Hjälpmedel för att tydliggöra känslor hos personer med AST

Teknik och samhälle Datavetenskap

Examensarbete

15 högskolepoäng, grundnivå

Hjälpmedel för att tydliggöra känslor hos personer med AST.

Yngström, Karl

Examen: Kandidatexamen 180 hp Huvudämne: datavetenskap

Datum för slutseminarium: 2018-01-11

Handledare: Jeanette Eriksson Examinator: Gion Koch Svedberg

Abstract

Smartphones are a powerful tool to facilitate communication in new ways and research on using technology to assist people with various mental disabilities is a growing field. Autism Spectrum Disorder or ASD is one such disability, which will manifest differently for different people, but one general theme is the inability to understand emotion. Measuring emotion is something not easily done and for some time research into emotion has been overlooked in favor of more logical thought processes.

This paper uses Russell's model for emotion and core affect, it maps emotion based on two crossed axis, activation and valence (positive – negative).

The purpose of this study is to evaluate various methods for measuring and registering emotion for people with ASD in a simple cheap and accessible way. This is done based on existing models of emotion and using a smartphone as a tool, and should be helpful in the daily life of people with ASD and people around them.

Sammanfattning

Smarttelefoner är som kommunikationsverktyg mycket kraftfullt och tillåter kommunikation på nya sätt. Att använda teknologiska hjälpmedel för att assistera människor med psykiska funktionshinder är på framgång. Autismspektrum tillstånd, eller AST, är ett sådant funktionshinder som manifesterar sig olika på olika människor, men ett genomgående drag är oförmåga att förstå känslor. Att mäta känslor är inte något som enkelt låter sig göras och i perioder har forskningsområdet för känslor varit eftersatt då det inte anses tillräckligt logiskt.

Denna uppsats använder Russels modell för känslor och core affect, den kartlägger känslor utifrån två korslagda axlar, aktivitet och valens (positiv - negativ).

Syftet med studien är evaluera olika metoder för att mäta och registrera känslor hos människor som har AST på ett enkelt och tillgängligt sätt. Detta görs genom existerande modeller för känslor och använder en smarttelefon som verktyg och skall vara till hjälp i det dagliga livet för människor med AST och de människor som finns runt dem.

Abstract_{​ och Sammanfattning} 1 1 Inledning 3 1.1 Forskningsfråga 5 1.2 Tillvägagångssätt 5 1.3 Bidrag 5 2 Bakgrund 6

2.1 Lite historia om känslor 6

2.2 Russells Modell 6

2.3 Autism är ett spektrum 7

2.4 Autism och känslor 8

2.5 Tidigare studier 9 2.5.1 Självrapportering 9 2.5.2 Sensorer 10 3 Metod 11 3.1 EmoCatchY 12 3.2 Datainsamling 13 3.3 Litteraturstudie 14 3.4 Metoddiskussion 15

4 Data och Analys 17

4.1 Textdata 17

4.2 Självrapportering med grid 17

4.3 App utvärdering 18

4.4 Intervju 1 19

4.4.1 Hur upplevs appen? 19

4.4.3 Vad fungerade mindre bra? 19

4.4.4 Tycker du något saknades? 20

4.4.5 Övrigt 20

4.5 Intervju 2 20

4.5.1 Tror du appen kan fungera som en hjälp i arbetet med en AST person? 21 4.5.2 Tror du den kan hjälpa en person som själv har AST? 21

4.5.3 Vad tror du om själva gränssnittet? 21

4.5.4 Övrigt 22

5 Riktlinjer 22

5.1 Modell för riktlinjer 23

6 Diskussion 24

1 Inledning

Området som studeras är mobiltelefonen som tekniskt hjälpmedel för att stödja personer med autismspektrumtillstånd.

Nästan alla människor använder dagligen teknik som mobiltelefoner och datorer. En av de viktigaste funktionerna för denna teknik är kommunikation, som kan ge sig till uttryck på många olika sätt. Kommunikation är även en grundläggande mänsklig rättighet ​[1] och därför ett viktigt ämne att studera. Olika människor kan ha olika förmåga att kommunicera, kommunikationssvårigheter kan vara ett resultat av psykiska funktionshinder som hänger ihop med en diagnos. Mobiltelefonen eller datorn kan då användas som ett multihjälpmedel för att facilitera kommunikation på olika sätt. Teknikstödda kognitiva hjälpmedel baserade på mobiltelefonen är något som blir allt vanligare i takt med att tekniken utvecklas [2]. Flertalet olika projekt inom datavetenskap letar efter olika sätt att hjälpa personer med Autismspektrumtillstånd ​[3]​[4]​.

Autismspektrumtillstånd, förkortat AST, är ett spektrum av olika tillstånd som ter sig lite olika från fall till fall, men har generellt formen av en medfödd eller tidigt förvärvad funktionsnedsättning som kännetecknas av svårigheter med social interaktion, ömsesidig kommunikation och föreställningsförmåga ​[5]​. Personer med autismspektrumtillstånd har svårt att förstå hur andra tänker och känner och tillståndet påverkar den sociala och kommunikativa förmågan ​[3]​. Diagnosen Autism har historiskt varit centrerad kring förståelse för sina egna och andras känslor och kommunikationsproblem är en annan central faktor för diagnosen​[6]​. Således finns mycket att vinna på ett bra hjälpmedel, för att överbrygga de problem som finns kring att kommunicera känslor på ett direkt och verbalt sätt till andra individer. Mycket forskning har fokuserat på detta området för personer med AST ​[7]​ även med avseende på tekniska hjälpmedel för kommunikation av känslor ​[8] Det finns en lång tradition inom psykologin att mäta och definiera känslor men det saknas en övergripande mätmetod såväl som definition för känslor​[9]​. Känslor kan beskrivas med olika modeller, det är vanligt att använda ”priviligierade nyckelord” för att beskriva känslor, såsom rädsla, trötthet eller tristess. Enligt Russel​[10] är detta lite väl förenklat och det hade varit mer korrekt att beskriva känslor som ett heterogent kluster av löst relaterade händelser, mönster och dispositioner. Även om detta låter komplicerat att arbeta med, så har Russel utvecklat en modell för att beskriva känslor utifrån etablerade dimensioner, den så kallade Core Affect modellen.

I andra modeller används vanligtvis nyckelord såsom rädsla, glädje och ilska. I Core Affect Modellen placeras känslor utifrån två korslagda dimensioner som kan ses i figuren nedan. De två dimensionerna är aktivitetsnivå och känslans positiva respektive negativa natur ​[10]. D​essa dimensioner är knutna till neurofysiologiska tillst​å​n​d ​o​c​h ​m​o​t​s​v​a​r​a​r ​e​n medveten k​ä​n​s​l​a​. Studien som presenteras i denna rapport tar sin utgångspunkt i Russels Core affect modell för att beskriva känslor hos användaren. Flera mobilappar har tidigare använt sig av Russells modell för att på olika sätt kartlägga känslor, de har bland annat visat hur appens design kan stärka användarens tolkningar av känslor och den positiva upplevelsen. Modellen har även använts för att koppla samman självrapportering med sensordata och kan bli ett viktigt verktyg för att påverka beteenden ​[11], [12] . Självrapportering är på många sätt det enklaste sättet att registrera känslor.

