采用CAUX工具的用戶日常頻繁行為方法研究

程建萍 劉正捷 金小桐

摘 要：隨著智能手機的不斷普及，移動用戶體驗變得越來越重要，而移動用戶體驗與移動用戶行為密切相關。為有效地對移動用戶行為進行研究，采用基于運動狀態感知的CAUX工具方法，首先在CAUX工具基礎上實時獲取用戶運動狀態，然后對數據進行可視化提取，最后對原始數據進行標注分析，得到用戶日常頻繁行為模式。實驗表明各運動狀態感知準確率達90%以上。該方法解決了傳統用戶研究方法數據與情境信息耦合度低、主觀性強、真實性弱等問題。

關鍵詞：移動用戶行為; 運動狀態感知;用戶體驗;可視化

DOI：10. 11907/rjdk. 201234

中圖分類號：TP319文獻標識碼：A 文章編號：1672-7800（2020）010-0190-06

Abstract： With the continuous popularity of smart phones， mobile user experience becomes more and more important， and mobile user experience is closely related to mobile user behavior. In order to effectively study the behavior of mobile users， the method of Caux based on motion awareness is adopted. Firstly， based on the CAUX tool， the method realizes the ability of real-time acquiring the users motion state， and the experiment verifies that the perception accuracy of each motion state is more than 90%. Secondly， we extract and implement the visualization requirements in the data analysis stage. Finally， we get the users daily frequent behavior mode through the annotation analysis of the original data by the user researchers. This method solves the problems of low accuracy， strong subjectivity and weak authenticity of traditional user research methods.

Key Words： mobile user behavior; motion awareness; user experience; visualization

0 引言

移動設備無處不在，移動端產品用戶體驗變得越來越重要。用戶體驗研究必須與情境緊密關聯[1]，由于使用背景（用戶、任務、環境）不同，用戶的行為模式也多種多樣[2]。用戶運動狀態作為一種行為情境，可幫助研究人員了解行為與產品使用之間的聯系，從而更有效地支持移動端產品用戶體驗研究工作。

周力等[3]通過觀察用戶在真實環境中的活動，分析用戶在模擬場景中的行為;馬蓮蓮[4]進行產品設計與老年用戶行為關聯性研究，采用問卷調查與用戶行為環境跟蹤法，建立人物角色，提出有針對性的產品設計原則。該類研究均使用傳統用戶研究方法，存在主觀性強、實驗場景單一等問題;Koji等[5]通過模擬運動場景方式，對不同運動狀態下移動設備文本輸入方式進行評估;Lehtorirta等[6]分析用戶行走與移動設備操作之間的關系，即通過跑步機模擬用戶行走研究對觸屏操作的影響。該類研究對運動狀態界定多使用固定器械（如跑步機）或人為干涉運動狀態變化，對真實場景的還原性較差。

以上研究都沒有打破場景限制，對數據和行為情境的耦合度低。本文通過基于運動狀態感知的CAUX工具，實時獲取用戶運動狀態數據，對移動端產品用戶日常頻繁行為模式進行分析，對現有工具進行能力拓展，以彌補現有研究主觀性強、場景還原性差等不足。

1 相關工作

1.1 行為模式研究

在人機交互領域，強調以用戶為中心的產品設計理念[7]。現有移動產品行為模式研究大多聚焦于移動端產品本身的使用行為上[8]，忽略了用戶自身行為模式在產品用戶體驗中的重要性。傳統用戶研究方法通過訪談、問卷等形式，推測用戶行為模式，建立使用場景[9]，該方法主觀性強且耗時耗力。

1.2 CAUX工具

隨著智能手機的迅速普及，人們越來越依賴于移動端產品，這為利用移動設備進行更接近用戶真實使用場景的用戶研究提供了可能，同時也提供了新的思路。如Nebeling[10]利用智能手機采集用戶在手機端的交互行為，通過分析發現可能存在的用戶體驗問題;Lee等[11]開發基于Android平臺的系統，根據平臺用戶使用行為提供上下文感知服務。

CAUX是基于情境感知的用戶體驗研究工具，通過移動設備獲取用戶客觀數據。客戶端安裝在用戶移動設備上，工具處于運行狀態時，后臺會收集用戶數據，并將數據上傳至服務器，研究人員可登錄服務器端查看上傳的數據[12]。CAUX工具對用戶干擾不大，只提供原始的傳感器數據，無法獲知用戶使用移動設備時的運動狀態（行為信息），因此需要提升CAUX工具的數據采集能力，建立數據與行為信息之間的耦合關系，更好地開展用戶體驗研究。

