采用CAUX工具的用户日常频繁行为方法研究

程建萍 刘正捷 金小桐

摘 要：随着智能手机的不断普及，移动用户体验变得越来越重要，而移动用户体验与移动用户行为密切相关。为有效地对移动用户行为进行研究，采用基于运动状态感知的CAUX工具方法，首先在CAUX工具基础上实时获取用户运动状态，然后对数据进行可视化提取，最后对原始数据进行标注分析，得到用户日常频繁行为模式。实验表明各运动状态感知准确率达90%以上。该方法解决了传统用户研究方法数据与情境信息耦合度低、主观性强、真实性弱等问题。

关键词：移动用户行为; 运动状态感知;用户体验;可视化

DOI：10. 11907/rjdk. 201234

中图分类号：TP319文献标识码：A 文章编号：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

移动设备无处不在，移动端产品用户体验变得越来越重要。用户体验研究必须与情境紧密关联[1]，由于使用背景（用户、任务、环境）不同，用户的行为模式也多种多样[2]。用户运动状态作为一种行为情境，可帮助研究人员了解行为与产品使用之间的联系，从而更有效地支持移动端产品用户体验研究工作。

周力等[3]通过观察用户在真实环境中的活动，分析用户在模拟场景中的行为;马莲莲[4]进行产品设计与老年用户行为关联性研究，采用问卷调查与用户行为环境跟踪法，建立人物角色，提出有针对性的产品设计原则。该类研究均使用传统用户研究方法，存在主观性强、实验场景单一等问题;Koji等[5]通过模拟运动场景方式，对不同运动状态下移动设备文本输入方式进行评估;Lehtorirta等[6]分析用户行走与移动设备操作之间的关系，即通过跑步机模拟用户行走研究对触屏操作的影响。该类研究对运动状态界定多使用固定器械（如跑步机）或人为干涉运动状态变化，对真实场景的还原性较差。

以上研究都没有打破场景限制，对数据和行为情境的耦合度低。本文通过基于运动状态感知的CAUX工具，实时获取用户运动状态数据，对移動端产品用户日常频繁行为模式进行分析，对现有工具进行能力拓展，以弥补现有研究主观性强、场景还原性差等不足。

1 相关工作

1.1 行为模式研究

在人机交互领域，强调以用户为中心的产品设计理念[7]。现有移动产品行为模式研究大多聚焦于移动端产品本身的使用行为上[8]，忽略了用户自身行为模式在产品用户体验中的重要性。传统用户研究方法通过访谈、问卷等形式，推测用户行为模式，建立使用场景[9]，该方法主观性强且耗时耗力。

1.2 CAUX工具

随着智能手机的迅速普及，人们越来越依赖于移动端产品，这为利用移动设备进行更接近用户真实使用场景的用户研究提供了可能，同时也提供了新的思路。如Nebeling[10]利用智能手机采集用户在手机端的交互行为，通过分析发现可能存在的用户体验问题;Lee等[11]开发基于Android平台的系统，根据平台用户使用行为提供上下文感知服务。

CAUX是基于情境感知的用户体验研究工具，通过移动设备获取用户客观数据。客户端安装在用户移动设备上，工具处于运行状态时，后台会收集用户数据，并将数据上传至服务器，研究人员可登录服务器端查看上传的数据[12]。CAUX工具对用户干扰不大，只提供原始的传感器数据，无法获知用户使用移动设备时的运动状态（行为信息），因此需要提升CAUX工具的数据采集能力，建立数据与行为信息之间的耦合关系，更好地开展用户体验研究。

为更有效地帮助研究人员进行用户行为分析，本文确定基于CAUX工具的用户日常频繁行为研究方法，采用CAUX工具运动状态感知功能，选取在校大学生进行用户日常频繁行为模式研究。

2 CAUX工具功能扩充

CAUX初级版本能够收集与用户运动状态有关的速度数据[13]，但单纯依靠用户的速度数据不足以准确判断用户运动状态。因此，要针对CAUX工具进行用户运动状态识别能力研究，在此基础上对工具进行能力扩展。

2.1 用户运动状态感别能力实现

智能手机仅通过使用内置传感器就可持续识别用户室内外活动[14]，但使用多个传感器会产生较高能耗[15]。哈尔滨工业大学张鑫等[16]通过分析智能手机传感器采集到的三轴加速度数据，使用SVM多分类方法识别用户运动状态。相关文献显示，可基于CAUX工具采集手机传感器的三轴加速度数据，将x、y、z轴数据运用统计学算法求平均值、标准差等特征，获取特征数据进行运动状态检测。

加速度传感器相对于手机移动设备屏幕的坐标系如图1所示。当手机移动设备屏幕方向发生变化时，坐标轴不变。x轴水平向右，y轴垂直向上，z轴垂直于手机屏幕向外[17-18]。加速度傳感器采集的数据经过处理可用于检测人体活动 [19]。

