情境感知

在情境感知（situation awareness）研究的经典界定中，情境（situation）指个体或系统所面对的、由环境中的要素及其相互关系构成的整体状态；情境感知则是对这一整体状态及其未来变化的把握。^{55Self-improving situation awareness for human–robot-collaboration using intelligent Digital Twinrd.springer.com前往参考资料 ↓在新标签页中打开}

情境感知的核心在于建立对环境及其未来状态的预期（expectation）；当实际状态显著偏离这一预期时，即构成破坏性事件（disruptive event），这一表述把情境理解为可被预期建模的动态对象。^{55Self-improving situation awareness for human–robot-collaboration using intelligent Digital Twinrd.springer.com前往参考资料 ↓在新标签页中打开}

在协作机器人等人机协作场景中，情境被进一步限定为以人为中心的动态工作环境，其中人与机器共享同一物理与任务空间，情境的含义因而包含参与者、任务与环境三者的耦合关系。^{55Self-improving situation awareness for human–robot-collaboration using intelligent Digital Twinrd.springer.com前往参考资料 ↓在新标签页中打开}

事件（event）被界定为发生的任何事情，尤指重要或不寻常之事；情境的含义因此与事件概念紧密相关——情境是事件发生与演化的背景，而破坏性事件则是情境发生显著变化的标志。^{55Self-improving situation awareness for human–robot-collaboration using intelligent Digital Twinrd.springer.com前往参考资料 ↓在新标签页中打开}

在系统层面，情境并非单一时刻的静态快照，而是随时间演化、可被持续观测与更新的状态；对情境的建模需要同时刻画其当前状态与未来可能状态。^{55Self-improving situation awareness for human–robot-collaboration using intelligent Digital Twinrd.springer.com前往参考资料 ↓在新标签页中打开}

情境感知（context awareness）一词通常追溯到施利特（Bill Schilit）与泰伊默（Marvin Theimer）1994 年的工作，他们把「情境感知」理解为系统能够根据用户所处的地点、附近的人与物以及这些对象随时间的变化来行动；同一时期，施利特等人把情境分为计算情境、用户情境与物理情境三类。^{66Disseminating Active Map Information to Mobile Hostsdoi.org前往参考资料 ↓在新标签页中打开|77Context-Aware Computing Applicationsdoi.org前往参考资料 ↓在新标签页中打开}

达伊（Anind K. Dey）在 2001 年的定义被引用最广：情境是「任何可用于刻画实体状况的信息」，实体可以是人、地点或与用户和应用交互相关的对象，包括用户与应用本身；相应地，情境感知就是系统利用情境向用户提供与任务相关的信息或服务。^{88Understanding and Using Contextdoi.org前往参考资料 ↓在新标签页中打开}

达伊与阿布夫（Gregory D. Abowd）等人进一步把情境感知系统按「情境的使用方式」区分为情境触发（context-triggered）与情境中介（context-mediated）两类，并强调情境感知的价值在于把情境作为系统与用户之间的中介，而不仅是触发条件。^{88Understanding and Using Contextdoi.org前往参考资料 ↓在新标签页中打开|99Towards a Better Understanding of Context and Context-Awarenessdoi.org前往参考资料 ↓在新标签页中打开}

「情境计算」（context computing）在中文文献中常被用作与情境感知近似但侧重不同的说法：情境感知强调系统对情境的获取与理解，情境计算则更强调以情境为输入的计算模型、推理机制与应用构造方法，二者在综述中往往被并列讨论。^{1010Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

在术语层面，情境感知与普适计算（ubiquitous computing）关系密切：魏泽（Mark Weiser）提出的普适计算愿景强调计算融入日常环境，而情境感知被视为实现这一愿景的关键能力之一。^{1111The Computer for the 21st Centurydoi.org前往参考资料 ↓在新标签页中打开|88Understanding and Using Contextdoi.org前往参考资料 ↓在新标签页中打开}

情境感知的定义在文献中并不唯一，不同作者对「情境」的边界有宽窄之分：窄的定义只包括位置、时间、身份等可传感器获取的物理量，宽的定义则把用户情绪、社会关系、任务目标等也纳入情境。^{88Understanding and Using Contextdoi.org前往参考资料 ↓在新标签页中打开}

达伊的定义把「用户与应用本身」也列为实体，这意味着情境不仅描述外部环境，也描述系统自身的状态，这一处理使情境感知与自适应系统研究产生交集。^{88Understanding and Using Contextdoi.org前往参考资料 ↓在新标签页中打开}

在中文语境中，「情境感知」与「上下文感知」常被当作同义术语使用，二者都对应英文 context awareness；「情境计算」则更多出现在强调计算模型与推理的论述中。^{1010Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知（context awareness）与普适计算（ubiquitous computing）是不同层次的概念：普适计算描述的是一种计算资源嵌入环境、随时可用的计算范式，而情境感知是系统利用情境信息调整自身行为的能力，通常被视为实现普适计算愿景的关键使能技术之一。^{1212The Computer for the 21st Centuryscientificamerican.com前往参考资料 ↓在新标签页中打开|1313Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知与传感器网络（sensor network）常被混用，但二者关注点不同：传感器网络侧重以大量节点完成数据采集与传输的基础设施问题，情境感知则侧重从原始传感数据中推断出对用户或任务有意义的情境，并据此驱动应用行为。^{1414A Survey on Sensor Networksieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境感知与位置感知（location awareness）是包含关系而非等同关系：位置只是情境的一类要素，位置感知系统仅利用地理位置信息，而情境感知系统通常还整合时间、身份、活动、设备状态等多类信息。^{1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开|1616Location-Based Services: Fundamentals and Operationwiley.com前往参考资料 ↓在新标签页中打开}

情境感知与个性化（personalization）的区别在于信息来源与作用机制：个性化主要依据用户画像与历史偏好调整内容，情境感知则强调对当前处境（时间、地点、活动、社会关系等）的实时获取与响应，二者常结合使用但概念上并不重合。^{1717Context-Aware Recommender Systemslink.springer.com前往参考资料 ↓在新标签页中打开|1818Personalization and Context Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开}

情境感知与用户建模（user modeling）不同：用户建模关注对用户稳定特征（知识、偏好、目标）的表示与推断，情境感知关注的是用户所处即时环境的状态获取，前者可作为后者的输入之一，但二者在研究对象与时间尺度上存在差异。^{1919User Modeling and User-Adapted Interactionlink.springer.com前往参考资料 ↓在新标签页中打开|1313Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知与活动识别（activity recognition）是手段与目的的关系：活动识别是从传感数据推断用户正在进行的动作或行为类别的技术，其输出常作为情境感知系统的一类高层情境输入，但情境感知还包括位置、社会情境、设备情境等更广的范畴。^{2020Activity Recognition from User-Annotated Acceleration Datalink.springer.com前往参考资料 ↓在新标签页中打开|2121A Survey on Human Activity Recognition using Wearable Sensorsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境感知与增强现实（augmented reality）在概念上分属不同维度：增强现实是一种将虚拟信息叠加到真实场景的显示与交互范式，情境感知则是系统获取并利用环境信息的能力，增强现实系统可以借助情境感知提升叠加内容的适配性，但二者并不互为必要条件。^{2222A Survey of Augmented Realitydirect.mit.edu前往参考资料 ↓在新标签页中打开|1313Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知与边缘计算、雾计算等概念的区别在于抽象层次：后者描述的是计算与存储资源在网络拓扑中的部署位置，情境感知描述的是系统对情境信息的获取与利用能力，情境感知应用可以部署在云端、边缘或终端，并不绑定于某一种计算架构。^{2323Edge Computing: Vision and Challengesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|1313Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

在术语使用上，情境感知（context awareness）与情境计算（context computing）、情境敏感（context sensitivity）常被交替使用，但严格来说情境感知强调系统对情境的察觉，情境计算强调以情境为中心的计算范式，情境敏感则更多描述界面或系统对情境变化的响应特性。^{1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开}

情境感知研究的思想源头通常追溯到马克·维泽（Mark Weiser）在普适计算（ubiquitous computing，又称 pervasive computing、ambient intelligence）愿景下提出的计算模式：让大量计算机融入物理环境并对用户「不可见」，计算由此从桌面走向日常环境。^{2424Research on Context-Aware Mobile Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在普适计算背景下，「情境感知」（context-awareness）这一术语由比尔·席利特（Bill Schilit）于 1994 年首次引入，此后成为该领域的通用标签。^{2424Research on Context-Aware Mobile Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

席利特在提出该术语时把情境划分为三类：计算情境（computing context）、用户情境（user context）与物理情境（physical context），这一三分法成为后续情境分类研究的早期原型。^{2424Research on Context-Aware Mobile Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在席利特之后，研究者不断尝试给出更完整的情境定义，例如施密特（Schmidt）把情境界定为关于用户与 IT 设备状态的知识，涵盖周围环境与处境等信息。^{2424Research on Context-Aware Mobile Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境感知之所以在普适计算框架下被提出，是因为计算资源被分散到物理环境中后，系统必须依靠对用户处境与环境状态的感知来替代显式输入，从而维持交互的可用性；这一动机与维泽「使计算对用户不可见」的设想直接相关。^{2424Research on Context-Aware Mobile Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

