Självannotering för att skapa bättre förståelse av data

Teknik och samhälle Datavetenskap

Examensarbete 15 högskolepoäng, grundnivå

Självannotering för att skapa bättre förståelse av data

Self annotation to create better understanding of data

Andréas Appelqvist

Mårten Persson

Examen: Kandidatexamen 180 hp Huvudområde: Datavetenskap

Handledare: Carl Magnus Olsson Examinatorer: Andreas Jacobsson

Sammanfattning

Att människor vill ha god självkännedom är vi medvetna om sedan ett par tusen år tillbaka. Därför är vi inte förvånande av att försäljningen av smarta enheter som loggar aktivitets-data ökar årligen. Hur väl gemene man förstår sin insamlade aktivitets-data kan dock variera. Datan presenteras oftast för användaren genom grafer och stapeldiagram eller på en tidslinje där användaren kan följa sin dag, men det är inte alla användare som greppar helheten och kan identifiera sina livsmönster. I den här studien vill vi ta reda på om man kan med hjälp av självannotering öka en individs förståelse av sin data genom att självannotera. I relaterad forskning hittar vi tre applikationer Labels, ZhiWo och WalkNRide. Vi har utgått från relaterad forskning och utvecklat en prototyp-applikation enligt design research metoden som vi kallar Anotify. Anotify möjliggör för användare att kunna självannotera sina fysis-ka aktiviteter. Prototypen är kopplad till Sony Lifelogs API som tillgodoser Anotify med fysiska aktiviteter som användaren utfört. För att utvärdera ifall våra testdeltagare får en ökad förståelse genom självannotering utför vi en komparativ studie som pågår under tre veckor där testdeltagarna använder Lifelog och Anotify var för sig samt parallellt. Studi-en innefattar fyra testdeltagare som delas upp i två grupper om två personer. Resultatet utvinner vi genom semistrukturerade intervjuer med testdeltagarna efter testperioden är

Abstract

Since a couple of thousand years back people have desired self-awareness. Therefore, we are not surprised that sales of smart devices that log activity data increase annually. How well the average person understand his collected data may nevertheless vary. The data is usually presented by graphs and bar charts or on a timeline where the user can follow his day, but not all users can grasp the whole and identify their living patterns. In our study, we want to find out if one can, by means of self annotation increase an individual’s understanding of his data by self annotation. In related research we find three applications Labels, ZhiWo and WalkNRide who studies this topic. We have based our research on these applications and developed a prototype application (Anotify) according to the design research method. Anotify enables users to self- annotate their physical activities. The prototype is linked to the Sony Lifelog API, which provides Anotify with physical activities that the user performs. To evaluate if our test participants get an increased understanding of self annotation, we perform a comparative study that lasts three weeks in which the test participants use Lifelog and Anotify individually as well as in parallel. The study comprises four test participants divided into two groups of two people. The results are

Innehåll

1 Inledning 1

2 Relaterade studier och verktyg 2

2.1 Personlig informatik . . . 2 2.2 Livsloggning . . . 3 2.3 Sony Lifelog . . . 3 2.4 Självannotering . . . 4 2.4.1 Kända problem . . . 4 2.4.2 Meningsskapande . . . 5 3 Design av självannoteringstjänst 8 3.1 Vad vi presenterar för användaren . . . 8

3.2 Vad är en etikett . . . 9 3.3 Datalagring . . . 10 4 Metod 10 4.1 Forskningsansats . . . 11 4.2 Iterativ process . . . 12 4.2.1 Första iterationen . . . 12 4.2.2 Andra iterationen . . . 13 4.2.3 Tredje iterationen . . . 13 4.2.4 Utvärdering . . . 13 4.3 Avgränsningar . . . 13 5 Komparativ studie 14 5.1 Endast Lifelog . . . 14 5.2 Endast Anotify . . . 15

5.3 Lifelog och Anotify parallellt . . . 18

5.4 Summering . . . 19

6 Diskussion 20

1

Inledning

Att människor vill känna sig själva har varit känt i över 2000 år [19]. Idag erbjuder så kallade wearable devices, dvs teknik i form av exempelvis smarta klockor och armband, möjligheten att samla in data om användarens liv helt eller delvis automatiskt. Använd-ningen av smarta enheter ökade med 57.7 procent från 2014 till 2015 enbart i USA [4] vilket tyder på att det är en trend som ökar i takt med teknologin. Att förstå sig på och tolka denna data är dock inte alltid lätt utan blir snabbt en stor mängd data och diagram, som är svåra för användare att ta till sig av. I denna studie utvärderas hur användare påverkas av möjligheten att sätta beskrivande etiketter på sin data, eller självannotera som detta formellt heter, i syfte att genom detta över tid få bättre överblick över sitt liv och sin historiska data. Underliggande för detta är vår tes att förståelse för data genom etiketter kan bli större, då många användare inte kan relatera till sin data om den enbart presenteras i grafer och tabeller [12]. Den insamlade datan kan underlätta för användaren att se mönster i sitt beteende över en tidsperiod [5] och kunna utnyttja den kunskapen. En nyckel i denna förståelse är naturligtvis då möjligheten att på ett smidigt sätt ta till sig av historisk data samt se trender i den insamlade datan.

I relaterad forskning för självannotering av data finner vi bland annat två applikationer, Labels [20] och ZhiWo [32]. I dessa applikationerna får användaren annotera en utförd akti-vitet. Studiernas fokus ligger främst i att designa en attraktiv applikation som presenterar insamlad data på ett mer förståeligt vis. Labels vill använda den annoterade datan för att i framtiden använda maskininlärning för att automatiskt upptäcka studenters aktiviteter [20]. ZhiWo använder just sådan maskininlärning för att automatiskt upptäcka aktiviteter men ger användaren möjligheten att ändra och “rätta” felaktiga annoteringar. WalkNRide [10] har en annan forskningsvinkel på problemområdet. Angreppssättet som studien tilläm-par är kontextuell datainsamling i form av internetuppkoppling och positionering för att tydliggöra användarens vanor. I studien WalkNRide är bibehållande av användare i fokus och att förstå varför användare slutar använda aktivitetsmätare. Trots överlappande intres-se för problemområdet saknas dock studier med ett fokus på hur användarens förståelintres-se förändras av självannoterad data. För att adressera detta gap har vi utvecklat en själ-vannoteringstjänst, baserad på en existerande självloggningstjänst, som vi låtit användare bruka för att annotera vardagliga fysiska aktiviteter. Den största skillnaden med vår studie jämfört med tidigare studier inom området är att vi fokuserar på förståelsen av annoterad data på individnivå. Det här gör vi istället för att skapa en attraktiv gränssnittsdesign eller förbättring av automatisk annotering vilket gjorts i tidigare studier.

Den applikation vi utvecklat heter Anotify, samt använder Sony Lifelogs API [29] för att hämta insamlad Lifelog-data. I applikationen ser användarna fysiska aktiviteter. Dessa ak-tiviteter är tillgängliga i ett dygn i Anotify, samt tillåter användare att sätta fördefinierade etiketter eller skriva egna som bedöms mer passande. Eftersom detta är en initial studie har vi i detta läge fokuserat på djup förståelse av ett mindre antal utvalda användare - så kallade lead users [31] - istället för en större mängd användare. Vi har därmed rekryterat fyra testpersoner och delar upp dem i två grupper om två personer. Grupperna ska använda Anotify och Sony Lifelog applikationerna. Testet utförs under tre veckor totalt, vari båda grupperna använder Anotify under två av dessa veckor, samt under en avslutande vecka

använder Anotify parallellt med Lifelog. Efter testperioden är färdig har semistrukturerade djupintervjuer [11] utförts med testpersonerna för att utvärdera deras åsikter om de olika applikationerna. Testpersonerna blev även ombedda att reflektera över hur meningsska-pandet påverkades under testet.

Vår utgångspunkt för studien baseras sålunda på vilka sätt som självannotering påverkar användarens förståelse av sin data. Huvudsyftet är att visa med hjälp av självannotering av enskilda aktiviteter kan leda till ökning av användarens förståelse av Sony Lifelogs akti-vitetsdata. Detta som ett exempel på hur självannotering kan berika existerande produkter inom självloggning. Utöver det praktiska bidraget detta ger, positionerar vi även våra re-sultat och vår diskussion i förhållande till relaterade studier. Det för att även göra ett teoretiskt bidrag i form av ny insikt till meningsskapande och självinsikt inom självlogg-ningsområdet.

2

Relaterade studier och verktyg

I denna sektion presenterar vi de olika begreppen personlig informatik, livsloggning och självannotering. Vi går även igenom Sony Lifelog och redogör för vad man kan och inte kan göra i den nuvarande versionen av applikationen. Inom detta ingår även en presentation av ett antal applikationer från tidigare studier inom problemområdet som vi utgått ifrån när vi gjorde design samt etikettval för Anotify.

