原始论文
摘要
背景:用于观察性研究和临床试验的可穿戴设备有望以一种方便、可扩展的方式从研究参与者那里收集数据,与传统的研究方法相比,这种方法更有可能覆盖广泛而多样化的人群。亚马逊Mechanical Turk (MTurk)是一种潜在的资源,研究人员可以利用它招募个人加入使用可穿戴设备数据的研究。
摘要目的:这项研究旨在探索MTurk上可穿戴设备用户的特征,这些特征与分享可穿戴设备数据用于研究的意愿有关。我们还旨在确定薪酬是否是影响分享此类数据意愿的一个因素。
方法:这是对使用可穿戴设备进行健康监测的MTurk工人的横断面调查研究的二次分析。2018年3月1日至4月5日,通过MTurk平台对年龄≥18岁的参与者进行了一项19个问题的网络调查。为了确定与共享可穿戴设备数据意愿相关的特征,我们进行了逻辑回归和决策树分析。
结果:共有935名使用可穿戴设备的MTurk员工完成了调查。大多数受访者表示愿意分享他们的可穿戴设备数据(615/935,65.8%),这些受访者中的大多数人愿意在获得补偿的情况下分享他们的数据(518/615,84.2%)。logistic回归分析结果显示,印度裔(优势比[OR] 2.74, 95% CI 1.48-4.01,P=.007),较高的年收入(OR 2.46, 95% CI 1.26-3.67,P=.02),使用可穿戴设备超过6个月(OR 1.75, 95% CI 1.21-2.29,P=.006),使用心跳和脉搏跟踪监测设备(OR 1.60, 95% CI 0.14-2.07,P=.01)是影响数据共享意愿的重要参数。如果提供补偿,与分享数据意愿相关的唯一因素是印度国籍(OR 0.47, 95% CI 0.24-0.9,P= .02点)。我们的决策树分析结果表明,与共享数据意愿相关的三个主要参数是可穿戴设备使用的持续时间、国籍和收入。
结论:大多数可穿戴设备用户表示愿意分享他们的数据用于研究用途(有偿或无偿;615/935, 65.8%)。愿意分享这些数据的可能性在使用可穿戴设备超过6个月、印度国籍或美国(美利坚合众国)国籍且年收入超过2万美元的个人中更高。愿意分享个人数据的印度裔个体对薪酬的期望明显低于美国裔个体(P= .02点)。
doi: 10.2196/19789
关键字
简介
可穿戴设备是人们穿戴在身体各个部位的小型硬件技术。这些设备的功能可能包括跟踪和监控健康、健身、食物和衰老相关指标[
].使用可穿戴设备变得非常流行,部分原因是数据收集和演示是实时进行的[ ]而且由于它们可能对健康和健身有积极的影响[ ].此外,可穿戴设备提供的定期反馈显示出对身体活动和减肥结果有积极影响的希望[ ].从研究的角度来看,可穿戴设备有望以一种方便、可扩展的方式从研究参与者那里收集数据,与传统的研究方法相比,这种方法更有可能覆盖更广泛和多样化的人群[ , ].之前关于可穿戴设备数据共享的研究在共享数据的意愿方面产生了不同的结果[
- ].亚马逊Mechanical Turk (MTurk)是一种潜在的资源,研究人员可以利用它招募个人参与使用可穿戴设备数据的研究。MTurk是一个众包平台,允许研究人员发布人工智能任务(HITs),“工人”可以选择完成这些任务以获得报酬[ ].以前的研究评估了目标人群中个体的意见,如老年人[ ]、健康应用用户[ ],以及病人[ ].虽然有研究从MTurk公司招募了可穿戴设备用户[ , ],据我们所知,这些参与者的特征还没有被检查。本研究的目的是探索MTurk上可穿戴设备用户的特征,这些特征与为研究用途共享数据的意愿有关。我们还旨在确定薪酬是否是影响分享此类数据意愿的一个因素。这项研究将帮助那些考虑将MTurk作为研究途径的研究人员从MTurk招募可穿戴设备用户,并了解潜在的好处和局限性。方法
研究设计与人群
这是对使用可穿戴设备进行健康监测的MTurk工人的横断面调查研究的二次分析。这些工人参加了2018年3月1日至4月5日的调查。只有18岁以上的成年人才有资格参加这项研究。有关招聘策略及调查工具的详情,已载于主要刊物[
],并在招聘策略与调查工具部分。招聘策略与调查工具
我们开发了一项基于网络的19个问题的调查,以探索与分享可穿戴设备数据用于研究用途的意愿相关的特征。该调查由Qualtrics (Qualtrics International Inc .)编制。在MTurk界面(即HIT)发布调查的简短描述后,符合资格要求的MTurk工人能够审查HIT,如果他们选择承担调查任务,他们会被推荐到外部Qualtrics调查网站(
).在Qualtrics调查网站上,基于网络的招聘策略包括四个部分:本研究介绍、筛选问题、调查问题和调查后步骤。引言部分介绍了本研究的概况,包括时间限制、补偿、风险、收益以及研究人员的联系方式。筛选部分是为了确保受访者有资格参加调查,并且他们理解了重要的概念。理解能力是通过选择题来评估的健康监测技术而且运行状况监视数据在提供描述之后。为了评估受访者是否有资格参加调查,他们被要求说明他们是否使用可穿戴设备来监测他们的健康状况(