移动计算阶段的扩展，核心在于把情境感知的载体从固定桌面环境转移到随身携带、持续移动的设备上，使“用户在哪里、正在做什么、周围有什么”成为系统必须实时回答的问题。这一阶段的代表性起点通常追溯到 1990 年代中期 Olivetti 研究实验室的 Active Badge 与后续的 PARCTab 工作，以及施乐帕克研究中心的 Ubiquitous Computing 计划。^{2525Context-Aware Computing Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|2626The Active Badge Location Systemdl.acm.org前往参考资料 ↓在新标签页中打开}

1994 年，Schilit、Adams 与 Want 在《Context-Aware Computing Applications》中首次系统提出“情境感知”这一表述，并把情境归纳为计算环境、用户环境与物理环境三类，其中用户环境明确包含位置、身份、时间、方向等随移动而变化的状态。这篇论文被普遍视为移动情境感知研究的奠基文献。^{2525Context-Aware Computing Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

1990 年代中后期的移动情境感知原型普遍依赖专用硬件与室内定位基础设施：Active Badge 用红外信标实现房间级定位，PARCTab 用红外网络把掌上设备的位置上报给服务器，系统据此把电话转接到离用户最近的终端。这类系统的“移动性”受限于建筑内部署的信标覆盖范围。^{2626The Active Badge Location Systemdl.acm.org前往参考资料 ↓在新标签页中打开|2727The PARCTAB Ubiquitous Computing Experimentlink.springer.com前往参考资料 ↓在新标签页中打开}

2000 年前后，情境感知的重心从“设备感知自身位置”转向“应用根据情境自适应调整行为”。Dey 与 Abowd 在 1999—2001 年间给出的定义把情境界定为“可用于刻画实体状况的任何信息”，并把情境感知系统定义为“利用情境向用户提供与任务相关的信息或服务”的系统，这一表述成为后续移动情境感知研究的通用定义框架。^{2828Understanding and Using Contextlink.springer.com前往参考资料 ↓在新标签页中打开}

智能手机的普及是移动情境感知从实验室走向大规模部署的转折点。iPhone（2007）与早期 Android 设备把 GPS、加速度计、陀螺仪、磁力计、摄像头与麦克风集成进消费级终端，并开放第三方应用访问这些传感器，使情境数据的采集不再依赖专用硬件。^{2929iPhone User Guidesupport.apple.com前往参考资料 ↓在新标签页中打开}

移动操作系统层面的位置服务接口进一步降低了情境感知的门槛：iOS 自 3.0 起提供 Core Location 框架，Android 自早期版本起提供 LocationManager，开发者可以在应用内直接获取经纬度、速度、航向与地理围栏事件。^{3030Core Location Frameworkdeveloper.apple.com前往参考资料 ↓在新标签页中打开|3131LocationManagerdeveloper.android.com前往参考资料 ↓在新标签页中打开}

在移动计算阶段，情境感知的研究议题从“定位”扩展到“活动识别”。以加速度计数据推断步行、跑步、上下楼梯等日常活动，成为 2000 年代中后期可穿戴与手机情境感知的典型任务，相关数据集与方法在 2010 年代被广泛复用。^{2020Activity Recognition from User-Annotated Acceleration Datalink.springer.com前往参考资料 ↓在新标签页中打开}

移动情境感知的部署同时带来了隐私与能耗两类结构性约束。位置、活动与通信对象的持续采集使“情境”本身成为敏感数据，而传感器常开对电池续航的消耗又限制了采样频率与推理复杂度，二者共同塑造了移动端情境感知的工程取舍。^{3232A Survey of Mobile Phone Sensingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

进入 2010 年代，移动情境感知的扩展表现为从“单设备感知”走向“多源融合”：手机、可穿戴设备、车载系统与家庭传感器共同构成情境来源，情境推理也从规则匹配转向基于机器学习的统计推断。^{3333A Survey on Context-Aware Mobile Computingdl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知的应用范围已从早期以位置感知为主的原型系统，扩展到交通运输、智能家居、教育教学等多个领域，相关研究在这些领域同步展开。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

在移动终端上，情境感知支持导航、社交网络、跟踪、搜索等多种手机应用，成为智能手机与可穿戴设备上常见的软件能力。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

情境感知的核心机制是融合位置、生理指标、环境参数等多维信息，据此动态调整设备界面或主动推送服务，从而实现对用户需求的预测与辅助操作。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

随着人工智能技术的发展，情境感知能力与多模态 AI 模型深度整合，推动交互向更智能的方向演进；普适计算的发展趋势也被概括为泛在化、情境化与智能化。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

在情境感知研究中，环境情境（environmental context）通常指与用户当前任务无直接关系、但会影响系统行为与交互的外部物理条件，包括光照、噪声、温度、湿度、空气质量、天气与气压等。它与用户情境、任务情境、社会情境、设备情境并列，是情境分类中最基础的一类。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

Schilit、Adams 与 Want 在 1994 年的早期工作把情境分为计算情境、用户情境与物理情境三类，其中物理情境即本文所说的环境情境，涵盖位置、光照、噪声等物理条件。这一三分法被后续综述广泛沿用为环境情境概念的源头之一。^{3636Context-Aware Computing Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

环境情境的要素可按「自然物理量」与「人工环境量」两组来列举：前者如温度、湿度、光照度、噪声级、气压、空气质量指数；后者如室内照明开关状态、房间占用、设备附近的电磁与声学条件。多数情境感知系统只采集其中少数几个量，而非全量环境参数。^{3737Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

光照是最常被采集的环境情境量之一：移动操作系统与浏览器提供环境光传感器接口，应用可据此调整屏幕亮度与配色；W3C 的 Ambient Light Sensor 规范即为网页暴露环境光照度（单位 lux）的标准化尝试。^{3838Ambient Light Sensorw3.org前往参考资料 ↓在新标签页中打开}

噪声级是环境情境的另一常见量，通常以分贝（dB(A)）表示；移动设备麦克风可用于估计环境声压级，但受设备增益与校准差异影响，未经校准的手机测量结果只能作相对比较，难以直接作为声级计读数使用。^{3939Sound Level Meter Apps and Their Accuracy: A Reviewsciencedirect.com前往参考资料 ↓在新标签页中打开}

温度、湿度与气压等气象要素可通过公开气象 API 按地理位置获取，也可由设备内置传感器直接测量；两类来源在时空分辨率上差异明显，前者覆盖广但粒度粗，后者粒度细但仅反映设备近旁微环境。^{4040OpenWeather Current Weather Data API Documentationopenweathermap.org前往参考资料 ↓在新标签页中打开|4141Android Sensors Overview: Environmental Sensorsdeveloper.android.com前往参考资料 ↓在新标签页中打开}

空气质量作为环境情境要素，常用 PM2.5、PM10、臭氧等指标刻画；公开空气质量数据服务按城市或监测站发布实时与预报值，可供情境感知应用据此触发提醒或调整户外活动建议。^{4242Air Quality Index (AQI) Basicsairnow.gov前往参考资料 ↓在新标签页中打开}

在系统实现上，环境情境通常由传感器层采集原始信号、经滤波与校准后抽象为高层情境属性（如「明亮」「嘈杂」「闷热」），再供上层规则或推理使用；原始值与语义标签之间的映射阈值往往依赖具体应用场景，缺乏统一标准。^{3737Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|4343Context-Aware Computing: A Survey of Context Modeling and Reasoning Techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

环境情境的采集涉及隐私与能耗两类约束：持续采集环境数据会显著增加移动设备功耗，而环境音频、图像等模态还可能无意中捕获用户语音或室内画面，需要在采集端做最小化与本地化处理。^{3939Sound Level Meter Apps and Their Accuracy: A Reviewsciencedirect.com前往参考资料 ↓在新标签页中打开|4444Sensor-Based Context Awareness: Privacy and Energy Considerationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

环境情境在交互设计中的典型用途是自适应界面：依据环境光照调整对比度与主题、依据噪声级调整提示音音量或改用振动、依据温度与空气质量给出健康提示。这类适配被普遍视为情境感知交互的入门级应用。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开|4343Context-Aware Computing: A Survey of Context Modeling and Reasoning Techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

在情境感知研究中，用户情境（user context）指与用户自身相关的状态与属性集合，通常包括用户身份、位置、活动、情绪、生理指标、偏好与历史行为等，是情境分类中最基础的一类。^{2828Understanding and Using Contextlink.springer.com前往参考资料 ↓在新标签页中打开|4545Context-Aware Computing Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Dey 在 2001 年给出的情境定义中，将“用户及其任务”与“设备、物理与社会环境”并列为情境的组成部分，用户情境由此成为情境感知系统必须建模的对象之一。^{2828Understanding and Using Contextlink.springer.com前往参考资料 ↓在新标签页中打开}

Schilit、Adams 与 Want 在 1994 年的工作将情境分为计算环境、用户环境与物理环境三类，其中用户环境涵盖用户的位置、身份、社交关系与当前任务等信息。^{4545Context-Aware Computing Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

用户情境的要素可归纳为静态属性与动态状态两类：静态属性如身份、角色、偏好，动态状态如位置、活动、情绪与生理信号；前者变化缓慢、适合长期建模，后者需要实时感知与更新。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

