Understanding Quantified-Selfers’ Practices in Collecting and Exploring Personal Data + CHI 2014 -Eun Kyoung Choe, Nicole B. Lee, Bongshin Lee, Wanda Pratt, Julie A. Kientz /김유정 x 2014 autumn

1. Understanding Quantified-
Selfers’ Practices in
Collecting and Exploring
Personal Data
+ CHI 2014
-Eun Kyoung Choe, Nicole B. Lee,
Bongshin Lee, Wanda Pratt, Julie A. Kientz
/김유정
x 2014 autumn

2. CHI2014
Understanding Quantified-Selfers’ Practices in
Collecting and Exploring Personal Data
Eun Kyoung Choe, Nicole B. Lee, Bongshin Lee, Wanda Pratt, Julie A. Kientz

3. 2014-Fall
Lab Meeting
CHI 2014
3
Honorable Mention
Session: Quantified Self

4. 2014-Fall
Lab Meeting
Authors
4
Eun Kyoung Choe
Wanda Pratt
Julie A. Kientz
Microsoft Research
Nicole B. Lee
Bongshin Lee,
Univ. of Washington

5. 2014-Fall
Lab Meeting
Author Keywords
5
Quantified Self Self-monitoring Self-tracking
Health Personal Informatics Personal Analytics Self-experimentation

6. 2014-Fall
Lab Meeting
Wearable, Healthcare and Quantified-self
6

7. 2014-Fall
Lab Meeting
Index
7
Introduction
Related Work
Prime Questions and Study Method Profiles of the Quantified-selfers
What Did You Do? How Did You Do? What Did You Learn?
Implications for Self-tracking Tool Design
Conclusion

8. 2014-Fall
Lab Meeting
Abstract
8
• 기존에는 사람들이 셀프 트래킹 기술(self-tracking technologies)을 어떻게 사용하는지 연구
• 시간과 동기 부족, 데이터 통합과 해석의 문제에 대한 논의가 주를 이뤘음
• 이 연구는 적극적이고 성공적인 사례를 보여주는 극단적인(extreme) 유형의 사용자들을 조사
• 52개의 비디오를 양적·질적으로 분석
• 주요한 세 가지 질문을 통해 연구
- 무엇을 했는지
- 어떻게 했는지
- 그래서 무엇을 배웠는지
• 현행 셀프트래킹 기술의 세 가지 주요한 함정(pitfall)
- 너무 많은 것들을 추적하고자 함
- 트리거(trigger)나 맥락(context)는 추적되지 않음
- 과학적 엄밀성이 부족함
• 자기추적 기술의 디자인 및 개발에 도움을 주는 네 가지 디자인 임플리케이션 도출

9. 2014-Fall
Lab Meeting
Introduction
9
• Quantified Self에 대한 관심이 높아지면서, Quantified-Selfer(Q-selfer)가 계속해서 증가
• 이와 관련 HCI, Personal Informatics 학문적으로는 다양한 분야에서 연구가 진행되고 있음
• 결론은 언제나 시간 부족, 동기 불충분, 부적절한 시각화와 분석 도구, 모자란 데이터 분석
스킬, 다중 플랫폼으로 인해 흩어지고 부분적인 데이터
• 실제 Q-selfer를 통해 문제점을 파악하고, 이들의 QS 전략을 파악할 필요

10. 2014-Fall
Lab Meeting
Related Work
Self-Monitoring (or Self-Tracking)
10
• 셀프 모니터링은 행동 심리학 연구의 고전적인 영역
- 전통적으로 테라피의 평가(assessment), 치료(treatment)를 위해 사용되어옴
- 행동 자각 및 변화에 대한 효과성을 인정받아 널리 채택되어 사용되고 있음
• 건강 영역에서 행동 변화의 촉진을 위해 자동화된 센싱과 수동적 트래킹을 통합하는 경향
- 피트니스, 수면, 다이어트, 흡연, 스트레스 측정을 위한 다양한 기술이 디자인됨
- Mobile Health Mashups system은 운동량, 체중, 음식, 수면, 기분 등의 다양한 소스를
측정하는 데이터 센서 사이의 중대한 상관성을 나타냄
• 건강 지표나 증상을 트래킹하는 것은 대중들에게도 친숙한 일이 되었음
- 미국의 성인을 대상으로 조사한 결과, 10명 중 7명이 자신을 위해서, 혹은 사랑하는 사람을
위해서 건강 지표를 트래킹한다고 밝힘
- 이들 중 21%만이 기술을 사용하고, 49%는 머릿속으로 생각하고, 34%는 종이를 이용함
- 만성질환자는 당연히 더 잘 트래킹하려고 하는 경향이 있음