).只有正确回答理解问题并表示他们使用可穿戴设备来监测自己健康的参与者才能继续完成调查。调查包括人口统计数据、使用MTurk的经验、参与MTurk HITs的动机、使用可穿戴设备的经验以及提交可穿戴设备数据用于研究目的的兴趣等问题。在调查后的步骤中,成功完成调查后,受访者会收到一则简短的信息,感谢他们的参与。他们还被提供了一个随机的,自动生成的验证代码。为了获得完成调查的报酬,必须在MTurk上输入验证代码。每个参与者的回答会得到0.40美元的报酬。对这一过程进行了初步测试,以确定完成调查所需的时间。此外,为了确保数据的效率不降低,我们确保来自所有前一批的受访者都无法对最新一批的HITs做出响应。
本研究被认为仅对参与者施加了最小的风险,并被约翰霍普金斯大学(协议代码:IRB00158371)和马里兰大学(协议代码:IRB 1165377)的机构审查委员会确定免除机构审查。
结果和相关变量
主要结果是愿意为研究目的共享可穿戴设备数据。第二个结果是,如果提供补偿,人们愿意分享可穿戴设备的数据。分析的重点是了解与共享可穿戴设备数据的意愿相关的特征,以及在提供补偿的情况下与共享此类数据的意愿相关的特征。调查的人口统计学特征包括年龄(18-24岁、25-34岁、35-44岁和≥45岁)、性别(男性和女性)、国籍(美国人[美利坚合众国]、印度人和其他)、美元年收入(< 2万美元;20,000- 39,999美元;40,000- 69,999美元;≥70,000美元),教育(高中文凭或其他,一些大学,学士学位,研究生学位或工作)。此外,调查的可穿戴设备特征还包括使用目的(心跳和脉搏跟踪;睡眠跟踪;步跟踪; and diet-related tracking, that is, the tracking of calories, body fat, or nutrients) and the duration of use (<6 months and ≥6 months). We also tested for a possible association between the willingness to share wearable device data and the average time spent on doing HITs per week (0 to <2 hours, 2 to <4 hours, 4 to <8 hours, 8 to <20 hours, and ≥20 hours).
统计分析
通过卡方检验的双变量分析用于分类变量,以估计愿意和不愿意共享可穿戴设备数据用于研究的员工之间的特征差异。研究人员对愿意分享这些数据的员工进行了类似的分析,以估计期望薪酬和不期望薪酬的员工之间的特征差异。在多变量分析方面,我们进行了逻辑回归,以评估共享可穿戴设备数据的意愿与MTurk员工个人特征之间的关系。一个类似的模型被用来分析如果提供补偿,分享这些数据的意愿。此外,我们还进行了决策树分析,以确定更有可能共享可穿戴数据用于研究的子群体。所有分析均采用R版本3.6.2 (R Foundation for Statistical Computing)进行。
结果
共有935名使用可穿戴设备的MTurk员工完成了调查。近90%(827/ 935,88.4%)的参与者年龄在18至44岁之间,58.9%(551/935)为男性,64.7%(605/935)为美国国籍,约60%(578/ 935,61.8%)使用可穿戴设备超过6个月(
).三分之二的受访者(615/935,65.8%)表示愿意分享他们的可穿戴设备数据。在单变量分析中,国籍、年收入、教育程度、每周完成HITs的平均时间、使用可穿戴设备的持续时间以及跟踪心跳和脉搏的可穿戴设备的使用与共享数据而不期望补偿的意愿具有统计学上的显著相关性( ).特征 | 合计(N=935), N (%) | 愿意分享可穿戴设备数据 | 如果提供补偿,愿意分享可穿戴设备数据一个 | |||||
否(n=320), n (%) | 是(n=615), n (%) | P价值 | 否(n=97), n (%) | 是(n=518), n (%) | P价值 | |||
性 | ||||||||
男性 | 551 (58.9) | 188 (58.8) | 363 (59) | N/Ab | 62 (63.9) | 301 (58.1) | N/A | |
女 | 375 (40.1) | 129 (40.3) | 246 (40) | .97点 | 33 (34) | 213 (41.1) | 低位 | |
其他还是宁愿不说 | 9 (1) | 3 (0.9) | 6 (1) | N/A | 2 (2.1) | 4 (0.8) | N/A | |
年龄(年) | ||||||||
18 - 24 | 130 (13.9) | 52 (16.3) | 78 (12.7) | N/A | 14 (14.4) | 64 (12.4) | N/A | |
25 - 34 | 490 (52.4) | 159 (49.7) | 331 (53.8) | .59 | 49 (50.5) | 282 (54.4) | 点 | |
35-44 | 207 (22.1) | 70 (21.9) | 137 (22.3) | N/A | 24 (24.7) | 113 (21.8) | N/A | |
≥45 | 100 (10.7) | 37 (11.6) | 63 (10.2) | N/A | 10 (10.3) | 53 (10.2) | N/A | |
