具体实施方式

将参考附图来描述本发明。

应当理解，详细描述和具体示例虽然指示了装置、系统和方法的示例性实施例，但是仅旨在例示的目的，并不旨在限制本发明的范围。本发明的装置、系统和方法的这些和其他特征、方面和优点将从以下描述、所附权利要求和附图中得到更好的理解。应理解，这些图仅是示意性的并且不是按比例绘制的。还应当理解，贯穿附图使用相同的附图标记来指示相同或相似的部件。

本发明提供了用于为用户生成基于用户的反馈的系统。系统包括适于获取用户数据的用户传感器和反馈管理单元。反馈管理单元适于获得用户档案，用户档案包括：用户目标；以及与用户已经在追求用户目标的时间量有关的用户经验水平。进一步地，反馈管理单元适于基于所获取的用户数据来生成情绪预测，并且基于用户经验水平和情绪预测来选择反馈类型和反馈效价。反馈管理单元然后基于所选择的反馈类型和反馈效价而生成反馈。系统还包括适于向用户提供所生成的反馈的用户接口。

图1示出了用于为用户生成基于用户的反馈的系统100。

系统100包括用户传感器110，用户传感器110适于获取用户数据，用户数据可以包括以下一项或多项：例如由加速度计获取的运动模式；身体活动；例如通过与用户皮肤接触的电极获取的皮肤电反应；例如使用心率监测器获取的心率；以及用户与系统的交互。用户交互可以例如包括从用户进行的多次呼叫聚合的用户数据、用户的社交网络活动水平、给定应用的使用活动水平、总屏幕时间等。这些度量可以被用于评估用户的情绪。用户传感器110可以位于用户的智能设备(诸如智能电话和/或智能手表)内。用户传感器还可以位于用户随身携带的任何合适的设备中。

所获取的用户数据可以从用户传感器传送到处理单元120，处理单元120可以是本地处理单元或远程处理单元。本地处理单元可以是与用户传感器位于同一设备(诸如智能电话)内的处理器。远程处理单元可以是通过有线/无线链路与用户传感器通信的云处理资源。在图1所示的示例中，处理单元120是远程处理单元，并且更具体地是云处理资源。

处理单元120可以将用户数据聚合在存储器单元125中，用户数据然后可以被提供给反馈管理单元130和/或用户接口140。

换言之，系统100使用来自智能电话的传感器或者来自能够跟踪例如与身体活动、运动、生理功能和社交互动相关的用户数据的多种可穿戴技术的传感器来操作。该系统可以在现有的移动或电子健康应用程序内操作和/或使用，现有的移动或电子健康应用程序向用户提供与他们实现目标的进展有关的反馈。此外，系统可以例如经由WLAN或4G连接来利用现有的连接平台和对云的访问。在图1所示的系统100中，来自用户传感器110的用户数据被聚合在云服务器上并且被管理用于分析。

系统100还包括反馈管理单元130，反馈管理单元130用于分析用户数据并选择适当的反馈来提供给用户。

反馈管理单元130适于获得用户档案，用户档案包括用户目标以及与用户已经在追求用户目标的时间量有关的用户经验水平。用户档案还可以包括历史用户数据，即，在一段时间内捕获的用户数据。用户目标可以是例如饮食目标或锻炼目标。

换言之，用户档案可以利用客观获得的用户开始日期数据来维护并持续更新，用户开始日期数据与用户开始追求用户目标的日期有关。此外，用户档案还可以包括与用户自我效能和用户反应效能有关的主观信息，用户自我效能可以由用户使用数字视觉模拟量表(dVAS)来获得，用户反应效能也可以使用dVAS来捕获。

在一个示例中，用户启动系统并记录连续三天的使用情况可以作为用户追求用户目标的开始时间。

用户过去在程序中的成功也可以使用历史用户数据进行记录。在这种情况下，规则可以被用来持续更新用户的档案(例如，每周)并提示完成dVAS来维护与用户自我效能和用户反应效能的更新记录。因此，基于以下维度：程序时间(天)；自我效能(评分在0-100之间)；以及反应效能(评分在0-100之间)，每个用户可以被提供有持续更新的档案，反馈类型和反馈效价可以根据持续更新的档案来定制。