Figur 1 Core Affect

Att bygga system, som tillåter enkel och meningsfull registrering och kommunikation av känslor är svårt, eftersom känslor i sig är en konceptuell konstruktion som inte kan mätas direkt, och som dessutom har tvetydiga gränser och stora individuella skillnader i hur de uttrycks och upplevs ​[12]​. Som komplement till registrering av känslor används ofta olika sätt att mäta känslor. Detta görs genom att studera något av följande: ansiktsuttryck, röst, kroppsspråk, fysiologi, hjärnröntgen och EEG eller texter. Av dessa är enligt Calvo [13] text den som bäst passar in i rollen som enkelt och meningsfullt verktyg och ofta den metod som använts i liknande studier. ​D​ä​r​f​ö​r ​h​a​r ​t​e​x​t ​och textanalys ​v​a​r​i​t ​e​n ​d​e​l ​a​v ​a​p​p​e​n. ​Dessutom går textdata att behandla via en mobiltelefon, det kräver inte dyr och komplicerad utrustning ​[10]​[11]​. ​D​e​t ​e​n​k​l​a​s​t​e ​f​y​s​i​o​l​o​g​i​s​k​a ​m​ä​t​n​i​n​g​a​r​n​a ​a​t​t ​g​ö​r​a ​m​e​d ​e​n ​m​o​b​i​l​t​e​l​e​f​o​n ​ä​r

1.1 Forskningsfråga

Studien ska hjälpa förståelsen av de egna känslor​na för människor med AST genom att utveckla metoder som gör känslorna förståeliga för andra. Detta skall göras relativt enkelt och billigt med mobiltelefonen som plattform, appen som redskap och utifrån Russells modell för känslor. Därmed blir forskningsfrågorna:

1. Hur väl fungerar självrapportering av känslor utifrån Russells modell, rapportering av känslor med vokabulär respektive pedometerdata?

2. Hur kan ett symbolorienterat verktyg, baserat på Russells modell, användas för självrapportering av känslor på ett meningsfullt sätt för personer med AST?

3. Hur bör en mobilapp utformas för personer med AST för att rapportera och kommunicera känslor?

1.2 Tillvägagångssätt

En redan existerande mobilapp har utvecklats för ändamålet, funktioner för påminnelse och lagring av insamlade data har lagts till. Mobilappen används för att registrera och mäta känslor, dels med självrapportering utifrån Russells modell med två skalor och dels med ord. Mätperioden är två veckor lång och försöket har sex deltagare. Efteråt utvärderas appen som verktyg. Till sist genomfördes djupintervjuer med människor som i sitt dagliga arbete arbetar med personer med AST, för att utvärdera hur verktyget kan fungera och hjälpa personer med AST med problematiken kring kommunikation av känslor.

1.3 Bidrag

Bidraget från detta arbete är en jämförelse mellan olika sätt att registrera känslor, genom Russells cirkulära modell respektive genom nyckelord för varje känsla.

Arbetet bidrar vidare med med vad som är viktigt i utformandet av en mobilapplikation för registrering av känslor. Specifikt för att hjälpa personer med Autism i vardagen, och personer som lever eller arbetar med någon som har en AST diagnos.

2 Bakgrund

Här presenteras bakgrunden till arbetet. Utgångspunkten är att kommunikationsteknik ger nya möjligheter och ny förståelse kan skapas. Först presenteras genomgång om känslor och känslopsykologi, sedan en fördjupning i James A. Russells teorier om Core Affect och cirkulära modell för känslor. Efter det kommer ett avsnitt om AST, vilket leder vidare till sambanden mellan AST och känslor. Avslutningsvis kommer tidigare studier som relaterar till denna studie. Dessa handlar om sensorer, AST och självrapportering.

2.1 Lite historia om känslor

Ämnet känslor inom psykologin är inte helt okomplicerat. Det saknas i stort konsensus om övergripande teorier och ämnet har i perioder varit åsidosatt för forskning på mer otvetydiga psykologiska fenomen. Fram till ungefär åttiotalet har vetenskapen som berör känslor uteslutande funnits inom psykologin och filosofin ​[10]​.Grunden för känslor inom dessa ämnen lades av William James redan 1884 med texten ”What is an emotion?” [14]. Hans teorier fortsätter att influera hur vi se på känslor än idag. James menade att psykologin borde innefatta känslor utöver de grundläggande funktioner som hjärnan också har. Han menade även att känslorna bör ses som en del av övriga funktioner såsom sensoriska och motoriska, inte som ett separat känslosystem som har en egen plats i hjärnan. Han beskrev ett sinnestillstånd med en känsloreaktion som ”varmt” och motsvarande tillstånd där känslor saknas som ”kallt”. Detta var så att säga den första psykologiska dimensionen för att representera känslotillstånd, även om det i slutet av artonhundratalet var ungefär hundra år kvar till att någon skulle komma på tanken att med en datamaskin tillämpa mätning av denna eller liknande psykometriska känsloskalor ​[14]​.

2.2 Russells Modell

Den intuitiva utgångspunkten för att beskriva känslor är genom vardagliga ord som rädsla, ilska eller glädje som då utgör själva elementen av känslor. Dock har det visat sig vara svårt att studera känslor utifrån dessa nyckelord, kanske för att den intuitiva idén vi har om känslor inte är korrekt. Tidigare forskning har visat att olika neurologiska processer, som har olika funktion och olika evolutionära historier, inte tjänar på att klumpas ihop under beteckningen ”känslor” ​[15]​. Det finns inga formella kriterier för vad som är och vad som inte är en känsla.

Känslopsykologins historia kan beskrivas som en dialog mellan dem som vill använda de vardagliga känslokoncepten och de som är skeptiska till dem. Även om det är möjligt att utarbeta ett system där vardagskänslorna inte finns med, är det mycket enklare att anta att de gör det. Russell kopplar dessa två och tar med såväl vardagliga nyckelord som bipolära dimensioner. Han kopplar i sin modell ihop såväl synen på känslor som primitiva och oberoende såväl som i samband med olika komplexa psykologiska system ​[16]​. Denna tvådimensionella modellen för att beskriva känslor är en numera förhållandevis väletablerad modell för att beskriva känslotillstånd utifrån två skalor med ändarna: aktiverad , deaktiverad, respektive positiv och negativ. Med dessa skalor kan den ursprungliga modellen användas till att placera in alla känslor någonstans längs skalorna. Detta kallas även 2d modellen​[17] eller senare Core Affect modellen. I begreppet Core Affect ligger att känslorna hänger samman med biologiska system, men det vi vanligtvis refererar till som känslor, beskrivna av nyckelord som glad, arg, ledsen, är något som skapas fenomenologiskt utifrån det mer grundläggande känslosystemet. Således är det vi försöker mäta i första hand det grundläggande systemet baserat på biologiska system, enligt Russells modell, och inte det mer subjektiva systemet med nyckelord. ​[16]​.

2.3 Autism är ett spektrum

Inom ramen för AST finns många olika svårigheter som kan yttra sig på olika sätt ​[5]​. Det existerar inget slutgiltigt botemedel men rådande konsensus är att tidiga behandlingar generellt är effektiva ​[18]​. Denna studie ligger fokus på hur vi med teknikens hjälp kan se den roll som känslor och känslomässig förståelse spelar i sammanhanget. Generellt har känslor en stor effekt på kognitiva processer [19]. Känslorna har stor vikt inte bara vid kommunikation, intelligens och kreativitet, utan även rationellt mänskligt tänkande och beslutsfattande [19].

