情境感知的移动经验取样方法及工具研究

刘清堂 卢国庆 邓伟 吴林静 梅镭 王娇娇

【摘要】移动互联网+教育促进了教育数据采集方法的革新。移动经验取样法是一种移动技术与经验取样方法相结合的纵向即时数据采集方法。本研究在系统梳理移动经验取样法的理论基础、取样方法和相关工具的基础上，重点对情境感知移动经验取样工具的功能流程和关键技术进行重点分析，设计并实现了一款指向真实学习情境的教育即时数据采集工具。该工具以智能终端为信息采集载体，实现随机取样、间隔取样、基于事件的取样和设备取样四种取样方式。接着，从感知有用性与感知易用性两个方面，通过焦点小组讨论对工具进行了评价与完善，并对工具的功能进行了横向比较。最后，对工具的应用进行了展望，以期为移动经验取样工具的本土化研究及应用提供借鉴与参考。

【关键词】  经验取样法;移动经验取样法;移动技术;情境感知技术;取样方法;取样工具;教育数据采集

【中图分类号】  G40-057       【文献标识码】  A       【文章编号】  1009-458x（2021）6-0035-11

一、问题的提出

教育数据采集方法关乎教育量化研究质量。结果类、过程类、自我报告等数据捕获与测量方法是教育数据采集的主要方式（Azevedo， 2015），但有其自身的局限性。指向结果的测量方法包括测验和迁移测试等，是采集学习结果数据的有效方法。指向过程的数据测量方法和工具有屏幕录像、日志文件、面部表情识别、生理传感器等，能够全面、有效地捕获学习过程信息。但是，采用这些方法进行量化与表征时采用的多为观察性指标，编码格式不一致，也难以采集个体内部心理状态信息。传统的自我报告法（如前测、后测问卷）常用于采集个体特性与状态数据，然而该方法采集到的数据具有一定的滞后性和延迟性，难以捕获到个体在真实情境中即时的内部心理状态信息。经验取样法（experience sampling method， ESM）应运而生，它能够有效解决采用传统自我报告法采集数据时存在回忆偏差的问题，捕获个体在具体情境中的真实状态信息。ESM的日益普及得益于两个因素：一是数据采集质量高，通过最小化回忆偏差、最大化生态效度提高了教育数据采集质量;二是数据采集移动设备迅速发展并普及。

随着情境感知、移动技术的蓬勃发展，智能手机、PDA等移动设备得到普及。这些移动设备在任何地方、任何时间都能与互联网连接，进行数据传输与交换。在社会科学领域，移动设备逐渐成为流行和通用的经验取样工具（Kuntsche & Labhart， 2013; Raento， Oulasvirta， & Eagle， 2009）。这些设备大多具有情境感知功能，能够实时、智能地获取个体的位置、活动、社交等信息，对个体的学习环境与内在学习状态有所“认识”。

然而，国内教育领域研究者很少利用移动设备进行ESM相关实证研究，究其原因，主要是对移动经验取样理论和方法缺乏认识，进而导致国内教育领域缺少合适的、开源的、适配的移动经验取样工具。基于此，本研究围绕以下问题开展研究：截至目前有哪些纵向数据采集方法和移动经验取样工具？针对这些方法与工具的不足，如何设计和开发教育领域中本土化的移动经验取样工具？移动经验取样工具如何在教育中更好地应用？基于以上问题，本研究在对移动经验取样法的理论基础、取样方法和取样工具进行系统梳理的基础上，设计并开发了一款移动经验取样工具，并对其教育应用进行了展望。

二、移动经验取样法的相关研究

（一）相关概念

经验取样法（以下简称“ESM”），又称“生态瞬时评估法”（ecological momentary assessment，EMA），是一种在真实的情境下对被试的环境、行为和体验等信息进行即时纵向采集的研究方法（段锦云， 等， 2012; 卢国庆， 等， 2019）。最初的使用方法是当被试收到提醒工具（如闹钟、手表等）发出的信号时，主动报告自己的真实状态。本质上，经验取样法也是一种自我报告的方法，它通过提醒工具和自我报告相结合来获取即时数据。但是，不同于传统的自陈测验方法，经验取样法强调在自然情境中采集数据，在时间与空间维度上更加接近事件发生的真实情境，能获取更为真实的数据。

移动经验取样法（mobile experience sampling method，mESM）指采用移动设备（如智能手机）的经验取样方法。不同于传统的ESM，mESM能够充分利用移动设备的情境感知技术，对环境信息和个体行为进行有效的“感知”，并对个体所在的环境信息（如位置、噪声、光线等）、行为信息（如活动、社会交互等）和生物信息（如温度、心跳、眼动等）进行自动记录，同时也可以通过即时的自我报告获取用户的主观体验和感知。这种数据采集方法能够采集多种模态数据，具有更好的内部效度和生态效度。