宁愿不说 | 8 (0.9) | 2 (0.6) | 6 (1) | N/A | 0 (0) | 6 (1.2) | N/A | |
国籍 | ||||||||
美国(美利坚合众国) | 605 (64.7) | 222 (69.4) | 383 (62.3) | N/A | 45 (46.4) | 338 (65.3) | N/A | |
印度 | 210 (22.5) | 53 (16.6) | 157 (25.5) | .008 | 43 (44.3) | 114 (22) | <措施 | |
其他 | 120 (12.8) | 45 (14.1) | 75 (12.2) | N/A | 9 (9.3) | 66 (12.7) | N/A | |
年收入(美元) | ||||||||
< 20000 | 226 (24.2) | 92 (28.7) | 134 (21.8) | N/A | 35 (36.1) | 99 (19.1) | N/A | |
20000 - 39999 | 236 (25.2) | 82 (25.6) | 154 (25) | 03 | 20 (20.6) | 134 (25.9) | . 01 | |
40000 - 69999 | 276 (29.5) | 94 (29.4) | 182 (29.6) | N/A | 26日(26.8) | 156 (30.1) | N/A | |
≥70000 | 194 (20.7) | 52 (16.2) | 142 (23.1) | N/A | 16 (16.5) | 126 (24.3) | N/A | |
宁愿不说 | 3 (0.3) | 0 (0) | 3 (0.5) | N/A | 0 (0) | 3 (0.6) | N/A | |
教育 | ||||||||
研究生学历或工作 | 192 (20.5) | 62 (19.4) | 130 (21.1) | N/A | 19日(19.6) | 111 (21.4) | N/A | |
学士学位 | 472 (50.5) | 147 (45.9) | 325 (52.8) | .04点 | 53 (54.6) | 272 (52.5) | .90 | |
一些大学 | 210 (22.5) | 83 (25.9) | 127 (20.7) | N/A | 21日(21.6) | 106 (20.5) | N/A | |
高中或其他学历 | 61 (6.5) | 28日(8.8) | 33 (5.4) | N/A | 4 (4.1) | 29 (5.6) | N/A | |
每周从事人工智能任务的平均时间(小时) | ||||||||
0到<2 | 120 (12.8) | 46 (14.4) | 74 (12) | N/A | 12 (12.4) | 62 (12) | N/A | |
2到<4 | 183 (19.6) | 77 (24.1) | 106 (17.2) | .04点 | 15 (15.5) | 91 (17.6) | 。45 | |
4到<8 | 225 (24.1) | 63 (19.7) | 162 (26.3) | N/A | 31 (32) | 131 (25.3) | N/A | |
8至<20 | 228 (24.4) | 75 (23.4) | 153 (24.9) | N/A | 18 (18.6) | 135 (26.1) | N/A | |
≥20 | 179 (19.1) | 59 (18.4) | 120 (19.5) | N/A | 21日(21.6) | 99 (19.1) | N/A | |
可穿戴设备使用时长(月) | ||||||||
≤6 | 357 (38.2) | 150 (46.9) | 207 (33.7) | N/A | 48 (49.5) | 159 (30.7) | N/A | |
>6 | 578 (61.8) | 170 (53.1) | 408 (66.3) | <措施 | 49 (50.5) | 359 (69.3) | 措施 | |
可穿戴设备的用途c | ||||||||
心跳和脉搏跟踪 | 446 (47.7) | 131 (40.9) | 315 (51.2) | 04 | 49 (50.5) | 266 (51.4) | .97点 | |
睡眠跟踪 | 323 (34.5) | 103 (32.2) | 220 (35.8) | 。31 | 32 (33) | 188 (36.3) | 收 | |
步跟踪 | 648 (69.3) | 218 (68.1) | 430 (69.9) | .62 | 54 (55.7) | 376 (72.6) | 措施 | |
饮食(卡路里、体脂和营养) | 552 (59) | 180 (56.2) | 372 (60.5) | 。 | 61 (62.9) | 311 (60) | .68点 |
一个数据来自那些愿意分享数据的人。
bN/A:不适用。
c同一个人可以选择多个选项。
在那些愿意分享可穿戴设备数据的人中,84.2%(518/615)表示,如果提供补偿,他们愿意这样做。国籍、年收入、使用可穿戴设备的时间以及使用可穿戴设备跟踪步数的单变量与在提供补偿的情况下共享数据的意愿存在显著相关性。在我们的研究人群中使用可穿戴设备的持续时间的更详细的细分显示在