Autismspektrat innefattar olika tillstånd med olika grader av begränsningar, främst inom tre områden: Kommunikation, social interaktion samt begränsade eller repetitiva beteendemönster [20]. AST associeras generellt med en oförmåga att identifiera och känna igen sina egna känslor. Utöver det finns en länk emellan att förstå sina egna känslor i förhållande till andras känslor [17]

Inom begreppet AST finns flera olika diagnoser. De två vanligaste, som också är de som är relevanta för denna studie, är Autism och Aspergers. Poängteras bör, att en AST diagnos ofta kommer med kompletterande diagnoser såsom regression eller andra funktionsstörningar, men det varierar från fall till fall.

Som exempel på ett vetenskapligt försök att med teknologi hjälpa personer med AST, kan Project ECHOES [20] nämnas. ECHOES är ett projekt som har byggt ett så kallat ”Serious Game”, ett spel med ett syfte utöver att underhålla [18]. Syftet med detta projekt är att hjälpa barn med AST att utveckla sin sociala kommunikationsförmåga. Projektet är interdisciplinärt och bygger på forskning inom psykologi, artificiell intelligens, teknologidriven lärande, autism interventioner och människa dator interaktion. En av de viktigaste slutsatserna från detta projekt var synliggörandet av barnens förmågor i interaktionen med systemet. Detta synliggjordes inför lärarna så att de kunde dra slutsatser som de inte från början hade valt att leta efter [20]. Även om man uppnådde goda resultat för barnen var huvudpoängen Bernadini [20] kunde dra, att arbetet måste vara flexibelt, eftersom lärandemiljön inte nödvändigtvis användes såsom forskarna hade för avsikt att den skulle användas. De viktigaste poängerna hittades utanför det som avsågs med projektet från början.

2.4 Autism och känslor

Det råder viss debatt huruvida grunden till Autism ligger i det kognitiva eller känslomässiga [21]. Det är klart att AST inte hämmar enklare uppgifter såsom att känna igen huruvida personen på bilden är glad eller ledsen. Det som generellt är svårast för personer med AST är att i förhållanden till andra förstå känslor och vad som orsakar dem. De klarar alltså inte att upprätthålla en känslomässig relation till andra. Vidare ser det ut som personer med AST har störst problem att förstå känslor i samband med en persons inneboende tilltro och övertygelser, känslor grundade i till exempel situationer har de lättare att förstå. Men fler studier behövs i naturlig setting utanför laboratoriemiljö och fler studier som kan hjälpa att klargöra rollen som kognitiva respektive känslomässiga tillkortakommanden har för AST [21]. Sedan är det skillnad mellan olika typer av AST, med avseende på hur känslor uppfattas [22].

Generellt är det så med i princip alla hjälpmedel och interventioner för AST - att de måste användas situationellt och anpassas till individen; Ingenting fungerar i alla lägen, det finns ingen universallösning ​[5]​.

2.5 Tidigare studier

2.5.1 Självrapportering

Självrapportering, som vetenskaplig metod, går ut på att försökspersonen själv registrerar eller skriver in data i en undersökning. Denna metod, liksom alla andra, har sina fördelar och nackdelar. Den stora fördelen är att det är ett förhållandevis snabbt enkelt och billigt sätt att genomföra testning. Detta gör att metoden är vanlig och utbredd. Sedan finns vissa kända problem med självrapportering. Den viktigaste är bias på grund av social önskvärdhet, alltså att respondenten ändrar sitt svar för att framstå som på något sätt bättre än vad de är i verkligheten [23]. Önskvärda egenskaper överdrivs och icke önskvärda egenskaper underrapporteras. Andra problem med metoden är att endast det respondenten är medveten om kan rapporteras, detta betyder två saker. För det första, det som inte finns aktuellt i arbetsminnet kan inte rapporteras. För det andra, det som på något sätt ligger utanför respondentens fenomenologiska horisont kommer ej att rapporteras. Den sistnämnda kan bli särskilt problematisk i samband med känslor [23]

Det finns således flera skäl att inte uteslutande använda självrapportering; dels för att undvika att mätningen inte är felaktigt utförd - att använda separata metoder kan vara ett sätt att undvika bias [24]. Dels för att det även är viktigt att ta med i beräkningarna att självrapporterade data inte är hundra procent korrekta. Som exempel är frekvensrapportering ofta inkorrekt. Sensorloggar kan komplettera kvalitativa data. Det är även så att självrapportering även kan påverka och motivera deltagarens beteende [25]. Vidare kan det även med självrapportering vara svårt att fånga den dynamik som finns i affektiva känslor inom människa- datorinteraktion. Det finns metoder utvecklade för att ta höjd för detta och ändå använda självrapportering framgångsrikt [26], generellt är det viktigt att gå fram försiktigt och komplettera med andra mätmetoder. Tidigare forskning har visat att fysiologiska mått av aktivitetsnivå är mer korrekta än självrapporterade mått på densamma [9], vilket understryker vikten av att ej luta sig emot endast en mätmetod.

2.5.2 Sensorer

En studie som har varit en viktig källa för denna studie är Lottridges Emotional Response as a Measure of Human Performance ​[30] där syftet är att mäta känslorespons via självrapportering och korrelera detta med pulsdata och konduktivitet i huden, liksom man gör i lögndetektortest. Det finns även andra forskare som har gjort liknande försök [26], [27], men dessa försök är i labbmiljö. Genom att ta denna forskning vidare till en mobil plattform med sensorer, som användarna alltid bär med sig, ges helt andra möjligheter i form av flexibilitet och ren mängd data som kan samlas in och analyseras. Att testa kontinuerligt i vardagen innebär något annat än att testa i laboratoriemiljö. Laboratoriemiljön är kanske bättre för att finna statistiska samband eftersom variabler enklare kan kontrolleras och uteslutas. Men i denna studien ligger fokus snarare på att finna meningsfulla lösningar i vardagen, och då blir kontinuerlig testning ett lämpligt val.

Lahtias studie från 2017,​Happier People Live More Active Lives: Using Smartphones to Link Happiness and Physical Activity ​[34] ​kombinerar självrapportering av känslor med sensordata. Fokus ligger i denna undersökningen på glädje och fysisk aktivitet. Mellan dessa faktorer finner de i studien ett samband, och även mellan självrapporterad aktivitetsdata och uppmätt aktivitetsdata med accelerometern. De vanligaste och enklaste sättet att mäta sensordata i samband med känslor, är att använda en smartphone och eventuellt ett aktivitetsarmband eller smartwatch. Då används pedometer och accelerometer som kan vara inbyggt i armband eller telefon, samt pulsmätare som måste ha ett armband, smartwatch eller helst av allt de det ger mest precision, ett band över bröstet. Alla dessa används för att mäta fysisk aktivitet, vilket fungerar som en indikator på neurofysiologisk aktivitet, som är den ena skalan som utgör Russells modell för känslor [10].

3 Metod

Studien är indelad i två delar. Den första delen undersöker självrapportering utifrån Russells modell genom testning av en app för registrering av känslor under en tidsperiod på två veckor, samt en efterföljande intervju med användarna. Den andra delen söker att bekräfta användningsområdet för samma app för användare med AST, och finna hur vidareutveckling av appen lämpligen kan göras. Den andra delen består av intervjuer med personer som arbetar med personer med AST.

