使用游戏化和持续玩家建模的个性化健身推荐系统的效果:系统设计和长期验证研究

简介

久坐不动的生活方式被定义为一种个人不定期进行身体活动的生活方式，这正成为一个重大的公共卫生问题[1］．人们已经考虑了各种解决方案来鼓励更积极的生活方式。其中，运动与玩法相结合[2]以及使用可穿戴追踪器来激励和推荐体育活动[3.，但两者都存在用户留存问题[4］．这篇论文讨论了如何通过这种体育活动推荐和运动游戏来提高长期粘性的问题。

电脑游戏的流行及其吸引人的特性，使人们将游戏用于非娱乐目的成为一种强烈趋势。5］．这一趋势包括重叠的主题和术语，如游戏化(在非游戏应用中使用游戏功能和机制[6)、严肃游戏(主要目标是兼具教育性和娱乐性的工具[7])、劝说游戏(促进行为改变的游戏[8])，以及exergames(体育锻炼和游戏的结合[9])。游戏化尤其受到关注，因为它可以被视为一个涵盖范围广泛的话题，从在常规活动中执行少数游戏元素(如排行榜)到作为完整游戏执行严肃任务。10，11］．

游戏和游戏化活动是激励人类行为的有效说服工具。12］．尽管近年来，旨在促进更积极的生活方式的说服性应用程序有所增加[13]，研究表明a放之四海而皆准的对于这种说服应用程序，方法是无效的，因为不同的用户受到不同的说服策略的激励[14]以及好奇心和社会回报等个人原因[15］．个性化作为一种根据个人需求和兴趣定制体验的手段的需求越来越大。15，16］．对于营销、教育和健康等领域的劝说和推荐系统，尤其如此，在这些领域，用户留存与初始行动同样重要[17］．在不同的个性化解决方案中，旨在了解玩家以提升游戏体验的游戏中的玩家建模一直是一个活跃的研究课题[18］．它旨在描述游戏玩家的特征和偏好，以及玩家的认知、情感和行为模式。19在定义明确的结构中，允许设计师自动调整游戏内容或目标，以满足单个玩家的需求或偏好。

游戏化在过去几年迅速兴起，尤其是在运动和健身领域[20.]，作为推广健康行为和保持积极生活方式的工具[9］．研究人员使用各种游戏玩法和游戏功能来让锻炼和身体活动更吸引人，更有吸引力。2，3.］．通过游戏化来促进更积极的生活方式，既可以通过游戏进行正式的锻炼(如锻炼游戏)，也可以将游戏与其他不像正式锻炼那么严格的体育活动(如步行上班)结合起来。在本文中，我们将所有这些情况称为游戏化的体育或健身活动，并使用术语“exergame”来粗略地表示同一类型的活动。这些活动有可能帮助用户实现他们的健身目标，并通过在体育活动中添加游戏功能来增加粘性和乐趣。12，19］．

然而，大多数现有的关于健康和健康领域的游戏化和说服性游戏的工作都是有限的，因为它们使用的是一刀切的方法，而这些方法已被证明是次优的[21］．正如下一节所讨论的，有一些研究工作使用了更深入的个性化，但它们并不专注于exergames，并且最初的个性化尝试大多局限于关于用户的一小部分静态人口统计参数(如年龄、性别和职业)，这使得它们更加分类而不是个性化的．此外，它们在促进预期行为方面的有效性主要是基于单一的使用点和反馈(短期)来评估的。很少有人试图解决这些问题。例如，我的行为[22]使用了一个基于跟踪和动态修改的用户模型来推荐活动，但该系统并没有游戏化，而是基于日常活动信息的有限模型。在exergames领域，还缺少将详细模型与个性类型、基于建模的个性化以及推荐与自适应游戏化元素相结合的方法，这将在下一节中详细讨论。

为了解决这些研究空白，我们提出了一个游戏化健身推荐系统的综合模型，该系统使用详细和动态的玩家建模和基于可穿戴的跟踪来提供个性化的游戏功能和活动推荐。我们还展示了对推荐系统有效性的长期调查结果，该系统在相对较长的时间内(60天)逐步建立和更新单个玩家模型(针对每个独特的用户)。

我们假设(1)基于持续玩家活动跟踪的玩家建模是向单个玩家提供个性化活动推荐的有效方法;(2)将玩家建模和游戏化结合起来可以促进系统的长期粘性。

在这些假设的基础上，本文旨在解决以下具体的研究问题:

1. 我们如何生成和使用持续的玩家建模来为每个用户提供个性化的活动推荐?
2. 随着时间的推移，玩家建模和游戏化技术的结合能够提高用户粘性和健身活动的体验吗?

为此，我们设计了一种新的玩家模型和相关的系统架构，用于游戏化健身活动推荐系统。为了评估模型驱动的游戏化健身活动推荐系统的有效性，我们对40名参与者进行了长期研究，并与对照组相比，检查了我们的游戏化方法在促进体育活动方面的有效性。我们将参与者随机分为4个不同的组，对应于4个实验条件:

1. 整个小组收到的应用既有游戏化功能，也有个性化推荐(基于玩家建模)。
2. 个性化组只收到个性化的推荐，而没有游戏化的功能。
3. 游戏化组收到的是添加了游戏化功能的非个性化推荐。
4. 对照组收到的是一般性的、非个性化的推荐和非游戏化的功能。

一项为期60天的研究结果表明，使用玩家建模生成个性化锻炼建议的想法是可行的。此外，研究表明，使用玩家建模与游戏化相结合的个性化推荐可以随着时间的推移提高参与者的参与度和健身活动的动机。

我们的工作包括以下对健身推荐和健身游戏领域的主要贡献:

1. 我们结合了玩家建模、游戏化和活动跟踪，为个性化的游戏化活动推荐提供了概念模型和系统架构。
2. 我们建立了一个全面的个性化玩家模型，通过持续跟踪玩家环境来动态更新。
3. 我们设计并验证了一个24/7的个性化活动推荐系统，结合各种游戏化元素，以适应玩家的环境环境。
4. 最后，为了证明我们方法的可行性，我们与40名参与者进行了一项长期(60天)的实地研究，以评估所提出的系统，并比较4个实验组的有效性。

通过设计和开发新的推荐系统以及长期研究，我们假设并评估了游戏化和玩家建模对身体活动的影响。据我们所知，这项研究是第一次将玩家建模、游戏化和活动推荐的研究联系起来，提出了一种持续动态更新的个性化活动推荐方法，以反映用户不断变化的环境和状态。

相关工作

游戏化

游戏化的动机效应已被研究者广泛研究。研究表明，徽章、奖励、积分排行榜和虚拟形象等常见的游戏元素能够有效地激励玩家。10，21-23］．另一方面，研究人员认为当前游戏化研究和应用的各个方面都需要改进，包括主题和背景的多样性、研究持续时间和样本量[6，23]，通过依赖更多的内在因素来增加动机[22，24]，持续适应[25]，以及个人化[6］．在Loria的研究中[25，通过分析玩家在游戏中的行为和玩家的社交网络等信息，持续监测玩家在游戏中的互动方式，从而提出了一个改善玩家体验和定制内容生成的框架。其他研究人员也研究了适应性游戏化。例如，Böckle等[26他确定了4个主要要素，作为定义元需求和构建自适应游戏化系统的设计原则的基础:(1)考虑自适应的目的，(2)定义自适应标准，(3)设计自适应游戏化机制和动力学，以及(4)设计有意义的自适应干预。研究人员将该框架应用于研究生医学培训知识交流的基于网络的平台设计，并报告了积极的用户接受、反馈和增加的使用量。