反馈管理单元还适于基于所获取的用户数据来生成情绪预测。

例如，系统100可以利用移动电话或健身手表传感器作为用户传感器110来生成被处理为情绪的定量评估的用户数据。诸如以下的用户数据可以被分析来评估用户的情绪：移动模式；身体活动；皮肤电反应；心率；以及用户与系统的交互(例如打字动态、电话交谈的频率和持续时间、消息传递的频率和持续时间、社交媒体使用、应用程序使用频率等)。

各种类型的用户数据的某种组合可以基于传感器的可用性和用户共享相关数据的意愿来利用，并且被简化为单个定量变量。情绪预测可以被连续地评估，并且过去和当前情绪状态的记录可以被生成和维护。

生成情绪预测可以包括：将所获得的用户数据与历史用户数据进行比较，以将用户数据的趋势与用户情绪相关联，从而提高情绪预测的准确性。

最后，反馈管理单元130基于用户经验水平和情绪预测来选择反馈类型和反馈效价，并且基于所选择的反馈类型和反馈效价而生成反馈来提供给用户。

反馈类型可以包括验证反馈和/或信息性反馈，并且反馈效价可以包括正反馈和/或负反馈。

在一些情况下，用户档案还包括与用户目标的实现有关的目标表现，并且其中反馈管理单元还适于基于目标表现来选择反馈类型和反馈效价。此外，用户档案可以包括与用户对他们朝向用户目标的表现的感知有关的用户自我评估，并且其中反馈管理单元进一步适于选择反馈类型并且反馈效价进一步基于用户自我评估。

从反馈效价来看，正反馈强调用户的成功胜过用户的失败。相反，负反馈比成功的结果更突出不成功的结果。在最基本的动机理论中，正反馈会导致积极情绪/影响，而负反馈会导致消极情绪/影响。事实上，正反馈和负反馈的心理处理是使用不同的认知机制来进行。正反馈由强化学习处理；而负反馈的处理通过认知信息处理而发生。

推而广之，如果用户已处于消极情绪中，则不应提供负反馈，因为它不会被很好地接受，不会得到充分处理，甚至可能会使得用户的情绪恶化。尽管如此，重要的是要注意在许多情况下提供负反馈是必不可少的。

当用户开始追求新目标时，正反馈很重要。换言之，当用户第一次开始追求新目标时，正反馈应比负反馈更受欢迎。正反馈可以提高结果预期(反应效能)和自我效能，同时也增加用户的信心。

然而，在某些情况下，正反馈可能会有问题，因为它可能会鼓励自满感、部分目标实现感和放松努力的感觉。另一方面，负反馈尤其是在自我效能和反应效能较低的情况下可能会降低用户的信心。然而，负反馈有助于鼓励处于目标追求和能力的更高级阶段的用户，以在行为改变维护对目标成功至关重要的关键阶段增加努力。

除了正反馈和负反馈的影响之外，用户经验水平(即，用户已经在追求用户目标的时间量)也会影响反馈的接收程度。用户经验水平可以根据用户是朝向目标突出显示还是朝向目标平衡来进行分类。

突出显示的用户通常处于追求新目标的早期阶段。突出显示的用户往往高度关注目标并采取与目标一致的行动。这些行动通常在用户目标方面相互补充，例如，追求饮食目标的用户在周末不再吃油炸食品和喝含糖饮料。该用户将公开表达对饮食目标的承诺，对成功有很高的期望并且充满信心。采取的每项行动都进一步确认了该用户对实现目标的承诺。根据跨理论模型/改变阶段模型，他们介于准备阶段和早期行动阶段之间。

相比之下，处于平衡的用户通常处于更高级的阶段，即，实现目标的早期兴奋和动力可能已下降，并且最终目标不在他们的脑海中。用户可能会重新认识到实现目标的必要性，但将每一步都视为实现目标的过程。在这种情况下，用户通常会深入到程序中并逐步朝着目标前进，例如，追求饮食目标的用户可能会选择在周一午餐吃沙拉，因为他们知道他们在星期天吃了油炸早餐。

