用户与手机应用的互动模式，管理我的痛苦:数据挖掘调查的结果

介绍

基于互联网和移动医疗(mHealth)应用程序正在改变人们监控、管理和交流健康相关信息的方式[1]。这一趋势已在医学领域得到证实[2]，护理[3.]，心理学[4运动机能学[5]，营养[6]，以及多种健康问题和疾病[1]。

疼痛是最普遍的健康问题之一，也是寻求医疗帮助的三大最常见原因之一[7]。最近的几篇评论强调了许多与疼痛相关的商业应用程序，慢性疼痛患者可以从在线应用程序商店下载[8-11]。截至2015年，在279 [8]和283 [9与疼痛相关的应用程序已经上市，用于监测和跟踪疼痛。总的来说，移动应用程序的快速增长，尤其是针对疼痛的应用程序，并没有引起消费者和医疗保健专业人员在众多可用应用程序中选择更喜欢或需要的因素的同等关注。大多数移动医疗应用程序的质量、可用性、有效性和其他相关数据要么不可用，要么不完整，要么可能不准确。1，8，9]。消费者和医疗保健提供者在寻找最适合自己需求的应用程序时，几乎没有可靠的信息可供参考。为了说明与疼痛相关的应用程序可用性与可靠的科学数据之间的不匹配，de la Vega和Miró [9指出，在已发表的科学文献中评估的34个与疼痛相关的应用程序中，没有一个在任何主要的在线应用程序商店中可用。相反，在各大应用商店出售的283款与疼痛相关的应用程序中，没有一款在科学出版物中得到评估。

因此，本研究有两个目标。第一个是描述屡获殊荣的移动应用程序Manage My Pain(开发用于监测和跟踪疼痛)与疼痛、心理健康和数据挖掘专家之间的首次合作。第二个目标是通过使用定义用户群的关键变量对数据进行聚类，呈现来自超过24,000个用户(包含超过544,000个数据点)的数据。具体来说，通过衡量用户对应用的参与度(游戏邦注:例如，哪些用户长期频繁使用该应用?)，根据每个用户的使用寿命和记录数量来定义，我们能够将用户分成5组(使用聚类方法)，根据条目数量的高低和使用寿命的高低来区分。然后，我们根据性别以及应用程序收集的其他属性对5组用户进行了特征描述:年龄、疼痛状况的数量、当前药物的数量、阿片类药物的使用和疼痛严重程度评级。

方法

控制我的疼痛

管理我的痛苦[12]，通过一款安卓手机应用程序，帮助患有疼痛的人追踪他们的疼痛和日常功能。自2011年推出“管理我的疼痛”以来，已有超过2.4万人创建了一个账户，并记录了他们的疼痛。使用者总共记录了超过54.4万次疼痛发作。

“管理我的疼痛”的核心功能是“疼痛记录”，用户可以输入有关疼痛发作的详细信息。用户只被要求完成一个项目，即使用视觉模拟量表上的滑块对疼痛严重程度进行评级。然后他们可以选择完成另外7个项目，这些项目通常需要不到1分钟的时间来完成。图1)。这款应用每天都会发出提醒，并提示用户反思自己的日常成就。通过定期使用，用户可以通过图表和图形获得自我意识，这些图表和图形可以洞察他们的痛苦和功能，以及它们如何随时间变化。

应用程序收集的信息可以汇总成一份供临床使用的报告，其中收集的信息以简洁的方式呈现，主要关注临床访问之间自我报告结果数据的变化。输出结构在一页纸上，往往比病人自上次临床就诊以来对疼痛的回忆更准确，因为它捕捉的疼痛更接近经历的时间，而且受最近和回忆偏差的影响更小，而这些偏差困扰着现有的捕捉疼痛信息的方法[13]。为了补充报告中提供的信息，用户可以在应用程序中的个人资料中添加疼痛状况、性别、年龄和药物。