用户位置是用户情境中被研究最多、也是最早被系统化利用的要素，位置感知应用构成了情境感知早期发展的主要驱动力。^{4545Context-Aware Computing Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|4646Context-Aware Computing: A Test Caselink.springer.com前往参考资料 ↓在新标签页中打开}

用户活动识别通常借助加速度计、陀螺仪等可穿戴或移动设备传感器，通过特征提取与分类模型推断用户当前行为（如步行、静坐、乘车），是用户情境感知的典型技术路径。^{2020Activity Recognition from User-Annotated Acceleration Datalink.springer.com前往参考资料 ↓在新标签页中打开}

情绪与生理状态构成用户情境中的内部状态维度，可通过心率、皮肤电导、面部表情与语音等信号推断，但这类推断的准确性与隐私敏感性使其在应用中需谨慎处理。^{4747Toward Machine Emotional Intelligence: Analysis of Affective Physiological Stateieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

用户情境的建模常采用用户画像（user profile）形式，将身份、偏好与历史行为聚合为可复用的表示，以支持个性化推荐与自适应交互。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开|4848User Modeling and User-Adapted Interaction: Editoriallink.springer.com前往参考资料 ↓在新标签页中打开}

用户情境与物理情境、社会情境之间存在耦合：同一位置在不同时间与不同社会关系中意味着不同的用户情境，因此用户情境的建模往往需要结合其他情境维度共同解释。^{2828Understanding and Using Contextlink.springer.com前往参考资料 ↓在新标签页中打开|3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

用户情境的采集涉及个人身份、位置轨迹与生理数据，属于个人敏感信息范畴，欧盟《通用数据保护条例》（GDPR）等法规对其收集与处理提出了告知同意与最小化要求。^{4949Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

任务情境（task context）指用户在执行某一具体任务时，与任务完成直接相关的信息集合，包括任务目标、当前子步骤、所用工具与对象、任务紧迫程度以及任务所处的物理与社会环境。它与更宽泛的"用户情境"相区分，后者还涵盖身份、偏好、情绪等与当前任务无直接关系的因素。^{2828Understanding and Using Contextlink.springer.com前往参考资料 ↓在新标签页中打开}

Dey 在其情境定义中把情境拆为四类要素：位置、身份、时间与活动；其中"活动"即用户正在做的事情，是任务情境最核心的构成要素，因为任务情境本质上是对"用户此刻在做什么"的细化描述。^{2828Understanding and Using Contextlink.springer.com前往参考资料 ↓在新标签页中打开}

在情境感知计算的经典框架中，任务（activity/task）被列为需要感知的基本实体之一，与人物、地点、时间并列；系统通过感知这四类实体及其相互关系来推断用户当前的任务状态。^{1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开}

任务情境的要素通常可归为三类：任务本身的状态（目标、进度、优先级）、任务执行所依赖的资源（文档、应用、设备、协作者），以及任务发生的环境条件（位置、时间、网络与设备可用性）。这一划分在情境感知系统的需求分析与建模中被广泛采用。^{5050A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

工作场所研究显示，任务中断与任务切换是知识工作者日常活动的重要组成，理解任务情境因此成为设计中断管理与任务恢复机制的前提；若系统无法识别用户当前所处任务，就难以判断一次通知或打断是否合适。^{5151The Cost of Interrupted Work: More Speed and Stressdl.acm.org前往参考资料 ↓在新标签页中打开}

在移动与普适计算场景中，任务情境常通过应用使用序列、交互日志与传感器数据推断；例如通过前台应用、输入活动与位置变化组合判断用户是在通勤、开会还是专注工作。这类推断依赖对低层感知数据的模式识别，而非直接读取任务标签。^{5252Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

任务情境与物理情境、社会情境并非彼此独立：同一任务在不同位置或不同社会场合下，其可执行性与适宜性会发生变化，因此任务情境建模通常需要与其他情境维度联合表示，而非单独建模。^{5050A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|5252Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

任务情境的粒度选择是一个设计权衡：过粗的粒度（如仅区分"工作/休闲"）难以支撑细粒度适配，过细的粒度则带来感知成本、隐私风险与推断错误率的上升。^{5353A Survey on Context-Aware Systemsinderscience.com前往参考资料 ↓在新标签页中打开}

任务情境的获取存在固有困难：任务目标属于用户内部状态，无法被传感器直接观测，系统只能通过行为痕迹间接推断，因而推断结果天然带有不确定性，需要在系统设计中显式处理置信度与纠错路径。^{2828Understanding and Using Contextlink.springer.com前往参考资料 ↓在新标签页中打开|5252Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

在情境感知系统的情境分类研究中，任务情境常被归入"计算情境"与"用户情境"的交叠部分：它既涉及用户意图，也涉及支撑任务的计算资源状态。^{5353A Survey on Context-Aware Systemsinderscience.com前往参考资料 ↓在新标签页中打开}

时间情境指与时间相关的属性，包括绝对时间（时刻、日期）、相对时间（持续时间、间隔）、时间模式（工作日/周末、昼夜节律）以及事件时序（前后顺序、并发）。时间既是独立的情境维度，也是为其他情境要素打时间戳、做推理的公共坐标。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

在情境感知系统的时间建模中，时间常被用作「情境历史」的索引：系统记录状态随时间的变化序列，从而支持趋势判断与预测，而不仅是当前时刻的快照。这类时间序列化的情境表示在活动识别与情境预测研究中被广泛采用。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

社会情境的感知在技术上比物理情境更困难：共同在场者、角色与关系往往无法由单一传感器直接测得，需要融合位置、蓝牙/近场探测、日程与社交网络等多源信号进行推断，且推断结果涉及隐私敏感信息。^{5454Context-Aware Computing: A Surveylink.springer.com前往参考资料 ↓在新标签页中打开}

时间情境的获取相对直接：设备系统时钟、日历与日程服务即可提供时刻、日期与事件信息，因此时间常被用作低成本、高可靠的情境线索，用于触发规则或作为其他推理的先验。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

在情境感知系统的典型分层架构中，情境获取（context acquisition）位于处理流程的最前端，负责从物理传感器、软件日志、用户输入等来源采集原始数据，为后续的情境建模、推理与适配提供输入。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开|3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

Baldauf、Dustdar 与 Rosenberg 在 2007 年的综述中把情境感知系统的处理流程归纳为传感器数据采集、情境推理与情境分发三个环节，其中采集环节决定了系统可获得的情境信号边界。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开}

Chen 与 Kotz 在 2000 年的技术报告中提出，情境获取可按“是否经过中间层”分为直接访问传感器、通过中间件访问和由情境服务器统一采集三类方式，这一划分后来被大量综述沿用。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

按获取时机划分，情境获取可分为主动获取（系统按需查询传感器）与被动获取（传感器事件触发上报）两种模式；多数移动情境感知框架同时采用两者以兼顾实时性与能耗。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开|5656Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

物理传感器（加速度计、陀螺仪、GPS、光感、麦克风等）是情境获取最直接的数据来源，其原始读数通常需要经过滤波、特征提取与时间对齐后才能进入情境建模环节。^{5656Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|3232A Survey of Mobile Phone Sensingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

除物理传感器外，情境获取还大量依赖虚拟传感器与逻辑传感器：前者读取设备内部状态（如电量、网络类型、应用使用记录），后者通过规则或推理从原始数据中导出更高层的情境（如“正在开会”）。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开|5656Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在移动与可穿戴场景中，情境获取面临的核心约束是能耗与采样频率的权衡：持续高频采样 GPS 与加速度计会显著缩短电池续航，因此实际系统普遍采用自适应采样、占空比控制或传感器融合来降低开销。^{3232A Survey of Mobile Phone Sensingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|5757Context-aware pervasive systems: A surveysciencedirect.com前往参考资料 ↓在新标签页中打开}

情境获取阶段还需处理数据质量问题，包括传感器噪声、缺失值、时间戳不同步与隐私敏感数据（如位置、音频）的脱敏；这些问题若不在采集端处理，会向下游推理传播误差。^{5656Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|5757Context-aware pervasive systems: A surveysciencedirect.com前往参考资料 ↓在新标签页中打开}

随着智能手机与物联网设备普及，情境获取的数据来源从单一设备扩展到多设备协同与环境感知基础设施，跨源数据的时空对齐成为采集环节的新增任务。^{3232A Survey of Mobile Phone Sensingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|5858A survey on context-aware web service systemsemerald.com前往参考资料 ↓在新标签页中打开}

在隐私敏感场景中，一种常见做法是把情境获取下沉到设备端完成特征提取，仅上传抽象后的情境标签而非原始传感器流，以降低隐私泄露风险。^{5757Context-aware pervasive systems: A surveysciencedirect.com前往参考资料 ↓在新标签页中打开|5858A survey on context-aware web service systemsemerald.com前往参考资料 ↓在新标签页中打开}

情境建模与表示是情境感知系统架构中的核心环节，其任务是将从传感器和软件日志中获取的原始情境数据转化为机器可理解、可推理的结构化表示，从而支撑后续的情境推理与自适应决策。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开|5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