2.1 Personlig informatik

Det finns två fundamentala aspekter av personlig informatik (PI), samla data och presente-ra den insamlade informationen samt låta användare reflektepresente-ra över den [19]. Ett effektivt PI-system underlättar en användares insamling av användbar personlig data för insiktsfull reflektion. PI går under flera namn “quantified self”, “living by numbers”, “self-surveillance”, “self-tracking”, “personal analytics” och har samma innebörd [12][19]. De är etablerade ut-tryck för användandet av teknologi som samlar in information om olika aktiviteter som utförs av människor. PI behöver inte bara vara fysiska aktiviteter utan kan även omfatta ekonomi, kommunikation, dagbok, fotografi och mycket mer [25]. Syftet med att samla in data från PI-system är för att erhålla självmedvetenheten hos en användare [24]. Utöver självmedvetenhet kan syftet av den insamlade datan brukas för att ändra och förbättra beteende, psykologiskt välmående etc. Enligt Li et al. [19] har en användare som brukar ett PI-system fördelen att den besparas ansträngningen av att komma ihåg all den infor-mation som systemet samlar in. De förklarar också att ren självreflektion ofta är bristfällig. Detta på grund av att människans minne är begränsat och gemene man inte har tid till att självmant räkna dagens alla steg eller komma ihåg hur många gånger man vaknat under en natt. Li et al. säger att utan ett PI-system är det problematiskt att se trender och mönster för människor då inte alla besitter den expertis som krävs. Då kan ett PI-system hjälpa människor att samla in och lagra personlig information samt tillhandahålla ett verktyg för utvärdering och reflektion av informationen.

2.2 Livsloggning

Livsloggning är relaterat till personlig informatik, men till skillnad från personlig informa-tik är livsloggning snarare handlingen av datainsamling än att informera samt stimulera beteendeförändringar baserat på den loggade datan [23]. Idag kan vi logga nästan alla aktiviteter som utförs i vardagen och vi kan också spara dessa aktiviteter digitalt, vilket har skapat en livsloggningskultur [15]. Visionen är att vi i framtiden ska kunna använda den loggade datan som ett externt minne. Många av de tillvägagångssätten som finns för att samla in data från användare är passiva och de samlar automatiskt in information vil-ket underlättar för användarna. Enligt Kalnikaite et al. [15] är fördelarna med automatisk insamling uppenbara, då inga viktiga moment blir uteblivna. Den insamlade datan kan även användas i säkerhetssyfte då en användare kan använda datan för att bevisa var man befunnit sig till exempel [16]. Det finns även en risk med att all information loggas och lagras. På grund av att all insamlad data om en användare finns fysiskt lagrad, hur väl skyddad den än må vara underlättar det för tredje part att få tag på datan. Vilket skapar etiska och lagliga problem samt att de flesta användare inte vill att andra ska få tillgång till deras data [16]. Med de etiska problem i åtanke har Allen [2] föreslagit tre etiska regler angående livsloggning: (1) Ingen ska vara tvungen att använda livsloggning eller bli miss-tänkt ifall den inte använder sig av livsloggning. (2) Personliga livsloggar bör anses att tillhöra skaparen av den, och ingen ska logga andras aktiviteter utan deras samtycke. (3) Ägaren av livsloggen ska ha möjlighet att ta bort och lägga till innehåll när den vill. 2.3 Sony Lifelog

Vi kommer i vår studie att använda Sony Lifelog, som är en livsloggningsapplikation. Studi-en hade kunnat utföras med andra livsloggningsapplikationer, dStudi-en data vi behöver tillgång till är en användares fysiska aktiviteter. Vi valde Lifelog för att de har ett lättillgängligt API där vi kan hämta ut den data vi behöver från en användare. Vi har även tillgång till personer som har goda kontakter på Sony som kan hjälpa oss ifall problem uppstår. Sony Lifelog [28] är en applikation som används för att logga det som har betydelse för användaren. Applikationsflöde av Sony Lifelog kan ses i figur 1. Lifelog loggar användarens rörelse genom sensorer i smarttelefonen vilket leder till att användare inte behöver använda ett aktivitetsarmband. I applikationen kan användare sätta upp olika mål för sin hälsa och aktivitetsmål samt följa sin utveckling. Användare kan själv ställa in i applikationen hur mycket som ska loggas, till exempel om de lyssnar på musik eller ser en film i telefonen, vilket gör att de kan gå tillbaka och se hur sina dagar sett ut. Sony erbjuder även sina användare att köpa aktivitetsarmband som fungerar ihop med applikationen. Aktivitets-armbanden som har pulsmätare möjliggör att det går att mäta bland annat stressnivåer och se vilka tider på dagen man ansträngt sig mer eller känt sig exalterad. Lifelog appli-kationen erbjuder även användare att skapa “life bookmark” på maximalt 140 tecken som ett slags självannoteringsverktyg. Ett bokmärke placeras på en specifik tidpunkt, där an-vändaren beskriver vad som inträffat. Då det inte är kopplat till någon specifik aktivitet, uppfattar vi det lite väl abstrakt. Denna funktion är gömd i en meny samt att inga andra funktioner i Lifelog uppmanar användaren till att själv vara aktiv i applikationen.

Figur 1: Sony Lifelog

2.4 Självannotering

Även om självloggning i allmänhet har ett underliggande intresse av att skapa förståelse för sig själv ingår inte alltid tydligt stöd för användare att tolka insamlad data. Naturligt i många andra sammanhang är att föra anteckningar eller kommentera i kanten på exem-pelvis skrivet material. I denna sektion förklarar vi hur självloggningstjänster kan använda etiketter på aktiviteter och insamlad data för att bidra till meningsskapande och därmed hjälpa användare att tolka sin data.

2.4.1 Kända problem

Självannotering för med sig både för- och nackdelar. Om en användare tvingas dela med sig av sin personliga data är detta en utmaning [20], eftersom den insamlade datan då även har personliga reflektioner som troligen är särskilt integritetskänsliga. Att manuellt annotera sin data är ännu en uppgift användaren behöver utföra i sin livsloggning som inte krävs i applikationer utan självannotering [13][22][28]. Ett par problem upptäcktes vid självannotering av data i studien av Hamm et al. [11]. Ett av problemen var att de lät användarna sätta etiketter på datan i slutet av dagen istället för direkt efter utförd akti-vitet. Detta innebar att etiketter riskerade att bli felaktiga då de endast är korrekta inom loppet av minuter. De fann även ett problem med att annotera data vilket är att olika aktiviteter kan utföras samtidigt samt att en aktivitet kan ha otydlig start och slutpunkt. Sathyanarayana et al. [27] noterar vidare att system som använder självannotering utgör ett väsentligt försök att främja forskning inom personlig datautvinning, men att den forsk-ningen har begränsad praktisk betydelse eftersom de förlitar sig på manuell annotering av förvärvad data.

2.4.2 Meningsskapande

Meningsskapande innebär att man samlar in data inom ett område man är intresserad av att undersöka [26]. Den data som man samlat in organiseras, utvärderas och man kan agera utefter det presenterade resultatet. Meningsskapande behöver inte för de flesta människor nödvändigtvis vara visuellt presenterat utan kan vara beskrivet i många olika former. Den tidigare forskningen som är relaterad till meningsskapande genom att sätta etiketter på utföra aktiviteter eller att utnyttja kontext för att öka förståelse för den insamlade datan är bland annat Labels [20], WalkNRide [10] och ZhiWo [32]. Dessa tre applikationer har vi lagt störst vikt vid i vår studie när vi tagit fram Anotify. Vi visar vilka för- och nackdelar respektive applikation har. Dessa använder vi oss av när vi utvärderar och tar fram temat för våra semistrukturerade intervjuer.

Det finns andra intressen i självannotering av sensordata utöver syftet att öka förståel-se av användares data. Meurisch et al. [20] vill exempelvis använda de insamlade dataförståel-seten av självannoterad data till att förbättra maskininlärning vilket skulle öka träffsäkerheten av automatisk detektering av aktiviteter. Applikationen ZhiWo [32] använder en maskin-lärd algoritm för att detektera aktiviteter, men låter användarna rätta till aktiviteter som är fel genom att de får ändra etiketter. Deras mål är skapa en personlig livslogshantering och hämtningssystem samt aktivitetsigenkänning för personlig hälsoassistans. Med andra ord kan självannotering bidra inte enbart till mänsklig förståelse utan även som ett bidrag till ökad självlärning av system. Även inom andra områden är självannotering också av intresse. PhotoGeo [7] är en infrastruktur som låter användarna självannotera fotografier. De kan annotera var, när och vilka personer som är fångade på bilden, vilket underlättar en organiserad lagring samt återhämtning av önskade fotografier.

