A Systematic Survey on Android API Usage for Data-Driven Analytics with Smartphones
最近的工业和学术研究集中在智能手机的数据驱动分析，通过应用程序编程接口（API）和传感器收集用户交互，上下文和设备系统数据。Android OS提供各种API来为第三方开发人员收集此类移动使用和传感器数据。使用统计API（US API）和可访问性服务API（AS API）是用于收集应用使用数据的代表性Android API，并且用于各种研究目的，因为它们可以收集细粒度的交互数据（例如，应用使用历史、用户交互类型）。此外，其他传感器API有助于收集用户的上下文和设备状态数据，以及AS/US API。本文通过对研究目的和数据类型的分类，研究了使用AS/US API的移动使用和传感器数据驱动的研究。本文将被调查的研究分为五个主题和21个子主题，并采用四层的层次数据分类结构。这使我们能够识别数据使用趋势，并根据研究目的深入了解数据汇集。讨论了移动使用和传感器数据驱动分析研究的几个局限性和未来的研究方向，包括Android API版本变化对研究的影响，隐私和数据质量问题，以及标准化数据类型的可重复性风险的缓解。
2022-06-06 cs.HC
The Impact of Private and Work-Related Smartphone Usage on Interruptibility
在过去的十年中，通过移动通知的中断的影响已经在人机交互领域中被广泛研究。任务和活动中的断点、认知负荷和人格特质都被证明与个体的可中断性相关。然而，需要在更广泛的意义上解释中断性的概念，以提供对其特征的整体理解。在本文中，我们建立在社会角色理论的概念化和调查个人的私人和工作相关的智能手机的使用和他们的中断之间的相关性。通过我们对四名参与者进行的为期11周的初步研究，我们发现智能手机上的应用程序序列与个人的私人和工作角色相关。我们观察到，参与这些角色的参与者倾向于遵循特定的可中断性策略-整合，组合或分割私人和工作相关的活动。理解这些策略为普适计算中的注意力和中断管理系统开辟了新的天地。
2019-07-10 cs.HC
A Notification Based Nudge for Handling Excessive Smartphone Use
针对智能手机过度使用问题，本研究提出基于通知的助推干预方法，开发Android原型“App Usage Monitor”，并通过3周实验验证其可在不引起用户反感的情况下减少本科生过度使用。
2025-07-19 cs.HC
Investigating the Effects of Mood & Usage Behaviour on Notification Response Time
蓝牙是智能手机和个人电脑上最流行的机制之一，用于传达及时和重要的信息。尽管有这些好处，智能手机通知需要个人的注意力，并可能导致压力和挫折时，在不适当的时间交付。本文研究了个人的智能手机使用行为和情绪对通知响应时间的影响。我们进行了一项为期五周的野外研究，参与者超过18人。大量的实验结果表明，所提出的回归模型是能够准确地预测响应时间的智能手机通知使用当前用户的情绪和生理信号。我们探讨了不同功能的影响，每个参与者选择最重要的面向用户的功能，以实现有意义的和个性化的通知响应预测。平均而言，我们的回归模型在所有参与者中实现了0.7764 ms的MAE和1.0527 ms的RMSE。我们还研究了如何将生理信号（从E4腕带收集）用作情绪指标，并讨论了应用程序使用和智能手机应用程序类别对通知响应时间的个体差异。我们的研究揭示了未来的智能通知管理系统。
2022-07-07 cs.HC
The User Perspective on Island-Ready 6G Communication: A Survey of Future Smartphone Usage in Crisis-Struck Areas with Local Cellular Connectivity
本文通过对德国857名成年智能手机用户的调查，研究6G本地蜂窝岛屿连接模式下的应用偏好与服务优先级，为岛屿就绪型6G的用户中心设计提供依据。
2025-06-16 cs.HC cs.NI
TYDR - Track Your Daily Routine. Android App for Tracking Smartphone Sensor and Usage Data