.我们的逻辑回归分析结果表明,MTurk员工分享可穿戴设备数据的意愿与其特征之间存在调整关联。特别是印度国籍(优势比[OR] 3.09, 95% CI 1.92-5.02);年收入20,000- 39,999美元,40,000- 69,999美元,≥70,000美元(OR 1.61, 95% CI 1.04-2.52;或1.73,95% ci 1.12-2.7;OR 2.32, 95% CI 1.4 ~ 3.87);使用可穿戴设备超过6个月(OR 1.74, 95% CI 1.26-2.4);使用心跳和脉搏跟踪可穿戴设备(OR 1.58, 95% CI 1.17-2.14)与更愿意为研究用途共享数据相关(
).特征 | 愿意分享可穿戴设备数据 | 如果提供补偿,愿意分享可穿戴设备数据 | ||||||||
优势比(95% CI) | P价值 | 优势比(95% CI) | P价值 | |||||||
MTurk工人的特点 | ||||||||||
性 | ||||||||||
男性 | 1.00(参考) | 参考 | 1.00(参考) | 参考 | ||||||
女 | 1.10 (0.78 - -1.43) | 53 | 1.17 (0.72 - -1.92) | 53 | ||||||
年龄(年) | ||||||||||
18 - 24 | 1.00(参考) | 参考 | 1.00(参考) | 参考 | ||||||
25 - 34 | 0.99 (0.56 - -1.42) | .96点 | 1.12 (0.54 - -2.24) | 综合成绩 | ||||||
35-44 | 0.97 (0.50 - -1.45) | 点 | 0.74 (0.33 - -1.6) | 。45 | ||||||
≥45 | 0.88 (0.37 - -1.39) | .64点 | 0.78 (0.3 - -2.1) | .62 | ||||||
国籍 | ||||||||||
美国 | 1.00(参考) | 参考 | 1.00(参考) | 参考 | ||||||
印度 | 2.74 (1.48 - -4.01) | .007 | 0.47 (0.24 - -0.9) | 02 | ||||||
其他 | 1.13 (0.64 - -1.62) | 收 | 1.16 (0.54 - -2.74) | 点 | ||||||
年收入(美元) | ||||||||||
< 20000 | 1.00(参考) | 参考 | 1.00(参考) | 参考 | ||||||
20000 - 39999 | 1.61 (0.93 - -2.29) | 。08 | 1.72 (0.88 - -3.43) | 厚 | ||||||
40000 - 69999 | 1.76 (1.02 - -2.51) | .045 | 1.31 (0.68 - -2.55) | 点 | ||||||
≥70000 | 2.46 (1.26 - -3.67) | 02 | 1.52 (0.71 - -3.32) | 29 | ||||||
教育 | ||||||||||
研究生学历或工作 | 1.00(参考) | 参考 | 1.00(参考) | 参考 | ||||||
学士学位 | 1.31 (0.81 - -1.81) | 23) | 0.97 (0.52 - -1.78) | 公布 | ||||||
一些大学 | 1.10 (0.60 - -1.60) | i = | 0.64 (0.29 - -1.39) | 低位 | ||||||
高中或其他学历 | 0.93 (0.32 - -1.54) | 总共花掉 | 1.03 (0.31 - -4.13) | .96点 | ||||||
每周从事人工智能任务的平均时间(小时) | ||||||||||
0到<2 | 1.00(参考) | 参考 | 1.00(参考) | 参考 | ||||||
2到<4 | 0.73 (0.37 - -1.10) | 酒精含量 | 1.22 (0.51 - -2.88) | 主板市场 | ||||||
4到<8 | 1.41 (0.71 - -2.11) | 二十五分 | 0.89 (0.4 - -1.88) | .76 | ||||||
8至<20 | 1.16 (0.59 - -1.73) | 算下来 | 1.61 (0.69 - -3.66) | 点 | ||||||
≥20 | 1.16 (0.56 - -1.76) | .60 | 1.25 (0.54 - -2.83) | .59 | ||||||
健康监测技术 | ||||||||||
可穿戴设备使用时长(月) | ||||||||||
≤6 | 1.00(参考) | 参考 | 1.00(参考) | 参考 | ||||||
>6 | 1.75 (1.21 - -2.29) | .006 | 1.60 (0.99 - -2.6) | 06 | ||||||
可穿戴设备的用途一个 | ||||||||||
心跳和脉搏跟踪 | 1.60 (1.14 - -2.07) | . 01 | 1.07 (0.67 - -1.71) | .77点 | ||||||
睡眠跟踪 | 1.11 (0.77 - -1.44) | 54 | 1.00 (0.62 - -1.65) | 获得 | ||||||
