Sensory-driven microinterventions for improved health and wellbeing
University College London(伦敦大学学院)
本文提出基于感官的微干预方法,通过持续收集感官数据实现个性化医疗保健,提升对神经退行性疾病等健康问题的早期检测和及时治疗能力。
2025-03-18 cs.AI cs.CY cs.ET
A Smartphone App to Support Sedentary Behavior Change by Visualizing Personal Mobility Patterns and Action Planning (SedVis): Development and Pilot Study
鉴于日常生活中久坐行为的普遍存在,需要简单而实用的行为改变解决方案来避免对健康造成不利影响。移动应用程序SedVis是根据健康行动过程方法开发的。该应用程序提供个人移动模式可视化(针对身体活动和久坐行为)和久坐行为改变的行动计划。本研究的主要目的是调查移动模式可视化对用户改变久坐行为的行动计划的影响。第二个目的是评估用户对应用程序的可视化和用户体验的参与度。在为期3周的用户研究中,参与者被分配到活动对照组(n=8)或干预组(n=8)。在1周的基线期内,没有参与者可以访问应用程序中的功能。在接下来的2周干预期内,只有干预组可以访问可视化,而两组都被要求每天制定行动计划并减少久坐行为。结果表明,根据NHST和贝叶斯统计,SedVis中的可视化对参与者的行动计划没有影响。SedVis中涉及可视化和行动计划的干预对减少参与者的久坐时间有积极影响,根据贝叶斯统计的证据较弱,而在主动控制条件下,久坐时间没有变化的可能性更大。此外,贝叶斯分析微弱地表明,用户查看应用程序的频率越高,他们就越有可能减少久坐行为。
2021-01-30 cs.HC
Visualizing in the Mind's Eye: Icon Design Shapes Mental Imagery of Fire Risks
Northeastern University(东北大学)
研究探讨数据可视化设计塑造心理意象进而影响决策的机制,通过预注册研究发现抽象几何图标可视化火灾风险数据比具体图标唤起更多图像,且心理意象增加会致规避风险决策,揭示可视化具体程度影响决策的细微机制。
2026-07-29 cs.HC
Dispersion vs Disparity: Hiding Variability Can Encourage Stereotyping When Visualizing Social Outcomes
可视化研究通常侧重于感知准确性或帮助读者解释关键信息。然而,我们对图表设计如何影响读者对数据背后的人的看法知之甚少。具体来说,设计是否会与读者的社会认知偏见相互作用,从而使有害的刻板印象永久化?例如,在分析社会不平等时,条形图是一种流行的选择,用于呈现种族,性别或其他群体之间的结果差异。但条形图可能会鼓励赤字思维,即认为结果差异是由群体的个人优势或缺陷造成的,而不是外部因素。这些错误的个人属性可能会强化人们对被形象化的群体的刻板印象。我们进行了四个实验,研究影响归因偏差(因此是赤字思维)的设计选择。众包工作者查看了描绘社会结果的可视化,这些可视化要么掩盖数据的可变性,如条形图或点图,要么强调数据的可变性,如抖动图或预测区间。他们报告说,他们同意个人和外部的解释可视化的差距。总体而言,当参与者看到隐藏组内差异的可视化时,他们更同意个人解释。当他们看到强调组内差异的可视化时,他们不太同意个人解释。这些结果表明,关于社会不平等的数据可视化可能会以有害的方式被误解,并导致刻板印象。设计选择可以影响这些偏见:隐藏可变性往往会增加刻板印象,而强调可变性会减少它。
2022-09-25 cs.CY cs.HC
Balancing Caregiving and Self-Care: Exploring Mental Health Needs of Alzheimer's and Dementia Caregivers
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校);University of Massachusetts Amherst(马萨诸塞大学阿姆赫斯特分校)
本研究通过对25名AD/ADRD家庭照护者的半结构化访谈,揭示了照护者心理健康挑战的成因与影响,绘制了照护旅程三个阶段的心理演变时间映射图,并提出了改进心理健康技术的设计建议,为动态、阶段敏感的干预措施提供了基础。
2025-11-01 cs.AI cs.HC
The Social Construction of Visualizations: Practitioner Challenges and Experiences of Visualizing Race and Gender Demographic Data
本文针对可视化从业者如何理解自身信念、价值观和偏见对设计过程的影响及面临的挑战展开研究,通过17次半结构化访谈提出了该领域研究与实践的启示。