我们介绍了Android应用程序TYDR（跟踪你的日常生活），它跟踪智能手机传感器和使用数据，并利用标准化的心理测量个性问卷。通过该应用程序，我们的目标是收集数据，用于研究跟踪的智能手机数据与用户个性之间的相关性，以便从智能手机数据中预测个性。在本文中，我们强调了我们的方法，在开发这样一个应用程序的挑战。我们通过评估数据的大小和电池消耗和存储信息的粒度的权衡，优化传感器数据的跟踪。我们的用户界面旨在激励用户安装应用程序并填写调查问卷。TYDR处理并可视化跟踪的传感器和使用数据以及个性问卷的结果。在开发用于心理学研究的应用程序时，必须满足伦理委员会/机构审查委员会和数据保护官员提出的要求。我们详细介绍了我们的方法，这些方法涉及匿名存储用户数据，通知用户有关数据汇集的要求，并启用退出选项。我们提出了我们的匿名数据存储过程，同时仍然能够识别成功完成心理研究的个人用户。
2018-03-18 cs.CY cs.HC
Synthetic Data Generation for Screen Time and App Usage
Universidade Lusófona（里斯本大学）；Universitat de Barcelona（巴塞罗那大学）；Université Paris Cité（巴黎城市大学）；Cornell Tech（康奈尔科技）
本研究探讨了利用 ChatGPT 等大型语言模型生成智能手机使用合成数据，通过比较不同提示策略发现详细提示能生成结构化且行为合理的数据，但在捕捉行为多样性和平衡数据保真度方面仍存挑战。
2025-09-17 cs.AI cs.HC
Behavioral Indicators of Loneliness: Predicting University Students' Loneliness Scores from Smartphone Sensing Data
The Hong Kong Polytechnic University（香港理工大学）；The University of Melbourne（墨尔本大学）；University of Auckland（奥克兰大学）
本研究利用智能手机感知数据与机器学习模型，通过分析屏幕使用、位置移动等行为指标，预测大学生孤独量表分数，提升数字心理健康中的孤独检测能力。
2025-11-29 cs.HC
Analysis and development of a novel algorithm for the in-vehicle hand-usage of a smartphone
Politecnico di Milano（米兰理工大学）；Kubris S.r.l.（Kubris有限公司）
驾驶时使用智能手机被一致认为是一个非常危险的习惯，因为它与交通事故有很强的相关性。在本文中，检测驾驶员是否正在使用手机在行程中的问题得到解决。为此，来自几乎所有现代手机中集成的三轴惯性测量单元（IMU）的高频数据在不依赖外部输入的情况下进行处理，以提供独立的方法。通过频域分析，可以从原始信号中提取检测驾驶员何时使用电话所需的有用信息，而不受车辆运动对相同信号的影响。所选择的特征用于训练支持向量机（SVM）算法。在混合自然驾驶场景下收集的实验数据上对所提出的方法的性能进行了分析和测试，证明了所提出的方法的有效性。
2018-08-30 cs.HC cs.LG eess.SP
Context Data Categories and Privacy Model for Mobile Data Collection Apps
来自不同领域的上下文感知应用程序，如移动健康，推荐系统和移动商务，可能会受益于了解用户的个性方面。由于填写个性问卷是繁琐的，我们提出了从智能手机传感器和使用数据预测用户的个性。为了收集数据以研究智能手机数据与个性之间的关系，我们开发了Android应用程序TYDR（跟踪您的日常生活），该应用程序跟踪智能手机数据并使用心理测量个性问卷。通过TYDR，我们跟踪的智能手机数据比现有的类似应用程序更多，包括通知的元数据，拍摄的照片和用户播放的音乐。对于TYDR的开发，我们引入了一个通用上下文数据模型，该模型由四个类别组成，这些类别侧重于用户与智能手机的不同类型的交互：物理条件和活动，设备状态和使用，核心功能使用和应用程序使用。除此之外，我们还专门为与移动数据收集相关的应用程序开发了隐私模型PM-MoDaC，其中包括九项拟议的隐私措施。我们在TYDR中介绍了所有这些措施的实施情况。虽然基于用户的智能手机的使用来利用用户的个性是一项具有挑战性的努力，但对于各种类型的上下文感知移动应用来说，这似乎是一种有前途的方法。
2018-07-04 cs.CY cs.HC
Mobile Device Type Substitution