為更有效地幫助研究人員進行用戶行為分析，本文確定基于CAUX工具的用戶日常頻繁行為研究方法，采用CAUX工具運動狀態感知功能，選取在校大學生進行用戶日常頻繁行為模式研究。

2 CAUX工具功能擴充

CAUX初級版本能夠收集與用戶運動狀態有關的速度數據[13]，但單純依靠用戶的速度數據不足以準確判斷用戶運動狀態。因此，要針對CAUX工具進行用戶運動狀態識別能力研究，在此基礎上對工具進行能力擴展。

2.1 用戶運動狀態感別能力實現

智能手機僅通過使用內置傳感器就可持續識別用戶室內外活動[14]，但使用多個傳感器會產生較高能耗[15]。哈爾濱工業大學張鑫等[16]通過分析智能手機傳感器采集到的三軸加速度數據，使用SVM多分類方法識別用戶運動狀態。相關文獻顯示，可基于CAUX工具采集手機傳感器的三軸加速度數據，將x、y、z軸數據運用統計學算法求平均值、標準差等特征，獲取特征數據進行運動狀態檢測。

加速度傳感器相對于手機移動設備屏幕的坐標系如圖1所示。當手機移動設備屏幕方向發生變化時，坐標軸不變。x軸水平向右，y軸垂直向上，z軸垂直于手機屏幕向外[17-18]。加速度傳感器采集的數據經過處理可用于檢測人體活動 [19]。

收集三維加速度數據后得到x、y、z軸加速度隨時間變化數值。根據三維加速度平方和隨時間的變化規律分析，可得步行數據方差為3.7，波峰取值16～25，波峰波谷時間間隙為0.25s，跑步數據方差為11.3，波峰取值30～55，波峰波谷時間間隙為0.25s。

對CAUX工具代碼進行修改。首先通過移動設備內置的加速度傳感器采集三維加速度數據，并對每組三維加速度進行預處理，存入鏈表dx，鏈表元素達到180組時執行判斷語句，根據波峰、波谷、時間差以及閾值條件，對符合判斷語句的傳感器數值判定是否為某運動狀態，判斷過程寫入SensorInfo類中，執行流程如圖2所示。

將運動狀態感知結果以“時間，運動狀態，x軸加速度，y軸加速度，z軸加速度”的格式寫入系統存儲器。

2.2 用戶運動狀態感知能力識別準確率

為了確定運動狀態感知能力識別準確率，招募12名用戶進行數據收集，男女比例為1∶2，手機型號涉及4種，均安裝CAUX工具并保持工具24h處于運行狀態。其中，CAUX工具1s內采集三維加速度30組，實時判斷并記錄。

數據收集周期為9天，在此周期內，用戶分別記錄各運動狀態的時間段，即從某一時刻開始到某一時刻結束為某運動狀態。共收集1 658h的有效數據，總采集數據量平均值為138h/人。

對有效數據進行準確率計算，計算公式如下：

其中，NCAUX感知表示CAUX工具感知為某運動狀態的數據量，N用戶記錄表示用戶記錄為某運動狀態時間段內的數據量。

通過計算可得，步行識別準確率平均值為93.23%，上下偏差不超過5%;跑步識別準確率平均值為91%，上下偏差不超過2%;靜止識別準確率平均值為98.23%，上下偏差不超過3%，基本滿足移動設備用戶行為研究要求。

2.3 工具內置問卷法

CAUX工具采集的數據在推斷用戶行為、動機、意圖等方面仍存在不足。本文通過工具內置問卷方式進一步完善數據采集工作，即當用戶使用手機應用時，利用懸浮窗形式詢問用戶使用原因，挖掘用戶行為及使用動機。原始數據采集如圖3所示。

3 數據采集方法及應用

3.1 數據采集及數據可視化

3.1.1 數據采集

CAUX工具分為客戶端和服務器端，總體框架如圖4所示。客戶端分為指令解析、數據采集和通信3個模塊，CAUX工具利用指令解析模塊讀取、解析指令集文件，與數據采集模塊相配合，采集用戶在使用手機設備過程中的主觀和客觀數據，再將采集的數據上傳到服務器通信模塊。

數據采集指令集文件是采集工作的重要環節，可根據感興趣的情境修改指令集文件，指令集文件在語義上為“IF滿足感興趣情境條件，THEN執行數據采集”。其中，trigger值對應于感興趣情境條件，operation值對應于數據采集[20]。如 “用戶打開手機應用X”，則采集“當前用戶運動狀態信息”。指令格式如下：

{"trigger"：

[{"name"："triggername"，"propertyname"："propertyvalue"， "propertyname"："propertyvalue"... }，…

{"name"："triggername"，"propertyname"："propertyvalue"，"propertyname"："propertyvalue"... }]，

"operation"：

[{"name"："operationname"，"propertyname"："propertyvalue"，"propertyname"："propertyvalue"... }， ...