Utgångspunkten för studien är Android appen EmoCatchY som används för att registrera och i viss mån mäta känslor. Appen har vidareutvecklats för ändamålet men är i sin funktion generell för alla människor och ej fokuserad på personer med AST. Första delen har fokus på att testa huruvida verktyget fungerar. Verktyget är i detta fallet appen EmoCatchY, som används för självrapportering av känslor igenom två skalor i en grid samt fritt valda ord. Det testas på sex deltagare i försöket. En kort semistrukturerad intervju, intervju 1, hölls med deltagarna efter testperioden för att utvärdera appen. Själva syftet med intervju 1 är att ge deltagarna en chans till feedback och även ge synpunkter på själva designen av appen, med avseende på hur väl användarna tycker att den fungerar till att uppskatta och tydliggöra känslor. De frågades om det gav mening generellt och specifikt om gränssnittet fungerar tillfredsställande.

Som nästa steg genomförs intervju 2, som består av sex semistrukturerade djupintervjuer med människor som i sitt dagliga arbete arbetar med personer med AST. Syftet är att utvärdera hur verktyget kan fungera och hjälpa i den problematiken. De intervjuade har valts ut för att de i sitt arbete möter och stöttar personer som har en AST problematik. Två av de intervjuade arbetar på särskilda boenden, en är lärare och tre är elevassistenter. En av elevassistenterna har även en anhörig relation till en person med AST. Fokus i intervjuerna är på att förstå och synliggöra känslor, samt hur designen i EmoCatchY kan anpassas för situationen. Syftet med denna del av studien är att rikta verktyget till att hjälpa användare med ett AST. Här handlar det om de delar av verktyget som bättre fyller sin funktion i detta sammanhang. Frågan är även exakt vad som fungerar i detta nya sammanhang. De olika delarna av appen utvärderas i det nya sammanhanget. Vidare handlar det om hur appen kan utformas för att fungera ännu bättre i nästa iteration, och då framförallt med fokus på autism. Sedan handlar det om hur nästa iteration av appen kan se ut för att fungera ännu bättre. Denna iteration ryms inte inom denna studie, men modellen för nästa steg är resultatet av denna studien.

Studien är explorativ och kvalitativ, planen är att komma fram till riktlinjer som fungerar i praktiken och tillåter en kvantitativ uppföljning. Arbetet med appen och själva studien har varit explorativt och i viss mån ändrats under studiens gång. Studien har fokuserat på att hitta en lösning för att registrera och tydliggöra känslor för personer med AST. Tanken är att i förlängningen kunna bidra till generell forskning kring hur känslor kan registreras och mätas.

3.1 EmoCatchY

Studien bygger vidare på den existerande Android appen EmoCatch och denna studies version kallas EmoCatchY. Vissa funktioner i appen har lagts till under studiens gång, de funktioner som har lagt till är dels en påminnelse som kommer som pushnotis för att underlätta datainsamlingen, och dels hur data är lagrat och visas i appen, för att underlätta datainsamling och generalisering mellan användarna.

Appen utvecklas i Android studio och fokuserar på självrapportering, dels utifrån icke fördefinierade ord och dels utifrån en skala för känsloläge som har två axlar ; en för aktivitetsnivå och en för känslans positiva respektive negativa natur (se Figur 2). Detta kan jämföras med Russells känslomodell som baseras på samma två axlar ​[10]​.

På denna skala registrerar användarna anväösin upplevda känslomässiga sinnesstämning och som komplement ges möjlighet att med fria ord kommentera känslan, aktuell aktivitet samt övrig kommentar. Input på denna skala färgkodas och visas även i appen under overview i ett diagram som visar en dag i taget med vad som registrerats över tid. Självrapporterade data kodas senare i kategorier motsvarande de färgade fälten, med kategorierna låg, neutral och hög på de båda skalorna.

Som komplement finns en reflektionssida med endast respons i form av fria ord. Det som frågas efter är först hur dagen gick och sedan tre positiva upplevelser från dagen. Tanken är att användaren svarar varannan timme, appen skickar ett pushmeddelande med intervall på två timmar med en påminnelse att registrera känslor. Ingenting vidare sker om användaren trots det inte svarar. Appen är ämnad att användas en kortare period för denna och eventuellt andra studiers skull, dock inte i vardagen över längre tid.

Planen finns att integrera biodata via IoT i appen och lagra denna tillsammans med självrapporterade data, för att i framtiden ge appen tillgång till samtliga dessa data, men i denna studien mäts pedometerdata och pulsdata utanför appen. Pedometerdata, som ett grovt mått på aktivitet, hämtas från appen LifeLog [28] som loggar aktuell aktivitet och dess tidpunkt. Syftet i slutändan är att allt detta skall mynna ut i en prototyp för en ny app med syftet att bättre, enklare och mer meningsfullt, mäta känslor med inriktning på personer med AST, även om det målet inte är uppnått ännu.

3.2 Datainsamling

Datainsamlingen är gjord för att undersöka hur en app kan utformas för att hjälpa personer som har eller arbetar med någon som har AST och för att ta fram riktlinjer för en framtida prototyp. Syftet är också att kunna hjälpa framtida forskning i ämnet, att på ett mer generellt plan kunna mäta och registrera känslor bättre.

Inom forskning på känslor är det vanligt att blanda psykometriska mått, vanligtvis självrapporterade, med fysiologiska mått, som till exempel pulsdata eller funktionell magnetröntgen [10]. Självrapporteringen i denna studien sker via så kallade sliders, som motsvarar en etablerad psykometrisk skala; till exempel upphetsat tillstånd hög eller låg, som utgör den ena skalan i denna studiens grid. Självrapportering kräver en större insats jämfört med automatisk avläsning med sensorer, men det ger också vissa fördelar. Självrapportering skapar en större delaktighet hos användarna, bland annat just för att det kräver tankeaktivitet, användaren blir på något sätt mer investerad i undersökningen. Självrapportering är alltså att föredra om appen skall vara utformad så att användaren lär sig

I första stadiet testas appen i två veckor med dagliga registreringar. Eftersom det som eftersträvas är att utveckla tekniken för att mäta känslor så tillämpas en uppföljning med kvalitativa djupintervjuer efter genomfört test. Dessa utförs i första hand på deltagare i den första testomgången. I liknande studier har de viktigaste resultaten legat utanför det som mäts kvantitativt och endast fångats upp i en avslutande djupintervju [20]. Detta blir en hjälp i utvärderingen av studien och även med hur framtida forskning i ämnet kan se ut.

Att lagra insamlade data i en databas som har gjorts är steg ett. Det tillgängliggör att det går att ta fram och analysera data som gjorts i denna studien. I förlängningen är det tänkbart att appen i sig använder dessa data och uppdaterar feedback baserat på dem i realtid, mer än att bara visa ett diagram och en tabell.

3.3 Litteraturstudie

Den litteraturstudien har använts för att hitta tidigare studier i ämnet eller angränsande ämnen som helt eller delvis faller in under det studerade området, för att kunna bygga vidare på dessa. Till att börja med användes främst Google Scholar och genomgående endast sökordet “Emotion”, dock i olika kombinationer då antal träffar på bara Emotion är ca två och en halv miljon. IEEE ger åtta tusen träffar, ACM tre och ett halvt tusen träffar och Springer 234 tusen. Detta reflekterar på något sätt hur Springer och Google har med träffar utanför ämnesområdet, alltså inom psykologisk forskning, emedan de andra två mestadels har datavetenskapliga artiklar som då redan med ett sökord ger ett mer lämpligt urval. Med andra ord har en mycket stor mängd titlar blivit lästa i detta stadiet och ett stort antal abstract.