尼科尔森(24，27)讨论了有意义的游戏化(或游戏化)理念，即专注于游戏性和对每个玩家都有意义的活动，并依赖于内在动机，而不是遵循特定的规则来获胜。伯特兰等人[28基于这一理念，他提出了情境玩法设计，即设计基于情境且个性化的游戏的框架。Orji等[14-16]，也讨论了设计更有效的严肃和健康游戏的玩家建模理念。总的来说，游戏化领域的研究表明，我们需要更多个性化的游戏，这取决于玩家的环境和动机。本文提出的研究扩展了这些想法，并解决了一些已确定的需求，如使用综合个人层面的模型跟踪和理解玩家，在锻炼游戏中个性化游戏功能和推荐活动，并在游戏化的身体和健身活动推荐者的背景下进行长期研究。我们将在后面的章节中讨论这些特定领域的研究。

游戏化体育活动

尽管游戏化的体育活动对促进积极的生活方式有积极的作用，但它们面临着可持续性的问题(游戏邦注:也被称为玩家留存)。20.，25，26］．尽管玩家一开始可能会感到兴奋和有动力玩游戏，但随着时间的推移，有时很快，他们可能会失去继续玩下去的意愿。有研究关注锻炼游戏和游戏化健身活动的动机和可持续性。例如，Campbell等人[21]讨论了日常健身游戏的概念，并建议对于人们日常生活中经常使用的应用程序，设计需要有趣和可持续，并适应行为变化。麦克文等[29]报道了一项为期7周的研究，研究了使用运动游戏的用户的身体活动、动机和行为模式，并建议纵向研究对于评估动机效果是必要的，因为运动游戏可以确保用户行为的强度是适当的和持续的。以往工作[30.也表明，基于现有的技术和用户需求，使用可穿戴活动追踪器将运动和健身游戏化的想法是可行的，是有动力的，也是吸引人的。添加动态功能可以对游戏化运动系统的用户动机产生积极影响，逐步发布应用功能可以提高用户留存率。我们还发现，每个用户都是独特的，并且会受到不同类型游戏功能的驱使。因此，基于这些结果，生成适合不同用户健身状况和兴趣的定制健身课程似乎是合理的。

最近，大量研究致力于设计积极游戏(通常也被称为努力游戏或exergames)，以满足特定群体的需求，如残疾人[28，29]或长者[31]或使用虚拟现实(VR)等特定技术[32］．特别是针对青少年的基于虚拟现实的锻炼游戏，研究表明，使用奖励、增加挑战级别、频繁更新和社交或多人游戏选项等游戏元素是持续参与体育活动的重要方面。33］．研究人员还研究了主动游戏的设计原则。34，35］．尽管他们的发现令人印象深刻，价值巨大，但这些努力主要集中在特定游戏的设计、游戏功能和实际的玩法机制上，这些机制最适合增加目标群体或个人的身体活动。另一方面，在24/7活动推荐中，重点不是设计特定游戏，而是将日常体验游戏化，并使用动态玩家模型基于日常活动推荐活动。

球员模型

布希等[30.]表明放之四海而皆准的这种方法并不适用于有说服力的游戏设计。因此，玩家类型模型可以用于定制个性化的说服系统。最常用的玩家类型模型之一是Richard [36)，他确定了4种玩家类型，并提出每个玩家都对其中一种类型有特定的偏好，这使得它们相互排斥。另一个模型是BrainHex模型[37]，这是一个相对较新的模型，但已通过大量参与者进行验证[38］．在《BrainHex》中，玩家类型并不相互排斥。每个类别下的分数将用于确定玩家的主要类型和子类型。它还将玩家类型与游戏元素联系起来。此外，Hexad模型[39]，这是我们工作中特别感兴趣的，是一个游戏化玩家类型的模型，用于将用户个性映射到游戏化设计元素上。我们考虑在玩家模型中使用Hexad模型，因为它专门针对游戏化系统。它提出了6种玩家类型，个体的玩家类型与他们对不同游戏设计元素的偏好相关。针对每种游戏化玩家类型量身定制有说服力的游戏化系统的设计指南也得到了研究[17］．

此外，Wiemeyer等人[40讨论了玩家体验(侧重于个体)与游戏可用性(侧重于技术)的概念，并回顾了有助于理解玩家体验的各种理论模型。这些模型在设计完整的游戏时特别有用，而不是将日常活动游戏化，这是本研究的目标。然而，他们的见解(如整合多学科的玩家体验模型)在我们专注于游戏元素设计的未来研究阶段可能会有所帮助。对于本文所呈现的工作，我们主要关注的是如何将游戏化和玩家建模相结合以提高用户粘性。通过更复杂的模型和游戏功能可以获得更好的玩家体验，这超出了本文的范围。

性格类型在决定人们的健身品味方面也起着重要作用。41］．有些人可能喜欢独自游泳，而另一些人可能喜欢参加喧闹的集体骑行课程。这些偏好与人们的身体特征关系不大，更多的是受到性格的影响。将活动与性格类型相匹配已被证明与现实世界相关。42］．研究表明，从事适合自己性格的活动的人会坚持更长时间，更享受锻炼，并有更好的整体健身体验。43］．Brue [44他根据迈尔斯-布里格斯类型指标(MBTI)的评估原则创建了一个系统。她使用mbti并将其重新制作成一个易于操作的颜色编码的健康人格模型，即健康的8种颜色，这也用于我们的玩家模型中。每种颜色都与16种可能的MBTI类型中的两种人格类型有关[45］．例如，蓝色代表忠诚、传统、可靠和直率，而绿色代表自然爱好者，寻求与户外安静地融合。42］．

此外，近年来，可穿戴传感器在人体活动识别中的应用已变得流行[46]，其中大部分测量的属性与用户的运动(如使用加速度计或GPS)、环境变量(如温度和湿度)或生理信号(如心率或心电图)有关。这些数据类型在时间维度上自然地建立了索引，一致且方便访问，可用于建模和预测用户的日常活动模式。

尽管有大量关于玩家建模的研究，但没有一项现有研究涉及如何使用全面的玩家模型。此外，此前没有研究同时考虑运动游戏设计中的游戏功能和推荐活动，并调查这是否是一种长期有效的方法。

个性化活动推荐

体育活动的个性化推荐系统已经被许多研究者所研究。例如，Guo等[47他提出了一个系统，可以识别不同类型的运动，并将健身数据(如运动强度和速度)解释为易于理解的运动回顾评分，旨在提供锻炼表现评估和建议。尽管它在运动分析方面达到了90%的准确率，但它只专注于识别健身活动，而不是个性化或游戏化。他等人48]引入了一个系统，该系统旨在为体育活动推荐提供环境感知。它的重点是为个性化的建议选择合适的练习。研究人员开发了一款智能手机应用程序，可以根据系统的体育活动数据库生成个性化的体育活动建议。他们的工作重点是推荐不同类型的活动，但不考虑个人细节，如适当的时间、地点和强度或任何游戏化元素。

