基于智能手表的个性化游戏化设计与用户建模：最大差异量表分割方法在促进体育锻炼中的实验研究

为解决智能手表健身应用中"一刀切"游戏化设计效果不佳的问题，研究人员采用最大差异量表(MaxDiff)实验和潜在类别模型，对378名用户进行偏好与动机的双维度分析，识别出3类偏好型(目标导向/沉浸体验/奖励驱动)和4类动机型(目标/沉浸/奖励/社交比较驱动)用户群体，为精准匹配游戏元素与用户特征提供量化依据，推动健康行为干预的个性化发展。

　　

在数字健康时代，智能手表已成为监测和促进体育锻炼的流行工具。然而，当前健身应用中的游戏化设计普遍存在"一刀切"问题——开发者往往将相同的积分、徽章和排行榜系统机械地套用给所有用户，忽视了人与人之间的巨大差异。这种简单化的设计导致许多用户很快失去兴趣，近半数智能手表使用者在6个月内就放弃了设备。更令人担忧的是，尽管全球有数亿人使用智能手表进行健康管理，但科学证据表明现有游戏化方案对中高强度运动的促进作用非常有限，多数研究仅观察到对步数的微弱影响。

深圳大学的研究团队意识到，要真正发挥游戏化在健康促进中的潜力，必须突破传统设计思维的局限。他们在《JMIR Serious Games》发表的研究中，创新性地将市场调研领域的最大差异量表(MaxDiff)方法引入健康行为干预领域。这项研究通过两个精心设计的MaxDiff实验，让378名18-35岁的中国智能手表用户在16种常见游戏元素(如目标设定、进度反馈、数字货币等)中反复做出"最喜欢"和"最不喜欢"的选择，并模拟真实场景评估这些元素对运动意愿的激励效果。研究采用潜在类别多分类logit分析等先进统计方法，从偏好和动机两个维度构建用户分类模型。

关键技术方法包括：(1)设计低/高保真两组实验材料分别测量用户偏好和动机；(2)采用平衡不完全区组设计进行MaxDiff实验，确保每个游戏元素出现≥3次；(3)运用潜在类别模型识别用户细分群体；(4)通过多变量方差分析(MANOVA)和多分类logistic回归确定预测变量。所有参与者均通过社交媒体招募，最终纳入分析的378名有效样本中58.7%使用智能手环，41.3%使用智能手表。

研究结果部分呈现了丰富发现：

背景与目标
研究证实当前健身应用游戏化效果参差不齐的关键原因在于忽视用户差异。通过MaxDiff方法，团队首次在智能手表场景下实现了基于游戏元素偏好和动机反应的精准用户分群。

方法
实验设计突破传统评分量表的局限，要求用户在16个元素间强制选择，避免了"全给高分"的评分偏差。低保真材料采用黑白线框图消除视觉干扰，高保真材料则模拟Apple Watch界面增强情境真实性。

结果
描述性统计显示70.9%参与者未达WHO推荐运动量。MaxDiff分析揭示：整体上"进度反馈"(11.656分)和"目标设定"(7.775分)最受欢迎，而"数字货币"(3.831分)和"社区"(4.290分)偏好度最低。但动机实验发现"合作"元素虽偏好排名11位，却能有效激励运动(排名第4)。

偏好型用户分群
潜在类别模型识别出3类群体：目标偏好型(42.6%)重视进度反馈和目标设定；沉浸偏好型(29.9%)独爱叙事和虚拟形象；奖励偏好型(27.5%)痴迷数字货币和积分。MANOVA分析显示目标偏好型在"成就驱动"维度得分显著更高(5.87 vs 5.19,P<0.001)。

动机型用户分群
创新性地发现4类群体：除目标、沉浸和奖励驱动型外，新增社交激励型(28.3%)——尽管这类用户平时不特别青睐社交元素，但"排行榜"和"竞争"最能促使他们运动。logistic回归模型显示，18-22岁且"成就者"特质突出的用户更可能属于此类型(OR=3.272,P=0.001)。

Hexad类型对比
与传统Hexad玩家分类相比，MaxDiff分群展现出更清晰的元素偏好差异。例如所有Hexad类型都同样偏爱"进度反馈"，而MaxDiff分群则能识别出沉浸偏好型对"叙事"元素的独特偏爱(14.840分)。

讨论与结论部分指出，这项研究在理论和实践上均有重要突破：首先证实了用户偏好与动机的不一致性——例如社交元素虽不受普遍喜爱，却能有效驱动特定人群运动，这解释了为何简单按喜好设计可能收效甚微。其次开发出可操作的预测模型，仅需通过"成就驱动"评分和年龄就能以82.5%准确率预测用户类型，为实时个性化推荐奠定基础。

该方法论创新对健康干预研究具有启示意义：MaxDiff强制选择机制克服了传统量表的文化偏差问题，尤其适合跨国健康应用开发。研究者建议未来可结合TURF(总体未重复到达率)分析，在有限界面空间优化元素组合，最大化覆盖各类用户需求。这些发现不仅适用于智能手表，也为其他数字健康工具的游戏化设计提供了范式参考。

值得注意的是，研究也存在一些局限：16个游戏元素虽涵盖主流设计，但未包含VR等新兴技术元素；样本以中国年轻用户为主，后续需验证跨文化适用性。团队计划将成果转化为开源算法库，帮助开发者便捷集成个性化游戏化模块，最终实现"千人多面"的健康行为促进系统。