未经治疗的听力损失是一种普遍的情况[ 1会对个人产生影响[ 2- 4]和社会层面[ 1， 5， 6］．在全球范围内，在未来10年，近15亿人可能受益于他们的耳朵和听力问题得到解决[ 7］．使用助听器对使用者的生活质素有积极的影响[ 8， 9]及减轻听力损失对家庭收入的影响[ 4］．然而，要广泛采用和使用HAs，其中一个必要条件是用户满意[ 10］．使用HA的用户反映在不同的现实情况下听力有困难，从面对面谈话到应对环境声音[ 11］．因此，为了达到较高的用户满意度，HAs需要能够迎合广泛的情况。之前的研究也证实了这一点，研究发现，不拥有或不使用HAs的主要原因之一是它们在特定情况下不能很好地工作，例如，当有背景噪音时[ 10， 12， 13]，当听演讲时[ 14]，或者在一大群人当中[ 15］．在特定的监听环境中，HA用户可受惠于某些HA功能[ 16］．例如，降噪已被发现可提高对噪音的耐受力[ 17]以及减少在低信噪比环境下持续收听的工作量[ 18]，尽管它对语音可理解性的影响是模棱两可的[ 17， 19， 20.］．

因此，可编程多存储器已经被引入，它可以为用户提供多种听力程序，以适应特定的听力情况。目前，41%的HA业主都有这样的计划[ 21］．听力程序设置了预定义的规则，以适应不同的听力学参数，如总体增益、增益的频率形状、降噪和方向性。节目可通过HA按钮、遥控器或智能手机应用程序手动选择。通常建议用户在特定的收听情况下使用节目[ 22］．这反映在程序的名称上，它通常传达了它打算被使用的情况(例如， 噪音中的言语而且 音乐) [ 22］．因此，程序是用户在特定收听情况下根据具体情况调整设备设置的一种方式，从而个性化他们的收听体验。因此，调查监听程序的使用有可能更深入地了解用户的行为和需求。

要从监听程序中获益，HA用户必须能够充分了解监听环境的特点，并主动选择适当的监听程序[ 22］．先前对11名有经验的HA用户进行的研究显示，在几乎所有收听条件下，在相同情况下(可重复性)选择相同节目的用户的百分比超过了纯猜测所对应的水平[ 23］．在高要求的听力环境中发现了更高的重复性[ 23］．这些结果表明，听力节目可以明显地影响听力体验。

尽管不同的监听程序对HA用户可能是有益的，但人们对它们在现实世界中的使用知之甚少。德·格拉夫等[ 22]对包含多个监听程序的多内存设备的使用进行了范围审查，并调查了HA用户是否欣赏并充分使用在程序之间切换的选项。很少有研究发现在不同的听力环境中使用多种程序。Stelmachowicz等[ 24]发现，在模拟的声音环境中，HA用户并不倾向于选择不同的设置(就增益的频率形状而言)，尽管有时会观察到首选的总体增益存在差异。相反，Keidser等人[ 25]的调查结果显示，27名用户中有5名在不同的聆听条件下(主要是在嘈杂的环境下)，偏好不同的频响特性。类似地，Banerjee [ 26]的调查发现，HA用户最常选择默认设置，而非默认设置主要是在监听困难的情况下。此外，多项研究发现，大部分使用者会在全向和定向麦克风设置之间切换，而麦克风的偏好取决于收听环境的特征[ 27- 30.］．

这些研究表明，一些HA用户重视并使用在收听节目之间切换的选项。然而，现有的文献是稀疏和过时的。

在以前的研究中调查的听力程序习惯于为听力学参数设置一个恒定的水平(例如，更高的恒常降噪量)，而现在的听力程序设置动态规则以适应参数的上下文(例如，在用户过渡到复杂环境时提供更早和更强的降噪的规则)。然而，有些问题仍未得到解答。首先，目前还不清楚是什么促使HA用户获得一个多内存HA并在程序之间手动切换，以及在哪种监听情况下用户特别寻求设备个性化。其次，正如上述系统回顾中所强调的那样，对于正确使用针对特定听力环境的节目，我们所知甚少。 22］．的确，确定对多内存设备的需求并不能保证用户会立即注意到多个程序的好处。未能将多内存HA设置与个人的通信和环境需要相匹配，可能会导致延迟充分实现其好处[ 31］．系统评价中没有一项研究检查了某个节目是否在正确的收听环境中使用(例如，用户是否选择了一种收听方式) 噪音中的言语在嘈杂的环境中编程)在日常生活中[ 22］．