Broekhuizen等[49)提出了一个名为PRO-fit的框架，这是另一个例子，它采用机器学习和推荐算法，通过收集加速度计数据来跟踪和识别用户的活动，与用户的日历同步，并根据用户和类似用户过去的活动、偏好、身体状态和可用性推荐个性化的锻炼课程。作者强调，现在许多应用程序更专注于跟踪用户活动，但没有提供推荐系统，帮助用户根据自己的兴趣和目标完成情况从活动中进行选择。因此，作者有动力设计一个个性化的健身助手框架，作为健身活动的激励器和组织者，使用户更容易创建和遵循他们的锻炼计划，并根据他们的可用性和偏好安排会话。与PRO-fit相比，我们提出的系统在日常生活中提供实时建议，而不是基于PRO-fit中使用的任何玩家或练习者类型模型的前缀建议。

米塔尔和辛哈[50使用个人信息来推荐游览景点和购物等一般活动。虽然他们不关注健身活动或游戏化，但他们将用户数据建模作为推荐基础的理念与我们的建议一致。Ni等[51)使用各种用户数据，如日常生活习惯和心率来推荐锻炼路线。他们的方法更侧重于体育活动建议，但仅限于推荐路线，不包括游戏化元素。类似地，拉比等人[22“我的行为”(MyBehavior)是一个追踪用户使用移动设备并建议食物和体育活动的系统。MyBehavior提供个性化和实时的建议，但没有游戏化，也不包括明确的玩家模型。因此，它并没有充分利用游戏所能提供的个性化或更吸引人的功能。与此一致，Ghanvatkar等人[52]对推荐系统中使用的用户模型进行了全面审查。他们强调，活动概况、人口统计信息和上下文数据(如位置)是用户模型中最重要的项目。在这项研究中，我们定义了我们的玩家模型，包括使用Hexad和人口统计、活动和运动子模型的玩家信息，正如Ghanvatkar等人所建议的[52］．

研究差距总结

如前几节所述，游戏化体育活动及其相关主题的研究已经取得了显著的成果，但需要更多的工作来填补现有的空白。我们发现，在exergames的背景下，主要的研究差距是概念个性化的游戏化(游戏化的身体活动与基于玩家模型的个性化的结合)，包括理解玩家和他们的环境，动态地调整游戏功能和身体活动。现有的研究都没有成功地分别调查游戏化和个性化在促进干预效果方面的影响，特别是在单一应用程序中的体育活动干预。此外，在现有的个性化和运动游戏研究中，也经常缺少受控环境之外的长期研究和实时活动跟踪和推荐。

然而，现有的研究机构提供了基于实时跟踪的宝贵建议，包含在玩家模型中的重要参数，以及一般的锻炼游戏设计。在现有研究的基础上进行扩展，并试图填补上述空白，我们提出了一个概念模型和系统架构，将游戏元素、动态玩家建模和活动跟踪结合在一起，以根据游戏功能和推荐的活动来个性化exergames。我们建立了一个全面的动态个性化玩家模型，通过跟踪玩家不断更新，并提供24/7个性化活动建议。最后，我们在野外进行了长期的用户研究，以评估所提出的系统。

据我们所知，虽然我们研究的一些特征已经被其他人提出和/或调查了，但还没有人进行长期的综合研究来整合和评估它们在现实生活中的锻炼游戏应用程序中。

方法

概念模型

虽然现有的研究已经解决了这些不同领域的许多方面，但如前所述，它们还没有被适当地整合起来，以开发引人入胜和可持续的运动游戏。例如，各种游戏功能的影响以及不断调整游戏以满足玩家的需求和兴趣还没有在exergames的背景下进行调查。

在本节中，我们描述了我们提出的系统架构和相关的研究方法。该提案基于我们在回顾相关工作后开发的新概念模型，包括以下原则:

1. 可穿戴技术的进步使得游戏设计师可以将商业上可用的活动跟踪传感器和移动设备作为锻炼游戏的主要元素。
2. 静态设计的游戏，无论多么有趣，在一段时间后都会失去吸引力。因此，重要的是添加新功能持续保持玩家的沉浸感。
3. 尽管在游戏中添加动态功能的方法多种多样，但设计师不断提供新功能的能力有限，也无法保证这些功能对用户有吸引力。另一种替代(或补充)方法是动态修改游戏适应玩家．

我们的概念模型，建立在我们之前的工作之上[28]以及2个新组件，在图1．

‎ 查看此图

在我们之前的工作中[53]，我们调查了在运动游戏中使用可穿戴活动跟踪的效果，以及在持续运动游戏中使用动态游戏特征释放系统的长期有效性(标记为平行四边形)。在本文中，我们的目标是进一步研究提高留存率的游戏化功能，探索2个额外的组成部分:(1)exergames个性化中的玩家建模(2)如何使用这样的系统生成个性化的体育活动建议(标记为矩形)。箭头展示了每个组件是如何相互关联的，并且可以直接相互影响。我们相信，使用可穿戴技术跟踪活动，提供动态游戏功能，使用玩家建模方法检测玩家偏好，这些都有助于创造更吸引人的锻炼游戏体验，从而产生更个性化的体育活动建议，玩家可能会感到激励和满足。

系统设计

在我们提出的概念模型的基础上，将可穿戴活动跟踪器或智能手表引入运动游戏，动态更新游戏功能，并使用玩家建模进行个性化运动游戏被提出作为研究问题的解决方案。因此，一种基于可穿戴的运动游戏，具有全面的个性化玩家模型，推荐定制的活动，被提出作为进一步研究的潜在系统。

该系统包含3个主要组件:玩家模型、推荐引擎和游戏生成器。玩家模型采用不同类型的用户数据，预测用户对体育活动的偏好，并为推荐活动会话找到合适的时间和地点。它由几个子模型组成，涵盖了用户的一般、个性和日常活动数据。推荐引擎使用玩家模型的输出，为个人用户生成定制的体育活动会话推荐(包括适当的时间、位置、强度和潜在的体育活动类型)。游戏生成器将自定义游戏元素添加到推荐中，并生成用户可以与之交互的最终游戏内容。系统中使用可穿戴活动跟踪器或智能手表来跟踪用户的活动，并引入多样化的交互。移动应用程序和可穿戴应用程序的结合使用将允许用户以不同的模式与系统交互。下面将详细介绍系统的设计与开发。

总体而言，本文提出了一种基于可穿戴的运动游戏系统，该系统具有全面的运动推荐和游戏定制的玩家模型，可作为运动游戏留存问题的解决方案。

应用程序设计和实现

在提出的系统架构的基础上，一个Wear OS(以前的Android Wear)应用程序被实现为用户界面(UI)，它跟踪用户的活动并提供游戏化的健身建议。应用程序的整体体系结构说明在图2．