（二）mESM的理论基础

ESM来源于心流（flow）理论。心流理论最早由米哈里·希斯赞特米哈伊（Mihaly Csikszentmihalyi）提出，指当个体专心于某件事情时感觉到时间飞逝、物我两忘这样一种完全沉浸其中的愉悦满足感（朱珂， 等， 2018），又称“沉浸体验”。心流是一种积极的最佳体验与满足状态，它能够很好地解释个体在任务中的沉浸状态。希斯赞特米哈伊（Cs?kszentmihályi， 1975）认为，技能（abilities）和挑戰（challenges）是影响沉浸体验的主要因素。研究发现只有个体感知的任务挑战性与自身技能均很高，并且任务对于自身也很重要或相关的时候，才会产生很好的投入或最优的体验（Shernoff， et al.， 2014， pp. 475-494）。而经验取样法最早用于测量个体的沉浸体验。研究者采用mESM能够很好地测量学生即时的学习体验（Larson & Csikszentmihalyi， 2014， pp. 21-34），有效地感知学习者当下的真实环境信息，客观地捕获学习者的行为信息。

（三）几种常见的取样方法

mESM是一种密集型纵向研究法（intensive longitudinal method，ILM），利用被试随身携带的移动设备，在不同的教育情境中对被试多次采样，以获得学习者在不同活动中的环境、个体行为和心理状态信息等。经过文献梳理（Bolger & Laurenceau， 2013， pp. 18-21; Conner， et al.， 2009; Zirkel， Garcia， & Murphy， 2015），常見的纵向数据采集方式有随机取样、间隔取样、事件取样和设备取样（或情境感知取样）四种方式。这些经验取样方式的使用情境、技术平台、花费、复杂度和控制度等特点见表1。

在表1中，随机取样、间隔取样、事件取样是典型的三种传统取样方式。随机取样一般是指每天的取样信号发送时间随机（例如，每天3～8次），发送信号的时间未知。这种研究方法一般用来调查被试即时的体验，如学业情绪等。间隔取样一般是指在固定的时间对被试进行取样。事件取样主要用于围绕特定的事件而进行信息采集的研究，一般在事件发生的过程中或事件之后立即进行取样。

不同于传统的经验取样方式，新兴的设备取样（device-contingent sampling）充分利用传感器等技术设备自动感知、触发以完成更复杂的即时数据采集（MIT， 2008）。它是一种情境驱动的经验取样方式，一些研究者将这种方式开发为具体的移动应用程序（Intille， et al.， 2003）。移动设备内置多种传感器（如麦克风、相机、GPS、加速度等），能够捕捉和记录音频、图片、位置和运动等信息（Kuntsche & Labhart， 2013）。Bolger（2013， p. 19）将这种方式描述为基于设备的取样，并概括了这种取样方式可以获得的五种数据类型：①体验（如情感、行为和感知）的自陈测验;②生理指标（如心率）;③任务表现（如呈现在智能设备上的认知类任务）;④环境指标（如环境噪声、温度、拍摄情境图片）;⑤空间数据（如GPS信息）。

（四）mESM工具相关研究

ESM从传统的提醒工具（如闹钟）与纸质问卷结合的方式，逐步向移动技术支持下的提醒与问卷集成的mESM方式演进。mESM是契合移动互联网时代的技术与特征，形成的新一代用户信息行为研究方法（胡蓉， 等， 2018）。与早期的提醒闹钟与纸质问卷相结合的方式相比，mESM呈现出新的特性，具有情境感知、智能触发、多模态信息采集等特点。国外研究者开发了许多mESM工具，这些工具集成了情境感知、在线问卷调查、移动组件和管理组件等模块，支持掌上电脑、智能手机等主流移动平台（Conner， 2015; Van Berkel， Ferreira， & Kostakos， 2018）。目前mESM工具主要包括移动应用程序、短消息/语音服务和终端用户开发三类。

1. 移动应用程序实现mESM

利用智能设备搭载移动应用程序（App）是常见的mESM工具，这类工具应用较广泛。ESP是第一款移动经验取样应用程序（Barrett & Barrett， 2001），主要应用在掌上电脑上，用于采集用户即时的思想、感受和行为等。MyExperience以掌上电脑为平台，主要通过位置传感器、蓝牙传感器、用户交互和设备状态等记录设备使用日志，并通过用户的自我报告收集用户反馈（Froehlich， et al.， 2007）。然而，该程序主要用于评估移动设备的一些功能，应用范围有限。StudentLife是一款以智能手机（安卓环境）为平台，通过传感器和采集器，结合内置的分类器，自动感应学生的活动、睡眠和社会交往情况等的移动应用程序（Wang， et al.， 2014）。研究者利用该工具的情境感知功能，结合动态自陈测验，探究一学期内学生的活动、睡眠和社会交往等与学生的压力、情绪等自我报告的内部状态的关联，表明情境感知获得的分类数据与学生自我报告的数据之间存在相关性。虽然该应用程序具有很强的学生事件分类功能，但是该程序存在兼容性不高、扩展性不强等弱点。Ohmage是一款不仅能够通过用户自陈测验收集用户即时反馈，而且实现利用传感器采集GPS、加速度等情境数据，以及利用穿戴设备采集心率、血压等生物数据的应用程序（Tangmunarunkit， et al.， 2015）。但是，该工具针对特定群体，主要应用在医学健康领域。

