Theo dõi thời gian màn hình giúp nhận diện thói quen thế nào?

Vì vậy, giá trị lớn nhất của theo dõi thời gian màn hình không nằm ở một tổng số đơn lẻ. Khi dữ liệu được đặt cạnh nhau theo nhiều ngày hoặc nhiều tuần, các điểm lặp bắt đầu xuất hiện: một khung giờ thường xuyên tăng cao, một ứng dụng liên tục chiếm phần lớn thời gian, nhiều phiên rất ngắn xuất hiện trong ngày hoặc thời lượng tăng rõ vào một số loại ngày nhất định. Chính những điểm lặp này mới tạo thành mô hình sử dụng có thể nhận diện.

Cũng cần phân biệt dữ liệu hành vi thiết bị với ý nghĩa mà người dùng gán cho hành vi đó. Nhật ký thời gian có thể cho biết thiết bị được sử dụng khi nào và trong bao lâu, nhưng bản thân con số không xác định chắc chắn người dùng đang làm việc, học tập, thư giãn hay bị phân tâm.

Thời gian màn hình biến hành vi thành những tín hiệu có thể so sánh

Theo dõi thời gian màn hình hoạt động bằng cách biến các lần tương tác với thiết bị thành những chỉ số có thể tổng hợp. Tùy công cụ, dữ liệu có thể bao gồm tổng thời gian sử dụng, thời lượng theo ứng dụng hoặc nhóm ứng dụng, số lần mở thiết bị, số phiên sử dụng và phân bố theo thời điểm trong ngày.

Từ các chỉ số này, có thể đọc hành vi theo bốn nhóm tín hiệu chính:

·         Lượng sử dụng: Tổng số phút hoặc giờ thiết bị được sử dụng

·         Phân bổ: Phần thời gian dành cho từng ứng dụng hoặc nhóm hoạt động

·         Nhịp sử dụng: Thời điểm, tần suất và độ dài của các phiên

·         Biến động: Mức thay đổi giữa các ngày hoặc giữa những giai đoạn khác nhau

Chẳng hạn, hai người đều có 4 giờ thời gian màn hình mỗi ngày nhưng có thể có cấu trúc hành vi hoàn toàn khác nhau. Người thứ nhất sử dụng thiết bị trong hai phiên dài khoảng 2 giờ. Người thứ hai kiểm tra thiết bị hàng chục lần, mỗi lần chỉ vài phút. Tổng thời gian giống nhau nhưng mô hình tương tác khác nhau.

Điều tương tự xảy ra với phân bổ ứng dụng. Nếu một ứng dụng chiếm 120 phút trong tổng số 240 phút sử dụng, tỷ trọng của ứng dụng đó là 50%. So sánh tỷ trọng này qua nhiều ngày giúp nhận biết thời gian đang tập trung ổn định vào một hoạt động hay chỉ tăng tạm thời.

Do đó, tổng thời gian nên được xem là điểm bắt đầu của việc phân tích, không phải kết luận cuối cùng.

Nhịp sử dụng theo giờ và ngày cho thấy thời điểm thiết bị trở thành thói quen

Một thói quen thường có yếu tố lặp lại. Dữ liệu thời gian màn hình theo giờ và theo ngày có thể làm lộ rõ tính lặp này.

Ví dụ, nếu thời gian sử dụng liên tục tăng trong khoảng 22:00–24:00 qua nhiều ngày, dữ liệu đang cho thấy một mô hình sử dụng tập trung vào cuối ngày. Nếu mức sử dụng cao chủ yếu vào cuối tuần nhưng thấp hơn trong ngày làm việc, mô hình lại phản ánh sự khác biệt theo lịch sinh hoạt.

Có thể quan sát một số dạng nhịp phổ biến như:

·         Sử dụng nhiều ngay sau khi thức dậy

·         Tăng vào giờ nghỉ hoặc thời gian chuyển tiếp giữa các hoạt động

·         Tập trung thành một vài khung giờ dài

·         Rải đều thành nhiều lần kiểm tra trong ngày

·         Tăng rõ vào buổi tối

·         Khác biệt lặp lại giữa ngày làm việc và ngày nghỉ

Cơ chế nhận diện ở đây là so sánh cùng một vị trí thời gian trên nhiều chu kỳ. Một buổi tối sử dụng nhiều chưa đủ để kết luận đó là thói quen. Nếu hiện tượng xuất hiện đều đặn trong nhiều ngày, tín hiệu về một nhịp sử dụng ổn định sẽ mạnh hơn.