{"name"："operationname"，"propertyname"："propertyvalue"，"propertyname"："propertyvalue"...}

]}

采集指令如表1所示。

3.1.2 數據可視化

為更直觀地研究用戶在不同運動狀態下使用移動設備行為模式差別，消除人為分析數據方面的局限性，減少研究人員逐行篩選、分類整理數據工作量，本文通過數據可視化方式呈現用戶原始數據。

數據可視化需求：查看用戶數據、查看用戶不同運動狀態下的數據、查看用戶數據和運動狀態在各時間段的相關性、查看用戶手機使用情況統計信息。可視化界面分為設置模塊和數據呈現模塊。設置模塊對用戶數據進行設置，可選擇查看用戶不同運動狀態下的數據，數據呈現模塊展示用戶具體數據，包括手機APP的開啟關閉、前后臺切換、使用時長和頻率、基本信息等，如圖5所示。

3.1.3 用戶協同回顧

數據采集結束后，需要采用用戶協同回顧方式進行分析。用戶數據通過可視化方式呈現，研究人員對客觀數據進行分析，針對不同運動狀態進行假設并標注。在用戶對日常行為活動記憶比較深刻的時候，通過與用戶交流，對與常規不同的地方進行解釋標注，進而得到用戶日常行為活動記錄。數據分析流程如圖6所示。

3.2 案例研究

為研究不同運動狀態下用戶日常頻繁行為模式，選取在校大學生為目標用戶，共招募6名在校研究生，男女比例為1∶1，平均年齡為24歲，招募標準均為使用Android操作系統的智能手機設備，每日平均使用手機時長在6h以上。

整個實驗周期為期7天，6名用戶均安裝CAUX工具并下載規則，保證采集的數據客觀有效。數據以天為單位依次采集并上傳至服務器，研究人員每天將數據可視化并對數據進行標注，標注完成后通過用戶協同回顧方式對標注數據進行解釋、整理、完善。實施過程如表2所示。

本次共采集6名用戶38 875條數據。下面以其中一名用戶一天的數據分析為例，介紹客觀數據通過可視化分析獲取主觀數據并得出用戶日常頻繁行為的過程。

（1）對用戶第一天數據進行可視化處理，標注用戶運動狀態信息，對用戶一天內的運動狀態進行分段，例如0-7：00一直保持靜止狀態就可初步判斷為靜止階段，7：30-7：40兩種運動狀態在短時間內有交叉，標記為不確定階段，7：50-8：00一直保持走路狀態，初步判斷為步行階段。通過研究人員標記得到用戶一天內的運動狀態分段。

（2）采用用戶協同回顧方式，根據標記的運動狀態分段，結合各時間段前后的地理位置信息、移動設備使用情況，確定用戶最終的分段信息及相應地點，如圖7所示。將用戶運動狀態分為11段，并對應可能的地點信息。

（3）對11段運動狀態信息結合其它基本數據，如應用、網絡狀態、耳機插入狀態、橫豎屏，總結用戶可能的行為規律。如0-7：00，靜止，宿舍，微信、第一彈、微博、TIM，移動網絡，耳機未插入，豎屏];[7：30-7：40，步行，支付寶，移動網絡，耳機未插入，豎屏];[8：00-11：00，靜止，實驗室，微信、微博、信息、小紅書、第一彈、愛奇藝，WiFi，插入，橫屏]，以當前時間段內頻率最高或時間最長計入狀態規律信息。

通過對用戶數據的可視化分析，總結行為規律，得到該用戶7天內共79條行為規律，根據運動狀態劃分為5類日常頻繁行為模式，如表3所示。由表3可知，用戶日常頻繁行為以用戶運動狀態為基礎，根據地點和時間不同，可將用戶日常行為劃分為不同模式供研究人員進一步研究。例如該用戶在宿舍處于靜止狀態時，模式4和模式1的主要差別在于耳機插入狀態，該狀態通過問卷方式可得;模式4為午休或夜間休息時間，用戶使用插入耳機功能以防打擾他人;此外，在實驗室處于靜止狀態時，用戶習慣連接WiFi而不使用手機移動網絡，且在使用視頻類或游戲類應用時，會插入耳機并保持手機橫屏狀態。該結果有助于研究人員更好地還原用戶場景[21-22]。