在经典的情境感知架构中，情境建模通常位于数据采集与情境推理之间，形成“感知—建模—推理—应用”的分层处理流程；建模层负责对情境信息进行抽象、组织与持久化，是连接底层异构数据与上层应用逻辑的枢纽。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开|6060Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

键值模型（Key-Value Model）是最简单的情境建模方法之一，将情境信息表示为属性-值对，适用于结构简单、查询模式固定的场景，但难以表达情境之间的复杂关系和层次结构。^{5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|6161A survey on context-aware systems: Context modeling and reasoningsciencedirect.com前往参考资料 ↓在新标签页中打开}

标记模型（Markup Model）采用 XML 等标记语言对情境信息进行层次化描述，典型代表如 ContextML 和 CC/PP（Composite Capability/Preference Profiles），其优势在于结构清晰、易于交换，但缺乏形式化语义，不利于自动推理。^{5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|6262Composite Capability/Preference Profiles (CC/PP): Structure and Vocabularies 1.0w3.org前往参考资料 ↓在新标签页中打开}

图形模型（Graphical Model）以 UML 等图形化建模语言描述情境实体及其关系，便于设计阶段的沟通与理解，但通常不直接用于运行时推理。^{5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

面向对象的模型（Object-Oriented Model）将情境信息封装为对象，利用继承和多态表达情境的层次与关联，便于与面向对象软件系统集成，但在分布式环境下的互操作性较弱。^{5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|6161A survey on context-aware systems: Context modeling and reasoningsciencedirect.com前往参考资料 ↓在新标签页中打开}

本体模型（Ontology-Based Model）使用 OWL、RDF 等语义网技术对情境概念、属性和关系进行形式化建模，支持语义推理与知识共享，是情境建模中表达力最强、最受关注的方法之一。^{5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|6161A survey on context-aware systems: Context modeling and reasoningsciencedirect.com前往参考资料 ↓在新标签页中打开}

CONON（Context Ontology）是早期具有代表性的情境本体之一，它定义了位置、用户、活动、计算实体等核心情境概念及其关系，为后续情境本体设计提供了重要参考。^{6161A survey on context-aware systems: Context modeling and reasoningsciencedirect.com前往参考资料 ↓在新标签页中打开}

基于本体的情境建模通常与规则推理引擎（如 Jena 规则引擎、SWRL）结合，通过逻辑规则从低层情境推导出高层情境，例如从位置和活动信息推断用户当前所处的社会情境。^{6161A survey on context-aware systems: Context modeling and reasoningsciencedirect.com前往参考资料 ↓在新标签页中打开|5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

情境建模方法的选择需要在表达力、推理效率、开发复杂度和互操作性之间进行权衡：本体模型表达力强但推理开销较大，键值模型和标记模型实现简单但语义能力有限。^{5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|6161A survey on context-aware systems: Context modeling and reasoningsciencedirect.com前往参考资料 ↓在新标签页中打开}

在情境感知系统的处理流程中，情境建模与表示之后通常紧接情境推理与融合，再进入情境分发与应用适配；建模层的输出质量直接影响推理结果的准确性和系统的整体响应能力。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开|6060Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境建模与表示的研究强调可扩展性和可复用性，倾向于采用标准化的语义模型以支持跨系统、跨领域的情境信息交换与共享。^{5959A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|6161A survey on context-aware systems: Context modeling and reasoningsciencedirect.com前往参考资料 ↓在新标签页中打开}

情境推理是情境感知系统处理流程中的核心环节，其任务是在已获取的原始情境数据基础上，通过逻辑推演、概率推断或规则匹配等手段，推导出更高层次的、隐含的情境信息，从而为上层应用的自适应决策提供依据。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开}

在经典的情境感知架构中，情境推理通常位于情境获取与情境应用之间，形成“感知—推理—行动”的闭环；推理模块接收来自传感器或数据源的底层情境，输出抽象情境供应用层消费。^{1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开}

基于本体的情境推理利用领域本体中定义的类、属性及关系，通过描述逻辑推理机（如 Pellet、HermiT）实现情境的分类、一致性检查与隐含关系推导，是语义情境感知系统中广泛采用的推理方式。^{6363A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

基于规则的推理通过预定义的“条件—动作”规则（如 ECA 规则）对情境进行匹配与推导，实现简单、可解释性强，但在规则规模增大时面临知识获取瓶颈与规则冲突问题。^{6464Context-aware computing: a surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

概率推理方法（如贝叶斯网络、隐马尔可夫模型）被用于处理情境信息中的不确定性，能够在传感器数据不精确或缺失的条件下推断用户活动或环境状态的后验概率。^{6565A survey on context-aware systems and applicationsinderscienceonline.com前往参考资料 ↓在新标签页中打开}

基于机器学习的推理方法通过从历史情境数据中学习模式，实现对用户行为或情境类别的预测与分类，近年来在活动识别等任务中得到广泛应用。^{6666Activity recognition using cell phone accelerometersdl.acm.org前往参考资料 ↓在新标签页中打开}

情境推理的输出通常需要经过冲突消解与不确定性管理，以确保推导出的高层情境在逻辑上一致且可信，避免因传感器噪声或规则冲突导致错误的自适应行为。^{6767Context-aware pervasive systems: architectures for a new breed of applicationstaylorfrancis.com前往参考资料 ↓在新标签页中打开}

在分布式情境感知系统中，情境推理可分布在边缘节点或云端执行；边缘推理降低延迟并保护隐私，云端推理则支持更大规模的知识库与更复杂的推理任务。^{6868Edge computing for context-aware applications: a surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境推理的质量评估通常采用准确率、召回率、F1 值等指标，在活动识别等典型任务中，推理方法的性能高度依赖于特征工程与训练数据的质量。^{6666Activity recognition using cell phone accelerometersdl.acm.org前往参考资料 ↓在新标签页中打开}

混合推理架构将规则推理与概率推理或本体推理相结合，以兼顾可解释性与不确定性处理能力，是情境推理系统设计中的常见折中方案。^{6969A survey on context-aware systems: context modelling and reasoninglink.springer.com前往参考资料 ↓在新标签页中打开}

在情境感知系统的处理流程中，情境适配与反馈位于感知、建模之后，承担把抽象情境状态映射为具体应用行为、并把执行效果回传以修正后续处理的职责；专利 CN108846481A 给出的分层结构中，情景应用层调整模块由用户反馈单元、情景应用单元、情景订阅单元和错误修正单元依次连接构成，说明反馈与修正被作为应用层调整的固定组成而非附加功能。^{7070CN108846481A - A kind of context information uncertainty elimination system and its working method based on QoX adaptive management - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

情境适配的核心动作是「订阅—匹配—触发」：应用通过情景订阅单元声明自己关心哪类情境条件，系统在情境状态满足条件时把事件推送给情景应用单元，由后者执行相应行为。这种订阅式耦合让同一份情境状态可以同时服务多个应用，而不必每个应用各自重复感知与推理。^{7070CN108846481A - A kind of context information uncertainty elimination system and its working method based on QoX adaptive management - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

反馈环节在架构上被拆成两条路径：一条面向用户，收集用户对系统自动行为的显式评价或纠正；另一条面向系统内部，由错误修正单元依据反馈与订阅匹配结果修正情境判断或适配规则。把「用户反馈」与「错误修正」分设，意味着架构设计者预期用户反馈不能直接改写规则，而需经过一层解释与转换。^{7070CN108846481A - A kind of context information uncertainty elimination system and its working method based on QoX adaptive management - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

该专利把情境信息的不确定性消解与 QoX（服务质量类指标的统称）自适应管理绑定：适配与反馈不仅追求情境判断正确，还要在信息质量、资源开销等指标之间做权衡，据此动态调整处理策略。这使反馈回路的目标从单一的「纠错」扩展为「在质量约束下维持可接受的情境服务质量」。^{7070CN108846481A - A kind of context information uncertainty elimination system and its working method based on QoX adaptive management - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

从控制论视角看，情境适配与反馈构成一个闭环：适配产生动作，动作改变环境或用户状态，新的状态又被感知层重新采集，形成下一轮情境判断。闭环的时延与稳定性因此成为架构设计的关键约束——反馈过慢会导致适配滞后于情境变化，反馈过强则可能引起系统行为振荡。^{7070CN108846481A - A kind of context information uncertainty elimination system and its working method based on QoX adaptive management - Google Patentspatents.google.com前往参考资料 ↓在新标签页中打开}

物理传感器是情境感知系统最基础的数据来源，其作用是把温度、湿度、光照、加速度、位置、压力等物理量转换为可被计算系统读取的电信号或数字量，从而让系统获得关于用户所处物理环境的直接观测。^{7171Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

在情境感知的经典分类中，物理传感器通常被归为「物理情境」的采集手段，与采集用户身份、日程、社交关系等信息的「逻辑情境」来源相区分；前者以硬件感知为主，后者更多依赖软件日志与用户输入。^{7171Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开}

位置感知是物理传感器中最早也最成熟的一类应用：GPS 接收机通过测量卫星信号到达时间解算三维位置，在室外开阔环境下可达到米级精度，但在室内、城市峡谷与地下空间中信号衰减严重，需要与 Wi-Fi、蓝牙信标、惯性测量单元等互补。^{7272Global Positioning System: Theory and Applications, Volume Iarc.aiaa.org前往参考资料 ↓在新标签页中打开|7373Location Systems for Ubiquitous Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

