胡 蓉 唐振贵 韩 毅 王 锰

（西南大学计算机与信息科学学院 重庆 400715；2.南京大学信息管理学院 南京 210023；3. 江苏大学科技信息研究所 江苏镇江 212013）

移动互联时代，信息环境与信息技术的急速变革催生用户信息行为的嬗变。在由智能手机、平板电脑、电子阅读器、PC、可穿戴设备等用户个人IT设备（Personal IT Devices, PITDs）构成的个人多屏生态系统（Personal Multiscreen Ecosystem, PME）中，跨屏行为（Cross Screen Behavior, CSB）逐渐成为新兴而又常态化的用户信息行为。总体上看，跨屏行为是移动互联环境下由情境驱动的多设备使用行为，它有起点屏和后续屏两个结构要素，表现为设备的切换或转移，行为模式与路径受任务、时间、地点、设备等情境因素影响[1]。现实生活中，用户在不同时间、不同地点穿梭于不同屏幕间，形成鲜活生动的跨屏图景，折射出当下一种重要的社会与经济现象。多屏整合所构成的生态系统已成为人们工作和生活的强大引擎，用户也逐渐被赋予新的称谓，即跨屏用户（Cross-Screener）。在业界，尽管苹果生态、微软生态、小米生态等走在了跨屏用户研究与服务创新的前列，然而更多探索与支撑性研究亟待展开，以实现对跨屏用户的深入洞察。本研究认为，以跨屏用户类型分析为起点，从“类”的层次上划分跨屏用户类型，厘清不同类型跨屏用户的特征与行为模式，能为深入探索跨屏行为奠定基础；同时也将对处于跨屏生态系统不同位阶的基础设施提供商、网络运营商、跨屏服务与应用提供商、广告商等的运营、服务模式和智能化水平产生重要影响。

一般说来，用户类型研究在总体上包括分类维度与指标的确定，分类数据的获取以及分类指标的测度与分析三个方面。其中，分类指标可以是一维的，也可以是多维的；数据的获取、测度与分析方法可以是定性的，也可以是定量的。鉴于跨屏行为有其特殊复杂性，跨屏用户类型的确定需要综合考量多维指标，因此，本文在研究方法上采取了定性和定量相结合的混合方法，首先基于访谈法获取定性数据并提取跨屏用户多维分类指标，其次利用结构化日志方法获取数据并对各分类指标进行定量的测度与分析。上述探索性的定性研究与验证性的定量研究形成顺序设计与三角互证思路，渐进式地将跨屏用户类型的丰富特征勾勒出来。

1 相关研究回顾

1.1 用户分类维度与指标

在信息用户类型研究中，不同的分析对象、分析动机与意图会形成不同的研究视角，导致用户分类维度与分类指标的选择准则不同，形成不同的用户类型与行为模式解释。表1例举了10篇典型文献中的信息用户分类维度与指标，从中可以看出，已有研究较多采用一维分类维度，其中Web1.0时代互联网用户分类常常采用用户行为特征维度（尤其是行为频次指标），而Web2.0时代社会化媒体用户的分类则往往通过用户属性、用户贡献、UGC文本内容的语言特征、知识共享中心度、用户价值等维度或维度组合进行划分。进入移动互联时代，随着用户个人IT设备增多，用户信息行为的情境性更强，用户的分类更多采用设施、技术、媒体、情境等多维组合方式进行考察。此外，动机、偏好、行为特征和游戏风格等也成为游戏用户的常用分类维度。值得一提的是，Nagel在其多屏用户（Multiscreeners）分类研究[11]中，参考德国Initiative D21项目[9]的分类，综合考虑技术、媒体、设施、情境等多个维度，将多屏用户划分为数字门外汉（Digital Outsiders）、偶尔使用者（Occasional Users）、专业型使用者（Professional Users）、新潮用户（Trend Users）、数字专家（Digital Pros）、数字先锋（Digital Avant-Garde）共6个类型。跨屏行为属于移动互联时代用户个人多屏生态系统下更加复杂的信息行为，本文认为，跨屏用户的分类可以借鉴Nagel的思路，从多维分类视角出发，通过全方位考察跨屏用户的各项分类指标从而确定用户类型。

表1 用户分类维度与指标

1.2 用户分类数据获取方法

表2 用户分类数据获取方法

本文所指分类数据获取方法是指在获取用户分类指标相关数据时所采用的方法。如表2，常用的数据获取方法适用于不同的数据类型和数据样本规模。其中，访谈法适用于获取小规模定性数据，特别适合于对尚不成熟的课题进行探索性研究；通过行为实验可获取小规模定量数据，夏子然[12]等在信息检索用户心智模型分类研究中采用了此法；作为常规获取数据的方法，问卷调查可以获得较大规模的定量数据；而对于互联网上的大规模定量数据获取则可采用获取系统日志的方法，或者利用爬虫获取相关数据，抑或如文献[5-6]那样利用开放数据集展开分类研究。