11. 2014-Fall
Lab Meeting
Related Work
Quantified Self and Personal Analytics
11
• QS의 시작과 발전
- 저가의 모니터링 센서들이 QS를 확산시킴
- 실리콘벨리의 기술광들 사이에서 시작되어 점차 커뮤니티로 발전
- Meetups, 블로그, 컨퍼런스를 통해 Q-selfer들은 경험을 공유하고 행동을 변화시킴
- 2014년 1월, 36개국의 106 도시에서 Meetups가 열림
• Personal Analytics / Personal Informatics의 등장
- Stephen Wolfram의 용어 “개인적 정보를 수집하고 회고하는 행동 집합”
- Li et al.(2010)의 5단계 모델: 준비-수집-통합-회고-행동
• 연구대상으로서의 극단적인 Q-selfers
- Q-selfer의 스펙트럼은 다양함(종이 사용~구글 글래스 사용)
- QS를 적극적이고 성공적으로 하고 있는 사용자들은 일반화될 수도 없다는 약점이 있음
- 하지만 극단적인(extreme) 사례를 조사하는 것은 차별화된 인사이트를 줄 수 있음
- 이들이 현행 기술들을 익숙하게 사용하는 과정에서 많은 시간을 투자해
스스로가 겪는 어려움을 우회하기 위한 전략(workaround)을 고안해냈기 때문

12. 2014-Fall
Lab Meeting
Prime Questions and Study Method
Prime Question
12
• 연구 분석대상은 QS Meetups에서 Q-selfer들이 “Show & Tell” 포맷으로 이야기한 비디오
- Q-selfer는 직접 경험한 셀프 트래킹 방법과 도구에 대해서 이야기함
- 커뮤니티에서 제시된 가이드라인에 따라 주요한 세 가지 질문에 대해 이야기해야 함
- 다른 비디오들에 비해 구조적이고 일관적이므로 의미있는 데이터셋이 될 수 있음
- 5~10분 정도로 구성되며, 많은 경우 녹화되어 Quantifiedself.com에 게시됨
• 세 가지 주요한 질문
- 무엇을 했는가?: 초기 문제점과 셀프 트래킹 동기, 트래킹 항목
- 어떻게 했는가?: 셀프 트래킹 데이터 수집과 수집된 데이터로부터 시각화하는 도구나 방법
- 무엇을 배웠는가?: 트래킹 결과를 통해 얻은 결과나 인사이트

13. 2014-Fall
Lab Meeting
Prime Questions and Study Method
Data Set
13
• QS Meetups에서 Q-selfer들이 “Show & Tell” 포맷으로 이야기한 비디오
- 2012, 2013년에 업로드된 83개의 비디오를 리뷰
- 기준을 만족시키는 52개의 비디오를 분석 대상으로 삼음
- 평균 길이는 15분이었으며, 비디오 내용을 전사하여 분석함

14. 2014-Fall
Lab Meeting
Prime Questions and Study Method
Analysis Techniques
14
• Q-selfer의 프로필 특성 분석
- 장소, 성별, 직업, 건강 상태, 수집한 데이터의 종류, 셀프 트래킹 기간, 데이터 수집 도구, 데
이터 탐색 도구, 도구의 종류(사용자 고안 vs. 상용), 데이터 공유 측면에서 분석
• Q-selfer의 주요 행동 분석
- 400개의 인용문으로 분절하여 어피니티 다이어그램 실시
- 셀프 트래킹 동기, 이용한 도구/방법, 인사이트, 셀프 트래킹 결과, 셀프 트래킹의 난점
• Q-selfer의 시각화 전략 분석
- 개인들의 데이터 시각화에 대한 188개의 스크린샷 수집
- 시각화 타입에 따라 범주화