此外，这些研究大多依赖于在短时间内收集的自我报告测量。事实上，他们使用日记或问卷，让HA用户报告使用情况、偏好和听力环境的细节。不能从这些数据中得出在每个监听环境中是否使用了适当的程序[ 22］．此外，大多数研究很少关注在研究结束后听力项目的继续使用。一方面，参与者可能在研究期间使用程序，但在研究结束后停止使用。另一方面，他们可能需要适应程序的使用，他们的偏好可能只有在长期使用后才会显现出来。 32］．与自我报告的测量方法相反，数据记录可以调查大量用户的真实行为[ 33］．它允许收集关于程序使用的客观数据和客观上下文数据。此外，它能够以更大的时间分辨率评估程序使用，并从纵向上研究使用的详细模式，探索长期用户行为，并解释适应阶段[ 34］．通过使用客观的数据记录来调查听力节目的使用情况，可以揭示用户在自然条件下如何选择不同的听力节目，从而为更个性化的听力护理解决方案铺平道路。

我们的目的是通过利用来自多个国家的市场用户的智能手机连接的客观数据来调查多内存HAs的提供和使用背景。首先，我们调查了为不同听力环境提供多种听力课程的情况。也就是说，我们检查了HA用户拥有和使用多少程序以及哪些程序，以及某些程序是否通常一起提供。其次，我们探讨了HA用户是否在不同的收听情境中使用特定的节目，以及这些情境是否反映了节目名称所传达的收听意图。我们通过关注那些反复使用特定节目的用户，并调查选择这些节目的声音环境来做到这一点。

本研究使用的数据来自一个大规模的内部数据库(Oticon a /S)，该数据库储存了注册了HearingFitness功能的HA业主使用HA的日志[ 35参与者是Oticon Opn HAs的所有者，他们在2020年6月至9月期间使用了听力健身功能。在注册过程中，参与者积极地同意收集、存储数据，并在聚合水平上用于研究目的。没有收集个人标识符。

根据丹麦国家科学伦理委员会，这项研究不需要额外的伦理批准[ 36］．

通过使用合适的软件，听力护理专业人员可以为HA用户提供最多4个听力程序(即，HA中可用的4个内存插槽各一个)，可以从预定义的听力程序列表中进行选择，可以微调和重命名预定义的听力程序，也可以自由创建新的听力程序。听力护理专业人员可以通过将特定的节目分配到首选的内存插槽来决定所提供的听力节目的数量和顺序。此外，当用户使用某些配件(例如电视适配器和远程麦克风)时，HA会在4个可用内存插槽之上添加特殊程序。

当智能音箱连接到智能手机时，HearingFitness功能会记录下与智能音箱互动的有时间戳的数据，比如选择特定的听力节目。为了考虑到听力护理专业人员在命名项目时采用的不同措辞或不同语言，类似的项目名称被编码在更少的类别中。此外，当HAs连接到智能手机时，每10分钟就会收集一次有关声音环境的带有时间戳的连续数据，每次收集的听力节目都是由用户选择的。这些数据代表了经校准的HA麦克风在耳级感应到的瞬间声波的声学特性。即在宽频带(0.1-10千赫)上测量声压级(SPL)、噪声底(NF)和声音调制级(SML)(以分贝为单位)[ 37］．