在平衡类别中，如果先前的行动与目标不一致，则用户更有可能遵循目标一致的操作。根据跨理论模型，这些用户将处于中后期行动和维护阶段。

考虑到反馈效价和用户经验水平，反馈管理单元可以确定以下内容。对正反馈的反应可以是在突出显示时给予动力和努力的提升，因为它增强了对目标的感觉承诺。对正反馈的反应可以是在平衡时间给出的动力和努力的下降，因为这表明有足够的进步和努力。对负反馈的反应可以是在突出显示时，动力和努力的下降，因为它会削弱对目标的承诺感。对负反馈的反应可以是在平衡时间给出动力和努力的提升，因为它表明进展不足。

总之，当用户积极建立对目标的承诺时，正反馈可能更有用；然而，当个人需要加大努力以积极追求日常目标(平衡)时，负反馈可能更有用。事实上，当用户数据突出显示了目标与当前表现之间的差距并且用户需要采取行动来弥合这一差距时，负反馈处理可能是至关重要的。

换言之，用户的承诺感可能会随着时间而改变。不言而喻的是，用户在追求目标的一开始就积极地建立他们的承诺(突出显示)，但也可能在稍后在已设置了显著新目标的程序期间重新建立承诺。因此，用户不太可能评估他们的承诺并且随着他们在追求目标方面变得更有经验，他们更有可能在详细的进度监控中取得平衡。事实上，在给定任务中更有经验的用户更有可能寻求负反馈，而那些经验不足的用户更有可能寻求正反馈。

如上所述，提供反馈可以改变个人的情绪。此外，用户处于积极或消极情绪的标识可以是反馈管理单元130可以通过其提供反馈来驱动动力和努力的机制。此外，情绪预测可以提供目标进展信息。

然而，用户在给出反馈时的潜在情绪(与反馈本身无关)会影响反馈的处理和行动方式。情绪可以被视为管理信息的自我调节资源。此外，用户是否将他们当前的积极或消极情绪归因于所给出的实际反馈，对于反馈是否对实现目标的努力具有必要影响具有重要影响。在个人寻求提高对目标的承诺(突出显示)的时期，在给出正反馈时潜在的积极影响可能会进一步提高实现目标的动力。此外，如果向处于消极情绪时突出显示的用户提供反馈，则可能对目标导向的努力产生次优影响。

此外，对于正在平衡的用户来说，负反馈的重要性是至关重要的，并且如果该负反馈是在潜在积极情绪的时候给出，则该用户(拥有更多的认知资源)将能够更好处理负反馈中包含的信息，并且更有可能对所提供的负反馈采取充分的行动。因此，通过考虑用户的情绪和他们的经验水平，可以调整反馈的时间和效价，以优化用户的反应和为实现目标而付出的努力。此外，由于情绪不是简单的二元状态并且在非常坏的情绪和非常好的情绪之间存在连续的情感状态，所以情绪的连续定量表示可以被提供来增强反馈管理单元的准确性。

除了反馈的效价(正或负)之外，反馈类型对动力和努力也有重大影响。反馈类型可以被分为两大类：确认性或验证反馈；以及信息性反馈。确认性反馈只是指示一个人是否步入正轨，即，它提供的信息最少，并且在追求目标的早期阶段以及在认知负荷高的时候(例如在消极情绪时间期间)有用。

相比之下，信息性反馈要详细得多，并且例如可以提供与表现差距大小、个人未达到目标行为的原因有关的信息，并且甚至可以提供与如何采取纠正行动有关的信息。信息性反馈对于追求目标(平衡)的更高级用户很有用。然而，信息性反馈可能会带来相当大的认知负担。为了确保对高度详细的信息性反馈进行充分处理，当更多认知资源可用时，管理可以在相对认知容易的时间进行反馈。这样的时间通常与普遍的积极情绪有关。

