
• 行動科技的研究方法,例子,和趨勢
• 三個研究案例摘要
• 行動科技研究過程&注意事項
日常生活
食 衣 住行 育 樂
通訊 交友 購物
健康 心情 運動
上網 工作 其他你自己想
傳統方法
Survey • Facts, aStudes, opinion, tendency, general behaviors
• Large and broad samples • Quan?ta?ve analysis
Qualita-ve Methods • Focused on why and how in addi?on to what, where, when, how o+en
• Usually relies on small, in-‐depth samples • Requires interpreta?on
Diary Study • Repor?ng experiences & events in context. • Hourly, daily, weekly, monthly • More burden
調查時間
你早上幾點出門?
花了多少時間吃午餐?
你今天看了FB幾次?
看了多久?
用什麼看?為什麼看?
看完愉悅的程度?(1-‐5分)
現在請大家拿出你的手機
花一分鐘自拍 (歡迎跟旁邊一起,也歡迎打卡 J )
你剛自拍了幾張?
存了幾張?
跟誰一起自拍?
有打卡嗎?
Retrospec?ve vs.
Introspec?ve
(回顧)
(內省)
Encoding Problem Storage Problem Retrieval Failure Reconstruc?on Errors
為何Retrospec?ve不Reliable?
當然可能還有其他原因
可透過Memory Cues來幫助回憶 (e.g. Prompted Recall Diary, Daily Reconstruc?on Method)
行動科技特性:
• 你常常帶著它 • 離你很近 • 可以收集Data
Real Time Data Capture
Dr. Saul Shiffman Dr. Arthur Stone
Experience Sampling Method (ESM)
也稱為Ecological Momentary Assessment (EMA)
Capture in situ experiences
調查不同情況裡的行為
調查不同族群的行為
早期ESM工具
早期ESM工具
飲食,健康
隱私感受
Pa?l et al. 2014
心理狀態
Atz 2013 Weppner et al.2013
情境
Dunton et al. 2011
資訊需求 Every year since 2011 Google has run an annual study to learn what people really, really want to know, whether it’s something Google provides or not. It’s called Daily Informa?on Needs, but the psychologists at Google involved with the project just call it DIN. Here’s how the DIN study works: Google recruits subjects who agree to report their
informa?on needs to Google on demand. Eight ?mes a day Google randomly pings them, and they instantly respond with the ques?ons they want answered at that moment. At the end of the day, subjects compile a summary of their needs, no?ng what, if anything, they did to get their ques?ons answered and whether they were
successful. The study began with 50 people in 2011, grew to 1200 in 2012, and this year has a similar number. In addi?on to those US numbers, Google runs the study in a number of other countries. 新聞來源: heps://medium.com/backchannel/googles-‐secret-‐study-‐to-‐find-‐out-‐our-‐needs-‐eba8700263bf
Kathy Baxter
1. 沒有Recall Error的問題 2. 資料貼近現實生活的行為跟情境 3. 可研究較大量受試者
優點:
1. 你需要肯配合的受試者(是個挑戰) 2. 可能中斷受試者目前活動 3. 不宜太長 (e.g. 一個月) 4. 不適合研究需要注意力的活動 5. 不適合研究太頻繁或太少發生的
行為 6. 不適合需要打字較多的問題 7. Self-‐Selec?on Bias
缺點:
Context Extractor
Sensor Manager
App Manager
Network Manager
Power Manager
Google Play Service
Loca?on Requester
Ac?vity Requester
Sensors Sensors Sensors
Accessibility Service
Sensor Record
Ac?vity Record
Loca?on Record
App Record
NetworkRecord