SPL是时间常数为63毫秒的低通无限脉冲响应滤波器的电平输出估计[ 38］．声场声级是声波强度最常用的指标，与人类对响度的感知有很好的相关性[ 39］．SPL的底部跟踪器(峰值检测器)实现了1 ~ 5秒的慢速动态攻击时间和30毫秒的快速释放时间。顶部跟踪器(山谷检测器)是用相反的[ 38］．NF是信号中背景噪声的水平，是根据声压级的底部跟踪器估计的。SML是由声压级的顶部跟踪器和底部跟踪器之间的差异[ 38］．SML描述了信号的调制变量(如语音)在其未调制电平周围的变化程度，可以被视为时间信噪比的估计器，而无需分离信号和噪声。

对收听节目的提供进行了调查，包括拥有至少20小时使用信息的用户，并分析每个用户在4个月期间至少选择一次的节目。采用20小时阈值是为了确保评估程序提供的用户记录了足够的数据，同时仍然包括尽可能多的用户。

我们通过计算每个用户提供的节目数量，并分析最常提供的节目的名称和使用情况，来探索收听节目的提供情况。此外，我们通过确定关联规则来研究程序之间的关系[ 40]使用Apriori算法[ 41］．这种算法可以通过分析经常一起提供的节目来探索2个或2个以上的收听节目是如何相互关联的。给定n个程序，P={ p_1，p₂,……_n｝和一组用户U={ u₁,你₂,……,你_米｝，为每个用户提供P中的程序子集，规则定义为X⇒Y形式的蕴涵，其中X是前项，Y是结果，X,Y⊆P, X∩Y=∅[ 41］．在确定关联规则时，默认程序(即 一般)被排除在外。实际上，默认程序对几乎所有用户都是可用的(选择的或规定的)，将其包含在关联规则中并不值得关注。相反，我们检查了与5个最频繁的附加听力节目相关的关联规则。这些规则基于多个指标进行评估，包括支持度、覆盖率、置信度和提升度[ 41］．规则的支持定义了该规则在数据集中出现的频率。覆盖率指的是规则的先行项在数据集中出现的频率，并衡量规则可以应用的频率[ 42］．一个规则的置信度定义为conf(X⇒Y)=support(X∪Y)/support(X)，可以解释为对概率P(Y|X)的估计[ 41]，衡量规则在适用情况下的正确频率。置信度的一个潜在问题是，具有非常频繁结果的关联规则总是具有高置信度。lift通过考虑项目在数据集中的频率来解决这个问题。一条规则的升限定义为升限(X⇒Y)=support(X∪Y)/(support(X)support(Y))，可以解释为当前项和后项独立时，整条规则的支撑度与预期支撑度的偏差[ 41］．最后，研究了一个程序提供给用户的1、2、3或4个程序的可能性。数据操作使用Python (Python Software Foundation)进行。关联规则挖掘在R (R Foundation for Statistical Computing)中进行 arules包( 43］．

在节目选择过程中，通过分析声音环境(SPL、NF和SML)来评估上下文节目的使用。对于每个特定听力节目的记录选择，以节目选择为中心的10分钟时间窗口内测量的声音环境被考虑(即，选择前5分钟和选择后5分钟)。对于每个程序，只有至少有5个选择的用户被包括在内。选择这样的阈值是为了确保用户的行为是从具有代表性的程序选择样本中推断出来的，同时，也不会丢弃太多用户。此外，基于文中所述的分析 提供听力节目节中，只包含了听力程序的一个相关子集。

为了可视化的目的，在同一用户重复选择特定节目时发生的声音环境被平均了。我们直观地比较了用户在选择特定收听节目时的平均声音环境与选择默认节目时的平均声音环境(即， 一般)．

由于数据的不平衡性(每个参与者、每小时的样本不等)，按照Oleson等人的建议，使用线性混合效应(LME)模型分析节目选择与声音环境之间的关联[ 44］．具体而言，SPL、NF和SML在3个单独的随机截距模型中被视为因变量，定义如下:

在哪里 我索引所有观测值(I=332,271个程序选择)， j(J=1312)， k索引一天的时间(K=24)，和 Y为以节目选择为中心的10分钟时间窗口内发生的声音环境(3个独立模型中的平均声压级、NF和SML)。所选听力节目( 程序)为固定效应，而而且是随机截取，分别为 j-第一个参与者和 k一天中的第一天(以小时为单位)。