2. 短消息/语音服务实现mESM

利用智能设备的短消息/语音服务可以实现mESM。Kuntsche等（2013）提出了一种基于Internet的手机优化评估技术（internet-based cell phone-optimized assessment technique，ICAT），该技术包括回顾性基准自我报告评估，以及给参与者发送短信，短信中包含了连接到Internet存储的超链接问卷。SurveySignal是一款成熟的mESM应用软件，最初是由芝加哥大学开发的，主要基于短消息服务（short message service，SMS），结合在线问卷系统而实现移动经验取样（Hofmann & Patel， 2015）。该工具比较成熟，只要智能终端联网即可参与经验取样研究。研究表明，基于SMS的取样是一种新颖、方便且具有成本效益的方式，可以收集有关情境特征的数据，同时最大限度地降低回忆偏差，但是这些工具不支持国内运营商。另外，有研究者（Sumaya & Darling， 2018）将移动技术与交互式语音响应技术结合使用，通过呼叫平台以语音的形式采集信息。一般而言，这类工具只能实现随机提醒和间隔提醒。

3. 终端用户开发实现mESM

为降低研究者的开发难度，国外出现了终端用户开发（end-user development，EUD）平台。 ESMAC是一款基于XML配置的事件触发的情境感知经验取样工具，支持Android 4.4以上终端设备的可视化用户终端编程平台（Bachmann， et al.， 2015），它采用基于流程布局，集成了在线测试、位置和活动分类器等功能。Jeeves是一款基于可拖拽模块的用户终端可视化编程平台（Rough & Quigley， 2017），研究者可以像搭建积木一样构建自己的经验取样应用程序。movisensXS是一款基于流程布局的用户可视化编程平台，集成了情境感知、表单等可视化引擎，由研究者在终端平台上根据研究需要进行创建和修改，并导出对应的应用程序，以开展经验取样研究（Stade & Seyff， 2017）。这类可视化的用户终端编程环境，或基于块布局，或基于流程布局，其开发的移动应用程序不支持跨平台运行，兼容性低，并且只能满足经验取样的部分功能，加之隐私保护等问题，很难直接应用在国内的教育研究中。

通过上述分析，国外在经验取样移动工具的实现、演进、应用等方面积累了丰富的成果，为社会心理学、组织行为学、医疗健康等领域的研究做出了巨大贡献，取得了很好的应用成效，主要体现在以下三个方面：第一，在数据层面，通过经验取样工具能够采集独特的数据集，这些数据是参与者在真实情境中的体验数据，无法采用其他方法获得。同时，重复测量的数据具有一定的“嵌套”特点，使得这些数据具有很强的统计分析潜力。第二，在分析层面，有助于研究个体内部心理特征与行为的变化及其过程。第三，在理论层面，这类工具的应用能够拓展已有的理论模型，提高理论精度，扩展特定理论的解释力（张银普， 等， 2016）。因此，我们认为，mESM在教育中具有很强的应用潜力，能够有效促进真实情境下的学习体验研究（万力勇， 等， 2019），有助于研究者了解教育环境如何影响并塑造学习、行为和其他结果，探究个体、行为、环境之间的多元关联。

然而，这种工具仍然存在一些技术难点，也体现在三个方面：第一，搭载App的主要缺点是，智能设备使用不同的操作系统（如iOS、Android、Windows Mobile、BlackBerry等），以及这些操作系统具有不同的版本，需要开发每个操作系统下的程序，同时要兼容不同版本以安装在所有手机上，否则该应用程序将局限于某种类型的手机。第二，SMS/语音取样方法局限于自我报告与对位置的评估（通过IP地址），情境感知功能会受到限制，如果将情境感知技术融入mESM，这种方式不是很好的解决方案。第三，可视化终端用户开发方案虽然能够减轻研究人员编写ESM程序的负担，但是，这种方式在一定程度阻碍了逻辑流程，降低了程序的自由程度和可控性，不是应用情境感知技术的有效解决方案。

最后，在技术实现上，仍然存在若干难题未得到解决：其一，在功能上，情境感知mESM工具有哪些功能流程？如何将情境感知技术与mESM融合从而更全面地采集学生的学习数据？其二，在取样方式上，事件取样等方式如何与学生的日程学习事件相关联？如何实现自动交互及更新？其三，在数据关联上，经验取样平台数据如何与第三方问卷调查平台的数据关联？等等。这些问题也是本研究拟突破的技术难点。

在国内，目前对于ESM的研究仅仅停留在理论探讨和方法框架梳理层面，鲜有mESM工具开发与应用相关研究。因此，迫切需要本土化的可访问的mESM研究设计工具。该工具能够将情境感知技术与自我报告相结合，能让计算机科学领域以外的研究者配置mESM研究参数，并嵌入他们的研究设计之中。本研究立足经验取样的工具层面，旨在设计并实现一款跨平台、兼容性高的情境感知mESM工具——“日程管家”，在对mESM工具进行需求分析、功能模块设计以及关键问题分析的基础上，对mESM工具进行开发实现与应用展望。

