以机器为导向的情境计算面临的问题
建立成功的情境感知或适应性系统无疑是困难的。我们不妨想象一项简单的感知反应任务：将听筒挪开后，让音乐播放器里的音乐暂停。我最开始购买的具有此功能的设备，一开始反应非常准确，但很快就出现了问题。我慢跑时，将设备塞进运动短裤，结果由于感应器太过灵敏，每隔一大步就会出现音乐暂停。
这种困难体现在三个方面。首先，精确感知“情境”其实是非常困难的，哪怕是像位置这样相对简单的特征。其次，了解感知数据的意义非常重要—比如，某人停顿了两分钟，这一情况是说明他迷路了，需要更多导航帮助呢？还是他半路上来到某个甜品店享用咖啡，并不希望有人干扰呢？第三，根据情境进行的适应性调整往往不是直截了当的比如，我有一次开车，在多次忽略了导航器的提示后，导航器迅速宣告：“好，现在就靠你自己吧！”然后便关闭了。
研究人员已经在努力地迎接上述各项挑战。比如，针对移动设备进行的室内定位，现已成为一个非常活跃的领域，其目的是让这些小装置知道人们所处的位置；比如，在购物中心游览时，可以确定人的方位。有些方法是全自动化的(Belloni etal.，2009)，还有一些是在环境中设置标签—比如QR码(Taherand Cheverst,2011)、RFID芯片，及其他位置孤立的标志(Ramirez etal.，2009)，用户可以使用移动设备扫描这些标签来确定方位。
随着越来越多的大数据集的出现，机器学习算法被用来提供更好的预测，做出恰当的应对。仍以前面提到过的Google问题完成一建议交互界面为例，系统将某个位置的知识与各种查询录入模式相结合，给出n个最有可能的条件。即使在这样有所制约的任务中，对用户进行预测也是相当困难的。正如卡姆瓦和巴卢哈所指出的，这些难以预测的输出结果往往是令人费解的：“当用户在旧金山时，字母s引出的完整词汇是sushi;而当用户在北达科他访问网络时，s引出的完整词汇是soup，这是不是有些令人困惑?”(2007)。最后，在实现适应性方面，我们是倡导系统与用户间进行对话和协商的。也就是说，交互界面应该向用户显示其认为有用的结果，但同时也应允许用户看到其他选项，并从中进行选择(Dey andMankoff,2005)。
数字技术研究(世哲手册)
46
58