綜上分析得到6名用戶7天時間397條行為規律，總結出28類日常頻繁行為模式。

4 結語

本文提出一種基于運動狀態感知能力的用戶研究方法，即在移動設備內置傳感器基礎上，通過CAUX工具實現實時采集用戶運動狀態數據，識別準確率基本滿足用戶研究需要。利用數據可視化直觀呈現用戶數據，提高用戶研究人員數據分析效率。通過對數據進行標注及用戶協同回顧，總結用戶行為模式。采用CAUX工具對6名用戶進行為期一周的數據采集工作，通過數據分析得到397條行為規律，總結出28類日常頻繁行為模式。案例實驗證明，該方法能有效獲取用戶在無打擾狀態下的運動狀態數據，有效利用可視化界面對用戶數據進行分析，對用戶行為模式進行總結。

本文對移動用戶體驗研究方法進行了拓展，彌補了傳統用戶研究方法中數據與情境信息耦合度低、主觀性強、真實性弱等不足。用戶日常頻繁行為模式可幫助用戶研究人員還原用戶場景，得到真實環境下的用戶體驗數據，從而發現用戶需求與體驗問題，進而為移動產品開發與設計提供指導意見。

參考文獻：

[1] 韓立，劉正捷. CAUXT：幫助研究人員在感興趣的情境中采集用戶體驗數據[J]. 計算機科學，2018，45（7）：278-285，321.

[2] 朱曉露.? 基于用戶體驗的APP交互設計研究[D]. 成都：西南交通大學，2015.

[3] 周力，聶桂平. 基于人的活動行為的產品用戶研究方法[J]. 東華大學學報（自然科學版），2007，16（3）：399-402.

[4] 馬蓮蓮.? 產品設計與老年用戶行為的關聯性研究[D]. 南京：南京藝術學院，2011.

[5] KOJI Y， KHAI N. TRUONG. Fast track article： an evaluation of stylus-based text entry methods on handheld devices studied in different user mobility states[J].? Pervasive Mob， Comput， 2009（5）：496-508.

[6] LEHTOVIRTA J B， OULASVIRTA A， BREWSTER S. The effects of walking speed on target acquisition on a touchscreen interface[C].? Proceedings of the 13th International Conference on Human Computer Interaction with Mobile Devices and Services，2011：143-146.

[7] 張田.? 基于QFD和HCI的以用戶為中心的新產品設計方法[D]. 北京：清華大學，2011.

[8] 劉振宇.? 基于用戶行為的社區產品交互設計研究[D]. 杭州：浙江工業大學，2019.

[9] 譚浩，馮安然. 基于手機使用情景的交互設計研究[J]. 包裝工程，2018，39（18）：225-228.

[10] NEBELING M，SPEICHER M.W3touch： metrics-based web content adaptation for touch[C]. Proceedings of the SIGCHI Conference on Human Factors in Computing Systems，2013：2311-2320.

[11] LEE Y S， CHO S B. Activity recognition using hierarchical hidden markov models on a smartphone with 3D accelerometer[C]. International Conference on Hybrid Artificial Intelligence Systems，2011：460-467.

[12] 王麗.? 用戶研究數據采集與分析工具的開發與應用[D]. 大連：大連海事大學，2017.

[13] 王兵兵. CAUX系統的設計與實現[D]. 大連：大連海事大學，2017.

[14] OUCHI K， MIWAKO. Smartphone-based monitoring system for activities of daily living for elderly people and their relatives etc[C]. Proceedings of the 2013 ACM Conference on Pervasive and Ubiquitous Computing Adjunct Publication， 2013：103-106.

[15] SUAREZ I， JAHN A，ANDERSON C， et al. Improved activity recognition by using enriched acceleration data[C]. Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing （UbiComp 15），2015：1011-1015.

[16] 張鑫，李治軍，姜守旭. 基于Android手機傳感器數據識別運動狀態[J]. 智能計算機與應用，2015，5（3）：46-48.

[17] 王馳.? 基于智能手機的人體運動狀態分析[D]. 成都：電子科技大學，2016.

[18] 張健敏.? 基于Android手機的用戶行為模式識別算法[C].? 中國高科技產業化研究會智能信息處理產業化分會，第十屆全國信號和智能信息處理與應用學術會議專刊，2016：473-478.

[19] 李文鋒，姚丙盟. 基于單三軸加速度傳感器的人體活動狀態識別[J]. 華中科技大學學報（自然科學版），2016，44（4）：58-62.

[20] 王曉彤.? CAUX輔助日志法用戶研究的探索[D]. 大連：大連海事大學，2018.

[21] 許珂. 基于場景構建的用戶體驗探究[J]. 大眾文藝，2020，19（2）：121-122.

[22] 王春暉，金芝，趙海燕，等. 人機協作的用戶故事場景提取與迭代演進[J]. 軟件學報，2019，30（10）：3186-3205.

（責任編輯：杜能鋼）