Điều này cũng giải thích vì sao dữ liệu của một ngày thường có giá trị hạn chế. Một ngày có cuộc họp trực tuyến kéo dài, một chuyến đi hoặc một sự kiện bất thường có thể làm tổng thời gian tăng mạnh nhưng không đại diện cho hành vi thông thường.

Tỷ trọng ứng dụng cho thấy thời gian đang tập trung vào loại hoạt động nào

Tổng thời gian chỉ nói thiết bị được sử dụng nhiều hay ít. Phân bổ theo ứng dụng cho biết phần thời gian đó đi đâu.

Một cách đọc đơn giản là tính tỷ trọng:

Tỷ trọng ứng dụng = thời gian của ứng dụng / tổng thời gian màn hình × 100%

Nếu tổng thời gian hầu như không đổi nhưng tỷ trọng giữa các ứng dụng thay đổi, người dùng có thể đang dịch chuyển cách sử dụng thiết bị mà tổng số giờ không phản ánh được.

Ví dụ, cùng 3 giờ mỗi ngày nhưng tuần đầu phần lớn thời gian nằm ở ứng dụng phục vụ công việc, trong khi tuần sau một nhóm ứng dụng giải trí chiếm tỷ trọng lớn hơn. Nhìn riêng tổng số giờ sẽ khó thấy sự thay đổi; nhìn cấu trúc phân bổ thì mô hình trở nên rõ hơn.

Dữ liệu này cũng có thể nhận diện:

·         Một hoặc vài ứng dụng liên tục chiếm phần lớn thời gian

·         Việc sử dụng phân tán trên rất nhiều ứng dụng

·         Một nhóm ứng dụng tăng dần theo thời gian

·         Một hoạt động mới bắt đầu thay thế hoạt động trước đó

·         Sự khác biệt về loại ứng dụng giữa các khung giờ

Tuy nhiên, loại ứng dụng không đồng nghĩa tuyệt đối với mục đích sử dụng. Một trình duyệt có thể được dùng để nghiên cứu tài liệu hoặc giải trí. Một ứng dụng nhắn tin có thể phục vụ cả công việc lẫn giao tiếp cá nhân. Vì thế, phân loại ứng dụng giúp nhận diện cấu trúc hành vi nhưng không đủ để suy ra chính xác động cơ của người dùng.

Số lần mở và độ dài phiên phân biệt hai kiểu sử dụng rất khác nhau

Một trong những hạn chế lớn của việc chỉ nhìn tổng thời gian là nó không cho biết thời gian đó được chia thành bao nhiêu lần tương tác.

Giả sử hai ngày đều ghi nhận 180 phút sử dụng. Ngày thứ nhất có ba phiên dài khoảng 60 phút; ngày thứ hai gồm rất nhiều phiên ngắn. Về tổng thời lượng, hai ngày giống nhau. Về hành vi, một bên mang tính tập trung thành khối, bên còn lại mang tính kiểm tra lặp lại.

Nếu hệ thống theo dõi cung cấp số phiên, có thể sử dụng một chỉ số mô tả đơn giản:

Độ dài phiên trung bình = tổng thời gian sử dụng / số phiên

Chỉ số này cần được đọc cùng tần suất mở thiết bị. Khi số lần mở tăng nhưng tổng thời gian không tăng tương ứng, mô hình có thể nghiêng về các lần kiểm tra nhanh. Ngược lại, số lần mở thấp nhưng thời gian lớn thường cho thấy thời gian được tập trung vào các phiên dài hơn.

Nếu báo cáo còn có dữ liệu thông báo, việc đặt số thông báo cạnh số lần tương tác có thể giúp quan sát xem các lần mở thiết bị thường xuất hiện đồng thời với luồng thông báo hay không. Tuy nhiên, sự trùng nhau về thời điểm chỉ cho thấy mối liên hệ quan sát được; nó chưa chứng minh thông báo là nguyên nhân của mỗi lần mở.

Ngoài ra, cách một hệ điều hành hoặc ứng dụng xác định “phiên” có thể khác nhau. Vì thế, con số phiên nên được dùng chủ yếu để so sánh nhất quán trên cùng một hệ thống, thay vì coi đó là một chuẩn tuyệt đối áp dụng cho mọi thiết bị.

Xu hướng nhiều ngày cho thấy thói quen ổn định, dịch chuyển hay chỉ là ngoại lệ

Một mô hình đáng chú ý không nhất thiết phải là mức sử dụng cao. Sự thay đổi có tính hệ thống cũng là một tín hiệu quan trọng.

Khi theo dõi liên tục, có thể phân biệt ba trường hợp:

Mô hình ổn định

Tổng thời gian, khung giờ sử dụng và cơ cấu ứng dụng dao động quanh một dạng tương đối giống nhau. Đây là dấu hiệu cho thấy hành vi đã có tính lặp.