Labels [20] är en applikation som låter användare sätta en etikett på sina aktiviteter såsom samtal, bussresor och fysisk aktivitet. Applikationsflöde av Labels visas i figur 2. I studien som Meurisch et al. utfört har de 163 deltagare som under fyra veckors an-vändning av Labels samlat in över 43 000 manuellt annoterad data. Eftersom Labels har utfört en kvantitativ studie fann vi det intressant att utföra en kvalitativ studie inom själ-vannotering. Det resultat som presenteras i deras studie visar att användarna annoterade omkring 82,5% av platsrelaterade tidsluckor, vilket tyder på att självannoteringsfunktionen är välanvänd samt relevant för vidare forskning. Labels fick konsekvent positivt betyg för både upplevelse och användbarhet, och på grund av att användarna gav applikationen ett högt betyg ansåg vi det som en lovande design. Därför valde vi att i Anotify använda en lista som presentationsvy för aktiviteter likt den i Labels. I deras framtida arbete vill de använda sig av datan för att kunna automatiskt upptäcka studenters aktiviteter som till exempel “lektion“, “sover“ eller “studerar“ genom “supervised machine learning”. Det här för att kunna automatisera annoteringen och minimera de moment användare behöver utföra.

Figur 2: Labels

WalkNRide är en applikation skapad av Gouveia et al. [10] för att undersöka kopplingar mellan användare och aktivitetsdata samlad från “activity trackers”. Applikationsflöde av WalkNRide presenteras i figur 3. Deras strategi är att använda kontextuell data istället för etiketter eller “labels”. Kontexten får de genom användarens gps-position eller vilket wifi den är uppkopplad mot. De ger användarna rekommendationer efter en viss tids stillasit-tande att de ska ta en paus från det de gör och röra på sig. Consolvo et al. [6] förklarar att den största fördelen med textuell feedback är att den kan tillgodose användarna med in-formation angående deras insamlade data som de själva inte uppfattat. Att användaren får textuell feedback även när den har underpresterat istället för enbart när den har presterat något kan vara en viktig insikt som hjälper användarens ställningstagande. Att använda text istället för grafer kan minska förvirring för användaren då det står klart och tydligt vad datan betyder [6]. Vilket kan ses som en fördel i vår studie där vi använder etiketter för insamlad data som användaren får reflektera över. Även om etiketterna inte ger direkt feedback kan det vara lättare att förstå sin egen tanke med just den etiketten.

Figur 3: WalkNRide

ZhiWo [32] presenterar användarens dag på en tidslinje, där tidslinjen består av bilder och vilken aktivitet användaren har utövat. Applikationsflöde av ZhiWo presenteras i fi-gur 4. ZhiWo använder en process för att identifiera användarens aktivitet, detta baserat på en maskininlärningsmodell som är upplärd av användar-annoterad data. Ifall systemet registrerar en felaktig aktivitet kan användaren manuellt sätta “rätt“ etikett på den aktivi-teten. Det finns sexton aktiviteter tillgängliga för användaren att välja mellan som de har erhållit från Kahneman et al. [14], dessa är de sexton mest njutbara aktiviteterna vilket de kom fram till i sin studie. Om självannotering utförs för en enskild person är barriärerna som högst, lathet eller tidsbrist kan leda till att annotering blir bortprioriterad [17]. För att minimera barriärerna och öka användningen av självannotering valde vi därför att inte presentera användarens dag i en tidslinje med bilder som användaren själv behöver fota.

3

Design av självannoteringstjänst

Vi har tagit fram en självannoteringsapplikation, som låter användare annotera fysiska aktiviteter som loggas i Lifelog applikationen för att studera om detta kan öka deras för-ståelse av data. Den aktivitetsdatan vi använder i applikationen hämtas via Lifelogs API [29]. Med figur 5 och 6 kan man se hur ett anrop från Lifelogs API kan se ut och vilka parametrar som finns tillgängliga. Lifelogs API förser oss med den nödvändiga information som behövs för att presentera aktiviteter och låta en användare placera etiketter på dessa. Vi beskriver nedan hur vi har gått till väga.

Figur 5: Lifelog API _{Figur 6: Endpoints från Lifelog API}

3.1 Vad vi presenterar för användaren

Som det framgår i de tre applikationer vi tidigare introducerat kan annoterad data presen-teras på flera olika sätt. De applikationer [10][20][32] vi har studerat presenterar samtliga datan på olika vis. Datan i dessa applikationer presenteras genom olika designval, antingen genom en tidslinje med eller utan bilder, eller med färgkodade aktiviteter i en lista. Vi har valt att använda ett angreppssätt som kombinerar designval av dessa tre applikationer. Baserat på Labels [20] positiva omdömen av design har vi därmed valt att presentera ak-tiviteter i en lista för användaren, men istället för färgkodning har vi likt ZhiWo [32] och WalkNRide [10] valt att använda bilder som representerar aktiviteterna. Vi har begrän-sat datapresentation i listan till att presentera användarens registrerade aktiviteter från klockan 00:00 till 23:59. En aktivitet i listan består av en bild med en förtydligande text, antal steg, tidpunkt samt distans beskrivs när den informationen finns tillgänglig. När en ny aktivitet är registrerad och ingen etikett är vald visas det för användaren att de saknas en etikett. Etiketten för varje aktivitet i listan har störst fokus genom sin röda färg samt utstickande storlek, vilket ska underlätta för en användare att reflektera över sin dag.

Figur 7: Anotifys användargränssnitt

Eftersom applikationen är i prototypfas och testpersonerna i detta skede begränsats till att använda Anotify under två av de tre veckornas tid, förväntar vi oss inte att testperioden kommer ge några pålitliga mönster utan lämnar detta för en mer longitudinell studie då sådana mönster mest lämpligt studeras över en längre tid. Clarkson [5] reflekterar i sin studie av beteendemönster i wearable sensordata att det är först efter cirka 100 dagars datainsamling som tydliga mönster går att identifiera. Vad som är naturligt beteende kontra anomalier kräver en tillräckligt stor mängd data, men att flera års insamling hade varit optimalt. I vår studie över 14 dagar har vi därför valt att enbart visa dagens aktiviteter för våra användare samt samla in etiketter som användare själva väljer att tillskriva sin data på daglig basis. Aktivitetsdatan hämtas från Sony Lifelogs API [29] och består av information av de fysiska aktivteter som användaren utfört. API:et ger oss tidpunkt, steg, distans, och antal kalorier som är förbrukade.

3.2 Vad är en etikett

Att annotera är en handling som användaren utför när den sätter etiketter på sina aktivi-teter. Således ser vi annotera kontra sätta etikett som synonymer till varandra. En etikett består av en kort fras eller ett ord, till exempel “transportsträcka”, “intervallträning” eller “ute med hunden”. I Anotify kan användaren välja från en fördefinierad lista med etiket-ter eller välja att definiera sin egen etikett. När användaren har valt etikett sparas det i databasen och aktiviteten blir då kopplad med den valda etiketten. Anotify använder självannotering på aktiviteter som vi erhåller från Lifelogs API som endast tillgodoser oss med de tre olika aktiviteter som vi har begränsat oss till, gång, springa och cykla. Eftersom vi inte har programvara för att automatiskt upptäcka aktiviteter som “ute med hunden” som ZhiWo [32] har tillgång till då de har maskininlärning i bakgrunden. Applikationen Labels [20] använder liksom vi självannotering och motiverar det med att de kommer i framtida arbete använda “supervised machine learning” för att kunna använda automatisk annotering av data.

3.3 Datalagring

Anotify är byggd i Android [8] som erbjuder flera olika lagringsmöjligheter, intern eller ex-tern lagring, key-value par eller med hjälp av SQLite databas [9]. För lagringen i Anotify är det viktigt med struktur och privatisering av datan. Vi valde att använda oss av SQLite som bidrar med både struktur och möjligheten att dela upp användarens aktiviteter och tillgängliga etiketter i två separata tabeller [1]. Systemdiagram på Anotify kan ses i figur 8. Genom att använda SQLite i Android har man endast tillgång till databasen inom appli-kationen vilket är till vår fördel då vi vill hålla datan privat. Att datan ska vara privat är något som de flesta användare vurmar för [16]. Vi visar i Anotify bara dagens aktiviteter för användaren även att all data finns lagrad i databasen som vi tidigare nämnt. Det här gör vi för att i framtida iterationer kunna använda den tidigare datan. Med den tidigare datan menar vi att de etiketter användarna skapar ska finnas tillgängliga för återanvänd-ning.

Figur 8: Systemdiagram över Anotify

4

Metod

Design research paradigmen härstammar från ingenjörskonst och vetenskap av de artifi-ciella [30]. Det är i grunden en metod för problemlösning. Med design research försöker man skapa innovativa ideér och produkter genom analys, design och implementation som kan leda till förbättrad effektivitet. Inom mer organisationsfokuserad forskning har design research varit ett viktigt stöd för att skapa IT-artefakter som bidrar till att lösa problem som annars varit svåra att lösa [30].