此外，为了解释参与者行为的差异，我们用3个随机截距和斜率模型对数据进行拟合，定义如下:

与更简单的模型(方程1)相比，唯一额外的项是 u_{1 j}程序_ijk ,在那里是程序效果在参与者之间变化的随机斜率。通过似然比检验，将这些相对较复杂的模型(方程2)与较简单的模型(方程1)进行比较。

此外，我们通过分析每次节目选择前5分钟和节目选择后5分钟测量的声环境，来调查节目选择前后声环境是否发生了变化。通过3个独立的LME模型评估节目选择前后声环境的差异，定义如下:

在哪里 我索引所有观测值(I=273,687个程序选择)， j(J=825)， k索引一天的时间(K=24)，和 Y为声音环境(3个独立模型中的平均声压级、NF和SML)。所选听力节目( 程序)和时间窗口( TIMEWINDOW,即 5分钟前或 5分钟后)被视为固定效应。之间的相互作用 程序而且 TIMEWINDOW介绍了节目选择前后声环境水平的差异是否取决于所选择的节目。最后,而且是随机截取，分别为 j-第一个参与者和 k一天中的第一天(以小时为单位)。通过似然比检验，将这些模型与简单模型进行比较 程序．此外，通过事后方差分析(post hoc ANOVA)检验公式3中变量的显著性。最后，对交互模型估计的边际均值进行两两比较(ANOVA)检验，以检验各收听节目选择前后声环境的差异。

数据操作和可视化是在Python中使用NumPy [ 45]、大熊猫[ 46]，西伯恩[ 47]和Scipy [ 48)库。数据分析是在R中使用基函数进行的 lmerTest(3.13版本[ 49])和 emmeans(版本1.74-1 [ 50])包用于应用LME建模。

中描述的数据处理 方法节共为32,336名用户提供了67,996个程序。抽样用户平均每天使用连接的HA时间为5.88小时。但是，如果只考虑连接HA使用至少1小时的天数，则连接HA使用的平均时间为每天8.81小时。

在房委会用户中，57.71%(18,663/32,336)有>1收听节目( 图1)．几乎每个用户(31871 / 32336,98.56%)都有默认程序， 一般（ 图1)．这意味着，超过一半的用户除了默认程序外，至少有一个用于特定收听情况的程序。此外，25.8%(8344/32,336)、12.98%(4199/32,336)和10.26%(3319/32,336)的用户有一个 噪音中的言语， 音乐, 安慰程序,分别。这些节目的名称传达了特定的收听意图。此外，18.13%(5862/32,336)和11.67%(3773/32,336)的用户拥有a 电视而且 远程麦克风程序,分别。这些程序与附件的使用有关，例如电视适配器和远程麦克风。

除了提供程序外，还通过计算用户使用该程序和至少另一个程序在每个程序上花费的时间百分比来调查它们的使用情况。 一般是使用最多的程序，平均占HA使用时间的78%。 噪音中的言语， 音乐, 安慰，分别占HA使用时间的13%、7%和15%。 电视而且 远程麦克风分别占HA使用时间的20%和2%。

研究支持度≥0.02，置信度>0.5 ( 图2)可以探索程序之间的关系。在这个分析中， 一般不考虑，因为它是统一提供的，并不是一个额外的听力节目。中给出了所选规则的详细度量 表1． 噪音中的言语它不仅是最常见的附加收听节目，而且是用户在获得辅助节目的同时获得的主要节目。的确, 噪音中的言语是所有选定规则的结果吗 安慰或 音乐总是在先行词集中。如置信度指标所示 表1，占62.2%(2612/4199)及71.01% (2357/3319) 音乐(规则1)或 安慰(规则2)，分别也有 噪音中的言语．同样，78.76%(801/1017)的用户同时拥有这两种功能 音乐而且 安慰(规则3)也有 噪音中的言语．对于这些规则，lift为>1，表示用户更有可能拥有 噪音中的言语他们也有 音乐或 安慰．相比之下，尽管 电视是一个经常播放的节目，有这样节目的用户不太可能有其他收听节目。