此外，积极情绪的存在预示着对用户负面信息的关注会增加，并且如果负面信息被认为对用户的目标有用，则支持对负面信息进行更彻底的处理。

附加地，反馈管理单元可以调整反馈来考虑用户的自我效能感。可以在反馈类型和效价的上下文中考虑用户的自我效能，或对自己实现目标的能力的信念(信心)。与自我效能已很高的人相比，自我效能低的用户将从正反馈中受益更多。因此，有可能根据自我效能的知识来确定反馈的效价。

反应效能，即，反馈信息是否被认为有用，可能对反馈效价的选择有影响。当在积极影响期间提供负反馈时，当信息被认为有用时，它会得到更好的处理。用户可以提供某些反馈方面的感知有用性的指示，以为将来使用选择反馈的类型和效价。

系统100还包括用户接口140，用户接口140适于向用户提供所生成的反馈。用户接口可以位于用户的智能设备(诸如智能电话和/或智能手表)内。用户接口可以与用户传感器位于同一设备中。用户接口可以包括用于处理用户交互的应用程序，例如用于收集用户自我效能或反应效能评级的应用程序。

图2示出了反馈管理单元130的示意表示。

反馈管理单元130可以包括情绪预测器单元210，情绪预测器单元210适于从用户传感器110接收用户数据(也可以从存储器单元125接收历史用户数据)并且为用户生成情绪预测。用户数据可以包括如上所述的各种数据类型。

如在以下一项或多项中所述：Likamwa R、Liu Y、Lane ND、Zhong L.MoodScope：MoodScope:Building a Mood Sensor from Smartphone Usage Patterns；MobiSys’13,June 25–28,2013,Taipei,Taiwan；Stutz T,et al.Smartphone Based StressPrediction；F.Ricci et al.(Eds.):UMAP2015,LNCS 9146,pp.240–251.DOI:10.1007/978-3-319-20267-9 20；以及Cao B,Zheng L,Zhang C,et al.DeepMood:Modeling mobilephone typing dynamics for mood detection.Association for Computing Machinery2017.https://doi.org/10.1145/3097983.3098086，情绪预测可以使用用户数据来生成。

反馈管理单元130可以被配置为使用来自用户传感器110的用户数据和/或移动设备使用情况来对情绪预测执行连续分析，以确定用户的当前情绪状态。情绪预测器单元210可以转换给定情绪算法的结果来生成情绪的半定量变量，半定量变量可以被用于提供超越简单的积极或消极二元状态的更精确的情绪预测。例如，情绪可以按照从非常消极到非常积极的连续统进行分类：-3(非常消极)、-2、-1、0(中性)、+1、+2、+3(非常积极)。最初，这可以使用基本启发式算法来执行，但也可以使用机器学习算法来确定和动态更新。

此外，反馈管理单元130可以包括阶段和状态检测模块220，阶段和状态检测模块220适于获得用户档案225(并且还可以从存储器单元125接收历史用户数据)来确定用户经验水平。以下参考图3来进一步讨论阶段和状态检测模块220的操作。

如上所述，用户经验水平可以被用于通过反馈选择单元230选择反馈类型和反馈效价。用户情绪预测然后可以与所选择的反馈类型和反馈效价组合作为反馈触发器单元240的输入。反馈选择单元可以使用用户经验水平来改变提供给用户的反馈的措辞和/或外观。

反馈触发器单元240可以每天或以任何其他合适的间隔使用来自反馈选择单元230的最近更新的反馈类型和效价数据进行准备。如由情绪预测器单元210所确定的，当所选择的反馈类型和反馈效价的适当情绪状态被接收时，反馈释放可以被触发并且反馈被呈现给用户。

换言之，反馈触发器单元240从情绪预测器单元并且从反馈选择单元接收输入。只有根据用户情绪和经验水平满足正确的条件时，才会将在反馈选择器单元中创建的个性化反馈消息发送给用户。反馈触发器单元可以对用户的情绪预测进行连续分析，同时还可以评估近期情绪预测的历史模式，以确保准确的情绪检测。例如，这可以通过使用基本异常值检测方法(诸如Grubbs测试方法)评估最近的数据模式来执行。如果给定的情绪数据集被确定为异常值，则可以将其从历史用户数据中排除。经典的贝叶斯预测或考虑到历史用户数据的类似方法可以被用来基于过去的情绪历史来确定情绪预测正确的概率。最可能的情绪状态可以基于从一系列这样的预测获得的最大概率值来选择。