如今，移动用户与各种移动终端类型交互，包括智能电话、平板电脑、智能手表等。然而，对移动终端类型替代的研究在几个方面受到限制，包括缺乏详细和可靠的分析。因此，在这项工作中，我们研究移动终端类型的替代，通过分析多设备的使用数据，从一个大的美国为基础的用户面板。具体而言，我们使用配对用户组的回归分析来测试五种设备类型替代假设。我们发现平板电脑和PC都是智能手机的部分替代品，平板电脑和PC的拥有分别使智能手机的使用时间减少了约12.5和13小时/月。此外，我们发现平板电脑和PC也分别提示约20和57小时/月的额外（非替代）使用。我们还说明了显着的用户间的多样性，替代和额外的使用。总体而言，我们的研究结果可以帮助理解不同类型的移动终端的相对定位，并在参数化更高层次的移动生态系统模型。
2018-03-24 cs.HC
SHA-SCP: A UI Element Spatial Hierarchy Aware Smartphone User Click Behavior Prediction Method
针对UI复杂性导致点击行为预测困难的问题，构建细粒度数据集并提出SHA-SCP方法，通过聚类构建元素组并利用注意力机制感知多尺度UI信息，在多项准确率指标上显著优于基线。
2023-10-18 cs.HC
Studying the Impact of Mood on Identifying Smartphone Users
University of South Florida（南佛罗里达大学）
本文探讨了智能手机用户的识别时，收集的某些样本，而主题感到高兴，沮丧或压力是缺席或出席。我们使用StudentLife数据集收集了19名受试者的数据，该数据集由达特茅斯学院的研究人员收集，最初收集的数据集是为了将智能手机使用模式特征的行为与压力和学习成绩的变化相关联。虽然许多以前的工作行为生物识别暗示，情绪是一个人的内部变化，可能会影响生物识别性能的来源，我们的研究结果与这一假设相矛盾。我们的研究结果表明，当去除受试者可能感到高兴、沮丧或压力时产生的样本时，表现会有所改善。因此，没有迹象表明情绪会对表现产生负面影响。然而，我们确实发现智能手机使用模式的变化可能与情绪有关，包括锁定，音频，位置，呼叫，主屏幕和电子邮件习惯的变化。因此，我们表明，虽然情绪是人内变化的一个来源，它可能是一个不准确的假设，生物识别系统（特别是移动生物识别）可能会受到情绪的影响。
2019-06-27 cs.CV cs.HC cs.LG
Balancing the Digital and the Physical: Discussing Push and Pull Factors for Digital Well-being
本文探讨了过度使用智能手机对心理健康的负面影响，针对用户对常规限制麻木的问题，提出利用Push & Pull Factors情境化干预策略以促进数字福祉，并讨论了衡量干预有效性的替代指标。
2023-05-21 cs.HC
ContextLabeler Dataset: physical and virtual sensors data collected from smartphone usage in-the-wild
National Research Council of Italy（意大利国家研究委员会）；Institute of Informatics and Telematics, National Research Council of Italy（意大利国家研究委员会信息学与远程通信研究所）
本文发布ContextLabeler数据集，通过志愿者智能手机在自然环境中采集两周超过45,000个样本、1332维物理与虚拟传感器特征及活动标签，为移动情境感知算法与协议研究提供真实数据支持。
2023-07-07 cs.HC cs.LG eess.SP
Tales of 34 iPhone Users: How they change and why they are different
我们目前的结果来自34 iPh-one 3GS用户的纵向研究，称为LiveLab。LiveLab通过设备内的可编程记录器收集了前所未有的使用数据，并在整个研究过程中对参与者进行了多次结构化访谈。我们写这篇论文有四个目标：（i）与研究界分享研究结果;（ii）提供指导智能手机系统和应用程序设计的见解;（iii）展示精心设计的纵向实地研究的力量和先进研究方法的力量;（iv）提出研究界可以帮助解决的重要问题，以合作，多学科的方式。我们展示了智能手机的使用情况在一年中是如何变化的，以及为什么用户的使用情况不同（和相似）。特别是，我们的研究结果强调了应用程序和网络使用动态、社会经济地位（SES）对使用的影响以及iPhone 3GS及其生态系统的缺点。我们进一步表明，不同类别的使用模式存在，这些类是最好的不同的手机设计，而不是一个尺寸适合所有的手机苹果提供。我们的研究结果不仅对于了解智能手机用户，而且对于指导设备和应用程序的开发和优化都具有重要意义。虽然我们提出了只能由这种性质的研究产生的新结果，但我们也提出了新的研究问题，由移动研究社区进行调查。