Comm Manager
Interac?on Record
Power Record
Context Manager
Log Manager
RecordPool Record
Record Record Record
Record
Record
Record Record
Record
Record
Record Record
Local DB File system
Store Records
Record
Sensing & Logging Cloud Service
Web Service DB
Domains of Mobile Sensing Apps
Mobile Phone Sensing
Health Monitoring
Traffic Monitoring
Environment Monitoring
Social Interac?on
Special Purpose
Human Behavior
Commerce
Khan et al. 2013
App使用行為
TMT Do et al. 2011, Nokia
移動與通勤行為
移動與通勤行為
Fan et al. 2012
運動行為
加上Eco-‐Feedback
Lane et al., 2011
Froehlich et al. 2009
越健康跟越環保,動物越多
1. 耗電, 隱私及安全性上的顧慮 2. 可觀察趨勢, 但要靠自己腦補原因 3. 需要操作和分析資料的人材
缺點:
1. 大量觀察點, 可找趨勢, 相關性, 和作行為預測
2. Log有雜訊, 但不會騙人 3. Scalable, 且有現成的App
優點:
行動科技研究近年趨勢
把已記錄特定事件, 行為, 或情境放到日誌幫助受試者回顧
趨勢一: 手機Logging + Diary (Event-‐based Diary, Prompted Recall Diary)
Tjondronegoro and Chua, 2012
旅行日誌
Lane et al., 2011
健康日誌
• 可以針對特定事件發問
• 受試者回應可用來註釋該期間收集資料
• 可記錄不同形態資料來幫助受試者回憶 (照片, 聲音,影片,Loca?on, Sensor)
• 受試者回應可解釋記錄資料, 記錄資料可驗証受試者回應
優點:
缺點: • Diary變得很耗電
• 可能要自己開發工具(App & Backend) • 整合不同形態Data給受試者檢視需要功夫
透過穿戴式相機捕捉日常生活
趨勢二: Wearable Life-‐Logging
Lam et al. 2013
研究外出時間及活動
Chen et al. 2013
飲食行為
Gouveia & Karapanos, 2013
Wearable Logging + Diary
• 穿戴式相機或攝影機被認為較準確的方法
• 照片或影片比Sensor容易解讀,情境資料更豐富
• 可和手機Logging一起併用
• 可放在Diary幫助受試者記憶
優點:
缺點: • 受試者顧慮他人看法 • 可能需要大量時間人力整理及分析
• 多數照片沒有資訊性
• 目前沒有夠快拍攝速度的穿戴式相機可撐 >1天 – 電力限制, 容量限制
針對偵測到特定事件, 行為, 或情境發問
趨勢三: Context-‐Triggered ESM (event-‐con?ngent ESM)
研究手機Micro-‐Usage
Ferreira et al. 2014
Meschtscherjakov et al. 2011
研究開車行為
簡單實作例子:在家時手機放哪?
事件 種類
滿足 條件
時間 條件
離家<50m
位置
拿起手機
動作
最近五秒內
通知問卷A 動作
透過ESM拿到的情境資料和受試者回應來讓手機學習和預測行為
趨勢四: ESM & Logging For Machine Learning
預測會不會接電話
預測可不可以打擾
Pejovic & Musolesi 2014 Smith et al. 2014
Wearable + Phone Logging + ESM + Diary
當然你可以全部加在一起..
代價就是: 1. 容易失焦 2. 要做得更多
Break Time
三個研究案例 • 使用科技
• 研究流程
• 結果摘要分享
案例 I: A Diary Study of Informa?on Channel Selec?on of Mobile Users
工具:現成App, 方法:In Situ Diary
(Chang and Newman,2015)
研究目的: 了解Mobile User選擇如何獲得資訊的方式
描述情境 拍照
每次搜尋資訊時 拍照, 並回報搜尋資訊的目的, 情境, 跟最後選擇方式
照片
錄音內容
• Pre-‐Study • 十五周資料收集
• Skype及面對面訪談
• 10位常使用手機搜尋的智慧型手機使用者
• 5男5女,年紀26-30 • 除一位手機經驗皆>2年
• 工程師,設計師,研究生,業務,空服員
研究流程 受試者
212 Diary Entries 122為搜尋環境資訊
Topic Number Percentage Percentage in Environmental
Direc?on & Loca?on 53 25.00% 43.44%
Points of interest 37 17.45% 30.33% Local Service Info (schedule, hours, phone) 32 15.09% 26.23%
受試者選擇獲得資訊方式的主要原因: 1. 快,方便
2. 習慣 3. 沒別的方式 4. 資訊品質較好
應可從Survey或Interview獲得類似結果
但發現: 1. Uncertainty 的顧慮不常出現, 但
一旦出現影響巨大 (尤其時間緊急時)
2. 通常是Local infrastructural Informa?on受試者最不確定可否獲得
73