I en andra sökning inkluderades söktermen ”self report” eftersom det var intentionen att använda det från början. Med söktermen ”self reporting” blev resultaten tusentals, men med ”self reporting emotion” var antalet träffar högst hanterbart.

Eftersom en viktig del av tanken är att använda och utarbeta en mobilapp för att mäta känslor läggs termer till för att söka efter detta. Bara frasen “Measuring emotion” ger ett något för stort urval, så “Mobile app” läggs till som sökord. Resultatet är fortfarande ett stort antal artiklar att gå igenom, och ACM ger till och med fler träffar på frasen “measuring emotion mobile app”, än på bara frasen med de två orden measuring emotion.

För att hitta studier med datorer som på olika sätt läser av användarens känslor har termen Affective Computing använts som sökord. Även “autism” och “autism spectrum” disorder

3.4 Metoddiskussion

Självrapportering är ett bra sätt att mäta känslor, men det är svårt att koppla till kontinuerligt mätande. Därför är det lämpligt att koppla med mätta pedometerdata, då dessa enkelt kan mätas över tid med wearables [9]. Lottridge kommer fram till att en blandning av självrapportering och sensormätt fysiologisk respons, såsom puls- pedometer- och accelerometerdata, ger goda resultat [30]. Appen har även konstruerats så att den ger en påminnelse. Självrapportering är förknippat med vissa välkända felkällor, kanske främst mätfel på grund av social önskvärdhet. I studien används pedometerdata som ett verktyg för att hålla denna bias i schack. Det är dock själva upplevelsen och meningsfullheten som är relevant, och då blir önskvärdhetsbiasen en del av det önskade resultatet.

Själva textdata är inte kvantitativt generaliserbara eftersom antalet försökspersoner endast har varit sex. I stort har det varit svårt att få alla försökspersoner att konsekvent registrera ord, flera av deltagarna har endast de första gångerna skrivit in ord och senare bara klickat i diagrammet men lämnar ordfälten tomma. Om textinput skall kvarstå på detta sätt måste vikten av det poängteras ännu mer i instruktionerna till försökspersonerna. Eventuellt kan man tänka sig någon annan typ av metod för att öka försökspersonernas motivation att lämna utförliga resultat, kanske genom att koppla till spelifierat element som ju är en erkänd metod att skapa motivation [31].

Något som har varit ett dilemma med denna studien är balansen mellan det kvantitativa insamlandet av data och den kvalitativa djupare förståelsen som stöttas av självrapportering. Det kvantitativa består av kvantifierade självrapporterade känslor, samt data insamlade av sensorer såsom pedometerdata och pulsdata. Denna typ av information, som samlas in för att analyseras, var ursprungligen en stor del av undersökningen. Självrapporteringen som gjorts har fungerat i stort sett bra, men ytterligare mätningar skulle behövas för att bekräfta appens metoder för datainsamling. Men efterhand har detta sätt att arbeta blivit åsidosatt till förmån för den kvalitativa aspekten av datainsamlingen. Tanken har varit att i framtiden kunna lägga till flera och mer automatiserade sensormätningar, men så har inte skett inom loppet av denna studie. Detta är problematisk eftersom kombinationen av sensordata och självrapportering har gett goda resultat i tidigare studier. Fokus har istället legat på den kvalitativa aspekten av datainsamlingen, hur utformningen har handlat om att skapa mening för användaren och skapa delaktighet. Sättet att mäta känslor bygger på Russells cirkulära modell för känslor, vilket även flera av de andra studierna denna studie refererar till gör, vilka även visat hur appens design kan stärka tolkningar och den positiva upplevelsen.

Det är inte samma personer som har testat appen och genomfört intervju 1, som de personer som var med i intervju 2. De två delarna har olika funktioner för forskningsresultatet, deltagarna i intervju 1 har ingen koppling till AST men detta borde i strikt mening inte spela någon roll. I efterhand kan övervägas om det finns fördelar med kontinuitet om samma respondenter varit med i de två delelementen i en fördjupad studie.

4 Data och Analys

I detta stycket presenteras relevanta resultat och de följs av en kort analys för vad resultaten innebär för fortsatt forskning i området. Det som gås igenom är först resultatet av den testade appen och dess olika element. Sedan följer en presentation och analys av insamlade resultat utifrån de intervjuer som gjorts i slutet av studien, intervju 1. Därefter följer resultatet och analysen från den serie intervjuer som gjorts med personer som arbetar nära någon person med AST, Intervju 2.

4.1 Textdata

Det kan konstateras att de tre vanligaste orden är trött, bra och mätt. Mindre än hälften av de som svarat med griden har också skrivit in ett ord. Att svarsfrekvensen var så låg kan i sig ses som ett svar på frågan om detta sätt att mäta känslor har varit meningsfullt, och svaret blir då att det inte har varit det. Detta kan antingen bero på att det upplevs som för mycket jobb att skriva in känslan, för stort kognitivt arbete att bestämma vilket ord som skulle passa, eller om det bara inte passar sig att använda den typen av kortare textmätningar i sammanhanget. Således är de mer utförliga resultaten i alla fall frånvarande vad gäller textdata.

4.2 Självrapportering med grid

Denna del av studien svarar på den första forskningsfrågan:

1. _​Hur väl fungerar självrapportering av känslor utifrån Russells modell, rapportering av känslor med vokabulär respektive pedometerdata?

I tabell 2 visas de inrapporterade känslorna ställt emot tidigare aktivitet. Skalorna är förenklade utifrån hur de färgkodats i appen, i tre olika graderingar. Från vänster till höger är de tre graderingarna negativ känsla, neutral känsla och positiv känsla. Uppifrån och ned är graderingen aktiv känsla, lagom känsla och passiv känsla. Aktiviteten är tagen ifrån LifeLog utifrån loggade klockslag i EmoCatch appen, mellan tio och tjugo minuter innan varje loggad självrapportering.

Vid en jämförelse mellan dem som rapporterat hög aktivitet respektive mellanintervallet för aktivitet, så har dem i mellanintervallet i högre utsträckning gjort något aktivt enligt vad som loggats. Här stämmer alltså självrapporteringen inte helt överens med vad som loggats. Detta är i linje med teorin att optimal prestation sker vid neutral aktivitetsnivå, lagom,

Tabell 2 ​resultat från grid

Negativ Neutral Positiv

Aktiv Biking 3 None 4 Walking 2 None 9 Running 2 Walking 2 None 1

Lagom None 2 Driving 2

None 5 Running Walking 7 None 1 Walking 3 Passiv None 2 Running 1 None Running 3 Walking 2 None 3 Walking 2

I tabellen ovan visas resultat från grid, och fördelningen mellan de olika fälten i griden. Griden fungerade ganska bra, användarna upplevde att den på ett meningsfullt sätt tillät dem att tydliggöra sina känslor ​“Den fungerar bra och är rolig att använda”​. Dock var det inte alla som såg stor mening med detta tydliggörande​”Överlag ger appen inte mening för mig, kanske funkar den för andra som inte förstår sig själva” ​. En ide är att försöka förenkla den ytterligare och genomföra liknande test med en grid indelad i fyra olika fält. Huvudsakligen hade det varit bra med vidare testning för att kunna testa samband i griden kvantitativt.