15. 2014-Fall
Lab Meeting
Profiles of the Quantified-selfers
15
• 장소(Location): 33%가 샌프란시스코/마운틴뷰/실리콘벨리로 여전히 QS가 활발함을 시사
• 성별(Gender): 79%가 여자, 21%만이 남자였음
• 건강 상태(Health Condition)
- 35%가 수면 장애, 비만, 공황, 암, 당뇨, 알러지 등의 건강 상태에 대해 이야기함
- 이러한 건강 상태는 트래킹 대상이나 동기에 대해 영향을 미침
• 직업
- 40%가 스타트업에 근무, 37%는 소프트웨어 엔지니어나 프로그래머, 13%는 데이터 분석
가, 8%는 전기전자 엔지니어
- 크리에이티브 디렉터, 심리학자, 디자이너, 생산 관리자, 대학원생, 애널리스트, 교수, 프로
운동선수 등이 있었음
• 기간: 평균적인 트래킹 기간은 25개월이었음
- 범위가 5일~20년까지 너무 큼
- 중앙값(Median)이 8개월

16. 2014-Fall
Lab Meeting
What Did You Do?
16
40%
31%
29%
25%
13%
Items Tracked
• 전형적인 롱테일 형태를 보여줌
- 가장 인기있는 상위 다섯개의 항목은 활동, 음식, 체중, 수면, 기분
- 항목은 독립적인 57개로 보고되었고, 평균적으로 2.9개의 항목을 수집하는 것으로 나타남
- 인지적 행동, 혈당, 장소, 심박수, 증상, 지식, 스트레스, 체지방, 생산성, 코고는 습관, 자세,
약물, 피부 상태, 에너지 소비량, 옷, 대중교통 이용량 등
• 두 가지 타입의 수집 형태
- 한 번에 여러 항목을 수집해서, 그들 사이의 상관성을 보려고 하는 경우
- 한 번에 한두개 항목만 수집하고, 시간이 지나면 다른 관심사에 따라 다른 항목 수집

17. 2014-Fall
Lab Meeting
What Did You Do?
Motivations to Practice Self-Tracking
17
Motivations Sub-categroies
건강을 향상시키기 위해서
컨디션을 조절하기 위해서
목표를 달성하기 위해서
트리거를 찾기 위해서
구체적인 질문에 답하기 위해서
관계를 규명하기 위해서
치료 계획을 실행하기 위해서
더 나은 건강 판단을 하기 위해서
밸런스를 찾기 위해서
삶의 다른 부분을
향상시키기 위해서
업무 수행률을 극대화하기 위해서
유념하기 위해서
삶의 새로운 경험을
찾기 위해서
호기심을 충족시키거나 재미를 위해서
새로운 것을 탐색하기 위해서
흥미로운 것을 알아내기 위해서

18. 2014-Fall
Lab Meeting
Common Pitfall 1: Tracking Too Many Things
18
What Did You Do?
• QS 초기에 너무 야심차게 많은 것들을 트래킹하고 측정하고자 함
- 1) 피로감을 불러 측정을 그만두게 만듦
- 2) 서로 다른 형태의 데이터를 분석하지 못하는 어려움을 겪음
• Q-selfer의 트래킹 피로 회피 전략
- 1) 자동화가 가능한 경우에 데이터 수집과 업로드를 자동화함 (e.g. 데이터 포인트를 늘림)
- 2) 자동화가 불가능한 경우에, 트래킹을 아주 간단하게 만들거나 쉽게 만듦
✓ 데이터 입도(granularity)를 낮춤 (e.g. binary로 처리)
✓ 수동 입력(mannual capture)을 매우 쉽게 만듦 (e.g. 숫자로 카운팅)
- 3) 트래킹을 보상 경험(reward experience)로 만듦

19. 2014-Fall
Lab Meeting
Common Pitfall 2: Not Tracking Triggers and Context
19
What Did You Do?
• 데이터 트래킹에만 신경을 쓰다가 트리거와 컨텍스트 수집을 놓침
- 사례1) 증상 기록에만 신경을 썼는데, 감정과 연관이 있다는 걸 몇 개월 후에 알게 됨
- 사례2) “내 시간은 어디로 갔는가?” 기록하기 위해서 시간을 추적하고,
모든 것을 계획했는데 잘 안됨
4개월 후에, “내 삶의 밸런스를 어떻게 유지해야 할까?”로 질문을 바꿔서 해결
• 최초 트래킹 단계는 무엇을 추적할지 혹은 어떤 질문을 해야할지를 재정의하는데 도움을 줌
- 자기 반성을 통한 자기 발견과 자기 유지에 도움