三、情境感知的mESM工具设计

（一）工具的需求分析

为解决传统的采用自我报告法进行教育数据采集存在的滞后与回忆偏差问题，结合移动技术、情境感知技术等，本研究提出了采集学生即时数据的情境感知mESM，设计并实现了教育领域采集即时数据的mESM工具。该工具能够实现随机取样、间隔取样、基于事件取样和设备取样四种取样方式，并自动获取个体在真实情境中的环境信息，将传统问卷调查法与移动提醒方式相结合，能够获取个体的即时心理状态信息，以及个体在真实环境中的上下文信息。简言之，系统主要需求是在实现随机取样、间隔取样、基于日程事件取样、设备取样四种取样方式的基础上，支持用户填写问卷，并根据用户历史统计信息，生成学习者学习仪表盘，共计六项需求，见表2。

工具的需求具体包括：①随机取样。该工具允许研究者在管理端设置提醒时间段、提醒次数与最小时间间隔等。例如，本周在上午8：00～晚上10：00的时间段内每天随机提醒一次。②间隔取样。该工具允许研究者在管理端设置提醒时间段、提醒次数等。例如，本月内每天上午9：00～12：00的时间段内每天等距间隔提醒2次。③基于事件的取样。主要指学生的学习计划安排、日程事件，主要包括学生的自主计划以及学生的课程信息。④设备取样。经验取样情境感知主要通过传感器、采集器等设备或技术等实现移动设备对个体所处的环境有所感知，进而使得计算机能够对使用者所处的环境有所认识。⑤自我报告。鉴于目前已经存在第三方问卷调查平台，该工具能够与主流的问卷调查平台兼容，如问卷星和qualtrics等。⑥仪表盘。该工具能够根据学习者足迹生成学习仪表盘，对学习行为信息、个体内在心理狀态、环境信息进行个性化反馈。

（二）工具的功能流程

日程管家包括学习者的移动端和研究者的管理端两部分，其功能流程见图1。研究者在管理端进行测试管理、用户管理、日程管理及相关数据分析。其中，测试管理主要指设置ESM研究项目的相关参数，如项目名称、项目描述、采集项、生效日期、取样方式、提醒时间段、提醒次数、第三方问卷链接等参数。

当预先设置的日程事件触发时，移动终端会自动提醒学习者，询问其是否正在进行学习;如果在学习，接着通过第三方问卷平台自我报告此刻学习情境下的认知、情感、动机等心理状态;智能终端对学习者此刻的学习地点、噪声、光线等环境信息自动进行采集;如果学习者没有在学习，就询问学习者本周学习任务是否已经完成，并重新设置下一次在线学习的具体时间，待到设定时间后继续提醒学习者。

（三）工具的模块设计

移动端和管理端的功能模块见图2。移动端功能主要包括：①注册登录，支持用户注册、登录移动应用程序;②日程管理，支持用户增加、删除、修改和查看日程等操作;③提醒查看，支持用户查看系统推送的通知;④自我报告，支持用户填写预设的采集项目;⑤个人信息修改，支持用户对个人信息的修改操作。

对于管理端，主要包括：①用户管理，支持系统管理员增加、禁用、查看用户，支持批量导入用户;②课程/日程管理，对于课程信息支持导入用户课程，对于学生新建的日程信息支持管理员查看、导出日程信息;③取样项目管理，支持新建经验取样项目，修改经验取样项目信息，部署或暂停经验取样项目，经验取样项目选项主要包括第三方问卷的绑定，选择用户，选择采集项、取样周期、采样方式等;④统计分析，对用户的基本信息、学习时间、学习地点、学习日程安排、实际学习情况等进行分析;⑤信息管理，支持系统管理员查看、修改关于我们、意见反馈、语言、字典等信息。

（四）工具的关键技术分析

mESM工具得到的结构化的数据集主要包括两类：一类是个体沉浸在真实情境下的心理状态数据，此类数据通过学习者自我报告的形式填写上传，其类型由第三方问卷平台设定，可以是学习者此刻的学习动机、认知投入和情感投入等内部心理状态;另一类数据通过移动端的传感器等捕获，主要包括学习者的环境信息，如位置信息等。获得的取样数据集为{沉浸真实情境下的学生心理状态信息，自动采集的环境信息}。为此，该工具主要用到情境感知、日程事件更新机制、跨平台数据交换技术等。

1. 情境感知技术实现环境信息的自动采集

将情境感知技术与ESM相结合具有一定的应用价值。通过情境感知技术自动采集用户的客观情境信息，有助于丰富学生数据集，减轻学生参与负担。工具中情境感知技术由位置传感器、光线传感器、声音采集器与事件分类器等以及用户交互组成。工具使用自动感应活动、会话和睡眠等分类器，对用户的活动或状态进行分类。对于用户的活动，主要根据位置传感器、加速度传感器实现用户静止、走路、跑、骑自行车、乘坐机动车等移动方式的判定;对于用户的对话主要根据麦克风采集的音频特征，获取用户的对话个数以及对话的持续时间等;针对用户的睡眠主要根据加速度传感器、麦克风、光线感应器等获得用户的睡眠情况（如入睡时刻、深度睡眠时长、起床时刻等）。设睡眠时间为SD（sleep duration），