步跟踪 | 1.17 (0.77 - -1.57) | .41点 | 1.45 (0.85 - -2.44) | 。 | ||||||
饮食(卡路里、体脂和营养) | 1.09 (0.77 - -1.41) | .60 | 0.96 (0.59 - -1.57) | 多多 |
一个同一个人可以选择多个选项。
决策树分析确定了与共享可穿戴数据的研究意愿显著相关的三个特征,并将所有参与者细分为4个部分(节点)。树状图中的第一个特征(重要性最高)是使用健康监测可穿戴设备超过6个月。如果回答是肯定的(即,“是”;节点1;N =578),这些参与者有71%的概率愿意分享可穿戴数据。对于那些表示他们使用可穿戴设备的时间不超过6个月的参与者,第二个问题是“您的国籍是什么?”如果他们是印度国籍(节点2;N =118),则愿意分享可穿戴数据的概率为69%。如果参与者不是印度人,下一个问题是“你的年收入是多少?”年收入超过2万美元的个人(节点3; n=188) had a 57% probability of having a willingness to share wearable data. The last segment of participants, who indicated a wearable device use duration of less than 6 months, were not Indian, and had an annual income of less than US $20,000 (node 4; n=51), had a low probability of being willing to share wearable data (33%). The accuracy of the decision tree was 0.684 (
).![](https://asset.jmir.pub/assets/b51d7b459566f8871fafd5c0b7053337.png)
讨论
主要研究结果
在这项研究中,我们探索了MTurk上可穿戴设备用户的特征,这些特征与共享用于研究用途的可穿戴设备数据的意愿相关。我们的研究结果显示,大约三分之二(615/935,65.8%)使用可穿戴设备的人表示愿意分享他们的数据用于研究用途。愿意分享可穿戴设备数据的概率在使用可穿戴设备超过6个月的人、收入较高的人、印度国籍的人以及使用可穿戴设备进行心跳和脉搏跟踪的人中更高。大多数愿意分享可穿戴数据的人(518/615,84.2%)更愿意因为分享这些数据而获得补偿。此外,来自印度的MTurk工人对薪酬的期望明显低于美国工人(P= .02点)。如果提供补偿,则没有其他因素与共享可穿戴设备数据的意愿相关。
我们的主要发现是,大多数MTurk员工(615/935,65.8%)愿意分享他们的可穿戴数据用于研究;然而,基于不同人群的类似研究结果却喜忧参半。一项针对老年人的研究[
]以及另一项针对健康和健身应用用户的研究[ 调查发现,大多数参与者愿意分享他们的数字设备数据。这项针对老年人的研究还发现,收入和分享这些数据的意愿之间存在关联。 ].在另一项针对在学术急诊科寻求治疗的患者的研究中,少数患者(40%)表示愿意与研究人员共享可穿戴设备数据[ ].更多的患者愿意分享其他类型的数据(如音乐流媒体数据),大多数患者愿意在死后分享所有调查的数字数据类型,包括可穿戴设备数据。我们发现,由于使用这种设备的经验不同,共享可穿戴设备数据的意愿可能会有所不同,这与其他人的发现相似。例如,一项调查发现,那些自认为在可穿戴设备方面具有中低水平专业知识的人不太愿意分享这些数据[
].另一项针对健康和健身应用用户的调查发现,与“非量化自我者”相比,“量化自我者”明显更愿意在公共科学数据库上分享他们的个人数据。 ].经验和共享数据意愿之间的关系可能受到数据保护法知识和人们对共享数据的隐私影响的舒适度等因素的影响。此外,在参与自我跟踪或数据共享活动方面有更多经验的个体可能与经验较少的个体不同(例如,由于以前参与过自我跟踪研究,或发现作为量化自我运动的一部分与他人分享和讨论数据的价值而更习惯于共享数据)。这项研究是为数不多的研究之一,调查了如果提供经济补偿,人们愿意分享可穿戴设备数据的情况。在对影响参与基因组研究的激励因素的回顾中,作者发现薪酬是最不重要的因素[
].然而,基因组研究在很大程度上不涉及可穿戴数据捐赠。在另一项研究中,有一个与我们更相似的个人样本(即,自我跟踪很常见的人群),作者发现,大多数人“可能会”或“肯定会”愿意分享他们的数据,如果他们得到补偿,大多数人会“更”或“更”愿意分享数据。 ].与上述研究不同的是,我们还调查了在提供补偿的情况下与分享意愿相关的特征,并发现国籍是唯一具有统计学意义的因素(P= .02点)。我们还发现,收集心跳和脉搏跟踪数据的人更愿意分享可穿戴设备数据。当考虑两个数据表示级别(即传感器数据和派生信息)时[