图3证实了之前的一些发现。几乎所有的用户都有 一般不管附加程序的数量。拥有2个程序的用户中， 噪音中的言语， 电视，在较小程度上， 远程麦克风更有可能比 音乐而且 安慰．对于拥有3或4个程序的用户，拥有主程序的可能性 噪音中的言语线性增长，拥有的可能性 电视或 远程麦克风保持相对稳定，并有二级课程的可能性 音乐而且 安慰增加。

由于研究结果发表在 提供听力节目部分，我们调查了声音环境，其中一个相关的听力程序子集被使用。我们关注的是那些传达特定倾听意图的节目，无论它们是主要的( 噪音中的言语)或二级( 安慰而且 音乐)．这3个程序是在特定的听力情况下使用的，与附件的使用无关。中描述的数据处理 方法从1312个用户中选出了332,271个程序。

首先，我们分析了主程序( 噪音中的言语)与默认程序( 一般)．上面的图 图4选择时按用户的平均声环境分别显示用户的分布情况 噪音中的言语而且 一般．用户选择 噪音中的言语在更大(更高SPL)、更嘈杂(更高NF)和更低调制(更低SML)的声音环境中。事实上，平均而言，用户会进行选择 噪音中的言语在55.1 (SD 7.4) dB SPL, 46.9 (SD 7.0) dB NF和17.1 (SD 4.9) dB SML下进行选择 一般53.0 (SD 5.6) dB SPL, 44.5 (SD 5.2) dB NF, 18.2 (SD 3.5) dB SML。似然比检验证明，更复杂的LME模型(方程2，即每个参与者的随机截距和斜率)与每个参与者只有随机截距的简单模型(方程1)相比，数据拟合效果显著更好(SPL: χ² ₁₀= 3103.7, P<措施；尼克-弗瑞: χ² ₁₀= 4308.7, P<措施；小姐: χ² ₁₀= 1806.6, P<措施)．对更为复杂的模型(方程2)进行拟合 一般程序作为基线条件。较复杂LME模型的系数( 图5)证实 噪音中的言语而且 一般在不同的声音环境中选择声场声级、NF和SML(所有 P<措施)。系数还表明，差异的尺度在0.09 ~ 0.19 SDs左右(z-score);即占总SD的9%至19%。此外，检查个别用户，下图中 图4证实了LME的结果，并表明大多数用户(614/ 966,64%;633/963, 66%;和593/963，分别为62%)选择 噪音中的言语在具有高SPL、高NF和低SML特征的环境中。

其次，我们分析了次级方案( 安慰而且 音乐)在特定的听力情境中选择。如 图5，用户选择了更大、更嘈杂和更低调制的程序(均为LME模型的系数) P<.01)的声音环境与他们选择的声音环境进行比较 一般．随后，公式2通过改变对比度进行了改装，使 噪音中的言语程序表示基线条件。这使得比较是否 安慰而且 音乐被选择在不同的听力情境下与 噪音中的言语． 安慰(β= -0.029, SE 0.012， P= 0.014)和低调制(β= -0.031, SE 0.0125， P=.013)环境 音乐(β= -0.083, SE 0.011， P噪声较小(β= -0.086, SE 0.0103， P<措施)环境。

最后，我们调查了节目选择前后声音环境的变化程度。 图6在节目选择附近的时间窗口中，显示选择节目时和选择节目时声音环境之间的5分钟运行平均值 一般．对于所有三个项目( 噪音中的言语， 安慰, 音乐)和所有3个声音环境特征(SPL, NF和SML)，与 一般观察了整个10分钟的时间窗口。此外，节目选择后，声环境差异也出现了增加的趋势。