其中，[Wi]指相关因素的权重，[Fi]指相关因素，分别代表：①光线特征;②手机设备使用特征（手机锁的状态）;③活动特征（如静止）;④声音特征（如安静）等。

2. 日程事件更新机制实现其与取样方式的关联

取样方式是教育数据采集的核心。不同取样方式如何与学生的日程事件关联是本工具解决的重要技术问题。本研究通过日程事件动态更新机制实现取样方式与学生日程事件的关联，是工具的创新之处。对于随机取样和间隔取样，工具根据用户回答交互情况，自动更新数据库日程事件。对于设备取样，工具实现信号提醒发生时刻的情境感知数据采集。对于事件取样，该工具允许研究者在管理端设置基于日程事件的提醒方案。学习事件分为两类：①学习者在移动端设置的日程计划事件;②研究者在管理端设置的学生课程事件。定义学习事件Study Event={Study Event Title， Starting Time， End Time， Study Location， Study Partner， Notes}。基于学习事件的提醒是指在学生的学习发生期间自动提醒用户，其提醒规则如下：

其中，[T]为提醒时刻，[Tstart]为日程事件开始时刻，[Tend]为日程时间结束时刻。如果日程事件的时间大于1个小时，第一次提醒的时间为开始时间过半小时后提醒;如果日程事件的时间小于一个小时，第一次提醒的时间为开始时间到结束时间的中间时间点。

3. 在网络请求中嵌入字段实现跨平台信息交换

不同数据源之间的数据交换、关联和整合是教育数据采集的难点。本研究主要通过网络请求中嵌入字段的方式，解决平台与第三方问卷数据之间如何关联的技术难题，为跨平台数据关联提供了参考。鉴于目前已经存在很成熟的问卷系统，例如，问卷星和qualtrics等，本工具并没有像其他工具或框架一样，如AWARE（Ferreira， et al.， 2015），开发独立的出题测验功能。本工具兼容第三方问卷平台，通过在网络请求中嵌入字段实现跨平台信息交换。对于问卷星而言，根据其平台接口的要求，参数名为sojumpparm;数据类型是string，编码后最大长度为150个字符，本研究将UserID通过参数以HTTP网络请求的方式（get请求）传送至问卷星平台，从而实现在问卷星问卷之间的区分。对qualtrics而言，同样是get请求，不同的是需要在问卷平台embedded-data中设定具体的参数名称，然后以HTTP网络请求的方式将用户ID传送至系统，系统会自动标识，网络请求链接参考如下：https：//YOURORG.az1.qualtrics.com/jfe/form/SV_0000000？Participant=UserID。

在此基础上，在第三方問卷平台中来源详情自动与用户ID相互关联，将采集的数据同步上传到服务器，并支持在无网络下自动采集、本地存储，有网络时自动上传云端。数据层的实体主要为用户、日程、取样实例、作答、资源等;第三方问卷平台与之关联的实体主要为问卷，其具体关联见图3。

四、情境感知的mESM工具的开发及评价

（一）工具系统架构

日程管家工具的开发采用了C/S架构（客户端/服务器端架构），移动端采用Reat Navite混合开发框架技术，这种开发模式生成的移动安装程序能同时在Android和iOS两大主流平台运行;服务器后端的开发环境是Java JDK 11，采用MVC模式（model view controller）来响应用户请求，用内嵌的servlet容器，配合Nginx反向代理完成多服务部署。该工具采用“数据层—动作层—触发层—感应层”四层架构，见图4。

日程管家工具最终实现界面如图5所示。

（二）工具的评价与完善

在日程管家的设计阶段，本研究设计出了具体的原型方案，并对其进行评价与完善。方案的评价主要基于技术接受模型（technology acceptance model，TAM）（Davis， 1989），从感知有用性（perceived usefulness）、感知易用性（perceived ease of use）两个方面，主要采用焦点小组方法，对取样工具的可用性、可理解性、灵活性等进行了讨论。焦点小组法是可用性测试的常见方法之一（顾小清， 等， 2010），它一般由使用者、开发者等组成讨论小组，针对工具的设计方案开展讨论，获得一些定性数据，从而了解使用者对工具的看法和态度，并通过后续的改进使之更符合用户的要求。

1. 焦点小组评价

为了对方案原型进行评价，并发现设计方案中存在的问题，本研究组织了焦点小组，选择了4名参与者。这些参与者包括一位教育心理学专家，一位有多年丰富经验的项目经理，还有两名用户（数字媒体专业研究生）。此次焦点小组的成员人数虽然较少，但涵盖了经验取样的研究者、设计者和使用者等。焦点小组讨论围绕经验取样工具的技术接受程度，结合TAM框架，从感知有用性和感知易用性两个方面对设计方案进行评价。通过此次研讨发现存在的主要问题如下：

