آیا توصیه‌های بلادرنگ می‌توانند شهروندان را به جمع‌آوری داده‌های گرمای محلی با حسگرهای پوشیدنی متعهد نگه دارند؟

Host: به پادکست A.I.S. Insights خوش آمدید. من آنا آیوی سامرز هستم و امروز به همراه همکارم، الکس ایان ساترلند، به بررسی یک مطالعه جدید می‌پردازیم که در کنفرانس ECIS 2026 ارائه شده است. عنوان این مطالعه «یک همراه آگاه به زمینه برای گرمای شهری جهت سنجش مشارکتی تولیدکننده-مصرف‌کننده و مداخلات تطبیقی به‌موقع» است که توسط نیکلاس فون هایدن، فلوریان اونور کولمایر، جفری پارسونز و الکساندر مدچه انجام شده است. این مطالعه به طراحی سامانه‌ای به نام «همراه گرما» پرداخته که حسگرهای پوشیدنی را با بازخورد بلادرنگ ادغام می‌کند. الکس، خوش آمدید. ممکن است برای شروع، مشکلی را که این مطالعه هدف قرار داده توضیح دهید؟
Expert: با سلام به شما و شنوندگان گرامی. چالش اصلی از دو بعد مطرح است: نخست اینکه ایستگاه‌های هواشناسی سنتی داده‌ها را در فواصل مکانی وسیع ثبت می‌کنند و تغییرات خرد-اقلیم و میزان مواجهه واقعی افراد با گرما در سطح خیابان را بازتاب نمی‌دهند. دوم اینکه در سامانه‌های سنتی سنجش مشارکتی، کاربران داده‌ها را جمع‌آوری می‌کنند اما نفع مستقیم و سریعی دریافت نمی‌کنند. این موضوع معمولاً به خستگی ناشی از مشارکت و ترک زودهنگام سامانه توسط کاربران منجر می‌شود. بنابراین، پژوهشگران به دنبال رویکردی برای ایجاد تبادل ارزش دوسویه میان کاربران و سامانه بودند.
Host: مطالعه چگونه این مشکل تبادل ارزش را از نظر روش‌شناسی حل کرده است؟
Expert: این پژوهش از رویکرد علم طراحی استفاده کرده و سامانه‌ای به نام «همراه گرما» ایجاد کرده است. مفهوم زیربنایی این رویکرد، نظریه «تولیدکننده-مصرف‌کننده» است؛ به این معنا که شهروند هم‌زمان که داده‌های محیطی مانند دما و رطوبت را با حسگر پوشیدنی تولید می‌کند، مصرف‌کننده توصیه‌های محافظتی شخصی‌سازی‌شده و بلادرنگ از طریق اپلیکیشن نیز هست. این توصیه‌ها بر مبنای چارچوب «مداخلات تطبیقی به‌موقع» طراحی شده‌اند و پردازش داده‌ها مستقیماً بر روی تلفن همراه انجام می‌شود تا پیام‌ها دقیقاً در زمان و مکان مناسب ارسال شوند.
Host: نتایج ارزیابی میدانی این سامانه چه مواردی را نشان داد؟
Expert: ارزیابی از طریق یک مطالعه میدانی دوهفته‌ای با هشت شرکت‌کننده در کارلسروهه آلمان انجام شد. از جنبه فنی، سامانه تفاوت ملموسی با ایستگاه‌های هواشناسی رسمی نشان داد: داده‌های جمع‌آوری‌شده توسط حسگرهای پوشیدنی شرکت‌کنندگان به طور میانگین ۱٫۹ درجه سانتی‌گراد گرم‌تر و ۶٫۹ درصد خشک‌تر از داده‌های نزدیک‌ترین ایستگاه رسمی بودند که تفاوت شرایط واقعی زندگی روزمره را با ایستگاه‌های ثابت نشان می‌دهد.
Host: از نظر تعامل کاربران با سیستم، نرخ پاسخ‌دهی چگونه بود؟
Expert: در طول مطالعه، ۶۹۰ توصیه ایجاد شد که شرکت‌کنندگان ۹۳ درصد آن‌ها را باز کردند و میانه زمان پاسخ‌دهی ۱۴٫۲ ثانیه بود. همچنین تناسب ادراک‌شده پیام‌ها در ساعات گرم بعدازظهر با میانه امتیاز ۴ از ۵، بسیار بیشتر از ساعات صبح با میانه ۲ از ۵ بود. با این حال، عمل به توصیه‌ها بسته به نوع پیام متفاوت بود. پیام‌های مشخص و کوتاه‌مدت مانند آب‌رسانی و خنک‌سازی با نرخ پیروی ۳۳٫۶ درصدی همراه شدند، در حالی که توصیه‌های کلی‌تر مانند مراقبت‌های اجتماعی تنها ۵ درصد نرخ پیروی داشتند. باید تأکید کرد که به دلیل حجم نمونه کوچک یعنی هشت نفر، این مطالعه مقدماتی و اکتشافی است و آزمون‌های آمار استنباطی برای تأیید تغییر رفتار پایدار در آن انجام نشده است.
Host: این یافته‌ها برای مدیران کسب‌وکار، به‌ویژه در حوزه‌های سلامت شغلی و فناوری‌های شهری، چه کاربردی دارد؟
Expert: پیام عملی این است که مدل تبادل ارزش متقابل می‌تواند برای سامانه‌های جمع‌آوری داده شرکتی کارآمد باشد. سازمان‌هایی که با کارگران در معرض گرمای شدید سروکار دارند—مانند ساخت‌وساز، تدارکات یا کشاورزی—می‌توانند به‌جای ابزارهای نظارتی صرف، ارزش فوری و عملیاتی را در قالب هشدارهای حفاظتی به کارکنان بازگردانند. این کار تعامل و استفاده مستمر از فناوری‌های اینترنت اشیا را افزایش می‌دهد. همچنین طراحان راهکارهای داده‌محور شهری می‌بینند که ارائه بازخوردهای عملیاتی مشخص، اثربخشی بیشتری نسبت به توصیه‌های عمومی دارد.
Host: جمع‌بندی بسیار روشنی بود. این مطالعه نشان می‌دهد که هم‌راستاسازی انگیزه شخصی کاربران با اهداف جمع‌آوری داده، یک عامل کلیدی در تداوم مشارکت است. از شما، الکس، بابت این توضیحات متشکرم و از همه شنوندگان عزیز که در این قسمت از A.I.S. Insights همراه ما بودند سپاسگزاری می‌کنم. تا قسمت بعدی، خدانگهدار.