这款应用支持7种语言(英语、西班牙语、法语、德语、俄语、简体中文和韩语)，用户来自130多个国家。它的精简版是免费的，或者用户可以选择一次性支付专业版的费用。这两个版本之间的唯一区别是，前者将一次可查看的记录数量限制为10条。如果用户选择使用ManagingLife的安全云存储，他们可以创建一个在线帐户并同意ManagingLife的隐私政策[14]，包括同意将其汇总的和去识别的数据用于研究目的。创建帐户不仅可以通过加密数据传输和设备丢失时的安全存储实现跨设备同步，还可以实现高级报告生成和访问应用程序的Profile部分(图1)。本文中的大部分分析来自应用程序的个人资料部分中包含的自我报告信息。用户也可以在不创建帐户的情况下使用Manage My Pain，在这种情况下，数据不会离开设备，因此无法用于本报告等研究。

‎ 查看此图

过程

本研究由约克大学研究伦理委员会(人类参与者审查委员会，证书e2015-160)审查并批准。用户数据库被访问并下载为2个单独的文件(纯文本格式):用户信息和疼痛记录。用户信息文件包含该字段的用户标识(ID)、出生日期、性别、疼痛状况和药物。疼痛记录文件中包含的特定于个体疼痛状况的信息包括日期、位置、其他相关症状、特征、缓解因素、无效因素、加重因素、严重程度、环境、疼痛类型和疼痛持续时间。文本文件中的所有字段都使用特殊字符分隔。本研究使用的文件于2017年1月2日下载。这项研究涵盖了2011年9月13日至2017年1月2日期间用户记录的疼痛发作。

参与者及措施

主数据集包括来自24,816个用户的544,425条记录。从这些用户中，我们选择了18,324名至少有2次疼痛发作记录的用户。来自这18,324个选定用户的数据点总数为537,853。我们排除了只有一次疼痛记录的用户，因为我们认为他们只通过一次使用与应用互动。此外，我们研究的目的是突出不同参与度用户之间的差异，而包括那些一次性使用的用户会使分析偏向于比较参与度和一次性使用。

我们通过使用情况的两个方面来定义应用的用户粘性:使用寿命和记录数量。寿命是根据第一次和最后一次疼痛记录之间的天数计算的。记录数是一个用户在数据库中的条目总数。对于每个用户，我们从数据库中提取6个特征用于基于聚类的分析[15) (文本框1)。

数据分析

聚类

我们应用数据聚类方法来区分高度参与的用户和不经常使用应用程序的用户。聚类涉及将一组对象或定义人群的成员划分为2个或更多的子组，这样一个子组的成员彼此相似，而与其他子组的成员不同。为了聚类，每个对象或子组成员都使用一个或多个变量表示。这些变量通常被称为特征或属性。对对象(或子组成员)之间的相似性或不相似性是用表示它们的特征向量之间的距离来衡量的。

聚类过程的输出通常是一组簇，其中每个对象被分配到其中一个簇中的成员资格。我们使用k-means [16作为我们聚类用户的主要数据分析方法。在k-means聚类方法下，将聚类的数量先验地设置为某个常数k，并将数据集划分为k个聚类。在初始化阶段，随机选取k个均值。数据集中的每个项目都被分配到最接近它的平均值。在随后的每次迭代中，对于每个聚类，基于该聚类的当前成员计算平均值。然后将每个数据点重新分配到均值最接近的集群中。当集群在迭代之间没有变化时，迭代过程停止。

在我们的聚类实验中，由于我们对用户参与度感兴趣，我们使用了2个定义变量——寿命和记录数量——作为用户参与度的特征。我们还添加了频率(每天记录的平均数量)作为一个额外的特性，以区分在不同的生命周期内拥有相同记录数量的用户。我们使用对数尺度转换这3个特征值，因为两个用户的小特征值之间的差异比大特征值之间的类似差异更能表明他们的不同粘性水平。

我们比较了产生不同簇数的k-means聚类解决方案，以找到最适合数据的解决方案。我们还将k-means聚类结果与使用Mclust [17]，另一种聚类方法。在Mclust中，最初选择最大簇数M和一组混合模型。对于每个模型，采用层次聚类方法对2 ~ m的每个可能数量的聚类进行初始聚类，以每个模型的聚类为基础聚类，采用期望最大化算法更新2 ~ m的聚类对象的聚类分配，最后采用贝叶斯信息准则从不同模型和不同数量的聚类中选择聚类解。

为了比较不同方法(k-means与Mclust)聚类解的质量，我们计算了平均轮廓宽度作为聚类过程适应度的度量。对于每个对象，轮廓宽度测量一个数据点与其自身集群中的点的相似程度(基于距离测量，如欧几里得距离)，而不是邻近集群中的点。较高的平均轮廓宽度表明集群更紧密，每个集群与其他集群分离良好。