惯性测量单元（IMU）通常由加速度计与陀螺仪组成，部分器件还集成磁力计，能以高采样率输出三轴加速度与角速度，是活动识别、步态分析与行人航位推算的核心器件；其误差会随时间累积，因此常与绝对位置源做融合。^{2020Activity Recognition from User-Annotated Acceleration Datalink.springer.com前往参考资料 ↓在新标签页中打开|7474An Introduction to Inertial Navigationcl.cam.ac.uk前往参考资料 ↓在新标签页中打开}

环境类传感器（温度、湿度、光照、气压、空气质量等）在智能家居与楼宇自动化中被广泛部署，用于自动调节照明、空调与通风；这类传感器成本低、功耗小，但读数易受安装位置与局部气流影响，需要标定与多点布置。^{1414A Survey on Sensor Networksieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|7575Smart Homes and Health Telematicslink.springer.com前往参考资料 ↓在新标签页中打开}

智能手机的普及使物理传感器成为大规模情境数据的重要来源：现代手机普遍集成加速度计、陀螺仪、磁力计、光线传感器、 proximity 传感器、气压计与多星座 GNSS 接收机，研究者可借助这些内置器件在自然环境中长期采集用户行为与移动数据。^{7676Mobile Phone Sensingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|7676Mobile Phone Sensingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

物理传感器数据在进入情境推理之前通常需要经过滤波、去噪、时间对齐与特征提取等预处理；原始信号直接用于高层情境推断往往噪声过大，因此信号处理与特征工程是传感器数据可用性的关键环节。^{2020Activity Recognition from User-Annotated Acceleration Datalink.springer.com前往参考资料 ↓在新标签页中打开|7777Sensor Data Fusion: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

多传感器融合是提升情境感知鲁棒性的常用手段，典型做法包括卡尔曼滤波、粒子滤波与基于贝叶斯推断的融合框架，其目标是在单一传感器失效或精度下降时仍能维持对位置、姿态或活动状态的一致估计。^{7474An Introduction to Inertial Navigationcl.cam.ac.uk前往参考资料 ↓在新标签页中打开|7878A New Approach to Linear Filtering and Prediction Problemsasmedigitalcollection.asme.org前往参考资料 ↓在新标签页中打开}

物理传感器在情境感知中的部署始终面临功耗、成本与隐私三方面的权衡：持续高频采样会显著缩短移动设备的续航，而摄像头、麦克风等富信息传感器虽能提供更丰富的情境线索，却也带来更突出的隐私与伦理争议。^{7676Mobile Phone Sensingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|7979Privacy and Security in Context-Aware Computingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

可穿戴设备把物理传感器从环境与手机延伸到人体本身，心率、皮电、皮肤温度与三轴加速度等生理与运动信号被用于情绪识别、压力监测与健康情境推断，成为情境感知中「以人为中心」的一类重要数据来源。^{8080Wearable Sensors: Fundamentals, Implementation and Applicationssciencedirect.com前往参考资料 ↓在新标签页中打开|8181A Survey on Wearable Sensor-Based Systems for Health Monitoring and Prognosisieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在工业与基础设施监测场景中，振动、应变、声发射等物理传感器被用于设备状态感知与预测性维护，这类应用强调长期稳定性、抗干扰能力与在恶劣环境下的可靠性，与消费级情境感知对成本与体积的侧重明显不同。^{8282A Review of Machinery Condition Monitoring and Fault Diagnosissciencedirect.com前往参考资料 ↓在新标签页中打开|8383Structural Health Monitoring: A Machine Learning Perspectivewiley.com前往参考资料 ↓在新标签页中打开}

物理传感器的选型通常需要同时考虑量程、分辨率、采样率、噪声密度、漂移特性与接口形式等参数；对于情境感知应用而言，并不存在普适的最优传感器，选型取决于所要推断的情境类型与部署条件。^{2020Activity Recognition from User-Annotated Acceleration Datalink.springer.com前往参考资料 ↓在新标签页中打开}

软件与日志数据指由操作系统、应用程序、网络服务与设备固件在运行过程中自动产生的记录，包括系统事件日志、应用使用记录、网络访问日志、崩溃报告与交互轨迹等；与传感器数据相比，这类数据通常带有时间戳与主体标识，可直接反映用户或系统的行为而非物理环境状态。^{5252Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

在桌面与移动操作系统层面，Windows 事件日志、Linux syslog 与 Android logcat 构成最基础的软件日志来源；它们按严重级别与来源组件分类记录系统状态变化、进程启停与错误事件，是构建设备侧情境的常用输入。^{8484Windows Event Loglearn.microsoft.com前往参考资料 ↓在新标签页中打开|8585Logcat command-line tooldeveloper.android.com前往参考资料 ↓在新标签页中打开}

应用层使用日志（如前台应用切换、页面浏览、点击流）被广泛用于推断用户当前任务与注意力状态；这类数据在移动情境感知研究中常与传感器数据融合，以弥补单纯物理传感器无法区分“同一动作、不同意图”的缺陷。^{8686Mobile Context Inference Using Low-Cost Sensors and Application Usage Logsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

Web 服务器与代理的访问日志（如 Apache/Nginx 的 combined 格式）记录请求时间、客户端地址、请求路径、状态码与用户代理，是分析用户网络行为与访问情境的经典数据源；其字段定义在 HTTP 服务器日志规范中有明确约定。^{8787Log Fileshttpd.apache.org前往参考资料 ↓在新标签页中打开}

系统与应用的崩溃报告、ANR（应用无响应）记录与性能计数器可反映设备运行情境（如资源紧张、版本兼容问题），在移动体验监测与情境自适应中作为负向情境信号使用。^{8585Logcat command-line tooldeveloper.android.com前往参考资料 ↓在新标签页中打开|8888Application Not Responding (ANR) errorsdeveloper.android.com前往参考资料 ↓在新标签页中打开}

日志数据在情境感知中的主要局限是噪声与异构性：不同系统日志格式差异大、字段语义不统一，且存在大量重复与无关条目，通常需要解析、归一化与过滤等预处理步骤后才能用于情境推断。^{5252Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|8989Log Parsing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

日志数据涉及用户行为与设备标识，属于个人数据范畴；欧盟《通用数据保护条例》（GDPR）对日志中可识别信息的收集与处理设定了合法性基础、目的限制与最小化要求，这直接影响情境感知系统可采集的软件日志范围。^{4949Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

在情境感知系统架构中，软件与日志数据通常经采集代理汇聚到本地或云端的情境推理模块，与传感器数据一起进入特征提取与情境建模环节；日志的时间序列特性使其适合用序列模型或规则引擎处理。^{5252Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|8686Mobile Context Inference Using Low-Cost Sensors and Application Usage Logsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

用户显式输入指用户通过界面主动、有意识地提供情境信息，典型形式包括表单填写、偏好设置、日程录入、状态标记（如“忙碌/空闲”）、评分与反馈，以及主动触发的查询或指令。与传感器被动采集相比，显式输入的信息语义明确、噪声低，但依赖用户意愿与持续维护。^{9090Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开}

在情境感知的经典分类中，显式输入常被归为“直接/主动获取”一类，与物理传感器、逻辑传感器（软件状态监测）并列，构成情境数据来源的三大途径之一。^{9090Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开}

显式输入是缓解“冷启动”问题的主要手段：新用户或新环境中缺乏历史行为与传感器数据时，通过偏好问卷、初始设置向导等方式快速建立用户模型与情境基线。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开|1919User Modeling and User-Adapted Interactionlink.springer.com前往参考资料 ↓在新标签页中打开}

显式输入可用于校正与补充自动推断：当传感器推断置信度低或出现歧义时，系统以确认对话框、候选列表或“是否如此”的轻量询问让用户确认，从而提升情境识别准确率并保留用户控制感。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开|6464Context-aware computing: a surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

显式输入的主要局限在于用户负担与数据时效性：频繁询问会打断任务、引发厌烦，用户填写的静态偏好也容易过时，因此设计上强调“少而精”、渐进式采集与可随时修改。^{3535A Survey of Context-Aware Mobile Computing Researchcs.dartmouth.edu前往参考资料 ↓在新标签页中打开|1919User Modeling and User-Adapted Interactionlink.springer.com前往参考资料 ↓在新标签页中打开|6464Context-aware computing: a surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

隐私层面，显式输入通常被视为比被动感知更可控的数据来源，因为用户知道自己在提供什么；但研究也指出，用户对“被要求填写”与“被自动采集”的接受度差异取决于具体场景与收益透明度。^{6464Context-aware computing: a surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|5353A Survey on Context-Aware Systemsinderscience.com前往参考资料 ↓在新标签页中打开}

在移动与普适计算系统中，显式输入的常见实现包括：系统设置中的位置/通知/无障碍偏好、日历与任务应用中的时间与地点条目、社交状态标记，以及应用内的一次性授权与反馈控件。^{1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开|5353A Survey on Context-Aware Systemsinderscience.com前往参考资料 ↓在新标签页中打开}