‎ 查看此图

在此应用中，并在此基础上建立了概念模型图1该模型由4个子模型组成:(1)跟踪玩家活动的活动识别模型，(2)包含玩家基本信息的一般模型，(3)包含推荐活动所需信息的练习者类型模型，以及(4)用于选择游戏功能的玩家类型模型。每个子模型主要负责生成推荐的一部分，如图所示表1．选择游戏功能和体育活动是两个主要的个性化选项，每个都有自己的子模型。跟踪日常活动是该系统的重要组成部分，该系统还有一个子模型。第四个子模型包含一般玩家信息，如性别、年龄、体重和身高。

尽管每个子模型都被设计为生成推荐的一个特定部分，但它们仍然相互连接以创建更可靠的整体推荐。例如，运动者类型模型是为每个用户建立的，用于根据他们的个性推荐不同类型的活动，但它也依赖于基于用户的健身和健康状况建立的一般模型，以排除那些可能适合他们的个性类型但不适合他们的健康状况的活动。我们参考《身体活动促进健康全球建议》(GRPAH)的理论基础[54，以确定在非个性化情况下的适当锻炼建议。GRPAH是世界卫生组织认可的工具，用于建议适当的运动类型、持续时间和强度。我们使用8种颜色的健康模型[44]为个性化的小组提出不同类型的活动建议。该模型是少数使用人格类型作为活动建议基础的模型之一，由其他研究人员和从业者提出[49，50］．

推荐引擎是一个基于决策树的模块，它使用玩家模型生成的所有信息为每个用户创建个性化的推荐。它可以扩展现有的活动(例如，建议更长的运动时间，更长的跑步路径，或适当的强度)，在用户空闲时间推荐一些活动，或简单地推荐不同类型的活动。中说明了决策树的一个例子图3．由于体育活动推荐系统本身是一个比较复杂的课题，我们不认为它是本研究的重中之重。因此，我们只使用简单的决策树方法来生成基本的建议(我们已经确保所有的建议都遵循日常体育活动的GRPAH指南)。我们意识到推荐活动的合理性和质量会对用户体验产生影响。因此，在验证了所提出的想法的可行性以及该类型系统中角色的个性化和游戏化后，我们的研究目标将是对体育活动推荐系统进行研究。

‎ 查看此图

游戏生成器负责向推荐中添加游戏元素，将推荐引擎生成的活动建议游戏化。要添加的游戏元素类型由Hexad玩家类型模型决定[39］．我们的工作也部分基于Orji等人[17，因为它采用了类似的Hexad玩家模式。然而，与使用Orji等人推荐的说服策略相反，[17]，我们使用Hexad玩家类型模型推荐的游戏元素，这更符合我们在这项工作中的目标，设计游戏化的体育活动建议。本节稍后将提供游戏和活动建议的详细信息。

为这项研究开发了一个Wear OS应用程序。该应用程序是一款基于对话的游戏，其中所有的交互都以用户和应用程序之间对话的形式发生未来的自己．这款游戏的故事是这样的:一天的用户收到来自20年后的自己的消息，告诉他(她)未来世界将在那个未来世界结束，但只有用户才能通过完成一系列任务来拯救它。然后，未来的自我将引导用户进行日常活动，这些活动由推荐系统以游戏化的结构生成。我们之所以选择这款游戏，是因为我们需要有一个简单的设计，能够结合我们的研究需求，但同时也不能因为太多可能的混淆因素而过于复杂。我们也不想在研究中引入各种审美和设计变量，这可能会干扰我们所研究的研究变量并影响我们的结果。出于同样的原因，我们并没有尝试将我们的研究整合到现有的游戏中，尽管在游戏中添加这些用户喜欢的功能可能是未来的另一个激励因素。但是，必须首先单独地确定其效力。当前的系统UI是使用快速原型方法创建的。在正式研究之前，我们还进行了初步研究，以确保标签和按钮清晰。主界面和应用程序图标显示在图4．

‎ 查看此图

这款应用通过Android actiyrecognition追踪用户的日常活动。55]及谷歌适合应用程序编程接口[56该系统最多可实时识别6种用户活动:在车内、步行、跑步、步行、骑自行车和静止状态。

谷歌Fit API提供了与日常活动相关的封装数据，如燃烧的卡路里、每日步数和心率历史(如果适用)，由手机和手表传感器跟踪。所有收集到的活动数据，连同他们的时间戳和位置信息，都被用作输入特征来训练每个用户的日常活动模型，通过该模型预测可能的锻炼时间和位置。如图4，这款应用是一款基于对话的游戏。我们使用了Wit。人工智能(57来生成故事情节，并构建一个机器人，它可以与参与者交谈，并进行一些一般的问候，报时，并谈论天气。智慧。一个i is a tool that uses natural language processing to understand human language and we used its message API to create a chatbot, which aims to understand a user’s intents and lead participants to designed storylines. Moreover, we have included a weather assistant in the system (through the Weather API [58])，以协助参加者计划有关天气的活动。

在设计游戏功能时，我们采用了Hexad玩家类型[39以及游戏设计元素指南[17］．Hexad建议每种类型的玩家都喜欢游戏设计元素，我们在这项研究中为每种类型的用户执行了一种元素，以获得个性化的游戏体验(除了游戏故事情节)。我们在游戏中整合了以下游戏化元素(表2)．图5为不同类型的玩家展示了一些游戏元素的截图。如果6种类型的分数相同，我们随机选择分数最高的1个元素添加。

‎ 查看此图

链接到社交网络

交流被关联性所激励。他们想要与他人互动并建立社会联系。39］．因此，我们为他们提供了一个界面，将游戏链接到他们的社交网络，作为他们的独特功能，这样他们就可以在Facebook页面上分享自己的游戏表现或成就，与已经在游戏中的好友组队，或者邀请新玩家加入游戏。

主题颜色定制

自由精神被自主和自我表达所激励。他们想要创造和探索游戏，喜欢可解锁内容和自定义等功能。17，39］．因此，我们添加了主题颜色定制功能，这样他们就可以通过解锁不同的主题来定制自己的游戏UI。

挑战

成就被精通所激励。他们希望学习新事物，想要克服挑战。39］．因此，我们在游戏中为他们添加了挑战系统，将任务分配给他们作为挑战。

游戏体验分享

慈善家被目标和意义所激励。他们想要给予他人，以某种方式丰富他人的生活，而不求回报。39］．对于慈善家，我们增加了一个功能，让他们与其他玩家分享他们的游戏经验。他们的游戏版本在主屏幕上添加了一个类似论坛的界面，允许他们浏览和回答其他玩家的问题。当论坛上有新问题时，他们也会收到通知。

点

分数已经被证明有积极的影响球员［17，39］．他们会做自己需要做的事情来从系统中获得奖励。对于玩家来说，游戏中的点数可以作为虚拟货币来购买额外的主题或虚拟装备。

黑客攻击模式

干扰物被改变所激励。总的来说，他们想要破坏这个系统。39］．我们为破坏者增加了一个黑客模式，在这种模式下，他们可以使用命令行界面访问他们自己的游戏数据库，以更改故事情节或删除他们的游戏记录，最终，他们可能会这样做摧毁这个系统。

如前所述，该应用是一款Wear OS游戏，需要结合Android手机和Android手表的使用来优化其识别精度和游戏化体验。对于活动识别，我们的应用程序使用手表传感器以获得更好的精度。然而，在许多情况下，参与者可能会选择不戴手表。在这些情况下，当手表没有连接时，我们使用内置的手机传感器，这样游戏就可以在没有手表的情况下在手机上单独运行。与手表相比，手机显然提供了更多的屏幕空间和功能，比如输入信息。