]),在我们的调查涵盖的数据类型中,心跳和脉搏跟踪数据是传感器数据级别的唯一数据类型。其他数据类型来自加速度计(即用于睡眠跟踪和步长跟踪的加速度计)或其他传感器(即用于跟踪卡路里、体脂和营养物质的加速度计)。这一发现可能表明对数据隐私的关注程度较低,因为衍生信息只使用可用原始数据的一个子集。然而,鉴于我们在调查中没有区分原始数据和衍生数据,调查对象很可能不知道可以从心跳和脉搏跟踪设备收集到的衍生信息的种类(例如,健康状况和预期寿命)。根据Schneegass等人的工作[ ],可穿戴设备用户对传感器数据与传感器数据衍生信息之间关系的理解仍然有限。因此,在考虑增加人们分享可穿戴设备数据意愿的机制时,请求访问派生信息可能是最大限度提高研究中要研究的数据透明度的最合适方法。参加这项研究的MTurk工人的人口统计学特征与大约在同一时间进行的另一项研究的人口统计学特征非常一致[
].大多数工人来自美国(605/935,本研究为64.7%,而Difallah等人的研究为75% [ ]),第二大群体来自印度(210/935,在我们的调查中占22.5%,而在Difallah等人的工作中占16% [ ]),其余受访者则来自其他国家。在我们的研究中,男性占了58.9%(551/935)。这与我们在除美国以外的大多数国家的MTurk工人中观察到的情况类似。 , ].使用可穿戴设备的MTurk员工的年龄比MTurk员工的总体年龄略小。近90%(827/ 935,88.4%)的人口年龄在18至45岁之间,而70%的MTurk工人年龄在18至50岁之间[ ].然而,我们研究中的年龄分布与美国可穿戴设备用户的年龄分布相似[ ].香港居民的年收入低于美国一般人口的年收入[ ]但与MTurk工人的收入相似[ ].研究人群的收入中位数低于40,000美元,而MTurk工人的收入中位数约为47,000美元,美国普通人群的收入中位数约为60,000美元。限制
首先,MTurk调查回应的可泛化性是研究人员普遍关注的问题。我们的研究发现可穿戴设备用户与一般人群有一些相似之处,也有一些不同之处。由于我们使用了MTurk,我们的样本也可能比一般研究人群更受补偿的驱动。未来的工作可能会将MTurk样本与其他类型的样本进行比较,例如web面板[
以及没有得到补偿的社交媒体论坛用户。其次,数据质量问题在我们这样的众包研究中也很常见。为了提高数据的质量,我们在调查中加入了理解筛选测试。虽然在本研究中没有探讨,但通过使用考虑工人经验和声誉的抽样策略,也可以更好地确保高数据质量[ ].第三,关于愿意分享可穿戴设备数据的观点可能与实际决定不同。在一项关于参与生物库研究意愿的研究中观察到了这一点[ ].影响生物库研究参与的类似因素,在假设的背景下影响较小,例如信任,可能在是否为研究共享数据方面发挥一定作用。例如,其他人发现,愿意分享数字数据可能是人们对科学团队信任的一个功能[ ].此外,在捐赠完成后,个人可能不再控制其数据的情况下,数据捐赠的知情同意在本研究中没有明确地向参与者描述,这可能影响了他们的实际意愿。第四,影响可穿戴数据捐赠的复杂性和多样性,本研究无法完全捕捉。例如,与愿意分享可穿戴数据的高概率相关的个人的人口统计学特征是高收入和印度国籍。可能存在与这些因素相关的文化背景,例如不同国家的社会规范和数据保护政策,它们会影响对数据捐赠的态度。通过使用MTurk平台招募参与者的未来工作应探索可能影响共享数据决定的其他因素,如信任;控制数据的使用内容和使用方式;知情同意因素(例如,广泛同意、动态同意等);以及个人因素与可能的更广泛因素(如社会规范和数据保护政策)之间的相互作用。此外,更好地理解对数据共享的开放在多大程度上转化为广大可穿戴设备用户所表现出的实际行为,将有助于指导研究人员招募这些人。 A person’s comfort with sharing data prior to a data request, for example, may influence the extent to which the hypothetical willingness to share data translates into an actual data donation.影响
众包可穿戴设备数据捐赠
本研究总结了从MTurk招募的潜在可穿戴用户的特征。研究报告中缺少对人群工作者特征的描述是健康研究中经常出现的问题[
].虽然也有其他研究从MTurk公司招募了可穿戴设备用户[ , ,据我们所知,这些工人的特点还没有被研究过。一旦参与者批准访问其可穿戴设备数据,授予访问权限的机制,如设备上的权限(如Apple HealthKit)和OAuth 2.0协议[ ,可以让研究人员远程访问可穿戴设备用户的数据。因此,MTurk的众包方面可以让研究人员快速接触到大量和多样化的研究参与者[ ].由于MTurk被进一步视为招募愿意共享可穿戴设备数据的研究参与者的来源,因此将这些数据用于研究的二次使用将需要仔细考虑当前的数据保护法律,如欧盟《通用数据保护条例》和美国《健康保险可携带性和责任法案》。启用可穿戴数据捐赠
为了使MTurk工人能够捐赠可穿戴设备数据,需要技术方法来获得二次使用数据的权限,并将数据传输到具有适当隐私和安全级别的研究平台。有一些平台,比如mCerebrum DataKit [
]和开放人类[ ],旨在从多个来源收集移动传感器数据,包括可穿戴设备。然而,很少有设备支持数据传输[ ].最近对iOS个人健康应用程序的回顾显示,只有33%的应用程序支持应用程序编程接口,这是一种允许最细粒度数据访问的数据访问方法[ ].鉴于MTurk员工非常愿意分享我们研究中发现的可穿戴设备数据,未来的工作可能会为MTurk员工常用的设备提供可穿戴数据访问,并建立与现有平台兼容的可选择数据收集服务。结论