Vi har valt att arbeta enligt design research metoden för att adressera ett praktiskt och akademiskt känt problem, samt till stöd använt de sju riktlinjer som Hevner et al. [30] tagit fram. För vår studie passar design research bra då metoden förespråkar innovation samt explorativt utforskande. Den digitala prototyp vi skapat innehåller funktionalitet som är relevant och saknas i det existerande programmet vi använder som referenspunkt för att utvärdera vad vår digitala prototyp tillför. Meningen med den funktionalitet vi skapar är sålunda att lösa ett problem som består i att användare av många PI-system har svårt att gradvis och kontinuerligt bygga upp förståelse för sin data.

Hevner et al. [30] föreslår sju stycken riktlinjer för att man ska kunna anse design research som komplett, vilka vi strävat efter att följa när vi tagit fram vår prototyp. Flödet av dessa riktlinjer ser ut som följande för vår arbetsprocess: (A) Ta fram en modell över vad som önskas uppnås, (B) designa en prototyp i ett antal iterationer, med syfte att lösa det problem som modellen identifierar som relevant och viktigt, (C) utvärdera prototyp och därmed modell genom en jämförande studie och semistrukturerade intervjuer, (D) av utvärderingen identifiera nya och intressanta såväl praktiska som akademiska bidrag vår studie tillför samt slutligen (E) presentera studien i sin helhet i denna text. Detta innebär en viss anpassning i hur vi förhåller oss till de riktlinjer Hevner et al. beskriver, främst i termer av vilken turordning vi angriper vårt studieobjekt, men samtliga riktlinjer berörs under vår process. Att följa riktlinjerna i strikt ordning är något Hevner et al. heller inte rekommenderar, utan att det är upp till studiesituationen att kreativa förmågor och erfarenhet för att avgöra när, var samt hur man ska applicera de olika riktlinjerna. 4.1 Forskningsansats

Vi har skapat en applikation, Anotify, som låter användare sätta etiketter på fysisk aktivitet som de har utfört. Applikationen är en Android applikation [8] som är framtagen i utveck-lingsverktyget Android studio [9]. Anledningen till att vi skapade Anotify för Android är att Lifelog inte har stöd för smarttelefoner som drivs av Apple iOS [3] i dagsläget. Aktivi-teterna som användarna kan sätta etikett på är aktiviteter som Sony Lifelogs applikation samlar in. Följaktligen måste användaren vara registrerad medlem i Lifelog applikationen samt låta den samla in information. Aktiviteterna som vi valde att presentera för använ-darna är fysisk aktivitet, baserat på att den datan kan samlas in enbart med sensorerna i en smarttelefon. Om vi hade velat visa stressnivåer eller puls för användarna skulle de behöva använda Sonys aktivitetsarmband som har pulsmätare inbyggt, därför valde vi att exkludera det för att lättare få tillgång till testpersoner. Eftersom Lazar et al. [18] förklarar att man ska begränsa kravet på användaren, exkluderade vi även applikationsanvändning och sömnperioder i vår prototyp. Detta var även motiverat av att dessa två typer av data inte är lika självklara hur de ska tolkas utan ytterligare data i relation till de unika använ-darna.

När designprocessen av prototypen Anotify var färdig rekryterade vi fyra testpersoner för att bruka applikationen. Eftersom prototypen är explorativt ämnad var ett färre antal an-vändare som kunde följas tätt mer relevant än att sikta på en större grupp anan-vändare på ett mer övergripande sätt. Testet bestod av en testperiod på totalt tre veckor där testper-sonerna fick använda Anotify i totalt två veckor av testperioden. Som beskrivs i tabell 1 är veckorna fördelade på följande vis: Vecka ett använde testpersonerna P1 och P3 enbart Lifelog och testpersonerna P2 och P4 enbart Anotify. Vecka två fick testperson P2 och P4 använda Lifelog och testpersonerna P1 och P3 fick använda Anotify, så att samtliga fyra skulle ha provat var applikation för sig och i olika ordning. Vecka tre lät vi sedan samtliga testpersoner använda Anotify samt Lifelog parallellt.

Period P1, P3 P2, P4

Vecka 1 Lifelog Anotify

Vecka 2 Anotify Lifelog

Vecka 3 Anotify + Lifelog Anotify + Lifelog Tabell 1: Testperiod

När testperioden var färdig intervjuades testpersonerna med semistrukturerade intervjuer. Semistrukturerade intervjuer enligt Myers och Newman [21] utförs med ett antal förde-finierade frågor samt delvis improviserade frågor baserade på de svar som erhölls under intervjun. I deras artikel beskriver de olika fallgropar och riktlinjer som vi även tog hän-syn till för att uppnå ett så bra resultat som möjligt. Några av dessa fallgropar har vi tagit extra hänsyn till. (A) Brist på förtroende för intervjuaren ifall denna är en komplett främling. (B) Intervjuer kan gå fel, intervjuaren kan av misstag förolämpa intervjuobjek-tet. (C) Frågorna kan vara tvetydiga, det är lätt hänt att den som blir intervjuad tolkar frågan annorlunda än vad intervjuaren tänkt. De riktlinjer som beskrivs är sjufaldiga och beskriver hur flödet av en semistrukturerad intervju bör gå till väga. Riktlinjerna ser ut som följande. Det är viktigt att intervjuaren har god kännedom om sig själv samt den som intervjuas. Intervjun ska upprätthålla god stämning för att situationen ska vara komfor-tabel. Det är även viktigt att flera röster får ta plats för att undvika en partisk synvinkel då alla personer tolkar på sitt eget vis. Semistrukturerade intervjuer ska bestå av öppna frågor inom ett specifikt område där alla frågor inte är förutbestämda. Det ger möjlighe-ten att vara öppen för överraskningar och ställa frågor därtill. Slutligen ska innehållet av intervjuerna hållas hemligt och säkert från utomstående. Vårt huvudmål med att utföra testet på detta sätt var att se om den självannoterings-funktionalitet vi erbjuder i Anotify ger testpersonerna en bättre förståelse för sin insamlade data. Vårt sekundära mål med studien är att ta reda på ifall funktionaliteten är något användarna hade sett som positivt om det hade implementerats i Lifelog.

4.2 Iterativ process

Även om naturligtvis tidigare beslut kontinuerligt diskuterades i senare iterationer har vårt arbete bestått av tre distinkta iterationer. Nedan summeras dessa på en övergripande nivå för att ge fokus på det syfte samt resultat som respektive iteration haft.

4.2.1 Första iterationen

Den första iteration av denna studie var kritisk för hur vi skulle fortskrida arbetet, då vi behövde besluta vilket datainsamlingsverktyg som skulle användas och därmed även som jämförelsepunkt för vår framtida självannoteringsprototyp. Iterationen bestod av att för-söka utvinna data från Sony Lifelogs API [29]. Detta var avgörande för om vi skulle kunna använda Lifelog för vår studie eller om vi skulle undersöka andra datainsamlingsverktyg. Då detta föll väl ut beslutade vi oss för att Lifelog var den datainsamlingskälla vi skulle använda oss av, samt därmed även var den applikation våra användare skulle jämföra med den tänkta prototyp vi avsåg ta fram.

4.2.2 Andra iterationen

Den andra iterationen i skapandet av prototypen Anotify bestod av att besluta vilka ak-tiviteter vi skulle presentera för användarna. Vi diskuterade om vi skulle kontakta Sony i hopp om att de kunde förse oss med aktivitetsarmband vilket hade möjliggjort bland annat pulsmätning. Vårt beslut landade i att minimera kravet på användaren som Lazar et al. [18] förespråkar. Vi begränsade oss till fysisk aktivitet och därmed använda de sensorer som finns inbyggda i smarttelefoner. Vi skapade grunden för Anotify genom att göra en inloggningssida till Sony Lifelog för att komma åt användarens Lifelog-data.

4.2.3 Tredje iterationen

Tredje iterationen bestod av att färdigställa och designa Anotify. Vi skapade en databas med två tabeller, en för aktiviteter och en för etiketter. Tack vare att vi sparar data i en databas kan vi visa användarens aktiviteter med rätt etikett. Det möjliggör även att de eti-ketter användaren själv lägger till finns tillgängliga vid nästa tillfälle. Designen av Anotify är inspirerad huvudsakligen från de tre tidigare studier som vi presenterat [20][32][10]. De insamlade aktiviteterna presenteras i en lista (se figur 7). En enskild aktivitet i listan be-står av en beskrivande bild, tidpunkt, antal steg (om tillgängligt), distans samt en etikett. En aktivitet i listan är klickbar och genom att klicka på aktiviteten presenteras ett fönster. I detta fönster finns det valbara fördefinierade etiketter, samt ett textfält där användaren kan definiera egna etiketter.