在选择了基于平均轮廓宽度的聚类解决方案后，我们为每个用户簇生成了一个轮廓。一个集群的概况包含从属于该集群的成员中计算出的3个变量(用户的年龄、疼痛状况的数量和当前药物的数量)的均值。对于每个群集，我们还计算了性别和疼痛严重程度的分布以及阿片类药物使用者的百分比。

我们使用了R(3.3.1版本)[18]用于数据加载、预处理、聚类和进行统计测试。值得注意的是，在R中将数据集作为数据帧处理的传统方法对于分析较大的数据集来说很慢。由于我们的数据集包含超过50万条疼痛记录，我们使用了这些数据。表包[19这使得加载、查询、排序等比默认的数据帧方法更快。

集群特征

一旦我们确定我们已经生成了最能代表数据集的聚类，就像疼痛专家评估的那样，我们进行了卡方检验来评估性别和聚类之间关联的统计意义。然后，我们进行了Z检验，以确定每个集群中男性和女性的比例是否与人们偶然期望的有显著差异。然后，我们使用3个双向独立样本对3个数据库特征(年龄、当前药物数量和疼痛状况数量)进行方差分析(ANOVA)，并使用聚类和性别作为受试者之间的因素。我们使用Tukey诚实显著差异(HSD)方法两两比较各组或性别的每个显著主效应。然后，我们进行了Z检验，以评估每个集群中使用阿片类药物的男性和女性的比例是否与人们偶然期望的有显著差异。最后，我们进行了卡方检验，以调查每个参与集群中性别与疼痛严重程度组(轻度、中度和重度)之间的关系。所有统计检验均在R中进行。

结果

基于用户与应用的互动来聚类用户

有2个或更多疼痛记录的18,324名用户根据他们的参与程度(使用寿命、记录数量和频率)进行了分组。我们最初打算根据用户的参与度将其自然划分为以下几组:(1)低寿命，低记录数量;(2)寿命低，记录数量多;(3)寿命长，记录数量少;(4)寿命长，记录数量多。将用户分成4组的结果如图所示图2。该图以2个维度的对数尺度绘制:寿命和记录数量，其中4种颜色代表4个不同的群集。如前所述，在聚类分析过程中，频率(每天平均记录数)被添加为一个额外变量，以帮助强调与用户基础更相关的各种粘性聚类之间的差异。一个集群的颜色被分配给它的所有成员对象(即属于该集群的用户)。

蓝色集群表示具有高寿命和大量记录的用户。同样，Black集群中的用户通常寿命长，但记录数量少。然而，其他2个集群(红色和绿色)似乎与其他2个预期集群不一致，其特点是:(1)寿命低，记录数量多;(2)寿命短，记录数量少。相反，红色和绿色集群在寿命低端表现不同，但在低粘性方面表现相似。因此，我们使用5个聚类(图3)。

从所有5个集群的用户中得出的统计数据显示在表1。根据从集群中的用户计算得出的寿命均值和记录数，我们发现集群与预期的4组用户之间存在以下关联:(1)蓝色:寿命高，记录数高;(2)黑色:寿命长，记录数量少;(3)青色:寿命低，记录数量多;(4)红色和绿色:寿命低，记录数量少(图3)。

我们还发现，k-means产生的聚类结果的平均轮廓宽度(0.20)高于Mclust产生的聚类结果(0.02)。因此，我们接受k-means的5个聚类输出，如下所示图3，以便在本研究中进行进一步的实验。