4.3 App utvärdering

Att appen påminner om att registrera data efter två timmar av inaktivitet lades till för att öka chansen för fylliga och tillräckligt många svar från respondenterna. Funktionen har i någon mån fungerat som tänkt, den har fått respondenterna att registrera i appen med regelbundna intervall. Däremot saknas fyllighet i många svar, då har respondenterna hoppat över att manuellt skriva in ord och endast klickat en gång på EmoCatchY diagrammet och då bara registrerat värdena för dessa två sliders. Detta är naturligtvis mycket mindre krävande

4.4 Intervju 1

Här är en sammanställning av det som kom fram under första omgången intervjuer som gjordes med dem som testade appen i två veckor. Intervjun är semistrukturerad och presenteras här utifrån de ställda frågorna.

4.4.1 Hur upplevs appen?

Flera deltagare undrade vad själva poängen var med appen, eftersom den inte riktigt berättar något som användaren inte själv vet från början. En användare upplevde det som direkt negativt att sätta fokus på sina känslor: ​“Det blir som en slags navelskåderi” . Personen kunde se att det kanske kunde verka positivt på andra, men ville själv inte sätta mer fokus på känslor än nödvändigt.

En del deltagare tog upp att om mätningarna kunde automatiseras mera kunde det kanske fungera som någon slags övervakning, så att du har en mobiltelefon som automatiskt kan övervaka någons känslor.

Deltagarna upplevde i stort att appen fungerade bra, fyllde sin funktion och var meningsfull och rolig att använda. Även om meningen med appen ifrågasattes i någon mån då inte alla upplevde det som värdefullt att tydliggöra sina känslor. Bilden av appen är lite som ett trivialt spel,​“Det här var kul, vad ska den användas till?” Gränssnittet med griden upplevdes som välavvägt och meningsfullt.

4.4.3 Vad fungerade mindre bra?

”​Det är svårt att sätta ord på känslorna”. ​Deltagarna i studien är överens om att det har varit svårt att sätta ord på känslorna, detta är antagligen en anledning till att bortfallet på dessa svar har varit så stort. Något annat som togs upp var att det kan vara annat än positivt att fokusera på sina känslor, speciellt om man gör det utan att det fyller någon funktion.

4.4.4 Tycker du något saknades?

”​Ibland har jag två känslor samtidigt, kanske motstridiga, så att jag vill säga två olika ord”. En deltagare i studien tog upp att ibland behövs två olika ord för att beskriva känslotillståndet, kanske är personen både arg och glad på en gång? Detta hänger i och för sig lite ihop med Calvos teori att känslouttryck och känsloupplevelse inte nödvändigtvis hänger ihop [10]. Men den ökade komplexiteten i appen, som hade krävts för att kunna mäta på detta sätt, hade komplicerat inputen mycket och endast varit användbart i ett fåtal fall. Det är en intressant tanke, men EmocatchY kan tills vidare mäta endast en känsla åt gången.

4.4.5 Övrigt

”Blodsocker har antagligen ett starkt samband på mig”. ​Andra saker som kom upp hos enstaka deltagare var bland annat att kolla blodsocker som en faktor som påverkar känslor, eller andra grundläggande behov på Maslows behovstrappa [33]. Alltså huruvida en person saknar sömn, mat eller någon att prata med.

Utifrån den feedback som getts i den första studien kan slutsatsen dras att självrapportering av känslor utifrån Russells modell fungerar bra. Det som fungerar bäst är grafisk rapportering, lite sämre resultat har nåtts med textrapportering. Från den andra studien har resultaten visat att självrapporteringen fungerar bra även för personer med AST, resultaten i studien upplevs som meningsfullt och korrekta av användarna. Bäst respons fås på grafiskt gränssnitt med symboler, lekfullhet och spelifiering.

4.5 Intervju 2

Det har genomförts fler intervjuer för att utveckla studien och appen på ett användbart sätt och för att besvara forskningsfråga två och tre:

2. Hur kan ett symbolorienterat verktyg, baserat på Russells modell, användas för självrapportering av känslor på ett meningsfullt sätt för personer med AST?

3. Hur bör en mobilapp utformas för personer med AST för att rapportera och kommunicera känslor?

Här är en sammanställning av de intervjuer som gjordes i en andra omgång med fokus på appens användning och möjliga utveckling för personer med AST. I och med detta fokus är

4.5.1 Tror du appen kan fungera som en hjälp i arbetet med en AST

person?

Försökspersonerna är överens om att det hade fungerat bra som ett möjligt hjälpmedel för personer med AST, antagligen bäst för dem som har ett tydligt problem att förstå och tolka känslor hos både sig själva och andra. Någon slags handledd genomgång för att lära sig hur själva appen fungerar föreslogs. Russells modell används för att ge en möjlighet att kvantifiera känslotillstånden.

4.5.2 Tror du den kan hjälpa en person som själv har AST?

En punkt där intervjudeltagarnas åsikter gick isär var på huruvida appen med framgång skulle kunna användas av någon som inte har ett utvecklat språk. Där menade någon att det antagligen inte skulle fungera, medan andra tyckte att det borde fungera fint med symboler och färger för vissa användare utan språk. Något annat som togs upp var att en person med AST kanske kognitivt kan förstå känslor bättre med hjälpmedel men det betyder inte nödvändigtvis att personen i fråga faktiskt upplever känslor på ett emotionellt plan, utan det kan uteslutande stanna på ett rent kognitivt plan. Detta är en intressant diskussion som hänger ihop med diskussionen som finns inom AST forskning huruvida känslor eller kognition spelar den viktigaste rollen för diagnosen. Sannolikt är det olika från person till person, men även för någon som bara lär sig kognitivt med hjälp av appen kan det ju vara en hjälp i vardagen.

4.5.3 Vad tror du om själva gränssnittet?

Dels är det bra med ett tydligt och roligt gränssnitt, men för någon som dessutom inte har ett fullt utvecklat språk blir ett symbolisk gränssnitt ännu viktigare. Där någonstans spelar spelifierings aspekten in - genom att göra appen färgglad och rolig kan man få större genomslag och skapa bättre mening. Att färger och symboler är positivt har varit genomgående i intervjuerna, även om de flesta menar att det nog går att förbättra och förenkla lite till. Mer grafisk feedback hade även det varit välkommet. Således är planen att implementera spelifiering i nästa prototyp för att öka motivationen för deltagarna och i samband med det förhoppningsvis den mening som skapas.

4.5.4 Övrigt

Någon deltagare tog även upp andra typer av såväl fysiska som psykiska handikapp där de ser en användning för en mobilapp som kan hjälpa tydliggöra och kommunicera känslor. Eftersom användningen av appen ändå måste vara individuellt anpassad, det vill säga appen kommer inte att vara användbar för alla med en AST diagnos, utan bara dem som ser den som meningsfull bör använda den, är det kanske ett naturligt steg att den även kan vara användbar för personer med andra funktionshinder.

Utifrån den feedback som getts i den första studien kan slutsatsen dras att självrapportering av känslor utifrån Russells modell fungerar bra. Det som fungerar bäst är grafisk rapportering, lite sämre resultat har nåtts med textrapportering. Från den andra studien har resultaten visat att självrapporteringen fungerar bra även för personer med AST, resultaten i studien upplevs som meningsfullt och korrekta av användarna. Bäst respons fås på grafiskt gränssnitt med symboler, lekfullhet och spelifiering.