2011-06-25 cs.CY cs.HC
FIDO2 the Rescue? Platform vs. Roaming Authentication on Smartphones
本文通过 N=87 的实验室研究比较智能手机上的 FIDO2 平台认证与漫游认证，揭示用户接受度及阻碍其替代密码的可用性、安全性与多客户端等因素。
2023-02-15 cs.CR cs.HC cs.NI
COSMOS A Context Sensitive Model For Dynamic Configuration Of Smartphones Using Multifactor Analysis
随着多产增长的使用智能手机在整个频谱的人在社会中，它成为强制性的处理和配置这些设备有效地实现最佳的结果从it.This本文提出了一个上下文敏感的模型称为COSMOS（COontext敏感模型智能手机）配置的智能手机使用多因素分析的帮助下，决策树。本文提出的COSMOS模型有助于根据用户的当前上下文隐式地配置各种智能手机设置，而不会中断用户的各种输入。COSMOS模型还提出了多个上下文参数，如位置，调度数据，最近的通话记录设置等，以决定智能手机的适当设置。通过在Android平台上的原型实现，验证了该模型的有效性。在实现中进行了各种测试，90.95%的设置相关性度量值证实了所提出的模型的效率。
2013-09-09 cs.HC
ARcall: Real-Time AR Communication using Smartphones and Smartglasses
增强现实（AR）智能眼镜越来越被视为下一代个人计算平台。然而，人们对如何使用它们设计通信系统缺乏了解。我们提出了ARcall，一种新颖的基于增强现实的实时的【形】通信系统，能够在智能手机用户和智能眼镜佩戴者之间实现沉浸式，愉快和隐私保护的体验。ARcall允许远程朋友（Friend）向智能眼镜佩戴者（Wearer）发送和投影AR内容。ARcall系统的设计考虑到了现有AR眼镜的实际限制，包括更短的电池寿命和更小的视野。我们对ARcall的三个主要组成部分进行了定性评估：Drop-In，ARaction和Micro-Chat。我们的研究结果为构建未来基于AR的通信方法提供了新的见解，包括上下文启动的重要性，用户对AR内容放置的控制，以及对话时的共同存在感。
2022-03-08 cs.HC cs.SI
App Limits Bar: A Progress of App Limits for Overcoming Smartphone Overuse
过度使用智能手机对人类有许多负面影响。我们手机中的App Limits功能属于行为强化策略，用于克服智能手机过度使用的问题，通过在一段时间后将用户完全关闭应用程序来限制用户。虽然它具有一定的有效性，但缺乏对问题行为的程序性检测，往往会给用户带来焦虑和抑郁。我们提出了应用限制栏（ALB），以改进传统的应用限制，旨在减轻使用应用限制的负面情绪，并提高用户管理上瘾应用时间的能力。与此同时，我们进行了一项三阶段的用户研究，以回答ALB是否有助于用户更满意地使用应用限制功能，以及ALB在减少上瘾应用的使用时间和打开时间方面是否优于传统的应用限制。未来的工作将研究当正面屏幕面对我们时，边缘屏幕的最佳形状。
2020-11-30 cs.HC
My 10-Day App Crash Course in China: An Autoethnography
本研究以自我民族志方法记录作者在中国10天的移动应用使用经历，归纳出四大主题，揭示中西方文化社会差异对应用设计与用户体验的塑造作用，为理解跨文化数字适应提供了实证观察。
2024-12-09 cs.HC
Designing a Secure and Resilient Distributed Smartphone Participant Data Collection System
针对现实健康研究中移动设备数据采集的安全与韧性需求，提出集成被动采集与EMA调查、支持BLE腕带联动、加密传输存储的MotionPI系统，适配低电量、弱网等现实约束，提供安全可扩展的移动数据采集方案。
2025-10-22 cs.CR cs.DC cs.HC
Effect of context in swipe gesture-based continuous authentication on smartphones
University of Oulu（奥卢大学）；Bittium Wireless Ltd（Bittium Wireless有限公司）