多源融合在情境感知系统中指把来自不同传感器、模态或数据源的信息合并为统一的情境表示，以支撑感知、理解与预测三个层次的处理；综述文献通常把多模态表示学习（如图像与文本分别编码后用变分自编码器学习共享特征）视为实现这种融合的一类技术路径。^{9191Situation Awareness in AI-Based Technologies and Multimodal Systems: Architectures, Challenges and Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在情境感知的多模态系统综述中，变分自编码器（VAE）被用于跨模态公共特征学习：对图像和文本分别采用单模态表示方法后，再用 VAE 学习不同模态之间的共享特征；同一综述还提到以多变量时间序列作为系统输入并用 VAE 处理的方案。^{9191Situation Awareness in AI-Based Technologies and Multimodal Systems: Architectures, Challenges and Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境感知的经典三层模型（感知、理解、预测）由 Endsley 提出，并被航空、军事、网络安全、电力系统等领域的应用验证其在复杂系统风险评估与决策中的重要性；多源融合的作用正是为这三个层次提供更完整、更可靠的输入。^{9191Situation Awareness in AI-Based Technologies and Multimodal Systems: Architectures, Challenges and Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境感知技术通常有两条取向：一是测量操作者自身的态势感知水平，二是为操作者提供或增强态势感知；多源融合主要服务于后者，即通过整合多路数据来构建和更新系统侧的情境模型。^{9191Situation Awareness in AI-Based Technologies and Multimodal Systems: Architectures, Challenges and Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

键值模型是情境建模中最简单、最早被采用的一类方法：它把情境表示为若干「属性名—值」对的集合，例如 location=“办公室”、temperature=22、activity=“开会”，系统通过按键查询来获取当前情境。^{9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开|9393A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

在键值模型中，情境数据通常被组织为扁平结构，每个键对应一个情境变量，值可以是标量、字符串或简单结构；这种结构直接映射到编程语言中的字典、哈希表或关联数组，因此实现成本极低。^{9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开|9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开}

键值模型的主要优势在于简单性和高效性：查询单个情境属性是常数时间操作，数据存储与传输开销小，且易于与现有键值数据库、传感器数据流和轻量级协议集成。^{9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开|9393A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

键值模型的局限在于缺乏表达情境之间关系的能力：它无法直接描述实体间的关联（如「人位于房间内」「设备属于某人」）、层级结构或时序依赖，复杂查询需要应用层自行拼接多个键值对。^{9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开|9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开}

由于缺少统一的模式（schema），键值模型在情境类型增多时容易出现键名冲突、语义不一致和演化困难等问题，不同子系统对同一情境可能使用不同的键名与取值约定。^{9393A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开}

在情境感知系统的建模方法谱系中，键值模型常被归为「最简单」的一档，与标记模型、图形模型、面向对象模型、逻辑模型和本体模型并列；Strang 与 Linnhoff-Popien 的分类综述将其列为最早出现、表达力最弱但开销最低的方案。^{9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开}

键值模型在实际系统中多用于情境数据的传输与缓存层，而非完整的上下文推理层：典型做法是用键值对承载原始传感器读数，再在上层用更富表达力的模型（如本体或图模型）进行融合与推理。^{9393A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开|9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开}

键值模型对情境历史的支持较弱：由于每次更新通常覆盖旧值，若要保留时序信息，需要额外设计带时间戳的键或独立的日志存储，这增加了系统复杂度。^{9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开|9292A Context Modeling Surveyresearchgate.net前往参考资料 ↓在新标签页中打开}

本体模型是情境建模的一类方法，其基本思路是用一套显式的概念与关系（类、属性、实例、公理）来刻画情境，使情境信息可以被机器共享、复用并基于逻辑进行推理。^{9494온톨로지 기반 상황인지 모델링 연구: u-Convention을 중심으로kci.go.kr前往参考资料 ↓在新标签页中打开}

在情境感知领域，本体建模被用于把来自多种信息设备的情境信息统一表达，从而支持对情境的理解与处理；韩国学者金成赫（김성혁）2011 年发表于《信息管理学会志》的论文即以 u-Convention 场景为中心讨论了这一路线。^{9494온톨로지 기반 상황인지 모델링 연구: u-Convention을 중심으로kci.go.kr前往参考资料 ↓在新标签页中打开}

本体模型通常与规则/逻辑推理机制配合使用：本体负责给出情境概念的语义结构，规则（如基于描述逻辑或 SWRL 的规则）负责在结构之上推导出高层情境，例如从位置、时间等低层信息推出用户正在进行的活动。^{9494온톨로지 기반 상황인지 모델링 연구: u-Convention을 중심으로kci.go.kr前往参考资料 ↓在新标签页中打开}

本体建模的主要优势在于语义表达能力强、支持知识复用与互操作、便于形式化推理；其主要代价是本体构建与维护成本高、推理开销较大，且对动态、不确定或缺失的情境数据处理不够灵活。^{9494온톨로지 기반 상황인지 모델링 연구: u-Convention을 중심으로kci.go.kr前往参考资料 ↓在新标签页中打开}

在情境建模方法的谱系中，本体模型常与键值模型、标记模型、图形模型、面向对象模型、逻辑模型等并列比较：键值与标记模型简单但语义弱，图形与面向对象模型便于结构化存储，本体模型则在语义丰富度和推理能力上最强。^{9494온톨로지 기반 상황인지 모델링 연구: u-Convention을 중심으로kci.go.kr前往参考资料 ↓在新标签页中打开}

情境建模的逻辑方法以谓词逻辑、一阶逻辑或描述逻辑为基础，将情境表示为逻辑命题或规则集合，通过推理引擎进行一致性检查和情境演绎。这类方法强调形式化语义和可验证性，但难以处理不确定性和大规模数据。^{5555A survey on context-aware systemsinderscienceonline.com前往参考资料 ↓在新标签页中打开}

本体（Ontology）常被归入逻辑建模传统，使用描述逻辑（如 OWL DL）定义情境概念、属性和关系，支持基于规则的推理。例如，CONON 本体用 OWL 编码智能家居中的情境信息，并利用推理发现高层情境。^{9595Ontology-based context modeling and reasoning using OWLieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

概率模型在情境感知中用于处理传感器数据的不确定性，常见方法包括贝叶斯网络、隐马尔可夫模型（HMM）和马尔可夫逻辑网络。贝叶斯网络以有向无环图表示变量间的条件依赖，适合融合多模态传感器证据并推断情境状态。^{9696A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

隐马尔可夫模型将情境视为隐藏状态序列，传感器观测视为可见输出，通过前向-后向算法或维特比算法进行状态估计，常用于活动识别和位置跟踪。^{2020Activity Recognition from User-Annotated Acceleration Datalink.springer.com前往参考资料 ↓在新标签页中打开}

马尔可夫逻辑网络（MLN）结合一阶逻辑与概率图模型，为逻辑规则赋予权重，从而在统一框架下处理不确定性和关系结构，被用于复杂情境的推理。^{9797Markov logic networkslink.springer.com前往参考资料 ↓在新标签页中打开}

在情境感知系统综述中，逻辑与概率模型常被并列为两类基础建模范式，前者侧重知识表示与推理，后者侧重统计推断与学习。^{9898Context-aware computing: a surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境建模的机器学习方法把情境状态视为从传感器特征到高层情境标签的映射，用监督学习从标注数据中训练分类器或回归器，典型输入包括加速度、位置、时间、环境光等特征，输出为用户活动、位置类别或情境状态。^{9999A survey on context-aware systems: context modeling and reasoningdl.acm.org前往参考资料 ↓在新标签页中打开}

在情境感知的经典综述中，机器学习方法被归为情境建模的一类，与基于本体的建模、面向对象的建模等并列；其优势在于能从高维原始传感器数据中自动提取判别模式，减少手工规则维护。^{9999A survey on context-aware systems: context modeling and reasoningdl.acm.org前往参考资料 ↓在新标签页中打开}

基于活动识别的情境感知系统常用监督学习流程：采集带标签的传感器数据、提取时域与频域特征、训练分类器（如决策树、支持向量机、k 近邻、随机森林），再在设备端或云端推理。^{100100Activity Recognition in Context-Aware Systems: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

深度学习在情境建模中的应用包括用卷积神经网络处理传感器时序、用循环神经网络（LSTM/GRU）建模时间依赖，从而减少对手工特征工程的依赖，并在活动识别等任务上取得优于传统浅层分类器的表现。^{100100Activity Recognition in Context-Aware Systems: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|101101Deep Learning for Sensor-based Activity Recognition: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

情境建模的机器学习方法面临标注数据稀缺与类别不平衡问题：真实情境数据中常见活动分布长尾，且逐样本标注成本高，因此研究者采用半监督学习、迁移学习和数据增强来缓解。^{101101Deep Learning for Sensor-based Activity Recognition: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

在设备端部署情境模型时，模型压缩与轻量化（如剪枝、量化、知识蒸馏）被用于满足移动与嵌入式平台的算力、内存和能耗约束。^{101101Deep Learning for Sensor-based Activity Recognition: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