用户研究设计

多相研究

基于多阶段用户研究，对所提出的概念模型和系统进行评估。在我们之前的工作中[53]，我们介绍了第一阶段和第二阶段，总结如下:

在第一阶段研究中，对20名参与者进行了实验室用户测试，以评估游戏和可穿戴设备联合使用促进锻炼的有效性，并调查所提出方法的可用性以及系统内不同因素的影响。

在研究阶段2中，我们对36名参与者进行了为期70天的用户研究，目的是验证添加不同游戏功能并逐步发布它们能够积极影响用户粘性和留存率的假设。

在本文中，我们提出了研究阶段3，这是一项为期60天的长期研究，有40名参与者，以证明在锻炼游戏个性化中使用玩家建模技术的可行性和有效性。

参加者及团体

共有40名参与者通过海报和网络通过Android Wear论坛从渥太华地区招募而来。59］．在40名参与者中，23名男性和17名女性。平均年龄26.93岁，SD为6.07岁。我们根据参与者收到的应用版本将他们随机分为4组:完整(游戏化和个性化)，仅游戏化，仅个性化，以及对照组(既不个性化也不游戏化，作为对照组)。参与者被随机分配到不同的小组，在运动或玩家类型和身体活动水平方面的分布似乎并没有特别偏向(表3)．在研究开始前，收集了参与者的身体活动水平。

为了增加各组的持续时间，减少各组相互影响的机会，所有参与者在整个研究期间都在同一组，而不是随机尝试所有4组。

对照组和游戏化组的建议是根据既定的锻炼指南制定的，是对普通人群的合理建议。为了确保这一点，我们参考了GRPAH的理论基础[54]以确定适当的运动建议。我们对非个性化群体的选择严格遵循“一刀切”的推荐方法，这种方法已被大多数体育活动推荐应用程序普遍使用，例如Apple Watch(建议每天步行30分钟)或Fitbit(每天10,000步)。

此外，我们研究的主要目的是证明个性化推荐的有效性。虽然我们试图为非个性化群体提供合理的体验，但当其他变量保持不变时，个性化的有效性，特别是在推荐方面，是我们的假设。因此，在这项研究中，我们没有使用现有的商业应用进行比较，因为我们试图避免引入可能的外部或混淆变量，如美学和玩法功能，这不是我们的重点。

图6显示了一个例子，如何推荐相同的30分钟步行活动将寻找4个研究组。整个小组通过一个游戏化的故事(由未来的自己指导)获得建议，其中包含基于玩家成就类型的挑战游戏元素和个性化的行走路径。个性化组也收到了个性化路线，但没有游戏故事或元素。游戏化组没有收到个性化路线，但有游戏故事和游戏元素的点数(随机分配，因为游戏化组没有使用玩家模型)。对照组没有作为对照组接受个性化或游戏化。在控制组的屏幕截图中，我们展示了天气助手如何工作的示例。注意，示例对话来自截图，一些与上下文相关的细节没有完全显示出来。

‎ 查看此图

为了控制组间的游戏化水平，对于游戏化组，由于没有使用玩家模型，我们随机分配了一个游戏元素表2给每个参与者，让他们达到与整个团队相同的游戏化水平。由于个性化群体的成员根据各自的玩家模型获得不同的游戏元素，我们决定对非个性化群体进行随机选择将是最接近的非个性化选项。

我们还将个性化推荐的次数限制在每天2次，以消除频繁推荐引起的用户粘性变化。游戏化组和控制组(没有个性化)每天在上午9点和下午5点收到2条消息。我们选择这两个时间是因为上午9点是一天中大多数参与者都很活跃的时间。我们没有提前发送通知，因为我们不希望他们的睡眠被打断。我们选择下午5点是因为大多数人下午5点就下班了。完整组和个性化组收到的信息基于他们何时起床和何时下班，记录在他们的个人玩家模型中。本文给出的结果是基于一项为期60天的实验数据。

程序和数据收集

这项研究得到了研究伦理委员会的批准。我们要求参与者完成一份研究前问卷，然后向他们提供应用程序(多媒体附件1)．调查问卷询问了人口统计问题，包括年龄、性别、身高、体重、每周锻炼的小时数、拥有Android Wear的类型，以及玩视频游戏的类型和持续时间(如PC、主机和移动)。我们提供了两份基于网络的问卷，参与者完成了问卷，这为我们提供了确定他们的玩家和锻炼者类型的结果。60，61］．该应用透过HockeyApp(现为Microsoft Visual Studio app Center)分发给参加者[62]在收到参与者的游戏玩家和锻炼者类型的结果后。应用程序功能是根据参与者的玩家模型选择的。

对于游戏数据收集，我们使用了谷歌Analytics API [63追踪所有参与者的全面应用内行为数据，包括屏幕视图和带有相关时间戳的点击事件。我们使用谷歌Fit API跟踪用户的日常活动数据，并弹出一个问题，询问参与者他们当天收到的推荐是否有用。该通知每天晚上9点发送给参与者。对于具有个性化功能的组(完整组和个性化组)，我们还要求访问用户的日历和位置数据，以便在推荐中使用。

研究结束时进行了一份研究后问卷，以评估参与者在前60天内的体验(多媒体附件2)．首先，我们提供了3个封闭性陈述来衡量参与者对游戏体验的整体动机、满意度和偏好。参与者按照李克特量表(Likert scale)的7分制进行回答，从1(非常不同意)到7(非常同意)。声明如下:

1. 我发现这种应用程序激励锻炼。

2. 总的来说，我对这个申请很满意。
3. 比起日常锻炼，我更喜欢在锻炼时使用这类应用程序。

我们使用了内在动机量表(IMI;多媒体) [64来评估参与者与游戏体验相关的内在动机水平。此外，我们使用欧洲微软创新中心(EMIC)推荐系统评估测量(多媒体附件4) [65]，以评估我们所推荐活动的质素。我们还加入了开放式问题，以获得参与者的意见和建议，以改进系统。在60天结束时，每位参与者都收到了一张10加元(7.7美元)的礼品卡作为酬金，以感谢他们参与这项研究。

此外，我们还定制了IMI规模，以适应当前的游戏环境。我们没有使用亲缘而且感知到的选择IMI分量表。亲缘评估与他人一起做某事的体验，也就是说，游戏中的社交互动可能会产生亲切感。它通常用于多人游戏，允许真实玩家之间的互动，但不适用于我们的案例。感知到的选择通常用于某人被指定完成某项任务或活动的情况。在我们的案例中，我们在一开始就指出，用户可以完全选择使用或不使用我们的系统，以及如何使用它。因此，这个分量表被认为是不必要的，因为参与者被明确地给予了充分的选择。在以前的研究中，IMI有不同的版本，由不同的子量表组成，这些子量表只与它们独特的背景相关。