‎ 查看此图

‎ 查看此图

按性别分组

来自3种性别类别(男性，女性，未提供)的用户在5个用户粘性集群中的分布如图所示图4。

采用卡方检验评估3种性别(男性、女性和未提供的性别)与5个聚类之间的相关性。相关性有统计学意义(χ²₈= 761.24,P<。001)。然后，我们进行了z检验，以评估每对性别(男性-女性、男性-未提供、女性-未提供)的比例在每个集群中是否有显著差异。性别间两两差异显著（所有P≤0.05)，除了青色星团的男女差异。因此，具有明显高寿命的男性用户的比例(蓝色和黑色集群)高于女性用户。另一方面，在低敬业度集群(红色和绿色)中，女性的比例明显高于男性。如前所述，本研究中只有11.33%(2076/ 18324)的用户为男性，而49.90%(9144/ 18324)的用户为女性，其余用户未提供性别信息。这些数据表明，一旦男性注册，他们比女性更有可能使用该应用程序更长时间，更一致。值得注意的是，当用户粘性从绿色集群的44%上升到蓝色和黑色集群的8% - 10%时，未提供性别的样本比例显著下降。虽然了解那些选择不提供性别数据的个体的性别将有助于解释目前的结果，但只有8%到10%的蓝色和黑色集群没有提供他们的性别的发现让我们更有信心，在高度参与的集群中，男性比女性的比例更大，真正代表了性别分布，而不是未申报比例的人工产物。

此外，68.37%(4857/7104)的“未提供”性别类别的用户没有输入他们的年龄，也没有列出任何疼痛状况或目前的药物。而男性和女性的这一比例分别为2.70%(56/2076)和1.61%(147/9144)。因此，在提供性别信息的使用者和没有提供性别信息的使用者之间比较年龄、疼痛状况和药物是不可行的。因此，我们从其余的分析中排除了未提供性别类别的用户。

为了调查男性用户比女性用户参与程度更高的可能原因，我们计算了每个集群中男性和女性用户的平均年龄、疼痛状况的平均数量和当前药物的平均数量。

年龄

5组用户的平均年龄见表2。方差分析结果显示，聚类(F_{4, 10192}= 24.09,P<.001)和性别(F₁₀₁₉₂= 284.88,P<.001)，而不是集群x性别交互效应(F_{4, 10192}= 1.0,P= .41点)。Tukey HSD测试表明，蓝色和黑色的星系团都比其他3个星系团(都是P<措施)。相比之下，蓝色和黑色组没有显著差异(P= 1.0)。因此，长寿用户(蓝色和黑色集群)的平均年龄高于其他用户组。总体而言，男性明显大于女性，平均年龄分别为42.32 (SD 12.01)和37.55 (SD 10.56)岁。

‎ 查看此图

疼痛状况的数量

每个集群中用户自我报告的疼痛状况的平均数量见表3。与参与度较低的用户相比，参与度较高的用户更有可能自我报告更多的疼痛状况。方差分析结果显示，聚类(F_{4, 9180}= 41.28,P<.001)和性别(F₉₁₈₀= 19.92,P<.001)，而不是集群x性别交互效应(F_{4, 9180}= 0.37,P=()。采用事后Tukey HSD检验的两两比较表明，蓝-黑、黑-青、青-红和红-绿聚类的均值差异无统计学意义P≥。07)。在整个群体中，女性报告的疼痛状况比男性多，平均值分别为3.66 (SD 4.02)和3.18 (SD 3.44)。

目前用药数量

报告服用至少一种药物的使用者目前服用药物的平均数量见表4。方差分析结果显示，聚类(F)的主效应显著_{4, 5408}= 58.67,P<.001)和性别(F₅₄₀₈= 4.33,P=.04)，而不是集群x性别相互作用效应(F_{4, 5408}= 1.59,P=。)。采用事后Tukey HSD检验的随访两两比较显示，黑-青色和红-绿聚类的均值差异不显著(P>.99)，而蓝色和其他每个集群之间的差异是显著的(所有P<措施)。因此，与参与度较低的用户相比，参与度较高的用户报告服用的药物更多。此外，女性报告服用的止痛药数量多于男性，平均值分别为3.91 (SD 3.30)和3.68 (SD 3.32)。

阿片类药物使用

报告目前使用阿片类药物的每组男性和女性的人数和百分比见表5。服用阿片类药物的男性比例明显更高P≤0.05)，在除红色组外的所有组中，其百分比没有差异。

疼痛严重程度

5个簇内3个疼痛严重程度组的男女使用者人数见表6。卡方独立性检验显示，在黑色和青色组中，疼痛严重程度和性别相互独立P≥40美分)。我们对蓝色、红色和绿色组的性别和疼痛严重程度组进行了随访卡方检验。在蓝色群集中，轻度-重度(χ²₁= 11.18,P= 0.008)和轻度-中度(χ²₁= 9.65,P=.002)对与男性和女性性别有统计学显著相关。轻度-中度配对与性别之间的相关性在红色(χ²₁= 8.09,P=.004)， Green (χ²₁= 12.76,P<措施)集群。这些发现表明，在蓝色、红色和绿色集群中，轻度疼痛的男性比例明显高于女性。