图3示出了反馈模块130的示例性状态和阶段检测器220的示意图。

状态和阶段检测器220可以根据以下规则集进行操作；然而，在大量用户数据聚合之后，规则可以由使用可用用户数据训练的机器学习算法来管理。

图3中所示的状态和阶段检测器220将用户一直追求用户目标310的时间量和用户追求目标320的成功考虑在内，以生成用户朝着目标前进的阶段的度量(新手：N₁；N₂；或N₃，或专家：E₁；E₂；或E₃)以及自我效能330(F_1、2或3)和反应效能340(R_1、2或3)。图3中所示的状态和阶段检测器220适于从用户档案获得的连续变量中生成三分位数(3个部分)，三分位数可以对应于新手和专家类别的早期、中期或晚期以及自我效能和反应效能的高、中、低。

与用户追求目标的时间长度有关的数据可以被首先分析。这些数据可以从用户档案中直接获得。程序中的四个时间级别被用于将用户分配到以下四个类别之一：N₁、N₂、N₃或专家。在图3所示的示例中，如果时间少于三天(<3d)，则不会为用户分配类别。如果时间在3到7天(3-7d)之间，则用户被分配第一新手类别。如果时间在七到二十一天(7-21d)之间，则用户被分配第二新手类别。如果时间在二十一到二十八天(21-28d)之间，则用户被分配第三新手类别。如果用户追求目标的时间超过28天(>28d)，他们可以被分配到专家类别。需要注意，在图3所示的示例中，追求目标所花费的时间并不是用来将用户分配到特定专家类别，而是作为用户不再是新手的指标。

与用户在追求目标方面的成功相关的数据可以被用于细化专家类别的指定。例如，如果表现很差(P)，即使是在28天时，个人也可以被指定为N₃并保留在新手类别中，以用于选择反馈类型和效价。

根据成功程度，用户在追求目标的经验超过28天的情况下可以被指定为E₁(中等(M)表现)、E₂(良好(G)表现)或E₃(非常好(VG)表现)。

在将用户指定为新手或专家类别之一之后，自我效能数据330可以被用于从低(F₁)、中(F₂)或高(F₃)确定用户的自我效能水平。将理解，虽然仅针对N₃类别示出了该阶段，但是该步骤可以针对任何新手或专家类别来实现。用户的自我效能得分可以通过向用户提供提示来获得，例如通过使用dVAS的用户接口，来提供与他们如何感知他们朝着目标的进展有关的反馈。

最后，用户可以被分配R₁、R₂或R₃(分别对应于低、中和高)的反应效能水平340。再次，将理解，虽然该阶段仅针对F₂类别示出，但是该步骤可以针对任何新手或专家类别的任何自我效能类别来实现。用户的反应效能得分可以通过向用户提供提示(例如，通过用户接口)来获得，以提供与他们如何感知他们朝着目标的进展有关的反馈。

用户的自我效能和反应效能得分可以通过电子视觉模拟量表(eVAS)或dVAS通过用户接口来获得，电子视觉模拟量表(eVAS)或dVAS可以例如响应于若干问题，定量地收集用户感知的自我效能和反应效能数据。自我效能和反应效能得分中的每一个都可以有三个或更少这样的问题，并且这些问题可以由目标领域的专家根据既定标准来选择。问题可以根据系统的实现方式来定制。

因此，用户并且更具体地是用户的经验水平可以跨三个维度来评分，以得出反馈效价和反馈类型的最佳选择。在图3所示的示例中，可能有54个不同的用户档案。例如，如果用户的得分为E₁F₃R₂，则该用户是早期专家(在超过28天之后实现目标的成功程度中等)，具有较高的自我效能得分和中等水平反应功效得分。在这种情况下，该用户可以被提供具有负效价的信息性反馈，同时尝试使用反应效能提升来增强较低水平的反应效能。