2025-02-14 cs.HC
A Navigational Approach to Health: Actionable Guidance for Improved Quality of Life
生活方式和环境与我们的生物机器相互作用,是塑造我们健康和福祉的主要原因。持续、多模式和定量的方法来理解和控制这些因素,将使每个人更好地达到他们期望的生活质量。导航范例可以通过使用不断捕获的测量结果来馈送对用户的健康如何不断变化的估计,以帮助用户朝向指定的健康目标,以便提供可操作的指导。当用户采取各种行动时,对所产生的影响的测量循环回到估计和下一个指导步骤。这种测量、估计、指导和行动的永久循环阐明了个人健康导航信息和驱动框架。个人健康导航专注于通过确保与健康状态的最小偏差来实现用户的健康目标,而不是在偏离正确的生物功能后治疗疾病或症状。
2019-04-25 cs.HC
Look into your Heart -- Prototypes for a Speculative Design Exploration of Personal Heart Rate Visualization
Northumbria University(诺森比亚大学)
针对可穿戴设备心率数据复杂时间模式未被充分探索的问题,提出5种基于可视化文献的原型方法,通过合成数据集探索并评估,为个人心率可视化设计空间提供推测性图谱。
2025-11-10 cs.HC
Personalizing Personal Health Interfaces: Co-Design with Generative AI
Drexel University(德雷塞尔大学);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究通过协同设计探究生成式AI在个性化健康界面中的设计潜力,发现其能促进用户直接创建界面,但需关注模型默认设置对用户自主权的影响。
2026-09-15 cs.AI cs.CY cs.HC
Visualizing Intelligent Tutor Interactions for Responsive Pedagogy
针对教师难以利用智能辅导数据支持响应式教学的问题,本文通过设计研究构建可视化分析系统VisTA,帮助教师解读交互数据并制定后续教学行动。
2024-04-19 cs.HC
Data Hunches: Incorporating Personal Knowledge into Visualizations
数据的问题在于,它经常只提供感兴趣的现象的不完美的表示。熟悉数据集的专家在分析数据集时通常会进行隐含的心理修正,或者在存在警告的情况下会谨慎行事,不要对任何发现过于自信。然而,关于数据集警告的隐含知识通常不会以结构化的方式收集,这是有问题的,特别是当团队一起工作时,他们可能了解数据集的不同方面。在这项工作中,我们定义这样的分析师的知识数据集的数据预感。我们讨论了数据预感的影响,并提出了一套技术,通过数据可视化记录和交流数据预感。此外,我们还提供了设计支持记录和可视化数据预感的可视化的指导方针。我们设想,数据预感将使分析师能够将他们的知识具体化,促进协作和沟通,并支持从他人的数据预感中学习的能力。
2022-04-10 cs.HC
Financial technologies (FinTech) for mental health: The potential of objective financial data to better understand the relationships between financial behavior and mental health
在本文中,我们提出了新的研究方法,收集和分析个人财务数据以及心理健康因素,通过一个N=1的案例研究,使用数据从一个人与双相情感障碍。虽然我们没有发现统计上显著的趋势,也没有发现我们的研究结果可以推广到这个案例之外,但我们的方法提供了对获取客观财务数据的挑战的深入了解。我们概述了目前可用的数据,可以用它做什么,以及在处理财务数据时要考虑的因素。更具体地说,使用这些方法,研究人员可能能够在个人财务数据中识别出精神疾病的症状痕迹,例如识别早期预警信号,从而为患有严重精神疾病的个人提供先发制人的护理。基于这项工作,我们还探讨了制定干预措施以支持财务健康的未来方向。此外,我们还描述了金融数据驱动的评估和干预方法在技术、道德和公平方面的挑战,并提供了一个广泛的研究议程来应对这些挑战。通过以保护隐私和道德的方式利用客观,个性化的财务数据,有助于实现心理健康护理的转变。
2023-01-09 cs.HC
HiMe: Real-Time Self-Hosted Personal Agent Platform for Health Insights with Wearable Devices
King’s College London(伦敦国王学院);The Alan Turing Institute(艾伦·图灵研究所)