在这项研究中,我们调查了MTurk员工为研究用途共享可穿戴设备数据的意愿,以及与共享此类数据的意愿相关的特征。我们发现,MTurk上约三分之二的可穿戴设备用户(615/935,65.8%)表示愿意分享他们的数据用于研究用途。在那些愿意分享这些数据的人中,大多数(518/615,84.2%)表示如果提供补偿,他们愿意分享他们的数据。愿意分享可穿戴设备数据的概率在使用可穿戴设备超过6个月、印度国籍或美国国籍且年收入超过2万美元的个人中更高。总的来说,我们的发现是令人鼓舞的,应该在涉及可穿戴设备数据共享的众包研究中加以考虑。应利用现有的选择加入数据收集平台来实现这一目标。
致谢
这项工作是在约翰霍普金斯大学和马里兰大学帕克学院完成的。本研究是对SR硕士论文中数据的二次分析,论文题目为MTurk参与者健康设备使用情况调查[
].利益冲突
没有宣布。
人工智能任务描述和理解检查题。
DOCX文件,14kb
亚马逊土耳其机器人调查参与者使用可穿戴设备的时间。
DOCX文件,22 KB参考文献
- Kaewkannate K, Kim S.可穿戴健身设备的比较。BMC Public Health 2016 May 24;16:433 [免费全文] [CrossRef] [Medline]
- Casselman J, Onopa N, Khansa L.可穿戴医疗保健:过去的教训和对未来的展望。远程信息技术与信息学2017年11月34日(7):1011-1023。[CrossRef]
- 希金斯JP。智能手机应用程序为患者的健康和健身。美国医学杂志2016年1月17日;129(1):11-19。[CrossRef] [Medline]
- Fawcett E, Van Velthoven MH, Meinert E.在超重和肥胖成人中使用可穿戴技术进行长期体重管理:系统综述。JMIR Mhealth Uhealth 2020年3月10日;8(3):e13461 [免费全文] [CrossRef] [Medline]
- 李志强,李志强,李志强。数字化临床试验。柳叶刀2017年11月11日;390(10108):2135。[CrossRef] [Medline]
- Arvidsson D, Fridolfsson J, Börjesson M.在临床实践中使用加速度计测量身体活动。J实习医学2019 Aug;286(2):137-153 [免费全文] [CrossRef] [Medline]
- Seifert A, Christen M, Martin M.老年人与研究人员共享移动健康数据的意愿。老年医学(伯尔尼)2018年3月31日(1):41-49。[CrossRef]
- Chen J, Bauman A, Allman-Farinelli M.一项研究,以确定最受欢迎的生活方式智能手机应用程序和公众愿意为健康研究分享他们的个人数据。Telemed J E Health 2016 Aug;22(8):655-665。[CrossRef] [Medline]
- Seltzer E, Goldshear J, Guntuku SC, Grande D, Asch DA, Klinger EV,等。患者共享数字健康和非健康数据用于研究的意愿:一项横断面研究BMC Med Inform Decis Mak 2019 Aug 08;19(1):157 [免费全文] [CrossRef] [Medline]
- Mason W, Suri S.在亚马逊的土耳其机器人上进行行为研究。行为研究方法2012 march 44(1):1-23。[CrossRef] [Medline]
- Epstein DA, Kang JH, Pina LR, Fogarty J, Munson SA。重新考虑抽屉里的设备:失误作为个人信息学的一个设计机会。Proc ACM Int Conf普惠计算2016 Sep 12;2016:829-840 [免费全文] [CrossRef] [Medline]
- 爱泼斯坦DA, Caraway M, Johnston C, Ping A, Fogarty J, Munson SA。从放弃到下一步:理解和设计个人信息工具使用后的生活。Proc SIGCHI Conf Hum因子计算系统2016年5月;2016:1109-1113 [免费全文] [CrossRef] [Medline]
- 关于MTurk参与者使用保健设备的调查。马里兰大学数字资源库,2018。URL:http://hdl.handle.net/1903/21073[2021-09-23]访问
- 施尼加斯,马彻拉。信息表征对信息共享意愿的影响研究。2019年5月出席:CHI '19: CHI计算系统中的人为因素会议;2019年5月4日至9日;格拉斯哥,苏格兰,英国。[CrossRef]
- Goodman D, Bowen D, Wenzel L, Tehrani P, Fernando F, Khacheryan A,等。与基因组队列研究相关的研究参与者视角:定量文献的系统回顾。Transl Behav Med 2018 1月29日;8(1):119-129 [免费全文] [CrossRef] [Medline]
