自我实验：智能手机支持的可定制自我实验指导

文献标题

Self-E: Smartphone-Supported Guidance for Customizable Self-Experimentation

文献信息

• 主题领域: 以智能手机为基础的自我实验与个性化健康行为分析
• 关键词: 自我实验, 个人信息学, 自我跟踪, 生活方式改进, 用户指导, 数据可视化, 自定义实验, 用户信任, 移动健康, 实验设计

研究背景与问题

• 发现的问题/挑战:
  • 虽然自我跟踪设备和相关的应用程序在改善健康和行为调整方面提供了支持，但大多数普通用户缺乏个人数据分析能力，难以设计和执行控制性强的生命周期实验。
  • 现有自我实验方法与系统或缺乏对因果关系的归纳指引，或局限于特定领域或特定人群。
• 重要性:
  • 个性化健康策略需要基于个人的生活方式、行为特点来揭示潜在的因果关系，但传统群体随机对照实验（RCTs）不适用于个体差异明显的场景。
• 研究动机与相关工作:
  • 作者旨在开发一种可以降低自我实验的门槛的系统，使用户能够更方便地在日常生活中进行跨领域的实验。
  • 设计目标包括用户的高自由度、实验指导以及减少学习曲线，让用户能够快速上手并获得有意义的结果。

解决方案

• 提出的解决方案:
  • 作者开发了一款名为“Self-E”的移动应用程序，该应用指导用户完成自我实验，包括实验设计、数据收集和分析。
  • Self-E 包含预配置实验，可供用户选择，同时支持定制实验功能。
• 创新之处:
  • 将传统自我实验步骤（例如干预条件、数据输入、分析）集成化，使普通用户可以在日常环境中无缝执行。
  • 使用贝叶斯技术（Thompson Sampling）来简单直观地分析并呈现因果关系的可能性和影响量级。
  • 同时设计友好的用户界面与框架，兼顾新手指导与进阶用户自定义需求。
• 实施步骤与关键技术:
  1. 实验选择与设置: 用户首先选择或设计实验（干预和效果的变量），包括时间表、记录频率和量化指标。
  2. 数据收集: 实验每天收集来自用户的依从性或评分数据。
  3. 实时分析: Self-E 基于记录数据生成概率分析（例如，一项干预对用户幸福感有74%的积极概率）。
  4. 信息反馈与修改: 用户被引导重新设计实验，或接受现有结果并采取后续操作。

研究成果

• 具体成果:
  1. 参与者使用体验: 通过两个研究阶段（包含16名社区用户和高级实验设计用户），作者收集了用户对 Self-E 的反馈。
  2. 科学/行为模式发现:
     • 普通用户通常被既有健康行为假设影响，可能主动或被动地改变实验设定。
     • 定制实验功能受到高级用户青睐，但需求多种多样。
• 与现有方案的对比优势:
  • 与领域特定的程序如 TummyTrials 等相比，Self-E 提供了跨领域的更普适选择。
  • 专注引导性和可操作性的平衡，使其适用于没有实验设计经验的普通用户。
• 实验或评估结果:
  • 平均73%的依从率显示了短期实验策略的可行性。
  • 用户反馈指出随机化重要性普及以及数据修改功能的潜在价值。
• 局限性与未来方向:
  • 局限性:
    • 样本量偏小：招募群体主要以健康的大学生为主，这可能导致结果的普适性偏低。
    • 时间局限：为期两周的实验较短，难以捕捉长期行为影响。
  • 未来方向:
    • 增强用户教育功能：更全面的解释自我实验的理论依据和方法。
    • 社交化研究：探索让用户与他人结果共享或者设计交流的潜在益处。
    • 提升个性化与可控性：例如区分“极端数据点”以及更复杂的实验设计（多变量和多条件）。

作者从研究用户如何使用移动应用完成自我实验、发现健康行为中的因果关系到提供切实可行的改进方向，为以用户为中心的个人健康科技发展提供了实用参考。