这项工作研究如何上下文应考虑到执行连续认证的智能手机用户的触摸屏和加速度计读数提取的滑动手势的基础上。该研究是在公开的HMOG数据集上进行的，该数据集由100名研究受试者组成，他们在坐着和走路时执行预定义的阅读和导航任务。它表明，上下文特定的模型需要不同的智能手机的使用和人类活动的情况下，以尽量减少认证错误。此外，实验结果表明，只有当用户移动时，利用手机移动才能提高基于滑动手势的验证性能。
2019-05-28 cs.CV cs.HC cs.LG
Learning Mobile App Usage Routine through Learning Automata
Islamic Azad University, Central Tehran Branch（伊斯兰阿扎德大学德黑兰中央分校）；Dartmouth College（达特茅斯学院）；UC Riverside（加州大学河滨分校）
自其概念以来，智能应用市场呈指数级增长。应用程序市场的成功取决于许多因素，其中应用程序的质量是一个重要的因素，例如能源使用。然而，智能电话作为移动计算设备的子集。继承有限的功率资源约束。因此，在提高目标应用质量的同时维护资源是一个挑战。本文介绍了学习自动机（LA）作为一种在线学习方法来学习和预测用户的应用程序使用例程。这样的预测可以利用操作系统的应用缓存功能，并且因此（i）减少应用启动时间和（ii）节省电池。我们的算法，这是一个在线学习的方法，时间更新和改善自身的内部状态。特别是，它学习应用程序启动之间的转换概率。每个应用程序启动实例都会更新与该应用程序相关的转移概率，这将导致预测的改进。我们受益于真实世界的生活日志数据集，我们的实验结果显示，相对于目前用于智能手机应用程序预测方法的两种基线方法，我们取得了相当大的成功。
2016-08-13 cs.AI cs.HC
Automatic Stress Detection in Working Environments from Smartphones' Accelerometer Data: A First Step
许多组织的工作量增加以及随之而来的职业压力增加对劳动力的健康产生了负面影响。由于自我报告的主观性质以及个体之间和个体内部的可变性，测量压力和其他人类心理动力学是困难的。随着智能手机的出现，现在可以监测人类行为的各个方面，包括与心理状态和压力有关的客观测量行为。我们使用智能手机内置加速计的数据来检测与受试者压力水平相关的行为。选择加速度传感器是因为它引起的隐私问题较少（例如，与位置，视频或音频记录相比），并且因为其低功耗使其适合嵌入较小的可穿戴设备中，例如健身跟踪器。来自两个不同组织的30名受试者配备了智能手机。这项研究持续了8周，在真实的工作环境中进行，对智能手机的使用没有任何限制。受试者在工作时间内报告了三次他们的压力水平。使用统计模型的组合来对自我报告的压力水平进行分类，我们实现了用户特定模型的最大总体准确度为71%，使用类似用户模型的准确度为60%，仅依赖于来自单个加速度计的数据。
2015-10-14 cs.HC
SummaryLens -- A Smartphone App for Exploring Interactive Use of Automated Text Summarization in Everyday Life
我们提出了SummaryLens，移动工具，利用自动文本摘要，使用户能够快速扫描和总结物理文本文档的概念和原型。我们进一步将其与文本到语音系统相结合，以按需读出摘要。基于这一概念，我们提出并探索了一个具体的应用案例，将人工智能和自然语言处理的不断进步带到日常生活中的互动用例中。基于我们实现的功能，我们描述了一组潜在的使用场景和好处，包括对低视力，低识字和阅读障碍用户的支持。第一个可用性研究表明，在日常生活中的自动文本摘要的交互式使用具有显着的潜力。我们将原型作为一个开源项目提供，以促进对此类工具的进一步研究。
2022-02-04 cs.HC
Three Hours a Day: Understanding Current Teen Practices of Smartphone Application Use
青少年使用移动设备进行越来越多的活动。智能手机和各种用于通信、娱乐和生产力的移动应用程序已成为他们生活中不可或缺的一部分。随着技术的变化，这种移动电话的使用迅速发展，因此，即使是两三年前的研究也可能无法反映智能手机变得更加复杂的新模式和做法。为了了解当前青少年使用智能手机的行为，我们对14名不同的青少年进行了为期两周的混合方法研究。通过语音邮件日记，采访和安装在智能手机上的日志应用程序的真实世界使用数据，我们了解了青少年使用的应用程序类型，当他们使用这些应用程序时，以及他们在特定情况下使用特定应用程序的原因。我们发现，我们研究中的青少年平均每天使用智能手机近3个小时，三分之二的应用程序使用涉及与平均近10个不同的通信应用程序进行交互。从我们的研究数据中，我们强调了未来移动应用程序或服务设计的关键影响，特别是新的社交和通信相关应用程序，这些应用程序允许青少年在他们分享的内容上保持所需的隐私和永久性。