对于具有低自我效能(F₁)和/或低反应效能(R₁)的用户，附加的提升可以通过反馈来提供。例如，该提升可以采取鼓励信息的形式，旨在增强用户信心。提升的实现方式可以根据系统的实现方式而变化。

以下是可以如何实现上述系统的示例。

上述系统可以作为附加模块被并入减肥应用程序(例如，在用户的智能电话或其他智能设备上)，或者可以被包括在本机应用程序框架内。

用户可以被提示将应用程序连接到智能电话内和/或健身追踪器(或智能手表)或任何多种此类设备内的可用传感器。系统可以被配置为与现有应用程序的目标设置和反馈功能同步。

阶段和状态检测模块可以从应用程序的现有跟踪和/或监视功能中收集用户参与数据(诸如在追求目标时的活跃时间)以及成功数据。这些数据可以被用于维持对用户阶段的持续评估。附加地，在预先确定的时间间隔(诸如，每两周一次，但可以调整)，在自动提示经由推送通知提供之后，用户的状态(自我效能和反应效能得分)可以使用eVAS问卷方法来评估，并且通过用户手动输入完成。

这些数据然后可以被发送到反馈管理单元的反馈类型和效价选择器模块，反馈类型和效价选择器模块使用诸如上述的规则集来为用户的当前阶段和状态选择适当的反馈内容。

除了阶段和状态检测模块，情绪预测器单元还可以使用用户传感器输入和算法来记录用户情绪状态随时间的连续评估。这些情绪状态数据然后可以被定期发送到反馈触发器模块。

当所选择的反馈类型和效价和重合情绪状态满足触发指标时，反馈触发器模块可以向用户提供反馈。

例如，最近开始(新手)使用减肥应用程序或体重管理程序的用户通常只会在他们建立自己对体重目标的承诺的积极情绪时(以鼓励强化学习)，接收到具有明确积极效价的验证类型反馈。这种方法可以增强动力并推动持续的减肥努力。

随着时间的推移以及在实现早期目标和指标方面的良好记录，用户可能会升级到专家阶段。在这一点上，反馈类型可能包含大量信息，信息基于用户的专业知识级别(1、2或3)具有不同的详细程度。该反馈可以具有负效价，以在该阶段更好地激励用户。由于反馈具有负效价，因此应在积极情绪时进行传递，使得认知资源可用于适当处理信息，并且确保将所需的差距和行动的细节完全内化，并增强动力。

这通过控制触发器以基于用户的情绪预测提供正确类型的反馈来实现。

图4示出了用于为用户生成用户特定反馈的方法400。

方法开始于例如通过位于用户的智能设备中的用户传感器来获得410用户数据，并且获得420用户档案，用户档案包括用户目标以及与用户已经在追求用户目标的时间量有关的用户经验水平。

情绪预测然后基于所获取的用户数据而生成430，并且反馈类型和反馈效价基于目标阶段和情绪预测而被选择440。

反馈基于所选择的反馈类型和反馈效价而生成450，并且所生成的反馈被提供460给用户。

通过研究附图、公开内容和所附权利要求，本领域技术人员在实践所要求保护的本发明时可以理解和实现对所公开的实施例的变化。在权利要求中，词语“包括”不排除其他元素或步骤，并且不定冠词“一(a)”或“一个(an)”不排除多个。单个处理器或其他单元可以实现权利要求中记载的若干项的功能。在相互不同的从属权利要求中记载某些措施的事实并不表示这些措施的组合不能被有利地使用。如果以上讨论了计算机程序，则它可以被存储/分布在合适介质(诸如与其他硬件一起提供或作为其他硬件的一部分提供的光存储介质或固态介质)上，但也可以以其他形式分发，诸如经由互联网或其他有线或无线电信系统。如果在权利要求或说明书中使用术语“适于”，应注意，术语“适于”旨在等同于术语“被配置为”。权利要求中的任何附图标记不应被解释为限制范围。