案例 II: Inves-ga-ng Mobile Users' Ringer Mode Usage and AJen-veness and Responsiveness to Communica-on
工具:自行開發App 方法:Logging, Event-‐based Diary
(Chang and Tang,2015)
研究目的: 了解Mobile User如何使用鈴聲系統, 以及鈴聲對觀看與回應訊息的相關性
Silent Vibrate Normal
Android 5.x Android 4.x
鈴聲系統
iOS
• Pre-‐Study • 2 –week Collec?on – Logging – Event-‐Based Diary
• Post-‐Study – Label Acqusi?on – Survey – Interview
• 38位Android手機使用者(完成人數:28)
• 16男12女,年紀大多介於18-35
• 每日用手機傳收訊息 • 各種全職職業和研究生
研究流程 受試者
監控事件:
• 所有語音通話,傳收訊息,發送E-mail動作
• 與通知有關的動作(移除,選取,觀看)
• 調整鈴聲模式
記錄資訊:
• 位置,各種Sensor,網路,電量,聯絡人(如果有)
監控, 偵測, 記錄
78
追蹤受試者資料 • 要求受試者至少每兩天要將手機連一次Wifi來上傳資料 • 發現兩天以上有異樣情況寫信給受試者 – 沒有Data (Android各式各樣問題很多) – 沒有回Diary
• 必要時要延長研究時間
80
事件問題
偵測到事件
• Unread no?fica?ons • Missed calls • Changing ringer modes
Event-‐Based Diary
81
Post Study: 標記位置
82
Post Study: 標記聯絡人 Key Contact -‐331219352 Wife 985669065 Voicemail -‐1783692631 Boss 905274088 Telemarketer 1232783555 BasketballFriend 2580550 Myself
一個事件的記錄: 1.37687E+12 OUTGOING_MSG 8/18/2013 18:46:17 OutNoResponse NA NA 46.56389999 -‐81.13970184 1.37687E+12 -‐685505735 NULL com.android.mms.ui.ComposeMessageAc-vity com.android.mms null Normal Mod 1 5 s-ll 61 gps 1 1 -‐9999 -‐87 -‐9999 Wifi 1 1 0.867367983 0.15388 6.400090218 6.513850212 FaceUp 6 5 NA NA NA NA NA NA NA 3.51746E+14 46:24.3 null null 0.899999976 Not Charging 7 null Home MondayBaseballCaptain NULL NULL
記錄到434,525事件, 81.3%是收到手機通知
84
確認已經標記位置
輸入受試者ID讓資料跟問卷做連結
問題例子I: 自我評估程度(可跟Log比對)
Post Study: 問卷調查
問題例子II: 問Typical情況(可跟Diary比對)
85
Post Study: 回顧訪談
一些記錄到的例子…
0%
20%
40%
60%
80%
100%
Inferred Ringer Mode Usage From Logs
Ringer Silent Mode (%):
Ringer Vibrate Mode (%):
Ringer Normal Mode (%):
0%
20%
40%
60%
80%
100%
Self-‐Reported Ringer Mode Usage (From Survey)
Ringer Silent Mode (%):
Ringer Vibrate Mode (%):
Ringer Normal Mode (%):
對照Self-‐Report和Log
1. 期待有通知進來
2. 怕被干擾
3. 怕打擾環境
Diary & Survey: 三個主要調鈴聲的理由
a.Missed 51%
b.Busy 12%
c.Chose 20%
d.Ignore 6%
e.OtherDev 6%
??? 5%
Diary: 沒看手機通知的理由
832 Valid Responses
0
50
100
150
200
250
300
350
From Normal From Silent From Vibrate
To Normal
To Silent
To Vibrate
Log: 震動比完全靜音受歡迎
0 2 4 6 8
10 12 14 16 18 20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Catchup
Home
NA
Other
Social
Sta?on
Work
Log: 調鈴聲Paeern
調成Silent
PhoneIn
PhoneOut
SMSIn
SMSOut
MMAIn
MMAOut VOIP VideoChat
SMSChat
SMSAsync MMAAsync
MMAChat
受試者在不同模式上回應訊息
Log: 使用手機的Paeern
0%
20%
40%
60%
80%
General AJen-veness
0%
20%
40%
60%
80%
AJen-veness to Incoming SMS New
0%
20%
40%
60%
80%
AJen-veness to Incoming SMS Chat
Log: 不同鈴聲下看通知和SMS訊息的速度和模式
0%
5%
10%
15%
20%
25%