（1）关于感知易用性的问题。第一，闹钟的强制推送会对用户产生很强的干扰。用户反馈：“这种提醒方式肯定会干扰我的正常学习和生活。在公共场所或者安静的教室内，如果我将手机设置为震动或者静音，但是手机突然闹铃提醒，让我回答问题，我很不喜欢这种提醒方式。”第二，多媒体的上传加重了研究者和学生的负担，能否自动采集相关环境信息。专家认为：“用户上传音频、视频和多媒体资源，无论对于使用者还是对于研究者的后期分析都增加了很大的工作量。能否利用智能手机内部的传感器将环境中的光线和音频进行自动获取和分析？”第三，音频和视频的采集限制和存储问题。项目经理反映：“图片、音频和视频如果大量存储的话，会增加服务器的负担，可能会引起加载太慢。”

（2）关于感知有用性的问题。第一，对用户而言，实用性较低。用户反馈：“该应用程序除了学习提醒之外，如果能让我对学习进度有宏观的了解就最好不过了。”第二，缺少用户反馈，以及隐私问题。“这个工具仅仅是一个取样工具，对我来说是没有任何反馈的，功能流程和界面不是很友好。感觉有人采集了我手机里面信息，但是我并不知道他获得了我的什么信息，我十分担心自己的隐私。”

2. 工具完善

根据焦点小组反馈的问题，本研究做以下改进：

（1）有关感知易用性的改进。第一，将闹钟的强制提醒方式修改为系统通知的推送方式，让用户在特定的场合可以将手机设置为震动模式，而通知推送将会震动提醒，这样就会降低对用户的干扰 [问题1]。第二，增强经验取样的情境感知功能。利用手机内置的传感器和采集器，对用户环境中的光线、噪声和位置等进行自动检测 [问题2]。第三，增加音频和视频取样的规则，时长小于10秒或者3～10秒，不对内容进行分析，仅仅对音频和视频的特征进行分析。另外，为了减轻服务器的负担，将图片、音频和视频采用轻量级第三方服务器存储（如阿里云OSS存储）[问题3]。

（2）有关感知有用性的改进。第一，将用户的学习、环境情况等信息以个性化仪表盘的形式呈现给用户，增强实用性[问题1]。第二，对界面进行重新设计，增加用户的反馈界面。第三，针对用户隐私，在用户知情同意后才进行相关数据的采集，即用户同意相关权限之后方可采集[问题2]。第四，组织多名软件测试人员先后进行多次黑盒测试、白盒测试等，结果表明该工具已经能够稳定使用，功能流程全部实现。

（三）工具的横向比较

日程管家与其他mESM工具的功能比较结果如表3所示，主要有五个方面的不同：第一，在运行系统上，本工具兼容移动设备的主流操作系统（Android/iOS），除SurveySignal、AWARE之外，大多数工具只能在单类操作系统上运行。第二，在自我报告方面，日程管家与SurveySignal支持添加第三方问卷平台的链接，而其他7个工具不支持该功能，而是具有独立的问卷系统，通过后台编写问卷题项。第三，在取样方式上，本工具同时支持随机取样、固定取样、基于事件的取样以及设备取样，而其他工具存在取样方式缺失问题，如MyExperience、SurveySignal不支持事件取样与设备取样等。第四，在参数配置方面，日程管家允许后台配置参数，而其他大多数工具配置复杂，如MyExperience、Ohmage通过XML配置增加了语法错误的可能性，Jeeves、MovisensXS 通过可视化编程配置参数等。第五，在仪表盘方面，日程管家支持仪表盘反馈，其他工具除Ohmage外，大多不支持这项功能。可以看出：该工具支持主流操作系统，实现了四种取样方式，兼容主流第三方问卷平台，具有更多的情境感知功能，配置参数更加简单方便，同时融合了仪表盘等元素，有助于mESM在教育领域研究中的本土化应用。

五、研究总结

（一）应用展望

2007年，Hektner等人在著作Experience sampling method： Measuring the quality of everyday life中系统介绍了ESM在教育领域的应用范围，包括学生学习的时间分布、课堂结构、课堂体验、课外活动、教师体验等方面（Hektner， Schmidt， & Csikszentmihalyi， 2007， pp. 229-251）。近年来，随着情境感知技术的发展，通过情境感知获取个体信息，进而分析个体学习行为和环境关系的相关研究逐渐受到重视。mESM在学生投入、主观体验和学习环境信息采集等方面的应用研究取得了进展。这些研究主要聚焦课堂瞬时学习投入（Schmidt， Rosenberg， & Beymer， 2018），大學生非正式学习（Xie， Heddy， & Greene， 2019; Xie， Heddy， & Vongkulluksn， 2019）、移动学习、混合学习（Henrie， et al.， 2015; Manwaring， et al.， 2017）和大班讲授型课堂（Shernoff， et al.， 2017）等情境下个体的学习体验。

在研究设计方面，不同研究者根据具体的研究情境与研究问题进行不同的移动经验取样设计。在环境因素方面，这些研究主要关注个体的学习时间、地点位置、活动类型、学习原因和自主性等;在行为因素方面，主要关注个体的学习行为、社会交互等;在个体因素方面，主要关注自我效能、认知投入、学习动机和学业情绪等方面。