1.3 用户分类指标测度与分析

在利用获取的数据进行分类指标测度与分析方面，近年来常用的方法可归结为两类，即基于行为及相关特征分布的用户分类与基于机器学习的用户分类。其中，基于行为及相关特征分布的用户分类是最基本的方法，侧重采用统计学方法考察相关特征量的统计规律，或对不同特征量分布之间的相关性进行考量。苑卫国[17]通过爬取新浪微博的用户信息，从用户属性和行为属性维度，对用户粉丝数、关注数、微博数、收藏数、转发数和评论数等进行的分布统计研究以及相关文献[18-22]从不同应用视角对相关特征分布进行的实证分析属于此类。与此相对应，基于机器学习的用户分析主要采用机器学习领域成熟的聚类和分类算法，利用提取的相关分类指标数据构建特征向量，进而实现用户分类或聚类。此法特别适合于大数据环境下的信息用户分类研究，其中K-Means方法[23,24]、K-Medoids方法[25]、KNN方法[26]最为常用。此外，王强[3]在对社交网络用户分类、Liu[8]等在对移动用户进行分类研究时均采用了决策树方法；刘忠宝[16,27.28]利用支持向量机或改进的支持向量机（如多标记支持向量机、核向量机）对网络用户进行分类；周国涛等[15]利用关联规则构造分类器实现网络用户分类；沈模卫等[29]构建了基于人格特征的BP神经网络分类模型，利用人格测量数据对即时通讯用户进行分类；张予瑶[30]则提出正则化朴素贝叶斯的用户分类算法，以实现用户的预分类和个性化服务信息的推送。

通过对信息用户分类相关研究的梳理，结合跨屏行为特征与当前研究现状[1]，本文认为：①鉴于移动互联时代用户跨屏行为的情境性和相对复杂性，跨屏用户分类维度宜采用多维分类方式。②当前缺乏对日常跨屏行为相关数据的获取方法。尽管艾瑞咨询开发了跨屏用户行为研究的iMediaMatrix产品[31]，爱奇艺也推出了跨屏识别同一用户以及多屏互通技术，但上述产品与技术主要侧重于获取特定视频浏览情境下用户的跨屏行为数据，无法获取用户在日常多种任务情境下更为广泛与多样化的跨屏行为相关数据。为此，学界也在积极探索能更加有效地获取用户日常跨屏行为相关数据的通用方法。③结合表2中用户分类数据获取方法，对于跨屏用户类型研究而言，实施行为实验有较大难度；而利用系统日志和数据爬取方式难以获得涉及多种任务情境、多个设备的完整跨屏行为链条上的所有相关数据；当前缺乏跨屏行为相关数据集，而问卷调查属于横截面式单次数据获取方法，对于天然蕴含“时间流”特征的跨屏行为研究而言仍旧存在不适应性。

鉴于目前对新兴的跨屏行为研究尚处于探索阶段，为此，本文采取定性和定量相结合的混合方法进行小规模探索性研究。首先，基于访谈法获取定性数据并提取跨屏用户多维分类指标；其次，利用结构化日志方法获取数据，以初步解决表2所列各方法在跨屏行为研究中遇到的问题；最后，利用获得的数据对各分类指标进行定量的测度与分析，主要采取基于行为及相关特征分布的分析方法。上述探索性的定性研究与验证性的定量研究形成顺序设计与三角互证思路，实现了从数据中产生分类，又从数据中验证分类，从而渐进式地将跨屏用户类型的丰富特征勾勒出来。

2 基于访谈法的跨屏用户分类指标提取

表3 跨屏用户分类指标

在研究课题尚不成熟的情况下，利用访谈法了解跨屏用户的行为与相关情况，通过获取的定性数据初步确定跨屏用户多维分类指标，是较为可行的方法。本研究共访谈了53名跨屏用户，其中男性22人，女性31人。如表3，研究提取出行为特征、情境属性、动因属性、技术特征、媒体属性、用户属性共6个维度的分类指标，并根据访谈数据初步划分出四类跨屏用户类型，即偶尔跨屏用户（Occasional Cross-Screener）、普通跨屏用户（Ordinary Cross-Screener）、专业性跨屏用户（Professional Cross-Screener）以及先锋派跨屏用户（Avant-Garde Cross-Screener）。

行为特征维度的分类指标涉及“卷入度”[32]问题。即对跨屏行为的参与程度，包括跨屏设备数量与跨屏频率。访谈中除先锋派跨屏用户的设备数量会超过4屏之外，其余跨屏用户设备数量基本在2—4屏之间，四类用户的跨屏频率分布由“很少”到“非常频繁”。

