不是现在，稍后问：用户随时间逐渐削弱他们的行为改变计划，但期望立即重新加强它

文献标题

Not Now, Ask Later: Users Weaken Their Behavior Change Regimen Over Time, But Expect To Re-Strengthen It Imminently

文献信息

• 主题领域: 人机交互 (HCI) 和行为改变技术
• 关键词: 行为改变、生产力干预、习惯形成、用户黏性、在线分心、干预难度、用户偏好
• 发表会议: CHI ’21 (Conference on Human Factors in Computing Systems)
• DOI: 10.1145/3411764.3445695

研究背景与问题

• 问题与挑战:

  • 在控制在线分心习惯的行为改变干预中，用户是否会持续遵循更高难度的干预？
  • 如果用户放弃了这些干预，他们是否会重新尝试，还是永久放弃？
  • 行为改变系统如何在用户偏好随着时间变化的情况下设计适应性干预程序。

• 重要性:

  • 在线分心影响工作效率与人们的长期目标实现。
  • 现有生产力工具的用户粘性问题（如高流失率）和干预模式的优化有待解决。

• 研究动机与相关工作:

  • 用户通常对自己的行为改变目标过于乐观，但会随着时间的推移逐步弱化干预的难度或直接终止干预。
  • 目前的研究缺乏对用户干预偏好如何动态变化的系统性探索。
  • 行为改变工具（如 HabitLab）在用户长期使用中的流失原因未被深入研究。

解决方案

• 提出的方法:

  • 使用在线行为改变平台 HabitLab 研究用户在长时间内对行为干预难度的选择及变化过程。
  • 分三项研究分别探讨：
    1. 用户干预难度偏好的时间变化趋势。
    2. 提示用户选择干预难度的频率对留存率的影响。
    3. 用户对于提示频率的偏好选择。

• 创新之处:

  • 提供了用户干预偏好从初始的高难度逐步降低到低难度甚至不干预的量化分析。
  • 确定提示频率与用户留存之间的权衡策略。
  • 揭示用户实际选择与期望（如乐观重启行为）之间的矛盾心理和行为模式。

• 实施步骤与关键技术:

  • 记录并分析 HabitLab 用户的行为数据，包括初始偏好、后续干预选择和提示间隔参数。
  • 使用 Cox 危险回归模型分析提示频率对用户流失的影响。
  • 应用交互设计例如定制化提示频率选项，观察用户如何选择提示行为。

研究成果

• 具体成果:

  1. 用户初始选择干预难度多为 "中等" 或 "高难度"，但随时间显著降低为 "低难度" 或 "不干预"。
  2. 用户偏好并非静态，需要行为改变系统动态适配用户需求。
  3. 低频提示（如每 25% 的访问展示一次）能显著提高用户留存率，且对预测用户偏好的准确性影响有限。
  4. 尽管偏好减弱，大多数用户希望在未来重新变得更难（乐观重启）。

• 与现有解决方案的比较:

  • HabitLab 的动态提示和干预调整方法优于传统静态干预设计。
  • 本研究首次量化了用户在行为改变系统中的干预偏好时间变化。

• 实验或评估结果:

  • 用户回访数据表明，73% 的用户在第 200 次访问时会选择 "不干预" 模式。
  • 提示频率过高（增长到 100% 的访问显示）会导致显著的用户流失。
  • 用户接受低频提示（每周或每日一次的通知）也能保持 90%以上的预测准确性。

• 局限性与未来方向:

  • 局限性:
    • 用户对干预难度的主观打分可能因个体差异而不一致。
    • 数据分析集中于 HabitLab 的用户群体，对其他应用工具的普适性有待验证。
  • 未来方向:
    • 探讨基于用户心理模型（如认知失调理论）的更精准干预设计。
    • 开发更有效的承诺装置，帮助用户长期保持更高难度的行为改变。
    • 扩展研究到其他领域，如健康行为改变和教育领域的干预优化。

输出格式的简要说明

• 内容以 Markdown 格式展现，便于直接用于文献笔记或学术写作。
• 重点提炼核心信息，信息源准确完整，便于快速理解研究主要逻辑和贡献。