因此，mESM在教育领域的应用方面，以社会认知理论（social cognitive theory，SCT）为视角，将个体的学习放在更加宏观的社会境脉下进行考量，探究个体、环境、行为三者的互动关系（见图6），建立环境因素、个体因素与行为结果关系的整合模型是应用的一个重要方向。本研究拟采用已经开发实现的mESM工具（日程管家），实现学习的环境信息、学习投入等信息的纵向即时采集。拟以具体课程为案例，聚焦具体的学习活动单元，探究学习情境下学生学习环境与学习投入变化规律，探索学生行为模式、认知模式和情绪模式，纵向分析情境因素（学生位置、学习材料、多媒体使用、学习活动类型等）与学生学习投入的关联。

（二）研究总结

在学习发生的真实情境中进行教育数据采集是提高教育研究质量的重要途径之一。为提高教育数据采集的情境性、真实性和生态性，本研究在对理论、方法、工具进行系统综述的基础上，将情境感知技术与经验取样法相结合，设计开发了mESM工具——日程管家。该工具主要包括管理端、移动端，实现了随机取样、间隔取样、事件取样、设备取样四种采样方式，融合了情境感知技术，能够智能地采集学生的光线、位置和噪声等环境信息，即时获取个体在真实情境下的内部心理状态。该工具将情境感知技术应用于ESM信息的自动采集，使用日程事件更新机制实现日程事件与取样方式的关联，使用嵌入式字段实现不同数据源之间的数据交换与关联，具有一定的创新性与参考价值。

同时，研究者要意识到mESM存在的若干不足。第一，移动设备取样的效果依赖与手机网络的连接，任何原因导致网络关闭或没有接收到网络信号都会导致参与者接收提醒的时间比预期的晚。第二，提醒本身会对学生学习造成一定的干扰，可以通过缩短重复测量问卷的长度来减弱干扰及被试负担。第三，工具依赖于第三方问卷平台，在增加了便捷性的同时也增加了一定的信息安全风险。值得注意的是，在mESM工具设计和使用中，应当遵守相关法律法规，经被收集者同意，遵循合法、正当、必要的原则，明示收集、使用信息的目的、方式和范围，以防出现个人信息的过度采集和隐私泄露等安全问题。

[参考文献]

段锦云，陈文平. 2012. 基于动态评估的取样法：经验取样法[J]. 心理科学进展（7）：1110-1120.

顾小清，顾凤佳. 2010. 微型移动学习的可用性设计[J]. 电化教育研究（2）：52-57.

胡蓉，唐振贵，赵宇翔，等. 2018. 移动经验取样法：促进真实情境下的用户信息行为研究[J]. 情报学报（10）：1046-1059.

卢国庆，谢魁，张文超，等. 2019. 面向即时数据采集的经验取样法：应用、价值与展望[J]. 电化教育研究（6）：19-26.

万力勇，赵呈领，许梦. 2019. 经验取样法（ESM）：促进真实情境下的学习体验研究[J]. 远程教育杂志（6）：19-31.

张银普，骆南峰，石伟. 2016. 经验取样法——一种收集“真实”数据的新方法[J]. 心理科学进展（2）：305-316.

朱珂，李冰青，苏林猛. 2018. 網络学习空间中协同学习的触发机制及实证研究[J]. 中国电化教育（7）：25-32.

Azevedo， & Roger. （2015）. Defining and measuring engagement and learning in science： Conceptual， theoretical， methodological， and analytical issues. Educational Psychologist， 50（1）， 84-94.

Bachmann， A.， Zetzsche， R.， Schankin， A.， Riedel， T.， Beigl， M.， Reichert， M.， et al. （2015）. ESMAC： A web-based configurator for context-aware experience sampling apps in ambulatory assessment. Paper presented at the Proceedings of the 5th EAI International Conference on Wireless Mobile Communication and Healthcare.

Barrett， L. F.， & Barrett， D. J. （2001）. An introduction to computerized experience sampling in psychology. Social Science Computer Review， 19（2）， 175-185.

Bolger， N.， & Laurenceau， J.-P. （2013）. Intensive longitudinal methods： An introduction to diary and experience sampling research. New York： Guilford Press.

Conner， T. （2015， May）. Experience sampling and ecological momentary assessment with mobile phones. Retrieved October 10， 2019， from http：//www.otago.ac.nz/psychology/otago047475.pdf

Conner， T. S.， Tennen， H.， Fleeson， W.， & Barrett， L. F. （2009）. Experience sampling methods： A modern idiographic approach to personality research. Social & Personality Psychology Compass， 3（3）， 292-313.

Cs?kszentmihályi， M. （1975）. Beyond boredom and anxiety. San Francisco， CA： Jossey-Bass.

Davis， F. D. Perceived usefulness， perceived ease of use， and user acceptance of information technology. MIS quarterly， 1989： 319-340.

Ferreira， D.， Kostakos， V.， & Dey， A. K. （2015）. Aware： Mobile context instrumentation framework. Frontiers in ICT， 2， 6.

Froehlich， J.， Chen， M. Y.， Consolvo， S.， Harrison， B.， & Landay， J. A. （2007）. My Experience： A system for in situ tracing and capturing of user feedback on mobile phones. Paper presented at the Proceedings of the 5th international conference on Mobile systems， applications and services.