情境属性维度方面。本研究主要析出了工作、学习、购物、外出、视频浏览等跨屏任务情境。研究表明，偶尔跨屏用户的跨屏任务情境较少，只局限于少数必须的任务情境，如“#27：我很少跨屏，除非偶尔想起要把手机上儿子的照片传到QQ空间时，才会先传到电脑上，再到电脑上去操作”；普通跨屏用户的跨屏任务情境较为固定，如“#08:我一般转移学习资料的时候会跨屏，我会定期将资料从手机转到电脑”。相比之下，专业性跨屏用户和先锋派跨屏用户的跨屏任务情境则丰富得多，各类任务情境均成为他们常态化的跨屏情境。

动因属性维度方面。访谈主要析出了生理驱动（追求身体上的舒适）、安全驱动（寻求数据、隐私或支付方面的安全保障）、经济与效率驱动（寻求经济成本的降低或效率的提高）、社交驱动（为更好地维持或巩固与亲人、同学、朋友之间的亲情或友情）、个人信息管理驱动（因保存或整理个人信息而产生跨屏行为）、时间与地点驱动（因时间或地点的不同而产生跨屏行为）等多种跨屏任务驱动力。具体到跨屏用户类型，偶尔跨屏用户因不喜欢或不习惯跨屏，因此即便面对安全、经济与效率等各种任务驱动力，其跨屏动机也较弱；普通跨屏用户常受单一驱动力（如个人信息管理）驱动而跨屏；专业性跨屏用户常受多种驱动力驱动，且驱动力综合性较强，如“#20：比如淘宝会有定点秒杀，如果我在外面我就会用手机抢（经济与效率驱动），然后回去后在PC上支付，因为我担心在手机上支付不安全（安全驱动）”；值得一提的是，先锋派跨屏用户的跨屏任务驱动力已经不局限于上述各种单一或综合性的驱动力，其追求个人创新的特性以及高信息素养水平，会促使他们自发去尝试各种各样的跨屏任务、技术与媒体，形成自我实现式的驱动力,如访谈中“#53：我乐于尝试各种新鲜的跨屏任务情境与技术”。

技术特征维度方面。偶尔跨屏用户的跨屏手段较为单一，如“#30：我是手机控，一般操作都在手机上进行，实在需要在电脑上编辑时才将手机上的文件用QQ传到电脑上”；普通跨屏用户在跨屏技术应用方面则习惯于一些常规性手段，如“#34：阅读文献时我有两种方案，如果是PC上下载的文献，会用数据线连接传到手机上查看阅读；手机上下载的文献，则上传到百度云，再用PC下载阅读”；专业性跨屏用户的跨屏手段更加多样化；先锋派跨屏用户的手段丰富而先进，如“#53:iOS10中有一个Handoff功能，可以让你在不同的苹果设备上共享你的操作进程，简单来说，你可以在 iPhone上给邮件写个开头，然后在 Mac 接着写下去，或在 Mac上浏览网页，然后在 iPad 上继续浏览同一页面”。

对于媒体属性维度，主要涉及跨屏信息线索媒体类型指标。其中信息线索在本研究中主要指用户在跨屏时，在起点屏和后续屏之间作为“接力棒”传递的信息；信息线索媒体类型主要包括文字、图片、音频、视频、文件、链接等。访谈表明，偶尔跨屏用户使用的信息线索媒体类型较为单一（如照片），普通跨屏用户使用的信息线索媒体类型较为固定（如文件、链接），相比之下，专业性和先锋派跨屏用户使用的信息线索媒体类型更为丰富。

用户属性维度包括个人创新程度以及信息素养水平两个指标。其中，个人创新程度是指个人倾向使用一个新的IT产品的程度[33]，如“#53：我喜欢使用苹果生态圈的产品，因为它的产品跨屏体验很好，它的新产品出来我会去购买使用”体现出该跨屏用户较高的个人创新程度，而“#38：总体感觉跨屏时因为对各种软硬件还有些不熟悉，有时会有些迷茫”则表现出此跨屏用户较低的信息素养水平。

依据上述分类指标对53个样本进行归类，发现其中普通跨屏用户（22人）和专业性跨屏用户（22人）占绝大多数，偶尔跨屏用户（6人）和先锋派跨屏用户（3人）相对较少，这也为后续结构化日志研究中的配额抽样（Quota Sampling）提供了依据。

3 基于结构化日志的跨屏用户分类指标测度与分析

在确定上述分类指标基础上，本研究执行了由29位跨屏用户连续10天参与的跨屏体验日志研究。研究首先通过问卷招募与基准测试，以4:12:11:2的配额抽样比例甄选出偶尔、普通、专业性、先锋派四类跨屏用户类型的参与者共29位。其次要求参与者每天每次产生跨屏行为时即填写结构化日志，真实记录自己该次跨屏行为的任务情境、跨屏原因、使用的设备、跨屏工具或手段、跨屏信息线索媒体类型等相关数据。由此，日常动态性、离散性的跨屏行为数据通过用户的自我报告方式纵向、有序地被收集起来，为跨屏用户分类指标的测度与分析奠定了基础。最后，进行跨屏用户各项分类指标的统计分析，分析结果如图1。