4.2.4 Utvärdering

För att utvärdera behövde vi testpersoner för att bruka Anotify samt LifeLog. De testper-soner vi rekryterade för testet bestod av fyra teknikintresserade studenter. Testpertestper-sonerna var mellan 26-32 år gamla och beskrev sig själva som medelaktiva. Det är endast en av testpersonerna som hade tidigare erfarenhet av Lifelog applikationen, de resterande tre testpersonerna har ingen tidigare erfarenhet av Lifelog eller liknande datainsamlande ap-plikationer. Efter att testperioden slutförts genomförde vi semistrukturerade intervjuer med testpersonerna som vi spelade in och transkriberade till skriftspråk. Intervjuerna ge-nomfördes för att fastställa resultat av studien. Frågorna som vi definierade är baserade på såväl kända problem inom självannotering samt vårt problemområde, detta för att frågorna ska vara relevanta och ge oss träffsäkra resultat.

4.3 Avgränsningar

Vi färdigställde prototypen av Anotify på väldigt kort tid vilket gjorde att gränssnittsde-signen blev bortprioriterad. Det valet gjorde vi för att nå ut till våra testdeltagare snarast möjligt för att ha applikationen i fält längst möjliga tid. En naturlig utveckling av Anotify hade därmed varit att förbättra användarupplevelsen genom att utveckla designen överlag. Även att implementera en vy för hur frekvent de olika etiketterna som användarna har lagt samt att kunna visa flera dagar är givet i framtida iterationer.

Vidare har vi utfört testet med endast fyra testdeltagare samt under en kort kalenderperiod på endast tre veckor. Baserat på dessa tester är det lämpligt att identifiera särskilt relevant vidareutveckling av såväl Anotify som de bakomliggande designöverväganden, vilket däref-ter borde följas upp med en längre studie med fler deltagare för att nå ett ännu träffsäkrare resultat. Att utföra ett nytt test över längre tid samt med fler testdeltagare skulle ge möj-lighet att hitta relevanta etiketter samt bruka den insamlade datan för maskininlärning för att på så sätt förbättra automatisk annotering

5

Komparativ studie

I denna sektion presenterar vi resultatet av den tre veckors testperiod som vi utfört. Det här för att ta reda på ifall självannotering har ökat testdeltagarnas förståelse av sin data. Vi redogör testpersonernas åsikter, tankar, reflektioner samt deras förståelse av aktivitets-data. Vi börjar denna sektion med att redovisa resultaten från användning av endast Sony Lifelog, sedan enkom Anotify slutligen de två applikationerna parallellt. Avslutningsvis summerar vi resultatet av studien där vi går igenom vad användarna har gett för åter-koppling i form av vad som var bra och dåligt i applikationen samt vad de hade förväntat sig eller om det var något som överraskade.

5.1 Endast Lifelog

Under perioden där testpersonerna enbart brukat Lifelog-applikationen uppmärksammar vi deras reflektioner angående gränssnittsdesign, förståelse av data samt generella åsikter. När vi intervjuar testpersonerna angående Lifelog beskriver de applikationen som följande.

“Den här dagsvyn som dem använder den gör det väldigt lätt att snabbt kunna scrolla igenom hela sin dag.” - P2

“Asså lite fördel med Lifelog kanske är att man har den tidslinjen som visar att man har sovit och man ser en längre tid. Och du ser när du har gått tiden för promenaden på tidslinjen i en bar.” - P1

“Ja alltså, själva helheten i det, och du ser verkligen över din tidslinje. Där kommer din lilla cykel, gång och säng när du sover.” - P3

Gänssnittsdesignen är något som alla testpersoner uppskattade i Lifelog. Testdeltagarna tyckte att Lifelog gav ett bra helhetsintryck tack vare den tidslinjen där aktiviteterna visas på ett grafiskt vis. Dock är P4 inte lika hänförd av animationen som de övriga testdeltagarna.

“Man ser bara en figur [karaktären i lifelog] som går med fotsteg. Men jag måste medge att den är lite snyggare att titta på.” - P4

Att helhetsintrycket är positivt av tidslinjen har vi konstaterat men den har även brister som några av testpersonerna har uppmärksammat. Då en användare har många aktiviteter registrerade zoomas dagen in kontra när få aktiviteter var registrerade och dagen zoomas ut, vilket kan leda till förvirring av tidsuppfattning.

“Det kan vara lite missvisande på ett sätt. När jag då tittar här så att säga, fyra timmar till höger om figuren [karaktären i lifelog]! Medans det är en timme på vänstersidan om figuren!” - P2

Lifelog-applikationen samlar in mycket data om användaren men det är möjligt för använ-daren att reglera mängden datainsamling. Använanvän-daren kan själv välja om den vill dela sina platsuppgifter, appanvändning samt sömndata. Även att dessa valmöjligheter är tillgäng-liga i applikationen säger några av testdeltagarna att onödigt mycket data samlas in som de inte bryr sig om.

“Kapa halva lifelog, ta den övre hälften!” - P3

“Det kanske inte alltid är det bästa att samla så mycket data. Längre. Jag tycker att det är lite läskigt också.” - P2

Att applikationen bara bör logga fysisk aktivitet, sömn, kaloriförbrukning samt transport-tider är något P3 känner relevant. P2 uttrycker sig liknande P3 men han berättar även om att datainsamlingen är oroväckande.

Lifelog erbjuder användarna att kunna skapa “Life bookmark”, det är en självannoterings-funktion som låter användare sätta en etikett på en livshändelse. Bokmärket är inte kopplat till en specifik aktivitet, den är kopplad till en tidpunkt. Funktionen är svårtillgänglig vilket vi konstaterar då ingen av våra testpersoner upptäckte den under testperioden. Däremot kände P2 till att denna funktion existerade då han tidigare arbetat med Lifelog, han be-rättar att användare har brukat funktionen ytterst lite.

“Jag vet exempelvis att när jag arbetade med Lifelog att den minst använda funktionen i Lifelog-applikationen var bokmärkesfunktionen.” - P2

“Life-bokmarks, det är inget jag har pillat på. Jag tar de man får framför sig, jag går inte djupt in. Då är de skönare med er [Anotify] för då ser man aktiviteterna framför sig och trycker lätt in etiketten.” - P3

5.2 Endast Anotify

Det problemområde som vi vill hitta svar på är förståelse av data av självannoterade aktiviteter, därav handlar merparten av frågorna vi ställt om just förståelse av datan i Anotify. Vi frågar även testpersonerna hur lång tid det tar till dem sätter sina etiketter samt om de upplever självannotering som problematiskt eller underlättande. När vi intervjuar testpersonerna får vi en blick av hur deras helhetsintryck upplevts.

“Det var en intressant lösning tycker jag. Det ger möjligheten att verkligen specificera vad jag har gjort på den tiden.” - P3

“Jag tycker egentligen Anotify är bättre då man kan lägga till en egen etikett. [...] Det kunde man inte i Lifelog.” - P1

Att testpersonerna uppskattar att kunna sätta egna etiketter på sina insamlade aktiviteter framgår tydligt. P4 säger att han inte har någon tidigare erfarenhet av livsloggnigsappli-kationer men att han föredrar självannotering över bristen av den.

Anotify innehåller sex stycken fördefinierade etiketter som användaren kan välja bland. De fördefinierade etiketterna har vi baserat på de etiketter som applikationen Labels [20] använder i sin applikation. Testpersonerna gav sin återkoppling på relevansnivån av dessa etiketter.

“Jag tycker att när man får sådana grejer som fördefinierade etiketter att då blir det mycket lättare att jag själv gör min egen vinkling. Hade någon sagt, ”vad är en jobbaktivitet?” innan jag började med det här är svårt att veta vad det var. Men för mig blir en jobbaktivitet kanske när jag går och hämtar någonting på arbetet. Eller att jag går och hämtar en kaffe, eller till ett möte eller vad som helst. Då satte jag det som en jobbaktivitet. Som en transportaktivitet det blev antingen när jag gick ner till bussen eller när jag cyklar till skolan. Jag tyckte att det var bra, för att det är ändå en [etikett] jag skulle behöva skapa.” - P2

“Ja det tyckte jag, de var bra. Det är dem klassiska man gör, jag tycker de va bra. Absolut!” - P3

“Dem som fanns kändes relevanta. Men jag skapade dem själv.” - P1

Vi tolkar att P3 har en liknande uppfattning som P2, att de fördefinierade etiketterna är etiketter som skulle behövt skapas någon gång under användningstiden. Däremot tilltalade inte de fördefinierade etiketterna alla testpersonerna.