数据分析

对于研究后问卷中的每个问题，包括一般感觉，IMI子量表和EMIC子量表，单向组间方差分析(ANOVA)和事后图基-克雷默诚实显著差异(HSD)检验[66]，分析4组间的主要效应。方差分析通常用于确定3个或更多独立组的均值之间是否存在统计学上的显著差异，而Tukey检验提供了对模式和比较特定组的更深入的见解[66］．选择参数检验进行分析，因为样本是相互独立绘制的，分布的形状是正态的。所有统计检验的alpha值均设置为0.05。

对于其他用户的日常日志数据，如活跃用户数量、对话数量、活动卡路里和有用的推荐数量，我们将它们沿时间轴进行可视化，以查看4组之间的模式如何区分。

对于关于系统可能改进的定性数据，因为我们的参与者的回答大多是简短的，我们只是对他们进行了分类，并报告了最常提到的建议。

结果

一般信息

在研究开始前，参与者自我报告的每周平均锻炼时间为4.16小时，SD为2.96小时，而每周平均玩视频游戏(包括PC、主机和手机游戏)的时间为5.44小时，SD为4.13小时。研究结束后，自我报告的平均活动时间从4.16小时增加到4.58小时。

参与者可以通过他们的安卓手机或手表与该应用程序进行互动。数据显示，参与者在手机上阅读信息的比例为53.00%(10,270/19,377)，在手机上阅读信息的比例为47.00%(9107/19,377)。他们在手机和手表上分别点击了35.81%(1785/4985)和63.99%(3190/4985)的提示选项。研究结果表明，智能手表不仅在跟踪活动数据方面更有效、更准确，而且在一些简单的交互中也可行，比如阅读信息和从提示中点击一个选项。参与者在完成简单任务时倾向于独立地与手表交互，当需要进行不同的交互时(例如，输入信息)，他们会切换到手机。

案例研究

下面，我们将介绍两个案例研究作为示例，以展示我们的系统如何在典型的一周内向不同的参与者推荐活动。如果在本周内发现了更多的信息或系统中的任何变化，建议将相应地进行调整。两名参与者都来自接受游戏化故事形式的活动建议的完整小组。

案例研究A

参与者信息

参与者A，女，26岁，学生，身高5’8”，体重61 kg, BMI 20.5 kg/m²(体重正常)，没有严重的健康问题，目前没有服用任何药物。玩家类型:自由精神;健身颜色:白色。我们的系统检测到参与者A每周一、二、四乘公交车去大学，其余时间基本上都呆在家里。她每周去上一次集体骑行课，时间是周五晚上，每次半小时。根据GRPAH，鼓励18至64岁的成年人每周进行300分钟中等强度的有氧体育活动，以获得良好的健康效益[54］．白色皮肤的锻炼者喜欢徒步旅行、跑步、瑜伽、有氧运动和健身房力量训练。在访问她的日历时，系统发现她在周四和周六晚上有两个晚餐预订，都是在下周的下午6点。

系统生成的活动建议

1. 在每个上学日延长步行到公交车站的距离(包括上午和下午，每天步行45分钟)。
2. 在不上课的日子里，晚饭后步行30分钟。
3. 周二晚上7点，在用户通常不活跃的时候，进行1小时的家庭瑜伽练习。
4. 星期六早上在附近的公园徒步旅行。

基于玩家类型的游戏功能

自由精神的玩家类型被赋予了游戏特征主题颜色定制．因此，参与者A完成推荐活动的奖励是解锁不同的主题颜色。

案例研究B

参与者信息

参与者B男，35岁，软件开发人员，身高5’11”，体重75 kg, BMI 23.0 kg/m²(体重正常)，没有严重的健康问题，目前正在服用非处方止痛药治疗背部疼痛。玩家类型:成就者;健身颜色:红色。我们的系统检测到参与者B每周一、二、四、五开车上班(15分钟车程)。周三，他在家工作。他每周三晚上8点到9点打篮球，每周六早上9点到11点打篮球。红色人喜欢篮球、网球、壁球、直排滑冰、飞盘、山地自行车、足球和滑雪等运动。我们的系统发现，参与者B几乎和GRPAH推荐的一样活跃，但他所进行的活动类型仅限于篮球。

系统生成的活动建议

1. 周三晚上花一小时打网球或壁球，而不是打篮球。
2. 每天下班后步行15分钟。
3. 周日早上步行60分钟(在附近的公园)。

基于玩家类型的游戏功能

玩家类型的成就者被赋予了挑战的游戏特征。因此，系统会以挑战的方式向玩家B提供建议。

整体动机和满意度

图5显示了前3个评估参与者动机、满意度和游戏偏好的一般问题的得分平均值和sd值。星号表示组间发现显著结果。

结果显示，通过单因素方差分析(one-way ANOVA)确定的总体动机在两组之间存在统计学上的显著差异(F_{3, 36}= 22.49;P<.001)，满意度(F_{3, 36}= 22.12;P<.001)，以及偏好(F_{3, 36}= 15.0;P<措施)。事后使用Tukey HSD测试的比较表明，对于所有3个问题，完整组、个性化组和游戏化组的平均分分别与对照组显著不同。这意味着，总体而言，游戏化和个性化对参与者的动机、满意度和偏好都有积极的影响，这可以从充分的、个性化的和游戏化的组与对照组的比较中看出。此外，在动机方面，全组的平均分(全组[MF]平均分5.8，全组SD [SDF] 0.79)与个性化组的平均分(个性化组[MP]平均分4.7，个性化组[SDP]平均分1.5)存在显著差异。有统计学意义的两两比较也标记在图7．这意味着游戏化也可以为个性化健身推荐系统增加更多的动力，就像在全组和个性化组的动力之间所看到的那样。还应该注意的是，这4个不同群体的主要玩家类型的分布可能会影响这些结果，因为某些玩家类型可能更倾向于游戏化或个性化。然而，关于玩家类型的分布似乎并没有特别偏向(表3)．

‎ 查看此图

IMI分量表

图8显示每个IMI子量表问题得分的平均值和SDs。结果显示，根据兴趣或享受程度的单因素方差分析，两组之间存在统计学上的显著差异(F_{3, 36}= 24.24;P<.001)，感知能力(F_{3, 36}= 4.60;P=.007)、努力或重要性(F_{3, 36}= 8.01;P<.001)，价值或有用性(F_{3, 36}= 15.90;P<措施)。

Tukey-Kramer HSD测试结果表明，在兴趣或乐趣方面，完整组、个性化组和游戏化组的平均分与对照组显著不同。两两比较结果显示MF (MF 5.9, SDF 0.40)与个性化组(MP 5.0, SDP 0.56)有显著差异。在感知能力方面，完整组(MF 5.7, SDF 0.46)与个性化组(MP 4.8, SDP 0.72)以及完整组与对照组(对照组平均分[MC] 5.0，对照组SD [SDC] 0.54)之间存在显著差异。在努力或重要性方面，完整组(MF 5.8, SDF 0.47)和游戏化组(游戏化组的平均分[MG] 4.7，游戏化组的SD [SDG] 0.67)之间存在显著差异;完整组与对照组(MC 4.7, SDC 0.70)、个性化组(MP 5.6, SDP 0.73)和游戏化组之间的差异;个性化组和对照组之间。就价值或有用性而言，在完整组(MF 5.8, SDF 0.63)和游戏化组(MG 4.8, SDG 0.55)之间也发现了显著差异;完整组与对照组(MC 4.6, SDC 0.41)、个性化组(MP 5.7, SDP 0.63)和游戏化组之间的差异;个性化组和对照组之间。中也有两两比较的显著性图8．