30%
35%
<6 6-‐12 12-‐18 18-‐24 24-‐30 30-‐36 36-‐42 42-‐48 48-‐54 54-‐60 >60
% of Sessions
Average Minutes Per AJending Ac-on in a Session
Silent Vibrate Normal
Log: 每一個鈴聲Session下的看通知平均速度
Responsiveness to New Message
Responsiveness to Chat Message
0.0%
20.0%
40.0%
60.0%
80.0%
100.0%
Responsiveness to Aeended SMS
Overall Responsiveness
Silent
Vibrate
Normal
Overall
0.0%
20.0%
40.0%
60.0%
80.0%
100.0%
Responsiveness to Aeended SMS
Overall Responsiveness
Silent
Vibrate
Normal
Overall
Log: 不同鈴聲訊息回應率
案例 III: A Field Study Comparing Approaches to Collec-ng Annotated Ac-vity Data in Real-‐World Sedngs
工具:自行開發App (Minuku) 方法:Logging, ESM, Diary, Wearable Camera
(Chang et al.,2015a)
研究目的: 比較並找出透過Mobile User收集行為資料的有效方式
收集交通行為資料
任務:
錄下並標記交通行為(e.g. 開車)
Logging
Annota?ng
三種方式: • Par?cipatory (PART) • In Situ (SITU) • Post Hoc (POST)
Tool: Minuku
Par?cipatory (PART) 受試者主動參與
In Situ (SITU) ESM:偵測交通模式後通知註記
Post Hoc (POST) Prompted Recall:偵測交通模式後記錄,晚點註記
要(請)求受試者整天戴穿戴式相機
為了保護隱私權,我們允許受試者不舒服時拿掉相機,他們有七天可檢視並刪除照片.但我們強調我們很想要戶外照片
收集Ground Truth
當時候選相機: SenesCam MeCam Narra?ve Clip Parashoot Looxcie GoPro
選擇穿戴式相機 選擇條件: • 容量跟電力可以撐至少兩天 (受試者很可能忘記上傳照片或充電) • 拍攝速度越快越好 • 容易上傳照片 • 相機不顯眼
最終選擇Narra?ve Clip
• Pre-‐Study • 12-‐Day Data Collec?on – Logging – Photos – Event-‐Based Diary – (ESM)
• Post-‐Study – Interview
• 37位Android手機使用者(完成人數:29)
• 16男13女,年紀大多介於18-35
• 每天固定通勤的人 • 公車:10,車子:13, 走路:4,腳踏車:2
• 各種全職職業和研究生
研究流程 受試者
受試者提供的旅程Recording: • 三個方式都要使用, 一個方式四天, 順序隨機
• 每天至少錄兩段,多錄一段就給15台幣
被動記錄資料:
• 位置,Google Ac?vity Recogni?on,手機電量
(手機靜止的時候不記錄Loca-on)
Logging
• 使用雲端硬碟上傳照片
• 受試者每天將相機連結電腦上傳照片到雲端資料夾,並順便充電
109
錄了但沒標記到的旅途
沒錄到的旅途
1. 詢問沒錄到或沒標記到的旅途的原因
2. 每天遇到的挑戰困難
Event-‐Based Diary
110
追蹤受試者資料 • 要求受試者至少每兩天要將手機連一次Wifi來上傳資料 • 發現兩天以上有異樣情況寫信給受試者 – 沒有Data (各種問題都可能出現) – 沒有回Diary
• 必要時要延長該受試者參與時間
111
追蹤受試者照片 • 要求受試者至少每兩天要將電腦連一次Wifi來上傳照片
• 照片上傳不像Log這麼快
– 量多
– 受試者要花時間檢視和刪除照片,所以通常只能追蹤數量而不看內容
• 需要檢查照片看鏡頭是否有被衣服遮住
112
Post Study: 回顧訪談 • 每個方式遇到挑戰困難
• 每個方式的標記策略
• 喜歡每個方式的什麼地方 • 希望怎麼改進每個方式
• 有效照片117,000張
• 兩位Coder從照片找旅程 Start
End
Post Study: Code照片 (Chang et al.,2015b)
Post Study: Ac?vity Logs
AR 2014-‐08-‐14 15:06:08 -‐0400 1408043168971 s?ll:69;;in_vehicle:31 42.2793599,-‐83.7473669 Screen_off
AR 2014-‐08-‐14 15:06:08 -‐0400 1408043168974 s?ll:69;;in_vehicle:31 Screen_off AR 2014-‐08-‐14 15:06:19 -‐0400 1408043179130 ?l?ng:100 42.2798329,-‐83.7473109 Screen_off AR 2014-‐08-‐14 15:06:19 -‐0400 1408043179133 ?l?ng:100 Screen_off AR 2014-‐08-‐14 15:06:28 -‐0400 1408043188915 in_vehicle:35;;unknown:31;;s?ll:23;;on_bicycle:6;;on_foot:6;;unknown:6 42.2800935,-‐83.7472938 Screen_off AR 2014-‐08-‐14 15:06:28 -‐0400 1408043188942 in_vehicle:35;;unknown:31;;s?ll:23;;on_bicycle:6;;on_foot:6;;unknown:6 Screen_off AR 2014-‐08-‐14 15:06:49 -‐0400 1408043209704 in_vehicle:75;;s?ll:21;;on_bicycle:2;;unknown:2