”Kommer knappt ihåg vilka de fördefinierade var.” - P4

Två av testpersonerna säger att de inte har använt de fördefinierade etiketterna utan an-vände enbart funktionen “skapa egen etikett” i Anotify. Både P1 och P4 berättar att de har upplevt problem med Anotify, då de båda har äldre versioner av Androidtelefoner har inte de fördefinierade etiketterna varit valbara eftersom bakåtknappen inte har fungerat i applikationen. P1 berättar att han löste det genom att skapa sina egna etiketter och ge dem de fördefinierade etiketternas värde. Vi tolkar att P4 inte kommer ihåg de fördefi-nierade eftersom han inte har kunnat bruka dessa. Anotifys “skapa egen etikett”-funktion för att definiera egna etiketter har använts av alla testpersonerna vilket framgick tydligt i intervjuerna.

“Jag skapade några etiketter själv. Vissa var lite mer specifika, och vissa åter-använde jag många gånger.“ - P2

“Jag gjorde egna också, så jag använde både och.” - P3

“Dem jag använde mest är “åka buss”, “gå med hund” och “handla”. Det är dem tre jag har använt mest.” - P4

“När jag trycker på en aktivitet kan jag inte välja de fördefinierade etiketterna utan jag får skapa en ny.” - P1

Man kan urskilja en differens i hur etiketter skapats mellan P2 och P3 kontra P1 och P4 då P1 samt P4s telefoner innehåller en defekt av att de inte kan använda de fördefini-erade etiketter. Detta gav den oförutsedda effekten att de enbart skapat sina egna etiketter. Att sätta etiketter tätt inpå utförd aktivitet är av stor betydelse enligt Hamm et al. [11]. Det är anledningen till att vi har frågat alla testdeltagare utförligt angående hur tätt inpå en aktivitet de har satt sina etiketter. Tendenser visar på att tiden för placering av etikett varierar från person till person.

“Oftast blir det inte direkt efter. Det hände att jag gjorde det direkt efter, men även då man hade lite tid över gick man in och tittade och satte någon etikett.” - P3

“Jag satte dem på kvällen. Men hade jag haft internetuppkoppling hela tiden hade jag satt dem direkt.” - P1

“Nästan direkt efter jag kom hem. [...] Men det var också mycket för jag visste att telefonen skulle dö.” - P4

“Jag tror att i snitt blir det en ganska kort tid. [...] Men ibland kanske jag kommer på det efter att dagen är slut.” - P2

Två testdeltagare berättar att de hade bristfällig internetuppkoppling vilket ledde till att de oftast placerade sina etiketter på kvällen när de var hemma och hade stabil internetupp-koppling. En av de två hade även nedsatt batteritid vilket ledde till att han minskade sitt normala brukande av telefonen för att logga maximalt med aktiviteter under dagen. Res-terande testdeltagare strävade mot att placera etiketterna tätast möjligt inpå en utförd aktivitet för att få en mer precis etikett.

Majoriteten av testpersonerna påpekade att de tyckte notifikationer för självannotering skulle vara erinrande då de upplevde det lätt att glömma bort att sätta sina etiketter. Eftersom testdeltagarna inte kunde gå tillbaka till gårdagens aktiviteter och annotera dessa upplevde de det som särskilt viktigt att påminnas om att de skulle placera sina etiketter.

“Jag tyckte att det hade varit bra med någon form av notifiering, till exempel, glöm inte sätta dina etiketter för idag. [...] Kanske till och med att jag själv fick sätta när notifieringen skulle komma. Alltså låt säg att jag vet att när jag kommer hem från jobbet då har jag ändå en timme när jag inte gör någonting, då hade den notifieringen kunnat komma.” - P2

“Det håller jag med om de är lätt hänt. Ibland kunde man missa de och då kan man inte komma tillbaka. Som sagt om man inte får en notifikation ska man komma ihåg de, -oh, just det! Så är det mitt i natten.” - P3

Det finns risk för irritationsmoment när användare får en måttlös mängd av notifikationer där de blir uppmanade att agera på informationen de blivit delgivna.

“Till exempel på Samsungtelefonen när jag haft den innan vet jag att den brukar notifiera ”promenadaktivitet” deras hälsoapplikation notifierar ”prome-nadaktivitet hittad”. Den har sparat den i någon health applikation som är förinstallerad på Samsungtelefonen. Och det vet jag är fruktansvärt irriteran-de, men jag ser ”Aha, nu har jag gått 20 minuter.” Så att visst den är irriterande men jag får ändå ut någonting av de.“ - P2

En testdeltagare påpekar att det kan vara problematiskt att förstå vilken aktivitet som är vilken när flera stycken har registrerats som ännu inte har tilldelats en etikett. Då han menar att notifikationer vid varje enskild aktivitet hade underlättat att nästla ut dagens aktiviteterna.

“Det hade varit bra om den känner av att man gjort en aktivitet och så hade det kommit upp att “Jag har registrerat nya aktiviteter, vad har du gjort?” Det är lätt att glömma bort när man kommer hem och har telefonen i fickan. Kommer det då många aktiviteter samtidigt är det svårt att nästla ut vad som är vad.” - P4

Som vi tidigare nämnt har Anotify i nuvarande version ingen möjlighet att gå tillbaka i tiden för att se aktiviteter från föregående dagar. Återkopplingen vi fick av testdeltagarna angående datumbegränsningen var omfattande.

“Den begränsningen kan vara en nackdel, om man missar en dag och inte hunnit annotera den dagen.” - P3

“Det hade varit bra att kunna se fler dagar. Det behöver inte just vara att man kan scrolla bakåt i tidslinjen. Det kan vara datum i typ utav en kalender.“ - P1 “Framförallt att kunna se historik, det saknade man när dagen var slut så kunde jag inte se vad jag hade gjort igår, det hade varit lite roligt.” - P4

“Precis när jag vaknar tar jag upp telefonen och mornar mig lite. Och det kanske är just då jag borde fylla i min gårdag? Men nu fick jag inte chansen att göra det.” - P2

5.3 Lifelog och Anotify parallellt

Efter att användarna har brukat både Lifelog samt Anotify har de upptäckt för- och nack-delar med båda applikationerna. Att en kombination av applikationerna är något testper-sonerna hade föredragit framgår i intervjuerna.

“Som sagt, en trevlig integration. Ett mellanting Lifelog och eran applika-tion[Anotify].” - P3

”Jag tycker egentligen eran[Anotify] är bäst då man kan lägga till en egen etikett [...] Det kunde man inte i Lifelog. [...] Ja, det hade inte varit fel, om Lifelog och eran funktion hade varit sammankopplad.” - P1

Det P1 menar är att han gärna skulle se möjligheten av att kunna självannotera direkt i Lifelog applikationen.

Att aktiviteterna presenteras i en listvy istället för tidslinjen i Lifelog är något som har uppskattats av testpersonerna. Önskemål om en eventuell kombination av datapresentation har lyfts fram.

“Precis, eller kanske så att säga kunna använda det ena till det andra. Att jag ska kunna se dem i vilken vy jag vill, samma data. [...] Dagsvyn som dem [Lifelog] använder gör det väldigt lätt att snabbt kunna scrolla igenom hela sin dag. [...] Men samtidigt, aktiviteterna i en lista blir mer överskådligt.” - P2 “Jag gillar listan som är i er applikation [Anotify] men också tidslinjen i Lifelog. Det är bra från båda hållen.” - P3

När vi intervjuar P2 uppmärksammar han oss om att vi inte har frågat honom hur frekvent han har brukat applikationen, vilket vi upplevde som en väldigt bra och relevant fråga. Detta ledde till att inkluderat P2 samt resterande testpersoner fick den frågan.

“Det har inte blivit varje dag just för telefonen laddar ur. Har jag glömt laddaren och ska iväg har jag inte tagit med den alls.” - P4

“Jag har kanske varit en ganska sporadisk användare. Alltså när jag kom på det använde jag den [Anotify]. Och sen ofta fick jag någon form av skamkänsla för att jag glömt.” - P2

“När jag väl öppnade upp och tittade och såg några nya aktiviteter lade jag några etiketter, alltid. [...] Skulle säga att de va en gång om dagen i alla fall. Utöver de gick jag in och tittade ibland och la en etikett.” - P3

5.4 Summering

Det framträder tydligt när vi analyserar resultatet av studien att testpersonerna föredrog självannoteringsmöjligheten i Anotify, men att de däremot föredrog gränssnittsdesignen i Lifelog [28]. Då alla fyra testpersoner var aktiva och skapade egna etiketter i Anotify samt att de framförde önskemål om att integrera självannotering i Lifelog, anser vi att det är en relevant funktion med goda framtidsutsikter. Dock har flera testdeltagare påpekat att det är lätt att glömma bort att annotera sina aktiviteter, vilket har lett till att i fram-tida iterationer kommer notifikationer vara en naturlig implementation. Testpersonerna eftertraktade tillgång till äldre aktiviteter för reflektion samt möjligheten att annotera ak-tiviteter från tidigare dagar. Det här var något testpersonerna förväntat sig av Anotify då det är en självklar tillgång i Lifelog. Eftersom användarna förväntar sig tillgång av historik i Anotify faller även detta naturligt för applikationens utveckling.