讨论

主要研究结果

用于跟踪和记录疼痛的商业应用程序激增，以至于消费者和医疗保健提供者都面临着令人眼花缭乱的数据，几乎没有数据可以用来做出明智的选择。关于移动健康应用的疼痛文献通常侧重于应用验证、临床疗效或参与度，但没有其他研究将数据挖掘技术应用于慢性疼痛患者的大型用户数据库。有超过250个商业应用程序可供选择，用户在寻找最适合他们需求的应用程序时，几乎没有可靠的信息可供选择。本研究的结果深入分析了《Manage My Pain》应用的用户基础，并描述了与高用户粘性相关的因素。

本研究的主要目的是使用数据挖掘(聚类)方法，根据定义用户群的几个关键变量，分析《Manage My Pain》用户的参与模式。具体来说，我们根据用户的性别和对应用程序的参与程度对用户进行分类。目前的研究结果在几个方面都是新颖的。首先，据我们所知，这是第一次应用聚类方法来描述大量报告慢性疼痛的日常用户使用疼痛监测应用程序的模式和参与情况。我们使用了18,324名用户的样本，他们记录了至少2次疼痛发作，总共产生了超过500,000条记录。使用k-means聚类方法，根据用户使用频率和使用寿命，将用户分为5个不同的用户粘性组。蓝色和黑色集群分别由高寿命和大量和少量记录的个人组成，而红色和绿色集群由低寿命和相对较少记录的个人组成。青色群集代表寿命较低的个体和相对较多的记录。然后，我们检查了5组患者在性别、年龄、疼痛状况数量、疼痛药物数量、阿片类药物使用和疼痛严重程度评分方面的差异。

参与程度最高的组(蓝色组和黑色组)，其区别在于应用程序使用的频率，而不是使用时间的长短，差异仅在于蓝色组的止痛药数量多于黑色组。除此之外，这些集群在相对性别构成、年龄、报告的疼痛状况数量和使用阿片类药物的比例方面相似。这些最活跃的群体共有4802人，他们使用该应用的平均时间为1年。与参与度较低的集群(红色和绿色)相比，相对于男性和女性的总数，参与度较高的集群(1)更有可能是男性;(2)显著衰老;(3)报告的疼痛状况明显增多;(4)更有可能成为阿片类药物使用者。

另一个可能重要的结果与5个集群内的性别分布有关。除了青色外，每个群体中男性和女性的比例都明显不同于预期的偶然结果。然而，根据用户粘性，这一比例存在显著差异。在参与度最高的用户群(蓝色和黑色)中，男性用户占总样本的比例明显大于女性。相反，在参与度最低的用户群(绿色和红色)中，女性用户所占的比例明显高于男性。虽然只有11.33%(2076/ 18324)的用户是男性，49.90%(9144/ 18324)的用户是女性，但数据表明，男性注册后，他们比女性更有可能使用该应用更长的时间和更稳定。在高度参与的群体中，男性的比例高于女性，这很有趣，因为男性通常比女性更不积极地参与自己的医疗保健[20.-22]。例如，女性比男性更频繁地访问初级保健提供者[21，22并更多地遵循医生的建议[23]。在一项针对370万在英国初级保健医生处注册的患者的研究中，男性的咨询率比女性低32%，其中16岁至60岁患者的性别差异最大[22]。寻求医疗保健的行为在女性中也比男性中更频繁，这些人遭受了颈部扭伤，我们可以合理地预计他们会有疼痛[24]。

使用和接受移动医疗技术方面的性别差异可能有助于解释目前的结果[25，26]。与女性更大的求医行为相反，男性比女性更有可能采用移动医疗技术[25]。此外，尽管男性倾向于认为移动健康应用程序有助于避免健康问题并从中受益，但女性却并非如此。26]。我们认为，在高度参与的群体中，男性的比例高于女性，这可能与基于移动的媒介有关，通过移动媒介，疼痛相关信息被自我监测和记录。对于高度投入的男性来说，使用移动疼痛应用程序可能比高度投入的女性更具吸引力，并且可能是增加男性接受医疗保健行为的一种方式。

