处理多方面个人信息系统的资讯过载

个人信息学系统是捕获、聚合和分析用户生活各个方面的数据的工具。本文采用混合方法来理解个人信息学系统中的信息过载问题。我们报告了一个为期3个月的研究结果，在该研究中，20名参与者收集了多方面的个人跟踪数据，并使用一个名为Exist的系统来揭示其数据中的统计相关性。我们探讨了参与者在审查Exist呈现的信息时面临的挑战，并确定了体现“有趣”相关性的特征。基于这些发现，我们开发了自动过滤机制，旨在防止信息过载并支持用户提取有趣的见解。我们的方法通过平均减少向用户显示的相关性数量约55%，并将被评为有趣的显示相关性的比例提高到约81%，比仅考虑p < .05统计显著性的过滤器提高了34个百分点。我们展示了如何通过系统收集的客观数据（包括使用Google Trends数据作为用户主观兴趣的代理）来实现这种策划。