Två av testdeltagarna upplevde vissa bekymmer med Anotify under testperioden då de brukat äldre modeller av smarta telefoner, vilket lett till att de varit tvungna att skapa nya etiketter manuellt vid varje utförd aktivitet. Det här är något som är värt att nämna som utmärkande i studien. Även om majoriteten av testpersonerna föredrog tidslinjen som används för att presentera registrerade aktiviteter i Lifelog hade de en positiv syn till listvyn som används i Anotify. De påstod att aktiviteter presenterade i en lista gav bättre övergripande förståelse av sin dag.

6

Diskussion

I denna sektion diskuterar vi de resultat vi utvunnit ur studien. Vi tar upp användarnas åsikter och vad de har uppmärksammat under testperioden, möjliga barriärer, designval som gjorts, möjligheten till visualisering samt längden på testperioden. Nedan ställer vi därför våra resultat i förhållande till den tidigare presenterade relaterade forskningen (sek-tion 2), samt reflekterar över skillnader och överlapp mellan applika(sek-tionerna. I tabell 2 som kan ses nedan är en översikt på diskussionssektionen, där tidigare forskning jämförs med data från vår studie samt reflektioner på dessa.

Tabell 2: Översikt av diskussion

Att dela personlig data kan upplevas integritetskänsligt då datan kan innehålla personliga reflektioner [20]. De flesta användare vill inte att andra ska få tillgång till deras data [16]. Allen föreslår därför tre etiska regler angående datalagring inom livsloggning [2]. Under intervju konstaterar P2 att han kan uppleva datainsamling som läskigt då han inte vet vem eller vilka som har tillgång till hans personliga data. Medans resterande testdeltagare inte uttryckte någon oro angående datainsamlingen. Att de flesta testdeltagare i vår studie inte oroar sig över datainsamling motsäger det Kärkkäinen et al. påstår. Vi tror att anledningen till att vårt resultat motsäger Kärkkäinen et al. är på grund av att vi försökt att följa de

etiska regler som Allen föreslår samt att testdeltagarna är bekanta till oss.

Som vi tidigare har tagit upp utgör självannotering ett väsentligt försök att främja forsk-ning inom personlig datautvinforsk-ning. Den här typen av forskforsk-ning är dock av begränsad betydelse då man förlitar sig på användarna av dessa system [27]. Vi kan se varför forsk-ning inom självannotering är förknippat med synnerligen systematiska användare dock. Våra testdeltagare har alla vid något tillfälle har glömt bort att annotera sina aktiviteter, vilket även illustrerar risken att andra aktiviteter än självloggningen hamnar i centrum. Problemet som uppstod för våra användare var att en miss vid ett tillfälle eller under en dag kraftigt ökar risken att fortsätta glömma eller skjuta upp sin självloggning. Vi tror, för att forskning inom självannotering ska vara relevant i framtida forskning, kommer automa-tisk annotering av insamlad data spela en stor roll för att minska tidskravet på användare. Om de olika aktiviteterna blir automatiskt annoterade av systemet kan användarna gå in i applikationen och eventuellt ändra felaktiga etiketter. Det här är något som redan finns i applikationen ZhiWo [32] och något som skaparna av applikationen Labels [20] strävar mot att implementera i framtida arbete. Man kan som användare uppleva att självannotera alla aktiviteter kan kännas som en tröskel innan man vänjer sig att självannotera. Med hjälp av automatisk annotering tror vi att man kan hjälpa användarna över självannoteringströskeln då inga aktiviteter blir utan etikett och kravet på användaren minskar. När användaren väl har vant sig vid detta system tror vi att det blir ett väldigt kraftfullt verktyg för att öka självmedvetenhet och skapa tydligare mönster.

Kustanowitz och Schneiderman [17] märker i deras studie att när självannotering utförs på individnivå blir barriärerna som högst. Det kan bero på lathet eller tidsbrist vilket i sin tur kan leda till att självannotering blir bortprioriterad. I vår studie utförs självannotering av testpersonerna enskilt vilket då kan leda till att de barriärer som Kustanowitz och Schnei-derman uppmärksammar i deras studie inträffar. Vi kan tyda från resultatet av vår studie att dessa tendenser existerar även här. P2 berättar att om han inte har annoterat under dagen är det stor risk att han inte heller kommer att göra det under kvällen. P4 berättar att om han har glömt sin laddare till telefonen bemödar han sig inte att lösa det vilket leder till ingen data samlas in. P1 berättar också att han tyckte det var jobbigt att det kom flera aktiviteter som enligt han var att betrakta som samma aktivitet, vilket ledde till att han inte orkade annotera alla. P3 konstaterar vidare att han vill ha det så enkelt som möjligt för att man som användare är lat. Han berättar att “lifebookmark”-funktionen som finns i Lifelog inte är något han använt, eller ens uppfattat att det fanns. Han berättar att på grund av enkelheten att sätta etiketter i Anotify gjorde att han annoterade sin data vilket han inte hade gjort i Lifelog eftersom hans lathet stod i vägen. Vi bekräftar därmed Kustanoviz och Schneidermans påstående om höga barriärer vid annotering för individer till hög grad stämmer, då vi ser tydliga tendenser till det i våra resultat. Även då vi medvetet har försökt att minimera barriärer i Anotify har testpersonerna upplevt sådana. Vi tolkar det som att om man ska kunna utnyttja självannotering på individni-vå utan automatiserad annotering krävs det enkelhet för användaren samt någon form av motivationshöjande medel. Vilket skulle kunna innefatta notifikationer, textuell feedback, historik och statistik över hur de använder sina etiketter.

ut-förda har markant betydelse för att de ska vara korrekta [11]. Det är något som alla testdeltagare i vår studie också har påpekat. Vikten av att kunna annotera direkt är av stor betydelse, våra användare säger att det är svårt att förstå vilken aktivitet som är vilken om de inte sätter sina etiketter direkt. Det kan därmed bli problematiskt för test-personerna när de har glömt att sätta etiketterna direkt. Om testdeltagarna hade glömt sätta etiketter under dagen hade de problem med att nästla ut alla aktiviteter på kvällen. Vi anser att det här är ett stort problem med självannotering och viktigt att åtgärdas. Tillsammans med testpersonerna diskuterade vi under intervjuerna olika scenarion för hur man skulle lösa problemet med hjälp av notifikationer. Vi tror att detta skulle kunna lö-sas eller i alla fall underlätta för användarna om en notifikation hade påmint användaren när en aktivitet registrerats. En testdeltagare tog upp att notifikationer kan vara ett stö-rande och irritestö-rande moment. Han tror samtidigt att en notifikation hade hjälpt honom att komma ihåg att sätta sina etiketter direkt efter en utförd aktivitet, vilket kan tolkas som att sättet och tillfället som notifikationer skickas är av relevans att beakta i synnerhet. Problematik kan uppstå vid annotering av aktiviteter som utförs samtidigt och att de kan ha otydlig start och slutpunkt [11]. Ett exempel på aktiviteter som kan utföras samtidigt är “ute med hunden” och “motionera”. Detta kan skapa förvirring i hur man ska definiera sin etikett enligt Hamm et al. Det här var dock inget våra testdeltagare upplevde som ett problem eller ens reflekterade över. Anledningen till det här tror vi är att testperioden för användningen av Anotify bara pågick under 3 veckor. Genom att låta deltagarna definiera egna etiketter och inte bara använda fördefinierade har de löst problemet omedvetet ge-nom att skriva längre och mer specifika etiketter. För att förtydliga exemplet som beskrevs tidigare, kunde en etikett sett ut som följande, “ute och motionerar med hunden”.

Fördelen med att använda ett PI-system är att de besparar ansträngningen för användaren av att behöva komma ihåg all information som systemet samlar in. Ren självreflektion utan hjälp utav ett PI-system är bristfällig eftersom minnet är begränsat [19]. Det huvudsakliga syftet med att samla in data med hjälp utav ett PI-system är för att öka självmedvetenhet för en användare [24]. Vårt testresultat bekräftar önskan om reflektion vid den här typen av datainsamling. Samtliga testdeltagare har framfört sin önskan om att kunna se sin historik för att reflektera över sina annoterade dagar. Majoriteten av testdeltagarna berättar att självannotering ger ett mervärde till insamlad sensordata som de saknar i Lifelog. Möj-ligheten av att kunna specificera vad varje aktivitet verkligen var i Anotify utöver antal steg de tagit under en aktivitet gjorde att de fick ökad förståelse för sin data. Testresul-tatet visar även vilken effekt presentationen av datan har för användaren. Testdeltagarna berättar att de gillar tidslinjen i Lifelog för att man snabbt kan gå igenom sin dag, men att listvyn i Anotify ger en bättre överskådlig blick över dagen. Vi tror att om vi låter användaren välja själv hur datan ska visualiseras kommer även det leda till att användaren får en ökad förståelse av sin insamlade data. Det kan också leda till att det blir lättare för en användare att se mönster i sin data.