2015-10-18 cs.CY cs.HC
Enabling Smartphone-based Estimation of Heart Rate
University of Virginia（弗吉尼亚大学）
通过可穿戴传感器进行的持续、无处不在的监控有可能收集有关用户环境的有用信息。心率是一种重要的生理测量，用于各种各样的应用，如健身跟踪和健康监测。然而，监测心率的可穿戴传感器（诸如智能手表和心电图（ECG）贴片）由于技术问题（例如，不良无线信道、电池耗尽等）或用户相关的原因（例如，运动伪影、用户依从性等）。使用其他可用传感器数据的能力（例如，智能手机数据）来估计丢失的心率读数对于应对任何这样的间隙是有用的，从而提高数据质量和连续性。在本文中，我们测试了使用智能手机传感器数据估计原始心率的可行性。使用12名参与者在一周的研究期内生成的数据，我们能够使用回归，SVM和随机森林算法构建个性化和广义模型。所有这三种算法都优于基线移动平均插值方法的个性化和广义设置。此外，我们的研究结果表明，个性化模型优于广义模型，这说明了在估计心率时考虑个人生理，行为和生活方式的重要性。这些有希望的结果为将智能手机传感器数据与可穿戴传感器数据相结合进行连续心率监测的可行性提供了初步证据。
2019-12-18 cs.HC cs.LG eess.SP
Color-Perception-Guided Display Power Reduction for Virtual Reality
电池续航时间是当今不受限制的VR和AR设备面临的日益紧迫的挑战。然而，盔装显示器的功率效率自然与更好的分辨率、刷新率和动态范围所驱动的不断增长的计算需求不一致，所有这些都减少了不受限制的AR/VR设备的持续使用时间。例如，Oculus Quest 2在充满电的电池下只能维持2到3小时的操作时间。现有的显示器功率降低技术主要针对智能电话显示器。然而，直接应用智能手机显示功率降低技术会降低AR/VR中的视觉感知，并产生明显的伪影。例如，智能手机上的“省电模式”会均匀地降低整个显示器的像素亮度，因此，如果直接应用于VR内容，则会向用户呈现整体变暗的视觉感知。我们的关键见解是，VR显示器功耗的降低必须认识到高视场VR显示器的视情况而定的性质。为此，我们提出了一个凝视的系统，在不降低亮度的情况下，最大限度地减少显示器的功耗，同时保持高的视觉保真度，当用户主动查看沉浸式视频序列。这是通过心理物理学研究构建凝视相关颜色辨别模型，以及通过实际设备测量构建显示功率模型（相对于像素颜色）来实现的。重要的是，由于在构建两个模型时做出了仔细的设计决策，我们的算法被转换为具有封闭形式解决方案的约束优化问题，可以实现为实时图像空间着色器。我们评估我们的系统使用一系列的心理物理学研究和大规模的自然图像分析。实验结果表明，我们的系统降低了显示功率高达24%，几乎没有感知保真度下降。
2022-09-19 cs.HC
Through a Gender Lens: Learning Usage Patterns of Emojis from Large-Scale Android Users
基于从全球智能手机用户收集的大量emoji使用行为数据集，本文研究了emoji的性别特定使用情况。我们提出了各种有趣的发现，证明了女性和男性用户在emoji使用方面存在相当大的差异。这样的差异不仅在统计意义上是显著的;对于机器学习算法来说，仅仅基于消息中使用的表情符号就足以准确地推断用户的性别。在现实世界中，性别推断是必要的，基于表情符号的模型比基于文本或上下文信息的现有模型具有独特的优势。js不仅提供独立于语言的指示器，还通过分析文本和元数据减轻了泄露私人用户信息的风险。
2018-04-25 cs.HC
Circadian Rhythms are Not Captured Equal: Exploring Circadian Metrics Extracted by Different Computational Methods from Smartphone Accelerometer and GPS Sensors in Daily Life Tracking