- 毕茨M, Bloss C, Calvert S, Godino J, Gregory J, Claffey M,等。利用个人健康数据进行健康研究的机遇和挑战。J Am Med Inform association 2016 april;23(e1):e42-e48 [免费全文] [CrossRef] [Medline]
- Difallah D, Filatova E, Ipeirotis P.机械土耳其工人的人口统计学和动态。2018年2月发表于:WSDM 2018:第十一届ACM网络搜索和数据挖掘国际会议;2018年2月5日至9日;Marina del Rey,加利福尼亚州,美国。[CrossRef]
- 机械土耳其人调查。MTurk追踪。URL:http://demographics.mturk-tracker.com/#/gender/us[2021-09-17]访问
- 弗雷斯特研究公司(分析)。2020-2024年美国智能可穿戴设备用户,按世代计算(以百万计)。Statista。URL:https://www.statista.com/statistics/1202075/smart-wearable-users-generation-united-states/[2021-09-23]访问
- 美国人口普查局快速事实:美国。美国人口调查局。URL:https://www.census.gov/quickfacts/fact/table/US/PST045218[2021-09-23]访问
- Baker R, Blumberg SJ, Brick JM, Couper MP, Courtright M, Dennis JM,等。研究综合:AAPOR在线专题报告。公众意见Q 2010 10月20日;74(4):711-781 [免费全文] [CrossRef]
- 罗宾逊J,罗森茨威格C,莫斯AJ,利特曼l。关于如何利用机械土耳其参与者的巨大且未被充分利用的潜力的建议。PLoS One 2019年12月16日;14(12):e0226394。[CrossRef] [Medline]
- Johnsson L, Helgesson G, Rafnar T, Halldorsdottir I, Chia K, Eriksson S,等。参与生物库研究的假设和事实意愿。欧洲杂志2010 11月;18(11):1261-1264 [免费全文] [CrossRef] [Medline]
- 张志强,李志强,李志强,等。研究参与者愿意参与和分享生物医学研究中的数字数据的当代观点。2019年美国医学会网络公开赛11月01日;2(11):e1915717 [免费全文] [CrossRef] [Medline]
- Créquit P, Mansouri G, Benchoufi M, Vivot A, Ravaud P.众包在卫生领域的映射:系统综述。J Med Internet Res 2018年5月15日;20(5):e187 [免费全文] [CrossRef] [Medline]
- 金勇,李斌,崔志强。调查个人健康应用程序的数据可访问性。J Am Med Inform association 2019年5月01日;26(5):412-419 [免费全文] [CrossRef] [Medline]
- Hossain SM, Hnat T, Saleheen N, Nasrin NJ, Noor J, Ho BJ,等。mbrain:用于开发和验证数字生物标志物和干预的移动传感软件平台。Proc Int Conf Embed Netw Sens Syst 2017 11月;2017:7 [免费全文] [CrossRef] [Medline]
- Tzovaras BG, Angrist M, Arvai K, Dulaney M, Estrada-Galiñanes V, Gunderson B,等。开放人类:一个以参与者为中心的研究和个人数据探索平台。Gigascience 2019 Jun 01;8(6):giz076 [免费全文] [CrossRef] [Medline]
- 穆兹尼·M, Henriksen A, Giordanengo A, Muzik J, Grøttland A, Blixgård H,等。具有数据交换可能性的可穿戴传感器:分析移动健康监测系统中不同参与者的状态和需求。Int J Med通知2020年1月;133:104017。[CrossRef] [Medline]
缩写
冲击:人类智力任务 |
MTurk:亚马逊土耳其机器人 |
或者:优势比 |
R·库卡夫卡编辑;提交01.05.20;S Munson, S Park的同行评审;作者意见21.07.20;修订版本收到22.02.21;接受12.09.21;发表21.10.21
版权©Casey Overby Taylor, Natalie Flaks-Manov, Shankar Ramesh, Eun Kyoung Choe。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com), 2021年10月21日。
这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。