42.2804274,-‐83.7466806 Screen_off AR 2014-‐08-‐14 15:06:49 -‐0400 1408043209707 in_vehicle:75;;s?ll:21;;on_bicycle:2;;unknown:2
Screen_off PROBETR 2014-‐08-‐14 15:06:55 -‐0400 1408043215177 Cancel Suspec?on: state:Confirmed Screen_off AR 2014-‐08-‐14 15:06:55 -‐0400 1408043215440 in_vehicle:77;;on_foot:8;;s?ll:8;;unknown:8;;unknown:8
42.280416,-‐83.746497 Screen_off AR 2014-‐08-‐14 15:06:55 -‐0400 1408043215443 in_vehicle:77;;on_foot:8;;s?ll:8;;unknown:8;;unknown:8
Screen_off AR 2014-‐08-‐14 15:07:01 -‐0400 1408043221268 in_vehicle:92;;unknown:8
42.2804114,-‐83.7461414 Screen_off AR 2014-‐08-‐14 15:07:01 -‐0400 1408043221272 in_vehicle:92;;unknown:8 Screen_off AR 2014-‐08-‐14 15:07:04 -‐0400 1408043224499 in_vehicle:100 42.2803906,-‐83.745874 Screen_off AR 2014-‐08-‐14 15:07:04 -‐0400 1408043224514 in_vehicle:100 Screen_off AR 2014-‐08-‐14 15:07:09 -‐0400 1408043229534 in_vehicle:100 42.2803725,-‐83.7455124 Screen_off AR 2014-‐08-‐14 15:07:09 -‐0400 1408043229537 in_vehicle:100 Screen_off AR 2014-‐08-‐14 15:07:14 -‐0400 1408043234582 in_vehicle:100 42.2803703,-‐83.7450593 Screen_off
• 搜尋交通模式關鍵字判斷時間
• 模糊地帶很多
Post Study: Loca?on Logs • 用Google Earth播放Location
Intraclass correla-on = 87.4%
結合照片與Log產生: 1,414 旅程
受試者產生: 3,070 Recordings 2,587 Valid Recordings 1919 Labeled Recordings 994 Noted Recordings
0
300
600
900
1200
1500
All Recording Valid Recording Labeld Recording Noted Recording In Situ Labeling Par?cipatory Labeling
Post Hoc Labeling Linear (Par?cipatory Labeling)
Linear (In Situ Labeling) Linear (Post Hoc Labeling)
做的事越多, 自動優勢越小
受試者收集的Recording數目 (8/12 – 12/3 )
0
20
40
60
80
100
120
140
u1 u10 u11 u12 u13 u14 u15 u18 u19 u2 u20 u22 u23 u24 u26 u28 u29 u30 u31 u33 u34 u35 u36 u37 u4 u5 u7 u8 u9
In Situ Labeling Par?cipatory Labeling Post Hoc Labeling
PART vs. SITU vs. POST 量化分析 • 與Ground Truth相比的情況下, PART 收集的有效資料時間最長, 最少雜訊, 時間最準 – SITU和POST自動錄很多旅程, 但受試者不一定會去標記
– SITU和POST會切割旅程, 造成中間資料流失 – SITU和POST都有偵測時間造成的Delay
• 走路比開車和公車的資料含更多雜訊, 也Miss最多部分
PART vs. SITU vs. POST 質化分析 • 認為自動化很方便, 但想要能夠控制 • 希望有選擇的彈性 • 減少負擔 • Context-‐Aware(情境感知)若準確可造成愉悅使用者經驗, 但若不準確很可能觸怒使用者
一般研究步驟:
Pre-‐Study Data Collec?on Post-‐Study
• 確認研究問題和目標群眾
• 想好Incen?ve • 準備收集資料的Mobile App • 測試 (lab & pilot tes?ng) • 尋找研究受試者
• 研究的行前確認
Pre-‐Study Data Collec?on Post-‐Study
確認研究問題
• 要研究的行為和情境是否適合透過手機
研究?抓得到嗎?多常發生?一次發生多
久?