5 Riktlinjer

Eftersom de flesta som använt appen upplevde den som underhållande men samtidigt var lite oklara över exakt vilken nytta den har, ligger jämförelsen med ett spel nära till hands. Nöjet att använda appen blir själva syftet. Utifrån det vore det en bra ide att göra appen mer som ett spel, eftersom det lekfulla enligt användarna upplevdes som bra och gör appen mer meningsfull. Till exempel kunde det vara lämpligt att ha med en avatar för att ge feedback. Det visuella och symboliska upplevs som viktigt för att det skall fungera. Dock är ju syftet att i likhet med det som beskrivs under termen ​serious game ha ett bakomliggande syfte att kunna hjälpa och intervenera personer med AST.

Påminnelsen tycks ha fungerat för hög svarsfrekvens inom griden, men inte på orden som användaren själv skulle skriva in. Användarna har i intervjuer sagt att det var svårt att sätta ord på sina känslor. Frågan är om det är svårt att koppla ihop känslan med ett ord, eller om det bara är en besvärande hög cognitive load som är problemet. Någon upplevde bristen på möjlighet att registrera två känslor på en gång som ett problem och det kan ju tyda på att det helt enkelt är svårt att sätta ord på känslan för att den använda modellen inte stämmer med verkligheten. Om det upplevs som svårare att sätta ord på känslor blir ju icke verbala gränssnitt mer intressanta, dessa har dessutom en bättre möjlighet att kunna användas av personer med AST då de som en del av sin diagnos kan ha ett nedsatt språk.

Sedan poängterar respondenterna att appen borde kunna ha ett vidare användningsområde än personer med AST, eftersom liknande problem med att förstå och minnas känslor finns hos andra psykiska funktionsnedsättningar. Detta är i linje med att ta bort textdata och i större utsträckning använda bilder och färger i gränssnittet. Det är tänkbart att verktyget då kan användas bättre av någon som inte har ett språk, på grund av sitt funktionshinder.

5.1 Modell för riktlinjer

Prototypen som presenteras här är för en app som är mer anpassad för användare med AST utifrån dessa erfarenheter. Fokus är på att skapa ett verktyg som upplevs som meningsfullt. Orddelen har helt tagits bort, fokus ligger på symboler och interaktivitet. Formen är av en ”sol” istället för en grid där åtta spetsar motsvarar åtta olika sinnesstämningar. Genom att trycka på en av dem självrapporteras en känsla. Denna design följer samma modell för känslor, där upp är aktiv, ner är passiv, vänster är negativ och höger är positiv.

Feedback ges i modellen genom att storleken på spetsarna förändras över tid utifrån vilka som markerats mest under hela testperioden. Detta ger dels omedelbar feedback, vilket är en del av funktionen för att skapa mening. Feedbacken till försökspersonerna ges även genom bildsymboler, vilket har upplevts som underhållande och positivt under testning.

Daglig feedback ges genom figuren i mitten som visar uttryck baserad på den senaste dagens input. “Positiv” – “negativ” påverkar munnen som leende eller ledsen, aktiv – passiv påverkar ögonens storlek som blir större med aktiv och vice versa. Se fig 3. En av vägarna till mening blir då att verktyget i sig blir roligt att använda, verktyget kommer att likna ett spel i större utsträckning, i enlighet med vad som upplevts som meningsfullt under testning.

Men tanken är icke desto mindre att mobilappen skall kunna användas för att visa och förtydliga känslor, och hjälpa personer som har AST i sin vardag, samt de personer de har runt omkring sig.

6 Diskussion

Till att börja med kan det konstateras att det hade varit fördelaktigt att kunna skala upp användandet av appen och eventuellt lägga till pulsdata och andra sensormått som kan mätas utan extra besvär för användaren. Detta hade tillåtit en mer kvantitativ ansats och ge möjlighet att få fram mer generaliserbara data. Något sådant hade varit bra att göra i ett framtida projekt, efterhand som ny teknologi och nya sensorer blir vanligare i mobiltelefoner, den utrustning de flesta bär med sig dagligen, kommer ny högteknologiska hjälpmedel för AST att få mera genomslag [3][4]. Fokus i denna studie har dock varit på att skapa mening för användaren och personer runt omkring användaren. Som bland annat Lottridge poängterat är en alternativ mätmetod, gärna någon slags fysiologisk sensor, mycket bra att ha således är pedometerdata med i studien [9].

Att ha ett symbolorienterat gränssnitt för självrapportering av känslodata har fungerat bra, bättre än orddelen. Självrapportering av känslor är förknippat med vissa problem, såsom bias och att vi får en subjektiv bedömning [10]. I denna studien har det trots allt fungerat relativt bra i de fall där mätmetoden är mer symbolbaserad, och mindre bra där den är textbaserad. Och enligt de intervjuer som gjorts borde den symbolorienterade delen fungera bra också för personer med AST. Dock har det endast testats på personer som har erfarenhet av att i arbetet möta personer med AST, och inte direkt med personerna själva. Det hade naturligtvis varit bättre att även testa på personer med en AST diagnos, men det är inte helt okomplicerat att använda ett otestat verktyg på psykiskt funktionsnedsatta. Så det valda tillvägagångssättet är rimligt. Men de finare poängerna, som till exempel huruvida svårigheterna att förstå känslor hos andra har en känslomässig eller kognitiv grund, blir svårt att komma fram till utan att testa direkt på dem som har diagnosen. Sedan finns problematiken i Autismdiagnosen att inte alla fall är lika eller kan behandlas på samma sätt med liknande resultat. Men ett viktigt delmål är att börja testa appen eftersom arbetet för att förbättra situationen för personer med AST enligt Bernadini är explorativt [20].

Själva designen bedöms som mycket viktig för att skapa delaktighet och meningsfullhet hos användaren. De spelifierade elementen blir en möjlighet att utveckla appen så att den blir roligare att använda och samtidigt bättre fyller sin funktion i samband med personer som har AST. Vidare forskning behövs för att undersöka hur AST orienterade kontexter spelar in på effekterna av spelifiering [31].

6.1 Framtida forskning

Det som anses vara mest intressant för framtida forskning är om mätning kan automatiseras helt eftersom det skulle innebära att mätningen upplevs som mindre påfrestande. Dessutom innebär det stora möjligheter för storskalig testning, så länge det kan göras enkelt och helst endast med en mobiltelefon. Som tidigare skrivits är det svårt att mäta känslor och risken finns att generalisering innebär att mening går förlorad så att den information som sparas inte motsvarar vad det egentligen var vi ville veta.

Det är också intressant att utveckla appen så långt att den kan testas av personer som är diagnosticerade med ett psykiskt funktionshinder. Målet blir då att använda lärdomar härifrån gällande designen och arbeta vidare på att kunna samla in data för kvalitativ analys,

7 Slutsats

Konklusionen av detta arbete och de tre forskningsfrågor blir mycket kortfattat detta:

1. Hur väl fungerar självrapportering av känslor utifrån Russells modell, rapportering av känslor med vokabulär respektive pedometerdata?

Självrapportering av känslor utifrån Russells modell fungerar, men det fungerar bäst med ett grafiskt gränssnitt i förhållande till att använda textdata. Pedometerdata mättes också, men denna data bidrar inte till menings och delaktighet i någon större utsträckning.

2. Hur kan ett symbolorienterat verktyg, baserat på Russells modell, användas för självrapportering av känslor på ett meningsfullt sätt för personer med AST?

Ett symbolorienterat verktyg baserat på Russells modell fungerar bra för att registrera känslor via en mobilapp, samtidigt som mening och delaktighet skapas. Appen har ej utvärderats av användare som har erfarenhet av att arbeta med andra personer som har AST.