Hektner， J. M.， Schmidt， J. A.， & Csikszentmihalyi， M. （2007）. Experience sampling method： Measuring the quality of everyday life. Sage.

Henrie， C. R.， Bodily， R.， Manwaring， K. C.， & Graham， C. R. （2015）. Exploring intensive longitudinal measures of student engagement in blended learning. The International Review of Research in Open and Distributed Learning， 16（3）.

Hofmann， W.， & Patel， P. V. （2015）. Survey Signal： A convenient solution for experience sampling research using participants own smartphones. Social Science Computer Review， 33（2）， 235-253.

Intille， S. S.， Rondoni， J.， Kukla， C.， Ancona， I.， & Bao， L. （2003）. A context-aware experience sampling tool. Paper presented at the CHI03 extended abstracts on human factors in computing systems.

Kuntsche， E.， & Labhart， F. （2013）. Icat： Development of an internet-based data collection method for ecological momentary assessment using personal cell phones. European Journal of Psychological Assessment， 29（2）， 140-148.

Kuntsche， E.， & Labhart， F. （2013）. Using personal cell phones for ecological momentary assessment： An overview of current developments. European Psychologist， 18（1）， 3.

Larson， R.， & Csikszentmihalyi， M. （2014）. The experience sampling method Flow and the foundations of positive psychology. New York： Springer.

Manwaring， K. C.， Larsen， R.， Graham， C. R.， Henrie， C. R.， & Halverson， L. R. （2017）. Investigating student engagement in blended learning settings using experience sampling and structural equation modeling. Internet and Higher Education， 35， 21-33.

MIT （Producer）. （2008）. Context-aware experience sampling. Retrieved October 10， 2019， from http：//web.mit.edu/caesproject/

Raento， M.， Oulasvirta， A.， & Eagle， N. （2009）. Smartphones： An emerging tool for social scientists. Sociological methods & research， 37（3）， 426-454.

Rough， D. J.， & Quigley， A. （2017）. Jeeves-an experience sampling study creation tool. Paper presented at the Proceedings of BCS Health Informatics Scotland （HIS）.

Schmidt， J. A.， Rosenberg， J. M.， & Beymer， P. N. （2018）. A person-in-context approach to student engagement in science： Examining learning activities and choice. Journal of Research in Science Teaching， 55（1）， 19-43.

Shernoff， D. J.， Csikszentmihalyi， M.， Schneider， B.， & Shernoff， E. S. （2014）. Student engagement in high school classrooms from the perspective of flow theory. Applications of flow in human development and education. New York： Springer.

Shernoff， D. J.， Sannella， A. J.， Schorr， R. Y.， Sanchez-Wall， L.， Ruzek， E. A.， Sinha， S.， et al. （2017）. Separate worlds： The influence of seating location on student engagement， classroom experience， and performance in the large university lecture hall. Journal of Environmental Psychology， 49， 55-64.

Stade， M.， & Seyff， N. （2017）. Features for mobile feedback tools： Applying the KANO method. Paper presented at the Proceedings of Mensch und Computer 2017-Tagungsband.

Sumaya， I. C.， & Darling， E. （2018）. Procrastination， flow， and academic performance in real time using the experience sampling method. The Journal of genetic psychology， 179（3）， 123-131.

Tangmunarunkit， H.， Hsieh， C.-K.， Longstaff， B.， Nolen， S.， Jenkins， J.， Ketcham， C.， et al. （2015）. Ohmage： A general and extensible end-to-end participatory sensing platform. ACM Transactions on Intelligent Systems and Technology （TIST）， 6（3）， 38.

Van Berkel， N.， Ferreira， D.， & Kostakos， V. （2018）. The experience sampling method on mobile devices. ACM Computing Surveys （CSUR）， 50（6）， 93.

Wang， R.， Chen， F.， Chen， Z.， Li， T.， Harari， G.， Tignor， S.， et al. （2014）. Student Life： Assessing mental health， academic performance and behavioral trends of college students using smartphones. Paper presented at the Proceedings of the 2014 ACM international joint conference on pervasive and ubiquitous computing.

Xie， K.， Heddy， B. C.， & Greene， B. A. （2019）. Affordances of using mobile technology to support experience-sampling method in examining college students engagement. Computers & Education， 128， 183-198.

Xie， K.， Heddy， B. C.， & Vongkulluksn， V. W. （2019）. Examining engagement in context using experience-sampling method with mobile technology. Contemporary Educational Psychology， 101788.

Zirkel， S.， Garcia， J. A.， & Murphy， M. C. （2015）. Experience-sampling research methods and their potential for Education Research. Educational Researcher， 44（1）， 7-16.

收稿日期：2019-11-19

定稿日期：2020-07-31

作者簡介：刘清堂，教授，博士生导师;卢国庆，博士研究生;邓伟，博士，副教授;吴林静，博士，副教授;梅镭，王娇娇，硕士研究生。华中师范大学教育信息技术学院（430079）。

责任编辑 单 玲