共适应生态助推：一种日常浏览中保护隐私且学习用户偏好的上下文 bandit 方法

文献标题

Co-Adaptive Eco-Nudging: A Privacy-Preserving Contextual Bandit with User-Taught Preferences in Everyday Browsing

出版信息

• 主题领域: 可持续人机交互（SHCI）与数字生态反馈系统
• 关键词: 生态提示、上下文强盗算法、隐私保护人工智能、用户自主性、能源投资回报率、伦理效能前沿、个性化、数字可持续性、人本机器学习、净环境影响

背景与问题

• 问题/挑战: 数字生态提示通常缺乏严格的评估框架，难以在效能与用户自主性之间取得平衡，并且很少考虑包括系统开销在内的净环境影响。个性化方法通常不透明且基于服务器，导致隐私问题。
• 重要性: 解决这些问题对于推进既有效又尊重用户的可持续人机交互实践至关重要，确保可衡量的环境效益，同时维护用户信任和自主性。
• 动机与相关研究: 先前研究强调了生态反馈和数字提示的潜力，但存在评估混杂因素（例如消息内容/长度或传递预算不匹配）以及短期研究视角的局限性。上下文强盗算法为自适应个性化提供了有前景的方法，但很少应用于隐私保护的设备端场景。关于自主性、透明度和隐私的伦理问题在数字可持续性干预中仍未得到充分探讨。

解决方案

• 提出的方法: 一种隐私保护的、协同适应的上下文强盗系统，集成到浏览器扩展中，用于学习用户偏好并优化生态提示干预，同时尊重自主性约束。
• 创新点:
  1. 使用基于机会的分母进行生态提示的平衡控制评估，以减少混杂因素。
  2. 引入一个受约束的上下文强盗算法，包含“无动作”选项、用户管理的静默时间以及显式反馈。
  3. 开发伦理效能前沿（EEF）以可视化自主性与合规性之间的权衡，并提出能源投资回报率框架以估算净环境效益。
  4. 提供关于日常数字行为（标签页、流媒体、打印、大文件传输）的实证证据，对可持续人机交互具有重要意义。
• 过程与关键技术:
  • 研究1在严格控制消息内容和传递预算的条件下比较了上下文定制提示与通用提示及控制条件。
  • 研究2评估了协同适应的设备端上下文强盗算法与基于规则的策略，结合用户反馈、自主性约束和节能设计原则。
  • 两项研究均采用严格的仪器测量、混合效应模型和敏感性分析以确保结果的有效性和可重复性。

结果

• 具体发现:
  • 上下文定制提示在流媒体（+8.0个百分点）和标签页（+7.7个百分点）上的合规性优于通用提示（研究1）。
  • 协同适应强盗算法在流媒体（+6.9个百分点）和标签页（+7.2个百分点）上的合规性优于基于规则的策略，同时保持略高的自主性（研究2）。
  • 能源投资回报率分析表明，在合理假设下净环境效益为正，流媒体和标签页贡献了最大的节能效果。
• 相较基线的优势:
  • 上下文定制提示优于通用提示和控制条件。
  • 协同适应强盗算法表现出学习的克制（频繁选择“无动作”选项）和更好的时间对齐，推动伦理效能前沿向外扩展。
• 实验/评估:
  • 研究1：178名参与者，随机分为三个组（控制组、通用组、上下文定制组），持续两周。
  • 研究2：54名参与者，比较强盗算法与基于规则的策略，干预两周、撤回两周、跟踪一周。
  • 评估指标包括机会级别的合规性、自主性、信任、隐私问题和能源投资回报率。
• 局限性与未来工作:
  • 短期干预时间限制了对长期习惯形成和反弹效应的结论。
  • 能源投资回报率依赖于文献校准的代理变量，而非直接功率测量。
  • 结果可能无法推广到移动平台或不同文化背景。未来工作应探索更长时间的部署、更丰富的高努力行为支持，以及随机化提示强度。

总结

本文提出了一种隐私保护的、协同适应的上下文强盗系统用于生态提示，展示了在规则策略基础上提升合规性和自主性的能力。两项实地研究表明，最低限度的事实定制和适应性时机显著增强了用户在流媒体和标签页管理等日常数字行为中的参与度。伦理效能前沿和能源投资回报率框架提供了评估效能、自主性与环境影响之间权衡的新视角。尽管短期结果令人鼓舞，但需要更长时间的部署和直接能源测量以评估长期可持续性和可扩展性。这些发现通过对个性化、隐私和净环境效益的协调，为可持续人机交互做出了贡献。