‎ 查看此图

IMI结果表明，游戏化练习增加了玩家对个性化推荐系统的兴趣和乐趣(在整个组和个性化组之间的兴趣或乐趣显著)。与游戏化相比，个性化更有助于促进努力或重要性，以及价值或有用性(在个性化组和游戏化组之间显著)。

EMIC推荐系统评估

图9显示了每个EMIC子量表(感知推荐质量、感知系统有效性、对技术的一般信任和系统特定隐私问题)得分的平均值和SDs。结果显示，感知推荐质量的单因素方差分析(F_{3, 36}= 108.77;P<.001)，感知系统有效性(F_{3, 36}= 26.52;P<.001)，以及系统特定的隐私问题(F_{3, 36}= 58.37;P<措施)。

‎ 查看此图

Tukey-Kramer HSD测试结果表明，对于感知推荐质量和感知系统有效性，完整组和个性化组的平均分与未个性化的游戏化组和对照组有显著差异。对于特定系统的隐私问题，完整组和个性化组的平均得分也与游戏化组和对照组有显著差异，因为对于非个性化组，我们没有要求访问参与者的个人数据(除了谷歌Analytics用于应用程序内跟踪)。此外，在完整组(MF 4.1, SDF 0.69)和个性化组(MP 3.0, SDP 0.73)之间也发现了显著差异。有统计学意义的两两比较也标记在图9使用星号。

我们的结果表明，就感知推荐质量和感知系统有效性而言，我们的系统在向参与者提供日常健身建议(将完整组与游戏化组进行比较，将个性化组与对照组进行比较)方面是有效的。我们还发现，正如预期的那样，当系统有一个玩家模型并要求更多的权限来访问他们的个人数据时，参与者关心隐私(比较完整组或个性化组和游戏化组或对照组)。另一方面，游戏化减少了一些担忧(完整组和个性化组之间存在显著差异)。注意，对于特定于系统的隐私问题，得分越高表示关注越少。隐私问题很重要，但超出了这项工作的范围。然而，我们相信游戏化的显著效果在未来的研究和设计中有价值。

每日统计数据

如前所述，我们使用谷歌Analytics API跟踪参与者的综合应用程序内行为数据，我们使用谷歌Fit API跟踪用户的日常活动数据，包括步数和燃烧的卡路里。图10显示了一些每日统计数据:在60天的研究中，所有4组的活跃参与者数量(a)，发送到系统的每日对话总数(b)，不包括基础代谢的每日平均活跃卡路里燃烧(c)，以及每日自我报告的有用建议的数量(d)。

‎ 查看此图

从图8，我们可以看到，对于日活跃用户(a)和每日对话(b)，随着时间的增长，这四个群体的总体趋势都出现了下降。其中，完整组相对于其他3组保持较高的值，完整组、个性化组和游戏化组的参与者与系统的互动比对照组多(图10)．在日常使用和日常对话方面(图10)，在比较个性化组和游戏化组时，我们可以看到游戏化组的价值在研究早期高于个性化组，但在实验后期(约35-40天)被个性化组超越。这些结果表明，个性化和游戏化都可以对促进参与者对系统的参与产生积极影响。然而，尽管游戏化可以在短期内(1个月内)带来更多互动，但个性化可以带来更持久的粘性(更长时间)。请注意,图10显示对照组在研究的最后一周没有活动。这只表明他们没有打开应用，但他们仍然像往常一样收到推荐(弹出通知)。身体活动数据也在不打开应用程序的情况下从谷歌Fit API收集。

对于活性卡路里(图10)，我们可以看到完整组和个性化组都有轻微的上升趋势，而游戏化组和对照组的趋势则持平。与个性化组相比，完整组开始时的平均卡路里负担较低，然后在接近结束时显示出几乎相等的值。这些结果表明，个性化可能会对促进实际的体育活动产生积极影响，而独家游戏化可能不会。在早期阶段(玩家模型尚未建立，推荐质量也不够稳定)在个性化推荐中添加游戏化元素可能会对人们的身体活动量产生负面影响，这需要进一步研究。请注意，有效卡路里测量的是健身活动中燃烧的卡路里。排除基础代谢参数。

对于有用建议的百分比，图10(按每天的数量计算有用的回复数除以日活跃用户)，完整组和个性化组的百分比在研究的前半段有所上升，然后保持平稳，完整组略高于个性化组。完整群体和个性化群体的增长可以归因于不断更新的玩家模式，这将随着时间的推移而改善推荐。游戏化组和对照组(没有玩家模型)呈现下降趋势，接近于零。结果表明，我们的系统能够通过使用玩家模型生成有用的健身建议，并且参与者认为在添加游戏化元素时建议更有用。

球员类型

在这项研究中，我们没有发现在不同的玩家或锻炼者类型方面有任何显著差异。虽然我们的样本量有限，无法进行有意义的统计分析，但仍然有一些有趣的发现值得一提，这可能有助于启发未来在这一领域的研究。表4显示了参与者的玩家和锻炼者类型组合的分布。

从表4，我们可以看到某些玩家类型和锻炼者类型高度相关。例如，我们总共有5名参与者拥有银色的锻炼者类型，其中4人属于自由精神的玩家类型。类似的关系也出现在玩家类型的社交者和紫色的锻炼者类型之间。这表明用户对游戏元素和运动类型的偏好可能是有联系的。这个想法可以用来进一步提高锻炼和游戏体验的个性化，但需要更大样本量的进一步研究。

图11显示了属于不同玩家类型的参与者的整体动机。尽管我们无法基于小样本进行有效的统计分析，但我们发现社交者和破坏者类型的玩家与其他4种玩家类型相比，整体动机较低。这可能表明，我们为社交者和颠覆者类型的玩家提供的游戏功能和体验有更大的改进空间。

‎ 查看此图

图12显示了不同运动类型的参与者消耗的平均活跃卡路里。同样由于样本量小，我们无法进行有效的统计分析。然而，我们发现，在研究过程中，白色和绿色的健身颜色相对更活跃。我们检查了他们的动机以及他们自我报告的推荐质量，发现两者都与其他6种锻炼者处于同一水平。当你看到八种颜色的健身建议时(多媒体)，我们发现徒步旅行的活动是可能导致结果的主要变量，并且只建议绿色和白色的运动类型。这表明徒步旅行可能是一种有效的活动，可以让人们消耗更多的卡路里，这可以进一步研究。

‎ 查看此图

定性结果

在研究后问卷调查结束时，向每位参与者提出了一个开放式问题，以收集他们的一般反馈(多媒体附件2)．我们收到了很多关于如何改进我们系统的意见和建议，主要集中在如下5个方面图13．调查显示，定制故事情节是最受欢迎的功能，其次是多人模式、更多高质量推荐、设置和跟踪健身目标的功能，以及更多基于位置的功能。这些反馈为我们在这个项目中规划未来的工作奠定了基础。