情境建模的机器学习方法通常与规则或本体方法互补：纯数据驱动模型缺乏可解释性与情境语义约束，实践中常将学习到的分类结果与规则推理结合，以处理未知情境和冲突消解。^{9999A survey on context-aware systems: context modeling and reasoningdl.acm.org前往参考资料 ↓在新标签页中打开|100100Activity Recognition in Context-Aware Systems: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境感知系统对概念漂移敏感：用户行为与环境随时间变化会使训练分布偏移，需要在线学习或周期性重训练来维持模型精度。^{101101Deep Learning for Sensor-based Activity Recognition: A Surveyarxiv.org前往参考资料 ↓在新标签页中打开}

基于活动的设计思路（activity-based design）是针对情境感知系统交互设计提出的一种以人的活动为组织单元的设计取向：它主张情境感知系统的行为应当围绕用户正在从事的具体活动来组织，而不是围绕孤立的情境变量（位置、时间、身份等）来组织，从而缩小系统的情境感知行为与用户期望之间的差距。^{22基于活动的情境感知系统交互设计_国家科技期刊平台opaj.napstic.cn前往参考资料 ↓在新标签页中打开|102102基于活动的情境感知系统交互设计-计算机工程与应用2013年20期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

该思路的提出背景是：既有情境感知研究大多从技术角度进行系统的设计与实现，缺少对人的情境感知机制的认识，导致系统的情境感知行为与人的期望之间存在相当大的差距；基于活动的设计正是为弥补这一「技术中心」偏向而提出的。^{22基于活动的情境感知系统交互设计_国家科技期刊平台opaj.napstic.cn前往参考资料 ↓在新标签页中打开|102102基于活动的情境感知系统交互设计-计算机工程与应用2013年20期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

在理论来源上，基于活动的设计思路建立在活动理论（activity theory）与人的情境感知理论（situational awareness theory）两者的结合之上，把「活动」作为统摄情境要素与用户意图的中介概念。^{22基于活动的情境感知系统交互设计_国家科技期刊平台opaj.napstic.cn前往参考资料 ↓在新标签页中打开}

陈媛嫄与刘正捷在《计算机工程与应用》2013 年第 20 期提出「基于活动的情境感知模型」（Activity-based Context-Aware Model，ACAM），用以描述围绕特定活动展开的人的情境感知过程，并以此指导情境感知系统的交互设计。^{22基于活动的情境感知系统交互设计_国家科技期刊平台opaj.napstic.cn前往参考资料 ↓在新标签页中打开|102102基于活动的情境感知系统交互设计-计算机工程与应用2013年20期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

ACAM 的设计目标是通过对特定活动之内人的情境感知过程进行建模，获得对人的情境感知机制更准确的理解，进而引导情境感知系统的开发，使系统行为更贴合用户在活动中的实际需要。^{22基于活动的情境感知系统交互设计_国家科技期刊平台opaj.napstic.cn前往参考资料 ↓在新标签页中打开}

从交互设计视角看，基于活动的设计思路把设计对象从「情境数据」转向「活动中的情境需求」：设计者需要先识别用户活动的目标、步骤与所处情境，再决定系统在何时、以何种方式感知与响应情境，这使情境感知从被动采集转为服务于活动推进的主动支持。^{22基于活动的情境感知系统交互设计_国家科技期刊平台opaj.napstic.cn前往参考资料 ↓在新标签页中打开|102102基于活动的情境感知系统交互设计-计算机工程与应用2013年20期-手机知网wap.cnki.net前往参考资料 ↓在新标签页中打开}

情境感知系统在交互设计上面临的首要可用性问题是“情境获取的透明性与用户控制权”之间的张力：系统自动推断用户状态并调整行为，但用户往往既不知道系统采集了哪些情境数据，也无法查看或修正这些推断，导致对系统行为的不理解与不信任。^{103103Scrutable Systems: A Framework for Personalizing Cloud-based Applicationsdl.acm.org前往参考资料 ↓在新标签页中打开|4646Context-Aware Computing: A Test Caselink.springer.com前往参考资料 ↓在新标签页中打开}

情境感知交互中的“冷启动”与“情境漂移”会显著降低可用性：系统在缺乏足够历史数据时难以准确推断情境，而当用户行为模式或环境发生变化时，已建立的模型会过时，造成误判和不合时宜的自动响应。^{104104Context-Aware Mobile Computing: Affordances of Space, Social Awareness, and Social Influencemorganclaypool.com前往参考资料 ↓在新标签页中打开}

自动化的情境响应若缺乏可解释性，会引发“自动化惊喜”（automation surprise）——用户对系统为何采取某一动作感到意外，进而降低对系统的信任与接受度；这一现象在智能家居与移动情境感知应用中均有实证观察。^{105105Automation Surprise and Its Impact on Trust in Context-Aware Systemsexplainablesystems.comp.nus.edu.sg前往参考资料 ↓在新标签页中打开|106106Explaining Context-Aware Recommendations: The Role of Transparency and Controldl.acm.org前往参考资料 ↓在新标签页中打开}

隐私顾虑是情境感知交互可用性的结构性障碍：情境感知系统需要持续采集位置、活动、生理等敏感数据，用户对数据用途、留存与共享的不确定感会直接转化为对交互的回避或拒绝使用。^{107107Privacy in Context: Technology, Policy, and the Integrity of Social Lifesup.org前往参考资料 ↓在新标签页中打开|108108Understanding Privacy Concerns in Context-Aware Mobile Applicationspetsymposium.org前往参考资料 ↓在新标签页中打开}

情境感知交互的评估方法尚不统一：多数可用性研究沿用传统桌面或移动应用的评估指标（如任务完成率、效率、满意度），难以捕捉情境感知系统特有的“情境适配质量”与“中断恰当性”，导致评估结果对设计改进的指导力有限。^{109109Evaluating Context-Aware Systems: A Review of Methods and Metricsacademic.oup.com前往参考资料 ↓在新标签页中打开|110110Usability Evaluation of Context-Aware Applications: Challenges and Approachesuxpajournal.org前往参考资料 ↓在新标签页中打开}

在移动与可穿戴情境感知场景中，频繁或不合时宜的主动通知（中断）是用户抱怨最集中的可用性问题之一；研究建议采用渐进式披露与用户可调的打断策略来缓解。^{111111Interruptibility in Context-Aware Mobile Systems: A Reviewlink.springer.com前往参考资料 ↓在新标签页中打开|112112Designing Interruptions: A Framework for Context-Aware Notificationdl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知系统的“错误推断”比“不推断”对可用性的伤害更大：当系统基于错误情境做出自动调整（如误判用户正在开车而屏蔽通知），用户会感到失控，且难以诊断错误来源，修复成本高。^{113113When Context-Aware Systems Get It Wrong: User Responses to Incorrect Inferencesdl.acm.org前往参考资料 ↓在新标签页中打开|114114Error and Repair in Context-Aware Interactiontandfonline.com前往参考资料 ↓在新标签页中打开}

针对情境感知交互的可用性，学界提出了“可干预的自动化”（interruptible/scrutable automation）设计原则：系统应允许用户查看、覆盖和纠正情境推断，并提供反馈通道，以在自动化效率与用户控制之间取得平衡。^{115115Scrutable Context-Aware Systems: Designing for User Control and Understandingdl.acm.org前往参考资料 ↓在新标签页中打开|116116Interruptible Automation: A Design Principle for Context-Aware Systemsdl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知交互的可用性问题在跨设备与多模态场景中进一步放大：当同一用户的情境在手机、手表、车载系统间共享时，不一致的情境推断与不同步的响应会造成认知负担和信任损耗。^{117117Cross-Device Context Sharing: Challenges for Consistency and Trustdl.acm.org前往参考资料 ↓在新标签页中打开|118118Multi-Device Context-Aware Interaction: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

长期田野研究显示，情境感知系统的可用性衰减常出现在部署数周之后：初期新奇效应掩盖了误判与打扰问题，随着用户进入日常使用，情境模型的偏差累积，导致使用频率下降或功能被关闭。^{119119Longitudinal Field Study of a Context-Aware Application: Usability Decay and Model Driftdl.acm.org前往参考资料 ↓在新标签页中打开|120120Deployment and Long-Term Use of Context-Aware Systems: Lessons Learnedsciencedirect.com前往参考资料 ↓在新标签页中打开}

智能座舱中的情境感知通常以驾驶员状态监测（Driver Monitoring System, DMS）和乘员监测（Occupant Monitoring System, OMS）为核心，通过摄像头、红外传感器、座椅压力传感器等采集驾驶员与乘员的面部、眼动、头部姿态、心率与体压分布等信号，用于疲劳与分心检测、身份识别和个性化设置。^{121121Driver Monitoring Systems (DMS): A Review of the State of the Artmdpi.com前往参考资料 ↓在新标签页中打开|122122In-Cabin Monitoring: Occupant Detection and Driver State Estimationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

欧盟《通用安全法规》（Regulation (EU) 2019/2144）要求自2022年7月起新车型、2024年7月起所有新注册车辆配备驾驶员疲劳与注意力警告系统（DDAW）以及紧急车道保持等高级驾驶辅助系统，这一法规直接推动了基于情境感知的DMS在欧洲市场的强制装配。^{123123Regulation (EU) 2019/2144 on type-approval requirements for motor vehicles with respect to their general safety and the protection of vehicle occupants and vulnerable road userseur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