昼夜节律是人类日常生活中表现出的自然生物周期。规律和稳定的节奏被发现与良好的身心健康相关。随着移动和可穿戴技术的广泛采用，许多类型的传感器数据（诸如GPS和体动记录）为研究人员客观地量化用户的昼夜节律并进一步使用这些昼夜节律的量化度量来推断用户的健康状态提供了证据。计算机科学和心理学的研究人员已经在生态有效的人类感知研究中使用各种移动和可穿戴传感器研究了昼夜节律，但是问题仍然存在，当同时用于监视用户时，不同的数据类型是否以及如何产生不同的昼夜节律结果。我们假设不同的传感器数据揭示了用户日常行为的不同方面，从而产生不同的昼夜节律模式。在本文中，我们专注于两个数据类型：GPS和加速度计数据从智能手机。我们使用了来自225名大学生参与者的智能手机数据，并应用了四种昼夜节律表征方法。我们在传感器之间发现的节奏模式中发现了显著而有趣的差异，这表明从不同的个人跟踪传感器发现的昼夜节律对设备使用和日常行为方面具有不同的敏感度。
2021-07-08 cs.HC
Understanding User Privacy Perceptions of GenAI Smartphones
Huazhong University of Science and Technology（华中科技大学）；New York University（纽约大学）
研究探讨用户对生成式人工智能智能手机隐私影响的认知及隐私设计期望，通过访谈揭示用户对数据生命周期中隐私问题的关注，并提出隐私增强建议。
2026-04-07 cs.CR 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
Multidevice mobile sessions: A first look
越来越多的用户拥有多个移动设备，这凸显了了解用户如何与这些多个设备（通常是同时）交互的重要性。然而，大多数基于器械的监测研究仅关注单一器械类型。相比之下，我们研究的多设备使用的美国为基础的面板通过设备为基础的监测panterior的智能手机和平板电脑设备。我们提出了广泛的结果，从表征个人多设备会话估计设备使用替代。例如，我们发现，对于小组成员，所有设备交互时间的50%可以被认为是多设备使用。
2018-09-11 cs.HC
What Social Media Use Do People Regret? An Analysis of 34K Smartphone Screenshots with Multimodal LLM
通过多模态大语言模型分析34K智能手机屏幕截图，发现用户的后悔感因意图和社交媒体活动类型而异，为改善用户体验和自主权提供了设计指导。
2025-03-05 cs.HC
LV-Linker: Supporting Linked Exploration of Phone Usage Log Data and Screen Video Data
之前的HCI研究经常出于可用性和用户体验研究目的分析智能手机应用程序使用数据。应用使用视频通常由屏幕记录应用收集，以便更好地分析应用使用行为（例如，应用使用时间、屏幕转换和通知处理）。然而，很难分析应用使用视频以及多个用户交互流数据。当视频的长度较长时，由于用户交互数据的量，数据分析往往需要很长时间。这对于缺乏数据分析经验的新手研究人员来说更加困难。在本文中，我们提出了LV-Linker（日志和视频链接器），这是一种可视化工具，可以帮助研究人员通过将多个时间序列日志数据与视频数据相关联来快速探索应用程序使用日志和视频数据。我们进行了一个初步的用户研究，8名参与者，以评估链接的好处，通过测量任务完成时间，乐于助人，和主观任务的工作量。我们的研究结果表明，提供链接功能可以显着降低任务完成时间和任务工作量。
2022-05-29 cs.HC
Examining the Social Context of Alcohol Drinking in Young Adults with Smartphone Sensing
根据先前的工作，饮酒者与周围其他人（朋友、家人、配偶等）之间的关系类型，和那些人的数量（单独，与一个人，与一组，等等）。与饮酒的多方面有关，如饮酒量、地点、动机和情绪。尽管在酒精研究中，社会背景被认为是影响年轻人饮酒行为的一个重要方面，但在智能手机传感研究中对这一主题的研究相对较少。在这项研究中，我们分析了瑞士241名年轻人的周末夜生活饮酒行为，使用的数据集包括三个月内的自我报告和被动智能手机传感数据。使用多个统计分析，我们表明，从模式，如加速度计，位置，应用程序的使用，蓝牙和接近的功能可以提供有关不同的社会背景的饮酒。我们使用智能手机传感数据定义和评估了七个社会背景推理任务，在四个两类和三个三类推理中获得了75%-86%的准确率。此外，我们讨论了使用智能手机传感器数据识别一组朋友的性别组成的可能性，准确率超过70%。研究结果令人鼓舞，有助于（a）支持未来对酒精消费的干预措施，更有意义地纳入用户的社会背景，（b）在创建饮酒日志时减少用户自我报告的需要。