‎ 查看此图

讨论

总的来说，在这个为期60天的用户研究中，我们验证了我们的假设:(1)通过玩家建模生成个性化的锻炼建议是可行的;(2)玩家建模和游戏化的结合可以增强用户对系统的参与度，并促进实际的身体活动。具体来说，研究发现游戏化能够促进用户粘性，但只是短期的，就像在游戏化组中看到的那样，该组的成员很早就参与了游戏。然而，随着实验的进行，趋势发生了变化，个性化小组变得更加投入。这可以归因于玩家建模方面，因为在提供合理的推荐之前，它需要时间来达到反映玩家特征的最低精度水平。玩家建模有助于长期维持活动水平。这表明，基于玩家建模的活动推荐是一种有效且有前景的方法，可以在较长时间内创造个性化的健身体验，而游戏化可以帮助吸引用户并产生最初的兴趣。

我们的研究是为了保持玩家在锻炼游戏中的沉浸感和积极性。我们从之前的作品中受到启发，这些作品提出了更以玩家为中心和个性化的游戏设计和游戏化方法。6，17，28，67以提高玩家的参与度和整体干预效果。我们将这些想法扩展到exergames，并将其与其他人提出的实时活动跟踪和推荐的概念相结合。22，47-49开发一种新的理论动态和个人层面的模型，将各种有助于解决玩家留存问题的游戏元素结合在一起。所提出的结果对健身助手和其他潜在推荐系统的设计有直接的影响。

游戏化很好，但还不够

作者和其他研究人员之前的工作已经显示了游戏化在提高用户粘性方面的潜在价值，但他们也强调了留存率的问题。玩家在体验游戏后往往会离开游戏。尽管添加新功能是保持参与者参与的一种合理方式，但由于不断的设计和升级，实现它是困难和昂贵的。了解参与者及其动态生活，并提供与参与者活动相匹配的玩法功能，是在控制开发成本的同时引入变化和新颖性的一种方法。

玩家建模:个性化vs分类

对参与者进行分类，为他们提供定制服务的想法很有吸引力，但忽略了个体差异，这往往是显著的。由于收集信息的各种方法，个人数据的可用性表明，参与者可以被理解为个人，而不是某个类别的成员。这种真正的个性化允许一个新的定制级别，这可能会为参与者提供更有吸引力和更有效的体验。我们的研究结果显示了这一想法与健身助手领域的潜在相关性。我们对用户了解得越多，我们的推荐就会越个性化，从而产生更有效的推荐。开发一个涉及各种用户特征(从性格类型到日常生活)的综合模型有助于正确理解用户。

此外，个性化与分类的概念还与玩家类型和玩家特征的差异有关。尽管早期的研究尝试将玩家划分为单一类型(例如Bartle [68]和BrainHex模型[36])，最近，研究人员研究了以特征为导向的模型在理解游戏中玩家选择方面的有效性[69-71］．在最近的研究中，特征导向模型是首选，因为个体很少受到单一因素的激励，而且因为它们适用于游戏用户研究，目的是使用一组分数来表征玩家，而不是将玩家归类为单一类型。在这项研究中，我们决定使用Hexad模型评估的主导玩家类型，而不是考虑所有6个分数，因为我们希望通过给每个用户添加1个额外元素来控制变量;因此，我们可以确定是游戏化本身在影响用户粘性，而不是干扰其数量。未来的研究可以探索考虑全部分数范围的影响。

自适应连续建模

尽管许多游戏和其他应用都依赖于特定的用户模型，但在大多数情况下，这是一次性的静态决策，将用户分配给特定的群体。我们的研究表明，不仅拥有一个更全面的个人模型，而且允许它使用来自用户的持续数据进行进化和适应的价值。这将不断调整模型，并使建议更有效。使用这种自适应的动态模型可以增强应用程序的性能，我们建议设计人员在可能的情况下考虑这一点。

24/7的建议

健身和健康并不局限于健身房。活跃是一种生活方式;因此，活动建议不应局限于特定的时间。在没有专门的私人教练的情况下，智能健身助理配备了详细的玩家模型，可以根据不同的用户环境提供24/7的活跃建议。我们的研究结果显示了这种方法的潜在价值，可以通过更全面的个人数据和更好的活动和游戏功能数据库来改进。虽然我们的系统提供了全天持续的建模和推荐，但值得注意的是，参与者在睡眠期间没有佩戴活动跟踪器，我们也没有跟踪任何睡眠活动。因此，尽管系统能够不间断地执行，但在实践中，它在睡眠时间(夜间或白天)暂停。

限制

在拟议的系统和执行的研究中存在一定的局限性，参与者提到了一些，我们认为这些局限性还不够严重，不足以显著影响研究结果，但仍值得注意，并在未来的工作中加以改进。

我们依靠自己设计的带有简单故事或玩法的简单游戏。这可能会对玩家的吸引力和粘性产生负面影响。游戏可以通过更严格的流程进行设计，或者我们可以允许定制和选择，或者潜在地使用另一款现有游戏。游戏中也没有多人游戏选项，这忽略了游戏的社交元素和积极的生活方式，可能会对用户粘性产生负面影响。在为不同类型的玩家设计不同的游戏化功能时，我们只为每种类型的玩家分配了1个游戏元素。这可能不足以针对个别参与者。

八色健身系统(多媒体) [44用作建议活动的模型。之所以使用这个系统，是因为研究小组没有找到任何其他替代方案，需要依靠一个相当可接受的方法。这个系统绝不是理想的，有其自身的局限性。它可以被任何其他方法替代，例如其他模型、交互式训练器或训练有素的专家系统。

在这项工作中，我们使用Android活动识别API进行活动跟踪和预测。这个API只能识别6种简单的身体活动。对于更复杂的日常活动，我们需要对话中的参与者手动标记。这可能会给参与者带来复杂性。我们也只使用Android Wear参与者，并将每个小组限制为10名成员，这可能不够。我们也意识到参与者的年龄范围相对较窄。这项研究的大多数参与者都是年轻人;因此，我们的研究结果可能不适用于老年人。此外，由于性别、体重和身高等潜在的混杂变量，比较活跃卡路里燃烧的绝对值可能会对结果的可靠性产生负面影响。

我们问题的语言可以通过更加中立和一致加以改进。例如，我们偶尔使用任务指的是应用程序，而不是更常用的术语游戏，或者对于EMIC，我们使用项目而且活动出于同样的目的。虽然这些术语可能会造成一些混乱，我们将在未来改进，但我们没有收到任何负面反馈，并且不相信这些不一致会显著影响我们的发现。

结论

在本文中，我们提出了一个使用游戏化和持续玩家建模的个性化健身助手系统，并报告了一项长期研究，该研究调查了我们提出的系统的有效性。我们的研究结果表明，通过持续更新基于活动跟踪的玩家模型，我们可以提供个性化的活动建议。我们的研究还显示了这种建模和游戏化对用户粘性和整体活动的积极影响。这些发现可以用来指导健康和健身领域个性化和游戏化推荐系统的设计，以及其他应用程序，因为它们分别强调了自适应模型和游戏化作为长期和短期因素的作用。这项研究为未来的工作提供了机会，特别是在探索更多游戏功能、添加个性化故事情节、多人游戏化、更好的活动识别、建议模型和更大、更多样化的样本评估方面。