Ví dụ, thiết bị liên tục được sử dụng nhiều vào đầu buổi sáng và cuối buổi tối, trong khi giữa ngày thấp hơn. Nếu cấu trúc này tồn tại qua nhiều ngày, nó mang nhiều ý nghĩa hơn một lần tăng đơn lẻ.

Mô hình đang dịch chuyển

Một chỉ số thay đổi dần và duy trì theo cùng hướng. Chẳng hạn, thời gian buổi tối tăng qua nhiều tuần hoặc số lần kiểm tra thiết bị ngày càng nhiều dù tổng thời gian tương đối ổn định.

Ở đây, điều cần quan sát không chỉ là “hôm nay cao hơn hôm qua” mà là hướng thay đổi có được duy trì hay không.

Biến động bất thường

Một ngày hoặc một khoảng ngắn lệch mạnh khỏi mức thường thấy nhưng sau đó trở về cấu trúc cũ. Trường hợp này có thể phản ánh một sự kiện đặc biệt hơn là một thói quen mới.

Vì vậy, việc so sánh nên ưu tiên dữ liệu của nhiều ngày có điều kiện tương đối tương đồng. So sánh một ngày làm việc thông thường với một ngày đi du lịch, chẳng hạn, có thể tạo ra chênh lệch lớn nhưng ít giá trị để xác định sự thay đổi của thói quen thường nhật.

Đọc dữ liệu đúng cách: nhận diện mô hình, không gán động cơ hay chẩn đoán

Theo dõi thời gian màn hình có khả năng mô tả khá chi tiết cách thiết bị được sử dụng, nhưng dữ liệu vẫn có giới hạn.

Trước hết, thời gian màn hình không đo trực tiếp mức độ chú ý. Một ứng dụng có thể đang ở trạng thái hoạt động trong khi người dùng không tập trung liên tục vào nó. Ngược lại, một tương tác rất ngắn có thể mang ý nghĩa lớn dù đóng góp rất ít vào tổng thời gian.

Thứ hai, dữ liệu không tự xác định chất lượng của hoạt động. Hai giờ sử dụng màn hình có thể tương ứng với những nhiệm vụ hoàn toàn khác nhau. Vì vậy, không nên coi một ngưỡng thời gian đơn lẻ là bằng chứng tự động cho việc sử dụng “tốt”, “xấu”, “hiệu quả” hay “có vấn đề”.

Thứ ba, dữ liệu có thể không đầy đủ nếu hành vi diễn ra trên nhiều thiết bị nhưng các hệ thống không được tổng hợp với nhau. Một điện thoại ghi nhận thời gian giảm có thể đơn giản vì người dùng chuyển một phần hoạt động sang máy tính bảng hoặc máy tính.

Cách đọc hữu ích hơn là kết hợp nhiều tín hiệu:

1.    Xem tổng thời gian để xác định lượng sử dụng

2.    Xem phân bổ ứng dụng để biết thời gian tập trung ở đâu

3.    Xem thời điểm sử dụng để tìm nhịp lặp

4.    Xem số phiên hoặc số lần mở để phân biệt sử dụng dài với kiểm tra thường xuyên

5.    So sánh nhiều ngày để xác định mô hình có ổn định hay chỉ là ngoại lệ

6.    Đặt số liệu vào bối cảnh thực tế trước khi diễn giải nguyên nhân

Khi các tín hiệu cùng hướng, kết luận về mô hình hành vi đáng tin cậy hơn. Ví dụ, tổng thời gian buổi tối tăng, số phiên buổi tối cũng tăng và hiện tượng lặp lại trong nhiều ngày là một dấu vết mạnh hơn nhiều so với việc chỉ thấy tổng thời gian của một ngày cao.

Theo dõi thời gian màn hình hữu ích nhất khi được xem như một công cụ quan sát hành vi chứ không phải một chiếc đồng hồ chỉ cộng tổng số giờ. Từ chuỗi dữ liệu, có thể nhận diện nhịp sử dụng theo thời điểm, ứng dụng chiếm tỷ trọng lớn, xu hướng kiểm tra thiết bị, cấu trúc phiên dài hay ngắn và những thay đổi lặp lại qua thời gian.

Điểm quan trọng là phải tìm mô hình trong nhiều chỉ số và nhiều ngày thay vì đánh giá từ một con số đơn lẻ. Dữ liệu có thể cho biết thiết bị đang được sử dụng theo cách nào; việc giải thích vì sao hành vi đó xuất hiện vẫn cần bối cảnh thực tế của người sử dụng.