疼痛严重程度和性别之间的关系表明，总体而言，对于蓝色，红色和绿色的集群，男性轻度疼痛和中度疼痛的比例明显低于单独偶然的预期。在已发表的文献中，这并不令人惊讶，因为在疼痛状况下，男性的疼痛程度往往低于女性[27]。然而，值得注意的是，这种模式也适用于蓝色集群中轻度和重度疼痛的男性，如前所述，蓝色集群是最活跃的集群，寿命长，记录数量多。此外，这是男性用户占总样本比例明显大于女性的集群之一，这表明一旦男性注册，他们更有可能比女性更持久地使用该应用。蓝色集群中疼痛严重程度的性别关联表明，该集群中男性的高参与度似乎并不是由疼痛严重程度驱动的，这在一定程度上可能是女性的情况。

与已发表的文献一致，表明女性比男性更有可能参与多种用药[28，29]，目前的研究结果表明，所有群体中的女性报告服用的止痛药数量都高于男性。同样，在除红色集群外的所有集群中，报告使用阿片类药物的男性比例明显高于女性。这些数据与之前的报告一致，报告普遍发现慢性疼痛的男性使用阿片类药物的频率高于女性[30.]。治疗研究的结果[31]显示，在治疗前，使用阿片类药物的女性比男性少，女性比男性年轻。这种模式似乎与最近的一项研究一致[30.]，该研究表明，尽管患有慢性疼痛的男性使用阿片类药物的频率高于女性，但总体而言，使用频率随着年龄的增长而下降。例如，25岁至44岁的慢性疼痛女性中有81%报告使用阿片类药物，而45岁至64岁的男性中有76.5%报告使用阿片类药物。因此，目前的结果也可能反映了高敬业度男性比高敬业度女性年龄大的事实。鉴于最近的“阿片类药物流行”是慢性、非癌症疼痛患者、医疗保健提供者、监管机构和政府日益关注的焦点，这些结果非常有趣和重要。32，33]。通过跟踪未来几年阿片类药物的使用和疼痛严重程度，我们将能够提供重要的“管理我的疼痛”用户数据，了解美国新的阿片类药物处方指南在多大程度上[34]及加拿大[35]与这些参数的变化有关。

de la Vega和Miró [9商业部门和科学界在各自的应用程序开发和评估方法方面的合作。在科学文献中评估的34个与疼痛相关的应用程序中，没有一个在任何一个主要的在线应用程序商店中可用。相比之下，在280多个与疼痛相关的商业应用程序中，没有一个是科学出版物的主题。目前，“管理我的疼痛”的开发者、研究疼痛的科学家和数据挖掘专家之间的合作，试图解决这种不匹配问题，并为疼痛研究开辟一个新的方向。通过评估消费者如何参与和使用商业应用程序来监测和跟踪疼痛的趋势，我们可以开始了解传统上更难参与的人群的动机(例如，患有多种疼痛状况的男性)。

结论

这是第一个使用数据挖掘(聚类)方法来分析来自移动疼痛应用程序Manage My pain的数据的研究，根据定义用户群的几个关键变量。为了更好地了解谁在使用移动疼痛应用“管理我的疼痛”，我们对18324名用户进行了聚类分析，这些用户至少记录了两次疼痛发作，并在应用中输入了537,853条记录。根据用户的参与模式，我们将用户分为5个聚类。在这些集群中，根据应用使用的寿命和频率，有2个集群被认为具有较高的用户粘性。所有5组患者首先以性别为特征，然后以年龄、疼痛状况数量、目前使用的药物数量、阿片类药物使用和疼痛严重程度评分为特征。尽管该应用的大多数用户都是女性，但聚类分析表明，男性用户更有可能高度参与该应用。在男性和女性的相对构成方面，高参与度用户集群与其他集群不同，前者的男性比例大于后者。此外，在参与度最高的群体中，用户自我报告的疼痛状况数量较多，目前使用的药物数量较多，阿片类药物使用的发生率较高。我们认为，对于高度投入的男性来说，使用移动疼痛应用程序可能比高度投入的女性更有吸引力，对于那些相对更复杂的慢性疼痛情况来说也是如此。移动疼痛应用程序，如“管理我的疼痛”，可能是一种提高男性和患有复杂慢性疼痛的人普遍接受医疗保健行为的方法。