收集三维加速度数据后得到x、y、z轴加速度随时间变化数值。根据三维加速度平方和随时间的变化规律分析，可得步行数据方差为3.7，波峰取值16～25，波峰波谷时间间隙为0.25s，跑步数据方差为11.3，波峰取值30～55，波峰波谷时间间隙为0.25s。

对CAUX工具代码进行修改。首先通过移动设备内置的加速度传感器采集三维加速度数据，并对每组三维加速度进行预处理，存入链表dx，链表元素达到180组时执行判断语句，根据波峰、波谷、时间差以及阈值条件，对符合判断语句的传感器数值判定是否为某运动状态，判断过程写入SensorInfo类中，执行流程如图2所示。

将运动状态感知结果以“时间，运动状态，x轴加速度，y轴加速度，z轴加速度”的格式写入系统存储器。

2.2 用户运动状态感知能力识别准确率

为了确定运动状态感知能力识别准确率，招募12名用户进行数据收集，男女比例为1∶2，手机型号涉及4种，均安装CAUX工具并保持工具24h处于运行状态。其中，CAUX工具1s内采集三维加速度30组，实时判断并记录。

数据收集周期为9天，在此周期内，用户分别记录各运动状态的时间段，即从某一时刻开始到某一时刻结束为某运动状态。共收集1 658h的有效数据，总采集数据量平均值为138h/人。

对有效数据进行准确率计算，计算公式如下：

其中，NCAUX感知表示CAUX工具感知为某运动状态的数据量，N用户记录表示用户记录为某运动状态时间段内的数据量。

通过计算可得，步行识别准确率平均值为93.23%，上下偏差不超过5%;跑步识别准确率平均值为91%，上下偏差不超过2%;静止识别准确率平均值为98.23%，上下偏差不超过3%，基本满足移动设备用户行为研究要求。

2.3 工具内置问卷法

CAUX工具采集的数据在推断用户行为、动机、意图等方面仍存在不足。本文通过工具内置问卷方式进一步完善数据采集工作，即当用户使用手机应用时，利用悬浮窗形式询问用户使用原因，挖掘用户行为及使用动机。原始数据采集如图3所示。

3 数据采集方法及应用

3.1 数据采集及数据可视化

3.1.1 数据采集

CAUX工具分为客户端和服务器端，总体框架如图4所示。客户端分为指令解析、数据采集和通信3个模块，CAUX工具利用指令解析模块读取、解析指令集文件，与数据采集模块相配合，采集用户在使用手机设备过程中的主观和客观数据，再将采集的数据上传到服务器通信模块。

数据采集指令集文件是采集工作的重要环节，可根据感兴趣的情境修改指令集文件，指令集文件在语义上为“IF满足感兴趣情境条件，THEN执行数据采集”。其中，trigger值对应于感兴趣情境条件，operation值对应于数据采集[20]。如 “用户打开手机应用X”，则采集“当前用户运动状态信息”。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 数据可视化

为更直观地研究用户在不同运动状态下使用移动设备行为模式差别，消除人为分析数据方面的局限性，减少研究人员逐行筛选、分类整理数据工作量，本文通过数据可视化方式呈现用户原始数据。

数据可视化需求：查看用户数据、查看用户不同运动状态下的数据、查看用户数据和运动状态在各时间段的相关性、查看用户手机使用情况统计信息。可视化界面分为设置模块和数据呈现模块。设置模块对用户数据进行设置，可选择查看用户不同运动状态下的数据，数据呈现模块展示用户具体数据，包括手机APP的开启关闭、前后台切换、使用时长和频率、基本信息等，如图5所示。

3.1.3 用户协同回顾

数据采集结束后，需要采用用户协同回顾方式进行分析。用户数据通过可视化方式呈现，研究人员对客观数据进行分析，针对不同运动状态进行假设并标注。在用户对日常行为活动记忆比较深刻的时候，通过与用户交流，对与常规不同的地方进行解释标注，进而得到用户日常行为活动记录。数据分析流程如图6所示。

3.2 案例研究

为研究不同运动状态下用户日常频繁行为模式，选取在校大学生为目标用户，共招募6名在校研究生，男女比例为1∶1，平均年龄为24岁，招募标准均为使用Android操作系统的智能手机设备，每日平均使用手机时长在6h以上。

整个实验周期为期7天，6名用户均安装CAUX工具并下载规则，保证采集的数据客观有效。数据以天为单位依次采集并上传至服务器，研究人员每天将数据可视化并对数据进行标注，标注完成后通过用户协同回顾方式对标注数据进行解释、整理、完善。实施过程如表2所示。

本次共采集6名用户38 875条数据。下面以其中一名用户一天的数据分析为例，介绍客观数据通过可视化分析获取主观数据并得出用户日常频繁行为的过程。

（1）对用户第一天数据进行可视化处理，标注用户运动状态信息，对用户一天内的运动状态进行分段，例如0-7：00一直保持静止状态就可初步判断为静止阶段，7：30-7：40两种运动状态在短时间内有交叉，标记为不确定阶段，7：50-8：00一直保持走路状态，初步判断为步行阶段。通过研究人员标记得到用户一天内的运动状态分段。