图1 各类跨屏用户分类指标统计分析

图1 （a）统计出了各类跨屏用户每日跨屏频率的最大、最小和平均值，其中先锋派跨屏用户类型每日最少跨屏2次，最多10次，平均跨屏次数为5.3次；专业性跨屏用户和普通跨屏用户类型的跨屏次数较为接近；偶尔跨屏用户类型每日跨屏最少0次，最多3次，平均跨屏次数1次。设备类型数量方面如图1（b），整个10天跨屏体验日志研究期间，先锋派跨屏用户类型使用设备类型数为4—9种，专业性跨屏用户类型使用设备类型数为2—5种，普通跨屏用户类型为2—3种，偶尔跨屏用户通常为2种。由此，本研究认为上述行为特征维度的“卷入度”（包括跨屏频率与跨屏设备数量）在跨屏用户类型划分时具有的较高识别度和区分度。

由图1（c-f）可知，各类跨屏用户的跨屏任务情境数、跨屏原因数量、跨屏技术应用数量、跨屏信息线索媒体类型数量总体上呈递增趋势，这也从定量视角验证了本文所划分出的四类用户之间的特征差异。对个人创新程度以及信息素养水平两个指标的评估，本研究主要利用参与者招募时获得的各类参与者自评量表进行统计，量表采用五级Likert 量表形式（各数字代表了从“完全不同意”到“完全同意”的程度，其中，1=“完全不同意”，2=“不同意”，3=“不确定”，4=“同意”，5=“完全同意”）。由图1（g-h）可知，先锋派跨屏用户的个人创新程度和信息素养水平均很高，而专业性、普通以及偶尔跨屏用户对自己的个人创新程度和信息素养水平的不确定性甚至否定态度逐渐递增。

综上，访谈与结构化日志混合形成的顺序设计思路，渐进式地勾勒出跨屏用户类型的丰富特征，也以三角互证方式验证了跨屏用户分类指标的有效性。

4 跨屏用户分类服务对策

本研究析出的偶尔、普通、专业性和先锋派四类跨屏用户类型，为后续更细粒度区分不同用户类型展开跨屏研究与个性化跨屏服务奠定了基础。笔者认为，可以从跨屏用户自身内在“素养提升”与外在“跨屏服务供给”两个视角探讨相关对策。

首先，跨屏行为是移动互联环境下产生的新兴用户信息行为，不同跨屏用户类型有着不同的跨屏行为偏好与能力特征，目前跨屏信息素养较高的先锋派毕竟是少数。因此，为适应移动互联时代逐渐常态化的多屏生活图景，让多屏整合所构成的个人多屏生态系统充分发挥其在人们生活和工作的强大引擎作用，提升用户的跨屏信息素养是关键。通过帮助用户加强对跨屏行为及其规律的认知，增强用户跨屏行为意识，拓展用户对跨屏情境、跨屏工具或手段的匹配、选择与利用技能，改善用户自身的个人跨屏信息管理方式，可逐步实现用户跨屏信息素养的提升。

其次，跨屏行为相关研究与服务对策均应考虑跨屏用户的差异性，关注不同用户的需求与体验，针对不同类型的用户进行个性化的跨屏服务设计。针对具体的跨屏服务领域，如跨屏服务设备设计、跨屏营销与商业服务、个人跨屏信息管理、跨屏系统设计、界面设计、人机交互设计、用户体验设计以及移动数字图书馆、移动搜索引擎、各垂直移动搜索应用等，应以“分类服务观”为导向，设计个性化的智慧跨屏服务，使服务自动知晓用户的跨屏意图，进而改善用户的跨屏服务体验，上述目标应该成为跨屏服务设计的更高追求。

5 结语

跨屏用户类型研究能为跨屏服务相关领域提供决策参考。本文在对信息用户分类研究所涉及的分类维度与指标、分类数据获取方法、分类指标测度与分析三个方面进行综述基础上，结合跨屏行为的特征，采用访谈与结构化日志混合的顺序设计与三角互证思路展开实证研究，将跨屏用户划分为偶尔跨屏用户、普通跨屏用户、专业性跨屏用户和先锋派跨屏用户四类，并从跨屏用户自身内在“素养提升”与外在“跨屏服务提供”两个视角探讨了相关服务对策。未来可以“分类服务观”为导向，设计更具个性化的智慧跨屏服务，不断改善用户的跨屏服务体验，提升用户的跨屏信息素养。

（来稿时间：2017年10月）