理解移动体验采样中的情绪变化

文献标题

Understanding Emotion Changes in Mobile Experience Sampling

文献信息

• 主题领域: 人机交互与情感计算
• 关键词: 情感变化、移动体验采样、情感计算、心理状态、交互设计、移动设备、情境因素、自我报告、心理状态采集
• 会议: CHI Conference on Human Factors in Computing Systems (CHI '22)
• 时间: 2022年4月29日-5月5日
• DOI: 10.1145/3491102.3501944

研究背景与问题

• 发现的问题或挑战:
  1. 移动体验采样方法（ESM）通过自我报告获取用户的情感状态，但ESM的随机任务可能打扰用户，进而影响情感状态的准确性。
  2. 没有足够研究探讨ESM任务自身对情感采样有效性的潜在影响。
  3. 现有的实验室情境无法捕捉多样且自然的日常情境中的情感数据。
• 问题重要性:
  • ESM是情感计算中重要的工具，验证其有效性对获取准确心理状态数据至关重要。
  • 了解ESM对用户情感的干扰可以优化数据采集方法。
• 研究动机与相关工作:
  • 研究主要针对真实性（减少回忆偏差）和自然性（不影响被试的正常行为）。
  • 文献表明任务干扰可能导致用户情绪的不利变化，但尚未将其与ESM采样相关联。
  • 先前研究探讨了实验室条件下的情感变化，但缺乏对ESM干扰下实时情境情感变化的调查。

解决方案

• 方法或解决方案:
  1. 开发一个新的ESM问卷，包括情感变化相关的特殊问题。
  2. 收集来自78名参与者的2227个ESM样本，结合生理信号和智能手机使用数据，分析情感变化相关因素。
  3. 实施重复测量方差分析和多层回归分析，分析ESM任务和情境因素对情感变化的影响。
• 创新之处:
  • 首次系统性研究ESM任务如何影响用户情感状态。
  • 综合多种情境信息（如位置、使用时间、生理信号）以研究其对情感变化的相关性。
  • 提供针对情感计算研究的ESM优化建议。
• 实施步骤与关键技术:
  1. 问卷设计: 开发简洁易懂的多维度心理状态评估问卷，包括情感变化问题。
  2. 数据采集: 使用可穿戴设备和智能手机记录生理信号、上下文信息、问卷反馈。
  3. 数据分析:
     • 通过ANOVA找出情感变化的主要情境因素。
     • 通过多层回归分析评估主观、客观因子间的关系。
  4. 定性分析: 通过访谈总结参与者对情感变化的主观反馈。

研究成果

• 具体成果:
  1. 约38.6%的ESM回复报告了情感状态的变化。
  2. 找到8个与情感变化密切相关的显著性因素：
     • 主观因素: 情感价（valence）、注意力水平、压力水平、任务干扰程度。
     • 客观因素: 最近访问位置、智能手机使用时间、心率变化、周末时间段。
  3. 提供了对情感变化正面和负面实例的日常情境分类。
• 与现有解决方案的比较:
  • 本研究提示，ESM任务不仅是数据采样工具，还会影响人的情感状态，而这在以往研究中未受到重视。
  • 本研究结合定量和定性数据分析，为改进ESM方法提供了更具体的建议。
• 实验和评估结果:
  • 用统计学工具验证了显著性因素。
  • 通过访谈分析了参与者情感变化的情境背景。
• 局限性与未来方向:
  1. 样本分布偏差: 部分用户选择忽略通知可能引入选择性偏差。
  2. 样本群体限制: 数据主要基于年轻大学生群体，推广性有限。
  3. 设备和用户负担: 频繁的采样可能增加用户负担，未来可探索降低调查频率的方法。
  4. 未来研究:
     • 不同ESM设置（例如通知方式）对情感变化的影响。
     • 基于即时情感状态预测适合的采样时机。
     • 探讨个性特质与干扰感受的深层关系。

总结

研究为体验采样中情绪数据收集提供了全新视角，强调ESM任务的潜在感知影响，提出了优化方法，用以提升移动端心理数据收集的准确性和用户体验。