• 如果用其他研究方法,得到的資料差異性
在哪裡?
• 目標群眾是否有手機,是否可安裝你的
App,有多少手機使用經驗?
準備收集資料的系統 • 要記錄什麼? 要偵測什麼? 要不要受試者input? 受試者需不需要檢視記錄的資料?
• 資料收集頻率與方式?會不會用到他們的手機網路?
• 需不需要自己開發App?後端?
• 存資料的格式: 效能 vs. 好處理
• 每款手機sensor設定皆可能不同
找研究受試者 • 建議先用問卷過濾受試者
• 問卷包含以下問題:
– 手機使用經驗,常用App
– 使用手機廠商,型號,OS
• 找接下來不會長期旅行的受試者
• 先說明會記錄跟追蹤的資料
行前確認 • 敘述研究目的
• Informed Consent – 說明如何收集, 處理, 和保存資料 – 先提醒他們App Logging會耗電
• 同意參與後安裝App
• App使用教學
– 最好有文件可供參考
• 追蹤資料收集進度
• 與受試者互動
Pre-‐Study Data Collec?on Post-‐Study
追蹤資料 • 記得將身份與手機做連結
• 1-2天追蹤一次並記錄
• 請工程師設計一套好追蹤資料的機制
• 若為透過Wifi上傳資料,多給予時間
與受試者互動 • 儘量客氣跟保持善意
• 定期主動跟受試者聯絡(代表你有在注意)
• 不要討論細節,他們會認為你在持續偷窺他們 (就算你真的是)
• 鼓勵他們研究過程遇到問題或不順心就與你聯絡,
• 問卷(如果需要)
• 訪談(建議有)
• 給獎勵
• 彙集和處理資料, 移除個人聯絡資訊
• 分析資料
Pre-‐Study Data Collec?on Post-‐Study
研究後調查及訪談 • 有些資訊需要受試者給予有意義的註解:地方,聯絡人關係
• 看是否需要了解General behavior • 看了資料後,決定是否需要更深入調查特定行為及情境
• 若要訪談, 帶著(視覺化後)的資料幫助他們回憶
彙集處理資料 • 以研究目標為主軸來處理資料
– 因為整理的方式太多種
• 注意Log裡的雜訊,例外,和模棱兩可情況,魔鬼常藏在細節裡
• 質性與Log可分開分析, 但結合在一起資料會更有意義
• 記得移除與身份聯結的資訊
結論
Challenges • 收集, 整理, 和處理不同形態的資料 – 需要有技術人才
• 讓受試者長期合作 • 隱私, 信任, 和安全性問題 • Log只能用來”推測”行為 • 耗電問題
• 行動科技有其他方法無法取代的優點, 但也有其缺點和限制
• 質化解釋量化,量化驗證質化
• 非適用所有研究,也非所有行為都可以感測的到
• 回到原始點: 你想研究什麼?
Takeaways
• 如何Logging • 如何整理Data • 如何執行ESM • 哪裡有免費工具 • 如何用其他行動科技研究 (e.g. 智慧手機,運動手環,穿戴攝影機)
What I didn’t tell you
免費Sensing & ESM APP
MIT Funf PACO Intel Sensing SDK
Emo?on Sense ohmage AWARE
需要ESM靈感?試試這些
heps://www.onx.ms/ heps://iwe.com/
相關書目
Google I/O 2014 -‐ Don't Listen to Users, Sample Their Experience! Video: heps://www.youtube.com/watch?v=v1KKsLukIBE
相關ESM影片
Stanley Chang: [email protected] FB: armuro.chang
謝謝聆聽