似然比检验(SPL: χ² ₆= 711.0, P<措施；尼克-弗瑞: χ² ₆= 1597.4, P<措施；和SML: χ² ₆= 749.2, P<措施)表明，更复杂的模型(公式3，包括 程序， TIMEWINDOW, 程序×时间窗口)对数据的拟合效果显著优于简单模型(仅包括 TIMEWINDOW)．

此外，事后方差分析检验表明，之间的相互作用 程序而且 TIMEWINDOW对于所有3个声音环境特征(所有 P<措施)。这说明节目选择前后声音环境的差异取决于具体的节目。由相互作用项预测的边际效应 程序×TIMEWINDOW显示在 图7．两两比较( 之前而且 后)证实，声音环境变得更安静，噪音更小，更调制(所有 P<.01)的时间窗口后选择 一般(与选择前的时间窗口相比)。相比之下，声音环境变得更大，更嘈杂，更少调制(所有 P<.05)后的选择 噪音中的言语(与选择前比较);噪音更大，调制更少(两者 P<.001)后的选择 安慰；声音越来越大，越来越吵(两者都是) P<.05)后的选择 音乐．

本研究通过分析通过智能手机连接的HA记录的真实数据，调查了HA监听程序的提供和使用背景。

在我们的样本中，大多数HA用户(18,663/32,336,57.71%)被发现有针对特定听力情况的听力程序 一般默认程序。根据之前一项分析自我报告数据的研究，41%的HA所有者有一个程序按钮或开关，可以根据不同的监听环境改变HA响应[ 21］．我们研究的纳入标准(即通过智能手机应用程序使用HearingFitness功能的用户)和数据收集方法(即客观数据记录)可以解释听力项目的较高患病率。在可以访问默认程序和至少一个附加程序的用户中，默认程序的使用时间为78%。这与之前的一项研究一致，该研究估计默认设置在75%-85%的情况下是合适的[ 26］．

除了默认程序， 噪音中的言语是最常见的课程。通过关联规则挖掘， 噪音中的言语还发现这是用户在获得其他次要程序时倾向于获得的主要附加程序，例如 安慰而且 音乐；也就是说，很少会向用户提供 安慰而且 音乐但不是用 噪音中的言语．这表明，当用户为特定的听力情况请求或被推荐额外的听力节目时， 噪音中的言语作为主要步骤提供。这一发现与先前的研究报告一致，即HA用户在有背景噪音时最容易感到吃力[ 10， 12， 13]或者当他们身处一大群人时[ 15]，因此，当他们在嘈杂的环境中或在一大群人当中跟随谈话时，他们最不可能对自己的听力感到满意[ 21］． 安慰而且 音乐结果是次要程序，经常与 噪音中的言语而且更有可能提供给拥有3或4个程序的用户。类似于 噪音中的言语这些节目表明，在特定的听力情境中，听众对个性化的听力体验很感兴趣;也就是说，当它是嘈杂的，但没有必要交流和听音乐。虽然这些情况不像在噪音中交流那么普遍，但用户仍然可以从针对这些情况采用特定的倾听程序中受益。的流行 音乐计划与以往的研究结果一致，有30%至67%的HA使用者可能会在听音乐方面遇到困难[ 51， 52]，并指出使用HAs收听音乐的乐趣可以通过解决失真、声学反馈、增益不足或过度、频率响应不平衡以及音质下降等问题而得到改善[ 52， 53］．以前曾有人提出过一个专门的音乐收听节目，以使音乐更有乐趣。 54］．

尽管是普通的程序， 电视而且 远程麦克风提供的课程与其他课程不同。它们通常提供给只有2个程序(包括 一般)，但它们并不经常与其他附加程序一起提供，而且在使用>2程序的用户中，它们的流行率并没有增加。这可能是由于这些节目与电视适配器(即能够将电视声音传输到HAs的设备)或远程麦克风的使用有关。因此，这类程序对使用附件更感兴趣，而不是通过侦听程序对HA设置进行上下文调整。的 电视除默认程序外，程序是使用最多的程序(20%的时间)。相比之下， 远程麦克风程序只使用了2%的时间。这些发现表明，电视适配器被其所有者广泛使用，而远程麦克风只在孤立的场合使用。此外，还应注意选择 电视节目可以主动调整声音环境，既可以使电视静音，也可以为其他家庭成员维持正常音量，同时直接将声音再现到音响中。因此, 电视而且 远程麦克风不包括在声环境分析中。