3. Hur bör en mobilapp utformas för personer med AST för att rapportera och kommunicera känslor?

Några riktlinjer har tagits fram som passar designen av en app i detta syftet. Kortfattat kan dessa sammanfattas som: I denna studien har valet gjorts att inte fokusera på det

kvantitativa till förmån för det personliga och meningsfulla - underhållningen och spelifieringen blir en del av syftet med verktyget och appen skall bara användas där den upplevs som meningsfull.

8 Referenser

[1] “[FN:s konvention om rättigheter för personer med funktionsnedsättning].” [Online]. Tillgänglig:

http://www.regeringen.se/contentassets/0b52fa83450445aebbf88827ec3eecb8/fns-k onvention-om-rattigheter-for-personer-med-funktionsnedsattning-ds-200823.

[Tillgänglig : 15-May-2017].

[2] Gillespie, A., Best, C., & O'Neill, B. (2011). Cognitive function and assistive technology for cognition: A systematic review. ​Journal of the International Neuropsychological Society​, 18(1), 1-19.

[3] Changchun Liu, C. Liu, K. Conn, N. Sarkar, and W. Stone, “Online Affect Detection and Robot Behavior Adaptation for Intervention of Children With Autism,” ​IEEE Trans. Rob.​, vol. 24, no. 4, pp. 883–896, 2008.

[4] A. Billard, B. Robins, J. Nadel, and K. Dautenhahn, “Building Robota, a mini-humanoid robot for the rehabilitation of children with autism,”​ Assist. Technol.​, vol. 19, no. 1, pp. 37–49, Spring 2007.

[5] “Website.” [Online]. Available: http://www.autism.se. robot behavior adaptation for intervention of children with autism.,”. [Accessed: 14-May-2017].

[6] L. Kanner, “Autistic disturbances of affective contact,” ​Acta Paedopsychiatr.​, vol. 35, no. 4, pp. 100–136, 1968.

[7] T. R. Goldsmith and L. A. LeBlanc, “Use of technology in interventions for children with autism,” ​J. Early Intensive Behav. Interv.​, vol. 1, no. 2, pp. 166–178, 2004.

[8] M. Silver and P. Oakes, “Evaluation of a new computer intervention to teach people with autism or Asperger syndrome to recognize and predict emotions in others,” Autism​, vol. 5, no. 3, pp. 299–316, Sep. 2001.

[9] D. Lottridge, M. Chignell, and M. Yasumura, “Identifying Emotion through Implicit and Explicit Measures: Cultural Differences, Cognitive Load, and Immersion,” ​IEEE

Transactions on Affective Computing​, vol. 3, no. 2, pp. 199–210, 2012.

[10] R. A. Calvo and S. D’Mello, “Affect Detection: An Interdisciplinary Review of Models, Methods, and Their Applications,” ​IEEE Transactions on Affective Computing​, vol. 1, no. 1, pp. 18–37, 2010.

[11] M. Lindström et al., “Affective diary,” in CHI ’06 extended abstracts on Human factors in computing systems - CHI EA '06, 2006.

Med. Chem. Res., vol. 14, no. 3, p. 241, 2016.

[13] ​Calvo, R. A., D'Mello, S., Gratch, J., & Kappas, A. (Eds.). (2015). ​The Oxford handbook of affective computing​. Oxford Library of Psychology

[14] James, W. (1884). What is an emotion?. ​Mind​, ​9​(34), 188-205.

[15] A. Öhman, “Distinguishing Unconscious from Conscious Emotional Processes:

Methodological Considerations and Theoretical Implications,” in ​Handbook of Cognition and Emotion​, 2005, pp. 321–352.

[16] J. A. Russell, “Core affect and the psychological construction of emotion,” ​Psychol. Rev.​, vol. 110, no. 1, pp. 145–172, Jan. 2003.

[17] J. A. Russell, “A circumplex model of affect,” ​J. Pers. Soc. Psychol.​, vol. 39, no. 6, pp. 1161–1178, 1980.

[18] S. J. Rogers, “Empirically supported comprehensive treatments for young children with autism,” ​J. Clin. Child Psychol.​, vol. 27, no. 2, pp. 168–179, Jun. 1998.

[19] R. W. Picard, ”Affective computing.,” M.I.T Media Laboratory Perceptual Computing Section Technical Report No. 321, 1995.

[20] S. P.-P. K. &. S. T. J. Bernardini, ”ECHOES: An intelligent serious game for fostering social communication in children with autism.,” Information Sciences, vol. 264, pp. 41-60, 2014.

[21] S. Baron-Cohen, ”Do people with autism understand what causes emotion?,” ​Child development, ​vol. 62, nr 2, ​pp​. 385-395, 1991.

[22] C. B. A. C. L. M. C. C. S. L. P. E. &. B.-C. S. Montgomery, ”Do adults with high functioning autism or Asperger Syndrome differ in empathy and​ ​emotion recognition?,” ​Journal of autism and developmental disorders, ​vol. 46, nr 6, pp. 1931 - 1940, 2016.

[23] D. D. E. .. &. S. N. (. Kahneman, Well-being: Foundations of hedonic psychology, New York City: Russell Sage ​Foundation​, 1999.

[24] P. M. M. S. B. L. J. Y. &. P. N. P. Podsakoff, ”Common method biases in behavioral research: a critical review of the ​literature​ and recommended remedies,” ​Journal of applied psychology, ​vol. 88, nr 5, p. 897, 2003.

[25] A. K. M. S. B. R. L. &. D. S. Möller, ”Investigating self-reporting behavior in long-term studies​,” i ​In Proceedings of the SIGCHI conference on human factors in computing systems​, Denver, 2013 April.

[27]​ P. Desmet, ”Measuring emotion: Development and application of an instrument to measure​ ​emotional responses to products,” i ​Funology​, Dordrecht, Kluwer Academic Publishers, 2003, pp. 111-123.

[28] Sony Mobile Communications. (2016). Lifelog (Version 4.x). [Mobil applikation]. Tillgänglig play.google.com/store/apps/ [2017-08-06]

[29] ​Shiraishi, M., Washio, Y., Takayama, C., Lehdonvirta, V., Kimura, H., & Nakajima, T. (2009, April). ​Tracking​ behavior in persuasive apps: is sensor-based detection always better than user self-reporting?. In ​CHI'09 Extended Abstracts on Human Factors in Computing Systems​ (pp. 4045-4050). ACM.

[30] D. M. Lottridge, ”Measuring Emotional Responses to Interaction:

Evaluation of Sliders and Physiological Reactions,” University of Toronto, Toronto, 2010.

[31] J. K. J. &. S. H. Hamari, ”Does gamification work?--a literature review of empirical studies on gamification.,” i 2014 47th Hawaii International Conference on System Sciences, Waikoloa, 2014, January.

[32] R. M. &. D. J. D. Yerkes, ”The relation of strength of stimulus to rapidity of

habit-formation,” Journal of comparative neurology and psychology, vol. 18, nr 5, pp. 459-482, 1908.

[33] ​Maslow, A. H. (1954). The instinctoid nature of basic needs. ​Journal of Personality​, 22​(3), 326-347.

[34] Lathia, N., Sandstrom, G. M., Mascolo, C., & Rentfrow, P. J. (2017). Happier people live more active lives: Using smartphones to link happiness and physical activity. PloS one, 12(1), e0160589.