《Proceedings of the Design Society》：Contextualizing sensor data: integrating user voice in data-driven design
编辑推荐：
数据驱动设计日益依赖传感器数据，然而这些浅层测量往往缺乏解释事件发生原因或用户感受与需求所需的经验情境。这限制了它们对人本设计的价值。本文引入了被动情境化与主动情境化来描述意义如何通过推断和用户参与而产生。一个使用墨尔本See.Sense骑行数据的真实世界案例
数据驱动设计日益依赖传感器数据，然而这些浅层测量往往缺乏解释事件发生原因或用户感受与需求所需的经验情境。这限制了它们对人本设计的价值。本文引入了被动情境化与主动情境化来描述意义如何通过推断和用户参与而产生。一个使用墨尔本See.Sense骑行数据的真实世界案例研究表明，结合浅层与深层数据如何产生更具情境性的理解以及可操作的设计见解。
**论文解读：情境化传感器数据以整合用户声音于数据驱动设计**
**研究背景与问题**
随着传感技术、互联设备和数字平台的进步，数据驱动方法正日益塑造着从产品服务创新到城市规划与出行等跨领域的设计实践。这些被动获取的数据集（如传感器读数、数字日志或位置轨迹）具有精确、连续和可扩展的特点，构成了数据驱动设计（Data-Driven Design, D3）的核心资源。然而，尽管其客观性，此类数据对于设计而言仍存在模糊性。它们描述了“发生了什么”，但无法解释“为什么发生”，捕捉了行为或交互模式，却无法触及产生这些模式的生活经验、动机或情境条件。对于设计研究者和实践者而言，这造成了测量与意义之间的持续鸿沟。大规模定量数据可以提供关于正在发生事件的广泛、系统性证据，但缺乏情境则限制了其对解释或创造力的支持。特别是在主动出行、医疗保健和智能能源系统等依赖传感器数据指导规划与决策的领域，大规模测量可以揭示使用、风险或需求的模式，但往往缺乏使这些模式对设计具有可操作性的经验性解释。因此，如何将用户声音和经验的定性描述与被动收集的数据相结合，以解释或挑战定量数据所呈现的内容，成为亟待解决的问题。
**研究概述与意义**
本论文旨在探讨情境化如何作为数据驱动设计内部的一种解释性实践。研究人员通过分析传感器数据与用户声音数据之间的关系，展示了情境化如何将定量读数转化为与设计相关的洞察。研究以城市出行领域的See.Sense智能自行车灯系统为例进行实证分析，该系统收集骑行动态（如位置、刹车、转向）的传感器数据，同时其配套应用程序允许骑行者提交报告和评论。这种被动捕获的测量数据与主动贡献的描述相结合，为研究用户声音如何丰富基于传感器的数据集提供了一个情境化的案例。论文的研究成果被置于D3框架中，展示了情境化作为发现数据模式与定义这些模式对设计意义之间桥梁的作用。情境化的数据支持设计探索、假设生成和反思，而非产生规定性解决方案。该研究发表在《Proceedings of the Design Society》上，对于推动更具反思性、参与性和人本的数据驱动设计实践具有重要意义。
**关键技术方法**
研究人员采用了一项针对See.Sense系统的真实世界案例研究，核心方法在于将定量传感器数据与定性用户声音数据进行整合与对比分析。数据来源为澳大利亚墨尔本收集的样本数据集，包含约12,000个描述典型骑行条件的空间平均骑行点、110个标记急刹车、急转向或振动峰值的异常事件，以及81条带有位置标签的骑行者感知报告。研究方法主要包括：1. **数据整合分析**：将传感器记录的异常事件（如刹车、转向）与通过应用程序收集的骑行者感知报告（包括系统触发的和用户主动提交的“定点标注”评论）进行关联和对比。2. **解释性推理与工作坊**：通过组织多场与See.Sense员工及外部利益相关者（如Active Travel England、Transport for London、地方当局）的工作坊，进行协作性的意义建构，探索数据如何被解读并转化为设计洞察和潜在行动。3. **情境化框架应用**：运用论文提出的被动情境化（空间与时间）和主动情境化（经验与社会）概念框架，系统分析数据如何从描述性模式转化为解释性设计材料。
**研究结果**
**4.1. 数据及传感器自身揭示的信息**
孤立地看，传感器数据流捕捉了标记异常事件发生时刻的变化。空间和时间信息定位并排序这些事件，揭示了可能与骑行环境中潜在问题相对应的刹车、转向或路面颠簸集群。然而，这种视图仅提供关于中断发生地点和时间的技术精确信息，局限于表面描述，无法区分基础设施缺陷、环境条件、传感器伪影或与其他道路使用者互动等根本原因。
**4.2. 定性情境增添的内容**
通过See.Sense应用程序收集的感知报告主要有两种形式。第一种是系统检测到传感器异常时提示骑行者报告事件，这能直接为传感器数据提供情境。第二种是骑行者主动提交的用户发起式“定点标注”评论，即使在未检测到可测量干扰时也能增添经验情境。这些报告通过引入关于感知、意义和情境的描述，扩展了传感器数据的解释范围。