7

Slutsats

Denna studie grundar sig i önskan om självmedvetenhet och förståelse av insamlad data. Användare av livsloggningssystem har uttryckt att de kan uppleva det svårt att förstå sin data. Vilket vår ambition med denna studie är att lösa genom att erbjuda en applikation, Anotify, som låter användarna annotera sina aktiviteter i hopp om att detta ska öka deras förståelse av datan.

I denna studie presenterar vi Anotify, en självannoteringsapplikation som hämtar använda-res registrerade aktiviteter i Sony Lifelogs applikation genom det API som Lifelog tillhanda-håller. Med hjälp av Anotifys gränssnittsdesign kan användarna annotera sin Lifelog-data. För att få ett svar på om självannotering ökar användarens förståelse genom självannote-ring utför vi en komparativ studie. Studien består av två testgrupper om två personer som använder två applikationer som referenspunkter, Anotify samt Lifelog.

Det bidrag vi lämnar till forskningen med denna studie består av ett antal observationer. Självannotering ger användare möjligheten att verkligen kunna specificera vad de har gjort under de olika aktiviteterna som registrerats vilket ledde till att deras förståelse av datan ökade. Att självannotering kan ge en användare djupare förståelse av sin data är det gap vi strävat efter att fylla med det här arbetet. Vi kommer även fram till att gränssnittsde-signen har stor betydelse för hur användare förstår sin data.

I termer av framtida forskning anser vi att det skulle vara intressant att undersöka hur notifikationer kan hjälpa en användare att komma ihåg att självannotera och analysera vad det kan ha för effekt på annoteringen. Att utföra en longitudinell studie inom själ-vannotering skulle vara högst intressant för att på så sätt kunna uttyda mönster genom självannotering samt jämföra resultatet mot icke annoterad data. De dataset man utvinner från längre studier kan användas till att förbättra maskininlärning vilket kan leda till för-bättrad automatisk annotering. Automatisk annotering av data tror vi kommer att spela stor roll för framtida forskning samt för självannoteringens överlevnad.

Referenser

[1] SQLite. https://www.sqlite.org/, 2017. [Online; hämtad 17-April-2017].

[2] A. L. Allen. Dredging up the past: Lifelogging, memory, and surveillance. The Uni-versity of Chicago Law Review, 75(1):47–74, 2008.

[3] Apple Inc. iOS. https://www.apple.com/ios/, 2017. [Online; hämtad 17-April-2017]. [4] M. E. Berglund, J. Duvall, and L. E. Dunne. A survey of the historical scope and current trends of wearable technology applications. In Proceedings of the 2016 ACM International Symposium on Wearable Computers, pages 40–43. ACM, 2016.

[5] B. P. Clarkson. Life patterns: structure from wearable sensors. PhD thesis, Massachu-setts Institute of Technology, 2002.

[6] S. Consolvo, P. Klasnja, D. W. McDonald, J. A. Landay, et al. Designing for he-althy lifestyles: Design considerations for mobile technologies to encourage consumer health and wellness. Foundations and Trends in Human–Computer Interaction,R

6(3–4):167–315, 2014.

[7] H. F. de Figueirêdo, Y. A. Lacerda, A. C. de Paiva, M. A. Casanova, and C. de Sou-za Baptista. Photogeo: a photo digital library with spatial-temporal support and self-annotation. Multimedia Tools and Applications, 59(1):279–305, 2012.

[8] Google. Android OS. https://android.com/, 2017. [Online; hämtad 17-April-2017]. [9] Google. Android Studio. https://developer.android.com/, 2017. [Online; hämtad

17-April-2017].

[10] R. Gouveia, S. Barros, and E. Karapanos. Understanding users’ disengagement with wearable activity trackers. In Proceedings of the 2014 Workshops on Advances in Computer Entertainment Conference, page 17. ACM, 2014.

[11] J. Hamm, B. Stone, M. Belkin, and S. Dennis. Automatic annotation of daily activity from smartphone-based multisensory streams. In International Conference on Mobile Computing, Applications, and Services, pages 328–342. Springer, 2012.

[12] D. Hilviu and A. Rapp. Narrating the quantified self. In Adjunct Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2015 ACM International Symposium on Wearable Computers, pages 1051–1056. ACM, 2015.

[13] F. inc. Fitbit. https://www.fitbit.com/se/app, 2017. [Online; hämtad 18-April-2017].

[14] D. Kahneman, A. B. Krueger, D. A. Schkade, N. Schwarz, and A. A. Stone. A sur-vey method for characterizing daily life experience: The day reconstruction method. Science, 306(5702):1776–1780, 2004.

[15] V. Kalnikaite, A. Sellen, S. Whittaker, and D. Kirk. Now let me see where i was: understanding how lifelogs mediate memory. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pages 2045–2054. ACM, 2010.

[16] T. Kärkkäinen, T. Vaittinen, and K. Väänänen-Vainio-Mattila. I don’t mind being logged, but want to remain in control: a field study of mobile activity and context logging. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pages 163–172. ACM, 2010.

[17] J. Kustanowitz and B. Shneiderman. Motivating annotation for personal digital photo libraries: Lowering barriers while raising incentives. Univ. of Maryland Technical Report HCIL-2004, 18, 2005.

[18] A. Lazar, C. Koehler, J. Tanenbaum, and D. H. Nguyen. Why we use and abandon smart devices. In Proceedings of the 2015 ACM International Joint Conference on Pervasive and Ubiquitous Computing, pages 635–646. ACM, 2015.

[19] I. Li, A. Dey, and J. Forlizzi. A stage-based model of personal informatics systems. In Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pages 557–566. ACM, 2010.

[20] C. Meurisch, B. Schmidt, M. Scholz, I. Schweizer, and M. Mühlhäuser. Labels: Quan-tified self app for human activity sensing. In Adjunct Proceedings of the 2015 ACM In-ternational Joint Conference on Pervasive and Ubiquitous Computing and Proceedings of the 2015 ACM International Symposium on Wearable Computers, pages 1413–1422. ACM, 2015.

[21] M. D. Myers and M. Newman. The qualitative interview in is research: Examining the craft. Information and organization, 17(1):2–26, 2007.

[22] Nike. NikeFuel. http://www.nike.com/us/en_us/c/nike-plus, 2017. [Online; häm-tad 18-April-2017].

[23] F. Ohlin, C. M. Olsson, and P. Davidsson. Analyzing the design space of personal informatics: A state-of-practice based classification of existing tools. In Internatio-nal Conference on Universal Access in Human-Computer Interaction, pages 85–97. Springer, 2015.

[24] A. Rapp and F. Cena. Affordances for self-tracking wearable devices. In Proceedings of the 2015 ACM International Symposium on Wearable Computers, pages 141–142. ACM, 2015.

[25] J. Rooksby, M. Rost, A. Morrison, and M. C. Chalmers. Personal tracking as lived informatics. In Proceedings of the 32nd annual ACM conference on Human factors in computing systems, pages 1163–1172. ACM, 2014.

[26] D. M. Russell, R. Jeffries, and L. Irani. Sensemaking for the rest of us. In Sensemaking Workshop at CHI, 2008.

[27] A. Sathyanarayana, F. Ofli, L. Fernandes-Luque, J. Srivastava, A. Elmagarmid, T. Arora, and S. Taheri. Robust automated human activity recognition and its appli-cation to sleep research. arXiv preprint arXiv:1607.04867, 2016.

[28] Sony Mobile. LifeLog. https://www.sonymobile.com/se/apps-services/lifelog/, 2017. [Online; hämtad 17-April-2017].

[29] Sony Mobile. LifeLog API. https://developer.sony.com/develop/services/ lifelog-api/, 2017. [Online; hämtad 17-April-2017].

[30] R. H. Von Alan, S. T. March, J. Park, and S. Ram. Design science in information systems research. MIS quarterly, 28(1):75–105, 2004.

[31] E. Von Hippel. Lead users: a source of novel product concepts. Management science, 32(7):791–805, 1986.

[32] L. M. Zhou, C. Gurrin, and Z. Qiu. Zhiwo: Activity tagging and recognition sy-stem for personal lifelogs. In Proceedings of the 3rd ACM conference on International conference on multimedia retrieval, pages 321–322. ACM, 2013.