20. 2014-Fall
Lab Meeting
How Did You Do it?
Data Collection and Exploration Tools
• 데이터 편의성이 가장 중요: 입·출력의 일원화가 가장 많이 고려됨
- 58%의 사용자가 상용 도구를 사용하고 23%가 스스로 만들어서 사용,
- 19%는 상용 도구와 자신이 만든 도구를 혼합하여 사용
Data Collection Tool %
상업용 하드웨어 Fitbit, ZEO, WIFI 체중계,
심박수 측정기 56
스프래드 시트 Excel, Google Docs 40
커스텀 소프트웨어
직접 제작
코골이 앱, 기분/스트레스
트래킹 앱, 활동/장소 트래
킹 앱, 생산성 트래킹 SW
21
펜과 종이 21
상업용 소프트웨어 수면, 생산성, 음식 추적 앱 19
상업용 웹사이트 10
카메라 6
오픈소스 플랫폼 6
커스텀 하드웨어 자세와 웃음을 측정할 수
있는 웨어러블 센서 4
기타 10
Data Exploration Tool %
스프래드 시트 Excel, Google Docs 통해
간단한 통계, 그래프 생성 44
커스텀 소프트웨어
Javascript 라이브러리를 통
한 웹사이트, 모바일 앱을 제
작하여 데이터 시각화
35
상업용 웹사이트
직접 제작
코골이 앱, 기분/스트레스 트
래킹 앱, 활동/장소 트래킹
앱, 생산성 트래킹 SW
27
상업용 소프트웨어
Fitbit, ZEO, Quantified Mind
통한 자동 데이터 시각화 혹은
상업용 하드웨어와 연동되는
데이터 분석 및 스토리지 서비
스 이용
12
오픈소스 플랫폼 8
통계 소프트웨어 Tableau 4
펜과 종이 2

21. 2014-Fall
Lab Meeting
How Did You Do it?
Visualization Types
21
• 시각화 전략 분석
- 188개의 스크린샷에서 243개의 시각화를
찾아냄
- 21개의 고유한 시각화 타입을 발굴
- 태그 클라우드 크기는 빈도를 나타냄
• 고유한 시각화 전략들이 존재
- 막대(bar) 타입의 응용
- 하드웨어를 통한 실시간 피드백은 아주 특
별한 케이스
- 고도로 개인화되고 복잡한 타임라인 시각
화 방식
- 여러 종류의 방식을 혼합한 타입

22. 2014-Fall
Lab Meeting
Reasons for Building Custom Tools
22
How Did You Do it?
• 1) Q-selfer가 선호하는 두 가지 요소를 지원하는 상용 도구가 거의 없음
- ‘하나의 툴’을 통해 여러 데이터를 트래킹하고 탐색하는 것
- 자가실험(self-experimentation)을 도와주는 것
• 2) 집중적인 트래킹을 하기 위해 새로운 툴을 고안 (e.g. 시간을 측정하기 위해 운동량 nike
plus, 위치 foursquare, 기타 여러 가지 앱)
• 3) 일반적으로 사용할 수 있는 데이터 시각화를 지원하기 위해 커스텀 웹사이트 제작
• 4) Q-selfer의 니즈를 충족시킬 수 있는 도구가 전혀 없는 경우 (e.g. 옷장 속 옷을 측정)

23. 2014-Fall
Lab Meeting
How Did You Do it?
Self-Experimentation
23
• QS를 통해 명확한 결론을 내리거나 적어도 인과관계를 밝히고자 함
- e.g. 수면과 인지적 행동은 상관성이 없다, 체중 트래킹은 체중 감소를 유발한다
- 과거의 행동 패턴의 관찰, 다른 QS의 경험, 자기 자신의 니즈를 통해 자가실험을 계획
- 목적은 다른이에 대한 일반화가 아닌 스스로에 대한 발견
Common Pitfall 3: Lack of Scientific Rigor
• Q-selfer의 자가실험은 통제조건에서 수행되지 않으므로 과학적 엄밀성 부족
• 일부이긴 하지만, 어떤 Q-selfer는 자가실험의 엄밀성을 높이고자 함
- 1) 통제 조건 하에서 실험
- 2) 다른 방법을 통한 삼각측량
- 3) ESM(Experience Sampling Method) 사용