（2）采用用户协同回顾方式，根据标记的运动状态分段，结合各时间段前后的地理位置信息、移动设备使用情况，确定用户最终的分段信息及相应地点，如图7所示。将用户运动状态分为11段，并对应可能的地点信息。

（3）对11段运动状态信息结合其它基本数据，如应用、网络状态、耳机插入状态、横竖屏，总结用户可能的行为规律。如0-7：00，静止，宿舍，微信、第一弹、微博、TIM，移动网络，耳机未插入，竖屏];[7：30-7：40，步行，支付宝，移动网络，耳机未插入，竖屏];[8：00-11：00，静止，实验室，微信、微博、信息、小红书、第一弹、爱奇艺，WiFi，插入，横屏]，以当前时间段内频率最高或时间最长计入状态规律信息。

通过对用户数据的可视化分析，总结行为规律，得到该用户7天内共79条行为规律，根据运动状态划分为5类日常频繁行为模式，如表3所示。由表3可知，用户日常频繁行为以用户运动状态为基础，根据地点和时间不同，可将用户日常行为划分为不同模式供研究人员进一步研究。例如该用户在宿舍处于静止状态时，模式4和模式1的主要差别在于耳机插入状态，该状态通过问卷方式可得;模式4为午休或夜间休息时间，用户使用插入耳机功能以防打扰他人;此外，在实验室处于静止状态时，用户习惯连接WiFi而不使用手机移动网络，且在使用视频类或游戏类应用时，会插入耳机并保持手机横屏状态。该结果有助于研究人员更好地还原用户场景[21-22]。

综上分析得到6名用户7天时间397条行为规律，总结出28类日常频繁行为模式。

4 结语

本文提出一种基于运动状态感知能力的用户研究方法，即在移动设备内置传感器基础上，通过CAUX工具实现实时采集用户运动状态数据，识别准确率基本满足用户研究需要。利用数据可视化直观呈现用户数据，提高用户研究人员数据分析效率。通过对数据进行标注及用户协同回顾，总结用户行为模式。采用CAUX工具对6名用户进行为期一周的数据采集工作，通过数据分析得到397条行为规律，总结出28类日常频繁行为模式。案例实验证明，该方法能有效获取用户在无打扰状态下的运动状态数据，有效利用可视化界面对用户数据进行分析，对用户行为模式进行总结。

本文对移动用户体验研究方法进行了拓展，弥补了传统用户研究方法中数据与情境信息耦合度低、主观性强、真实性弱等不足。用户日常频繁行为模式可帮助用户研究人员还原用户场景，得到真实环境下的用户体验数据，从而发现用户需求与体验问题，进而为移动产品开发与设计提供指导意见。

参考文献：

[1] 韩立，刘正捷. CAUXT：帮助研究人员在感兴趣的情境中采集用户体验数据[J]. 计算机科学，2018，45（7）：278-285，321.

[2] 朱曉露.  基于用户体验的APP交互设计研究[D]. 成都：西南交通大学，2015.

[3] 周力，聂桂平. 基于人的活动行为的产品用户研究方法[J]. 东华大学学报（自然科学版），2007，16（3）：399-402.

[4] 马莲莲.  产品设计与老年用户行为的关联性研究[D]. 南京：南京艺术学院，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] 张田.  基于QFD和HCI的以用户为中心的新产品设计方法[D]. 北京：清华大学，2011.

[8] 刘振宇.  基于用户行为的社区产品交互设计研究[D]. 杭州：浙江工业大学，2019.

[9] 谭浩，冯安然. 基于手机使用情景的交互设计研究[J]. 包装工程，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] 王丽.  用户研究数据采集与分析工具的开发与应用[D]. 大连：大连海事大学，2017.

[13] 王兵兵. CAUX系统的设计与实现[D]. 大连：大连海事大学，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] 张鑫，李治军，姜守旭. 基于Android手机传感器数据识别运动状态[J]. 智能计算机与应用，2015，5（3）：46-48.

[17] 王驰.  基于智能手机的人体运动状态分析[D]. 成都：电子科技大学，2016.

[18] 張健敏.  基于Android手机的用户行为模式识别算法[C].  中国高科技产业化研究会智能信息处理产业化分会，第十届全国信号和智能信息处理与应用学术会议专刊，2016：473-478.

[19] 李文锋，姚丙盟. 基于单三轴加速度传感器的人体活动状态识别[J]. 华中科技大学学报（自然科学版），2016，44（4）：58-62.

[20] 王晓彤.  CAUX辅助日志法用户研究的探索[D]. 大连：大连海事大学，2018.

[21] 许珂. 基于场景构建的用户体验探究[J]. 大众文艺，2020，19（2）：121-122.

[22] 王春晖，金芝，赵海燕，等. 人机协作的用户故事场景提取与迭代演进[J]. 软件学报，2019，30（10）：3186-3205.

（责任编辑：杜能钢）