**4.2.1. 情境化传感器异常**：当骑行者响应检测到的异常时，他们的评论可能澄清事件，也可能过于笼统而无法完全解释。详细的评论（如“汽车左转穿过自行车道”或“严重的隆起和颠簸”）将模糊的异常转化为有意义的事件，明确了原因或体验。而不太具体的评论则表明情境化是一个迭代和解释的过程。
**4.2.2. 独立的用户观察**：一小部分报告并非由传感器异常触发。这些用户发起的评论通过捕捉未产生显著传感器读数的安全、舒适或社交互动感知，拓宽了数据集，揭示了传感器无法检测到的经验层面和感知风险。
**4.3. 从情境化证据到洞察**
将传感器读数与骑行者评论结合，产生了强化设计推理的不同形式的洞察。在某些情况下，两种数据流相互印证。当急刹车或急转向集群与“汽车左转穿过自行车道”或“沥青路面上的大坑”等评论同时出现时，定量和定性描述相互吻合，勾勒出因果图景。这些测量与经验的交汇点识别出明确的风险或不适地点，为针对性检查、维护或重新设计提供了证据。骑行者评论还能揭示传感器不可见的体验，如天黑后的恐惧、近距离超车车辆的威胁感、共享空间中的不确定性，凸显了超越运动数据本身的人性化出行维度。从设计角度看，数据不匹配或模糊的时刻可作为进一步探究的生产性提示，标志着现有测量不足以解释经验、需要更深入调查的区域。
**4.4. 从洞察到行动**
从情境化洞察到实际设计应用的转变，取决于数据在塑造城市出行的利益相关者之间如何共享和解读。通过一系列工作坊，研究人员发现参与者强调情境化数据呈现的清晰性和可访问性，青睐能同时传达定量证据及其反映的骑行者体验的可视化和叙事形式。用户声音 consistently被认为对于理解问题发生地点以及受影响者的感受至关重要。同时，参与者认识到孤立使用See.Sense数据的局限性，强调将其与互补数据集整合以获取骑行条件全貌的重要性。数据的协作性解读因此成为一种参与式设计形式，多方观点在此协商意义并确定适当的行动。在实践中，这有助于区分物理干预（如重新铺设粗糙路段、重新设计交叉口几何结构、改善照明）与行为或政策措施（包括意识宣传活动、驾驶员教育或车道规则执行）。
**讨论与结论总结**
论文的讨论部分深入探讨了情境化作为数据驱动设计方法的意涵。**5.1. 谁的情境算数**：分析表明，用户声音可以揭示传感器无法捕捉的骑行事件背后的原因和情绪，但也暴露了参与不平等。大多数感知报告由自信且互联的骑行者提交，而面临更大可及性或信心障碍的骑行者可能代表性不足。情境化不应被视为对定量数据的中立修正，而应被视为差异的暴露。**5.2. 解释即设计**：解释数据本身就是一种设计行为。将传感器输出与骑行者描述对齐涉及选择性决策，这些决策塑造了数据如何为后续设计思维提供信息。情境化作为一种设计推理形式运作，在计算记录与人类经验之间进行转换以构建意义。**5.3. 伦理、隐私与责任**：将经验数据与传感器记录整合引入了重要的伦理责任。数据实践必须尊重贡献者的期望和同意，透明的治理至关重要。参与应保持自愿和知情，贡献者应保留对其数据使用方式的控制权。**5.4. 模糊性与反思性解释**：研究的一个关键方法论见解是，模糊性不一定是数据的弱点，而是完整过程的一个生产性特征。接受模糊性将不确定性转化为一种资源，鼓励设计者质疑假设、寻找缺失视角并组合数据、实地观察和讨论。**5.5. 方法论启示**：研究发现，当设计者处理被动传感器数据时，定量和定性信息不应被视为分析的不同阶段，而应作为通过发现、情境化和反思迭代演化的相互依赖的材料。解释不应是分析的最终阶段，而应是连接观察、经验和想象的持续实践。研究强调了在情境数据解释中进行参与式意义建构，通过设计者、规划者和用户之间的对话，数据成为共享资源而非静态输入。数据最有价值时是作为提示而非规定，其作用在于引发反思、对话和探索。
**研究结论**
由See.Sense传感器产生的定量数据精确地捕捉了运动和变化，但仅凭这种浅层数据可能缺乏解释原因、意图或经验所需的解释性情境。当与定性感知报告结合时，同样的数据获得了深度和意义，提供了生活经验的描述。
See.Sense案例展示了情境化数据如何将传感器测量转化为设计资源。传感器异常识别出刹车、转向或振动的点，而骑行者评论揭示了其背后的条件和情绪。这些数据共同创造了任何一方单独无法提供的洞察，暴露了骑行环境中风险、安全和舒适度的物理与感知维度。这种整合使得设计提示成为可能，范围从维护和交叉口布局到支持信心和意识的行为及政策措施。
更广泛地说，该研究说明了情境化如何为反思性和参与性的数据驱动设计提供基础。解释和整合不同形式数据的过程不仅是一个技术程序，更是一种连接证据与共情的创造性行为。将浅层与深层数据视为互补材料，是将数据定位为人本设计资源，邀请设计者、政策制定者和社区参与，并将数据视为对话和想象的提示。
数据驱动设计的未来在于其结合精确性与感知、分析与经验的能力。将这种方法扩展到其他设计领域将需要支持持续反馈、协作解释和透明数据治理的系统。当通过伦理基础牢固的过程进行整合时，其结果将是一种既保持技术严谨性，又对社会需求保持响应且以人为本的数据驱动设计方法。