随后，我们分析了其中的声环境 噪音中的言语， 安慰, 音乐被选中。首先，我们发现，平均而言，用户会进行选择 噪音中的言语与他们选择的环境相比，在更大、更嘈杂、更不受调制的环境中 一般．说明HA用户选择了 噪音中的言语在具有鲜明特征的环境中编写程序，使其更类似于在噪声中进行的对话。第二, 安慰与?相比，在更大、更嘈杂、更低调制的收听环境中选择 一般，建议HA用户在嘈杂的环境中获得缓解时选择它。有趣的是，HA用户选择了 安慰在比选择时更小的声音和调制的环境中 噪音中的言语，表明 安慰在听觉信号较少的情况下被激活，可能是为了增加非特定倾听的愉悦感。第三, 音乐是在更大、更嘈杂、更低调制的收听环境中选择的 一般但与之相比，在更小的噪音环境中 噪音中的言语．在环境中播放的音乐可能解释了更高的音量和噪音，尽管没有那么极端 噪音中的言语场景。总的来说，考虑到HA用户通常被建议在特定的监听情况下使用程序[ 22]，我们的研究结果表明，他们倾向于在实际使用HAs时遵循这些建议。此外，随机截距和斜率模型(方程2)显著优于截距模型(方程1)，说明节目选择对声音环境的影响在参与者之间存在差异。因此，通过上下文调整HA设置，使用户能够个性化他们的收听体验，从而为一些相关的收听情况提供更合适的设置。

最后，我们分析了声音环境从节目选择前的时间窗口到节目选择后的时间窗口的变化。3种声学预测因子在选择时声环境变化不同 噪音中的言语， 安慰,或 音乐而不是选择 一般．具体来说，声音环境在选择的时间窗口后变得更大、更嘈杂和更少调制 噪音中的言语，而选择 安慰导致更嘈杂和更少调制的环境，以及选择 音乐导致更嘈杂的环境( 图7)．This suggests that some users tend to select additional listening programs in anticipation rather than as a reaction, to a more complex sound environment, and that the acoustic features can discriminate between them. In contrast, the sound environment gets quieter and more modulated after the selection of 一般．这表明，一些用户倾向于选择默认程序，期望一个不那么复杂的声音环境。这可能表明，这样的用户知道什么是上下文最合适的节目，并在进入特定的收听情境之前主动选择它。

本研究通过分析同时使用智能手机应用程序的HA用户记录的数据，调查了HA收听程序的提供和使用背景。在概括本研究的发现时，应考虑所分析样本的技术熟练程度和对收听程序的兴趣。特别是，年龄较大和不太懂技术的HA用户可能遇到的复杂监听环境较少，因此从多个程序中受益较少[ 55］．

就未来的工作而言，研究听力节目的提供在多大程度上取决于医管局用户的要求或听力护理专业人员的推荐，将是一件有趣的事情。事实上，传统上，听力护理专业人士对制定的听力解决方案有很大的影响，而有关听力计划提供的数据可能不仅反映了医管局用户的需求和偏好，也反映了专业人士的信念和知识。此外，个别预测因素对听力节目的提供和使用的作用值得进一步研究。事实上，个性化和情境化解决方案的益处可能取决于听力损失的程度或表征个体的其他数据，如年龄、先前患有HAs的经验、听觉认知能力或阈上听力特征。最后，当使用特定的听力节目时，在声音环境中发现的显著差异表明，分析的声音环境特征(SPL, NF和SML)是预测额外听力节目而不是默认节目选择的有希望的候选者。将这些客观的声音环境特征与更主观的上下文特征相补充，并对收听体验进行评估(例如，通过生态瞬时评估)，也可能有助于更深入地理解HA收听程序的提供和使用。