2021-08-02 cs.HC cs.SI
Sensor-based Continuous Authentication of Smartphones' Users Using Behavioral Biometrics: A Contemporary Survey
University of Central Florida（中佛罗里达大学）；Ewha Womans University（梨花女子大学）
移动设备和技术已经变得越来越流行，提供了与台式计算机相当的存储和计算能力，允许用户存储敏感和私人信息并与之交互。由于移动设备容易受到未经授权的访问或盗窃，因此这种个人信息的安全性和保护变得越来越重要。用户身份验证是一项至关重要的任务，它在进入点授予合法用户访问权，并在整个使用会话中持续进行。这一任务通过当今智能手机的嵌入式传感器得以实现，这些传感器通过捕获行为生物特征和特征来实现连续和隐式用户身份验证。在本文中，我们调查了140多个最近的基于行为生物特征的方法，用于连续用户身份验证，包括基于运动的方法（28项研究），基于步态的方法（19项研究），基于动态的方法（20项研究），基于触摸手势的方法（29项研究），基于语音的方法（16项研究），和基于多模态的方法（34项研究）。该调查概述了使用智能手机嵌入式传感器捕获的行为生物识别技术进行持续用户身份验证的当前最先进方法，包括采用、可用性和性能方面的见解和开放性挑战。
2020-05-10 cs.CR cs.HC cs.LG
Tale of Seven Alerts: Enhancing Wireless Emergency Alerts (WEAs) to Reduce Cellular Network Usage During Disasters
在天气灾害中，第一响应者使用不同于民用商业信道的专用通信信道来促进救援。但近年来的灾难救援越来越多地涉及民间和志愿者力量，要求民间渠道不要超载。我们探讨了无线紧急警报（WEA）措辞的七项改进及其在让智能手机用户遵守方面的有效性，包括在严重天气灾害期间减少轻浮的移动数据消耗。我们进行了一项受试者之间的调查（N=898），其中参与者被分配没有警报（控制）或警报框架为基本信息，利他主义，多媒体，负反馈，正反馈，奖励，或惩罚。我们发现，基本信息警报导致多媒体和视频服务使用的最大减少，我们还发现，惩罚警报的绝对合规性最低。这项工作对制定更有效的WEAs和更好地理解措辞如何影响紧急警报遵守情况具有影响。
2021-02-01 cs.HC
Understanding the Social Context of Eating with Multimodal Smartphone Sensing: The Role of Country Diversity
本研究利用8国大学生的进食自我报告与智能手机传感数据，分析进食社会背景的国家差异，构建混合个性化机器学习模型实现最高0.75的AUC，强调需考虑国家差异以提升模型泛化性。
2023-10-04 cs.CY cs.HC
Smartphone-based Eye Tracking System using Edge Intelligence and Model Optimisation
Western Sydney University（西悉尼大学）
针对智能手机眼动追踪算法在视频刺激下准确率低、受资源约束的问题，提出结合CNN与LSTM/GRU的两种追踪模型，并通过边缘智能架构与量化、剪枝优化提升实时性能，有效降低推理耗时。
2025-01-14 cs.CV cs.HC cs.LG
A Fast and Minimal System to Identify Depression Using Smartphones: Explainable Machine Learning-Based Approach
North South University（南北大学）
本研究提出一种基于智能手机应用使用数据的快速极简机器学习系统，可在1秒内识别抑郁症，最佳模型准确识别82.4%的抑郁学生，并利用SHAP分析揭示行为标记，适用于资源匮乏地区。
2025-08-22 cs.CY cs.HC cs.LG
InteractOut: Leveraging Interaction Proxies as Input Manipulation Strategies for Reducing Smartphone Overuse
针对现有智能手机过度使用干预效果不佳的问题，提出利用交互代理隐式操纵输入的 InteractOut 技术，在真实实验中显著降低了应用使用时间与打开频率，并提升了用户体验与接受度。
2024-02-20 cs.CY cs.HC