24. 2014-Fall
Lab Meeting
Gained Insights
24
What Did You Learn?
• 기술 통계(descriptive statisics)
- e.g. 자신이 두 달 동안 닫은 인터넷 브라우저 탭 수(32,000개) > 다음 측정은 탭 스위칭
• 비교 측정(comparison measures)
- e.g. 잠을 잘 못 잔 날 vs. 숙면을 취한 날
• 상관관계(correlation)
- 문제를 찾아내기에 좋은 방법
- 상관관계가 높을 것이라고 생각한 것들이 낮은 경우에 놀라움을 주었음

25. 2014-Fall
Lab Meeting
Tracking Outcomes
25
What Did You Learn?
• 건강과 관련된 행동을 고치거나, 증상을 회피/관리하는데 성공한 경우
- 1) 스스로에 대한 인식과 자신을 둘러싼 환경에 대한 인식을 향상시킴
- 2) 반동 효과(reactivity effect)를 통해 원하는 방향으로 스스로를 변화시킴
• 원치않는 결과를 경험한 경우
- 부정적 감정을 마주한 경우에 좌절감을 느끼게 됨
- 집중적인 트래킹을 하는 경우에 극심한 피로감을 느끼게 됨

26. 2014-Fall
Lab Meeting
Open Challenge: Difficulty in Data Interpretation
26
What Did You Learn?
• 데이터 해석이 Q-selfer에게 가장 큰 장애물로 나타남
- 11개 항목을 측정한 트레이너가 있었는데, 해석을 제대로 하지 못해 쓸모가 없어짐
- 데이터 시각화 도구의 러닝커브는 너무 가파름
- 데이터 분석 및 해석을 손쉽게 도와줄만한 도구가 없음

27. 2014-Fall
Lab Meeting
Implications for Self-tracking Tool Design
Provide Early Feedback to Help Identify What to Track
27
• 데이터 수집에 대한 이른 피드백을 통해 어떤 항목을 수집해야 하는지 가이드
• 상관성이 없는 데이터는 수집을 하지 않아도 되도록 도와줘야 함
• 항목들 사이의 상관성을 계산하여 실시간 시각적/텍스트적 피드백을 제공해야 함
Support Self-Experimentation by Design
• 사람들이 엄밀한 자가실험을 할 수 있도록 지원해야 함
• 계속적 평가, 기본적 평가, 변수적 평가가 가능하도록 구성

28. 2014-Fall
Lab Meeting
Implications for Self-tracking Tool Design
28
Maximize the Benefits of Manual Tracking
• 자동화된 데이터 수집은 자기 반성과 자기 인식을 감소시켜서 사람들의 관여를 낮춤
• 데이터를 수동으로 입력함으로써 “데이터와의 친밀성”이 구성됨
• 수동 트래킹으로만 수집되는 것들도 있음
• 자동과 수동 트래킹의 밸런스를 맞추는 것이 중요함
Promote Self Reflection
• QS를 수치적으로만 평가하는 것으로 오해하면 안 되며, 데이터 수집은 QS의 한 측면일 뿐임
• QS의 궁극적인 목표는 개인의 데이터를 통해 의미있는 인사이트를 추출하고 긍적적인 변화
를 만들어내는 것
• HCI 연구는 건강 모니터링 데이터를 통해 사람들이 비구조적이고 열려있는 다이어리를 만들
어내고 이를 공유하도록 하는 자기 반영을 지원하도록 해야함
• 결국 QS 기술은 스스로 원하는대로 긍정적으로 바뀔 수 있도록 디자인되어야만 함

29. 2014-Fall
Lab Meeting
Conclusion
29
• Q-selfer의 우회전략과 어려움을 탐색하고, 이를 바탕으로 디자인 임플리케이션을 도출
• Q-selfer를 통해 얻은 인사이트를 기반으로, 더 나은 셀프 트래킹 툴을 디자인하여
일반 대중들에게 적용할 필요가 있음
• 동기부여된 트래커가 잘 디자인된 셀프 트래킹 툴을 만난다면, 헬스, 웰빙뿐만 아니라 삶의
다른 부분에도 중대한 변화를 이끌어낼 수 있을 것으로 기대됨

30. Thank You