针对传统可穿戴健康信号分析的局限,HiMe提出本地可部署、隐私至上的代理平台,遵循数据库为一等组件等原则,能与多种可穿戴设备实时健康数据生态系统兼容,实现个人持续、个性化健康监测以提升幸福感。
2026-07-24 cs.AI cs.CL cs.HC
Visualization Tool for Environmental Sensing and Public Health Data
为了帮助受石油和天然气开发影响的居民,一家非营利组织的公共卫生专业人员收集了社区数据,包括症状、空气质量和个人故事。然而,该组织无法通过计算汇总和可视化这些数据。我们提出了环境健康频道,一个基于网络的交互式工具,用于可视化环境传感和公共卫生数据。这一工具有助于讨论和传播科学证据,以揭示工业活动对当地环境和健康的影响。
2018-04-09 cs.HC
Visualizing Self-Regulated Learner Profiles in Dashboards: Design Insights from Teachers
本文针对翻转课堂中教师难以监控学生自我调节学习的问题,设计并实现了仪表盘FlippED,通过可视化机器学习识别的多维SRL画像,并经十位教师访谈验证其可用性与可操作性。
2023-05-26 cs.CY cs.HC
Developing patient-driven artificial intelligence based on personal rankings of care decision making steps
Aalto University School of Science(阿尔托大学理学院)
我们提出并实验激励一种新的方法,以支持决策过程中的医疗保健与人工智能的基础上个人排名的护理决策步骤,可以确定与我们的方法,问卷调查数据及其统计模式。我们的纵向定量横断面三阶段研究收集了437个关于医疗保健情况的表达陈述的自我评级,这些陈述涉及李克特量表的“需要帮助”,“健康的进步”,“幸福感”,“同情的迹象”和“健康状况”,以及45个关于人的人口统计学,健康和福祉的答案,以及给出答案的持续时间。2020年6月1日至2021年6月29日期间,从芬兰患者和残疾人组织、其他健康相关组织和专业人员以及教育机构招募了在线受访者(n=1075)。采用Kruskal-Wallis检验、Wilcoxon秩和检验(即,Mann-Whitney U检验)、Wilcoxon秩和配对检验、Welch t检验和组间单因素方差分析(ANOVA)检验,我们基于每个背景问题的答案值确定了关于应答者分组的每个表达陈述的评分及其持续时间的统计学显著差异。后来重新排序的评级排名的频率显示出依赖性与评级早些时候就各种口译任务实体,口译层面和答复分组。我们的方法,问卷调查数据及其统计模式,使分析与自我评价的表达陈述的决策步骤在医疗保健的情况下,他们的链接,聚集和分支的知识实体的个性化护理路径的表示。我们的研究结果支持构建人工智能解决方案,以满足患者的护理需求。
2022-05-15 cs.HC cs.LG
Unpacking "Personal" Health Informatics for Proactive Collective Care
IIIT-Delhi(德里信息科学与技术研究所);RIT, NY(罗切斯特理工学院)
本文研究了集体照护实践中健康信息学的使用挑战,提出通过集体健康信息学重构设计,提供十项设计建议以构建负责任的系统,支持主动集体照护。
2026-10-21 cs.CY cs.HC
Don't Peek at My Chart: Privacy-preserving Visualization for Mobile Devices
针对移动设备可视化易被旁人偷看导致隐私泄露的问题,提出一种基于人类视觉感知的掩蔽方案,通过调整空间频率和亮度对比度,使图表近距离可读而远距离不可见,有效保护隐私。
2023-05-21 cs.CR cs.HC
Envisioning Mobile Data Visualization Libraries for Digital Health
Yonsei University(延世大学);University of Maryland, College Park(马里兰大学帕克分校)
本文探讨了移动健康应用中可视化设计的不足,提出需要专门的移动可视化库来支持健康数据,强调智能默认设置、内置健康注释和流畅交互的重要性。
2026-08-17 cs.HC
Leveraging LLMs to Predict Affective States via Smartphone Sensor Features
University of Melbourne(墨尔本大学)
针对数字心理健康领域中LLMs结合移动传感器数据研究不足的问题,本研究首次利用LLMs基于大学生智能手机传感数据预测情感状态,验证了零样本、少样本嵌入LLMs的有效性,展现了其在数字表型与情感预测中的潜力。
2024-07-11 cs.AI cs.HC