车载情境感知的另一条主线是语音交互：通过麦克风阵列、语音识别与自然语言理解，结合车速、车窗状态、空调状态等车辆情境信号，实现免唤醒、多轮对话和场景化服务推荐，典型如基于规则或端到端模型的车载语音助手。^{124124A Survey on In-Vehicle Voice Assistants: Technologies, Challenges, and Opportunitiesdl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知还用于座舱自适应调节：系统根据驾驶员身份、座椅位置、后视镜角度、空调温度偏好等历史数据自动恢复个性化设置，并在检测到驾驶员疲劳或分心时通过座椅振动、声音提示、空调吹风等方式进行多模态提醒。^{122122In-Cabin Monitoring: Occupant Detection and Driver State Estimationieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|125125Context-Aware Adaptive User Interfaces in Automotive: A Reviewtandfonline.com前往参考资料 ↓在新标签页中打开}

在自动驾驶与人机共驾场景中，情境感知被用于构建驾驶员接管能力评估模型：通过监测驾驶员的视线、手部位置、认知负荷等状态，判断其是否具备接管条件，并在需要接管时提前发出提示，这已成为L2+/L3级自动驾驶系统设计中的关键环节。^{126126Driver Takeover Performance in Conditional Automation: A Reviewjournals.sagepub.com前往参考资料 ↓在新标签页中打开}

智能座舱情境感知的数据来源还包括车辆总线信号（车速、转向角、制动踏板、挡位）、GPS/IMU、车外摄像头与雷达等，通过多模态融合提升对驾驶员意图和车内外环境的理解能力，但多源数据融合也带来计算负载与功能安全方面的挑战。^{121121Driver Monitoring Systems (DMS): A Review of the State of the Artmdpi.com前往参考资料 ↓在新标签页中打开|127127Multi-Sensor Fusion for Intelligent Cockpit Perception: Challenges and Opportunitiesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

智能座舱情境感知的典型应用还包括儿童遗留检测（Child Presence Detection, CPD）：利用后排摄像头、座椅压力传感器、毫米波雷达或二氧化碳传感器检测车内是否遗留儿童或宠物，并在高温等危险条件下通过鸣笛、闪灯、手机通知等方式报警，欧盟新车安全评鉴协会（Euro NCAP）已将其纳入2023—2025年评级路线图。^{129129Euro NCAP 2025 Roadmap: Child Presence Detectioneuroncap.com前往参考资料 ↓在新标签页中打开}

在交互设计层面，情境感知使车载系统能够根据驾驶负荷动态调整信息呈现方式：高负荷时减少通知、简化界面，低负荷时提供更丰富的信息与服务，这一思路在学术界被称为“情境自适应车载人机界面”，并已有大量驾驶模拟器与实车研究。^{130130Context-Aware Driver-Vehicle Interaction: Adapting Information Presentation to Driver Workloadsciencedirect.com前往参考资料 ↓在新标签页中打开}

移动学习（mobile learning）指借助移动终端与无线通信技术，使学习者能够在任何时间、任何地点获取学习资源并开展学习活动的学习形态；其核心特征在于学习发生的场景随学习者移动而变化，因而对学习系统感知并适配情境提出了直接需求。^{131131Mobile Learning: A Handbook for Educators and Trainersroutledge.com前往参考资料 ↓在新标签页中打开}

情境感知移动学习系统的典型设计思路，是采集学习者的位置、时间、设备状态、学习进度与周围环境等信息，据此推送或调整学习内容、呈现方式与交互策略，使学习支持与学习者当前所处场景相匹配。^{132132Context-Aware Mobile Learning: A Review of the Literatureieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在情境感知移动学习的研究中，位置是最常被使用的情境维度之一：系统可依据学习者所处物理位置（如博物馆展厅、校园、户外考察点）触发相应的学习任务或讲解内容，这一模式常被称为基于位置的学习（location-based learning）。^{133133Location-Based Mobile Learning: A Reviewonlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

情境感知移动学习的一个代表性应用方向是博物馆与文化遗产导览：系统结合参观者的位置与展品信息，在移动设备上提供随行讲解与互动任务，使参观过程转化为情境化的学习体验。^{134134Context-Aware Mobile Museum Guides: A Reviewlink.springer.com前往参考资料 ↓在新标签页中打开}

户外与场馆外的情境感知学习（如生态考察、地理实地教学）依赖移动设备与传感器获取环境数据，将真实世界的观察对象与数字学习材料关联，从而支持探究式学习。^{135135Mobile Learning in Outdoor Education: A Review of Context-Aware Approachessciencedirect.com前往参考资料 ↓在新标签页中打开}

情境感知移动学习系统的效果评估通常关注学习成效、学习动机与情境适配度等维度；已有综述指出，此类系统在提升学习投入与情境相关性方面有积极报告，但研究设计与测量方式差异较大，结论的普适性仍受限制。^{136136A Review of Context-Aware Mobile Learning Systems: Design and Evaluationlink.springer.com前往参考资料 ↓在新标签页中打开}

情境感知移动学习在实践中面临隐私与数据保护问题：位置、行为与环境数据的持续采集涉及学习者的个人隐私，如何在提供情境化服务与保护数据之间取得平衡，是系统设计需要处理的议题。^{137137Privacy and Context-Aware Mobile Learning: Challenges and Design Considerationsbera-journals.onlinelibrary.wiley.com前往参考资料 ↓在新标签页中打开}

情境感知在移动银行与金融服务中的典型应用包括：基于位置的服务（如附近 ATM 与网点查找）、交易欺诈检测（结合设备指纹、地理位置与行为模式）、个性化营销（基于消费历史与实时情境推送优惠）、以及风险管理（如根据用户所处网络环境动态调整认证强度）。这些应用共同的目标是在提升用户体验的同时控制安全风险。^{138138Context-Aware Mobile Banking: A Systematic Literature Reviewsciencedirect.com前往参考资料 ↓在新标签页中打开|139139Context-Awareness in Mobile Financial Services: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在移动支付与银行交易中，情境感知的一个核心应用是风险引擎：系统实时采集设备信息、IP 地址、地理位置、交易时间与金额等情境信号，通过规则或机器学习模型评估交易风险，并据此决定是否放行、要求额外验证或直接拦截。这类系统通常被称为自适应认证或风险基认证。^{140140Risk-Based Authentication: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|141141Adaptive Authentication for Mobile Bankingdl.acm.org前往参考资料 ↓在新标签页中打开}

基于位置的营销是情境感知在金融服务中的常见落地形式：银行或支付应用根据用户实时位置（如进入某商圈或靠近某合作商户）推送优惠券、分期付款或信用卡优惠信息。此类应用依赖用户授权的位置数据，并需遵守数据隐私法规。^{142142Location-Based Advertising in Mobile Banking: Consumer Attitudes and Privacy Concernslink.springer.com前往参考资料 ↓在新标签页中打开|143143The Impact of Location-Based Promotions on Mobile Payment Adoptionemerald.com前往参考资料 ↓在新标签页中打开}

情境感知也被用于提升金融服务的可及性与包容性：例如，通过分析用户设备类型、网络条件与使用习惯，为低带宽或低端设备用户提供简化版界面或离线服务；在普惠金融场景中，结合移动网络数据与行为情境评估信用风险。^{144144Context-Aware Financial Inclusion: Using Mobile Data for Credit Scoringopenknowledge.worldbank.org前往参考资料 ↓在新标签页中打开|145145Mobile Money and Financial Inclusion: The Role of Contextgsma.com前往参考资料 ↓在新标签页中打开}

在移动银行中，情境感知的隐私与安全风险同样突出：持续采集位置、设备与行为数据可能引发用户对监控的担忧，且一旦数据泄露或被滥用，后果严重。因此，许多应用采用本地处理、差分隐私或联邦学习等技术来降低隐私风险。^{146146Federated Learning for Context-Aware Fraud Detection in Mobile Bankingieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

情境感知在金融服务中的另一重要应用是反洗钱与反欺诈：通过分析交易网络中的时空模式、资金流向与设备关联，识别异常交易团伙。例如，同一设备在短时间内于不同地理位置发起多笔交易，可能触发警报。^{147147Context-Aware Anti-Money Laundering: A Surveyemerald.com前往参考资料 ↓在新标签页中打开|148148Detecting Fraudulent Transactions Using Contextual Featuressciencedirect.com前往参考资料 ↓在新标签页中打开}

移动银行应用中的情境感知还体现在用户界面自适应上：根据用户当前情境（如驾驶中、夜间、网络不稳定）调整界面复杂度、字体大小或提醒方式，以提升可用性与安全性。^{149149Adaptive User Interfaces for Mobile Banking: A Context-Aware Approachtandfonline.com前往参考资料 ↓在新标签页中打开|150150Context-Aware Mobile Banking Interface Designdl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知应用在商务智能领域是近年来最为活跃的研究方向之一；张李义与殷聪在2013年发表的综述中即以此定位该领域，并指出情境感知计算与知识挖掘的结合是商务智能研究的重要增长点。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

面向知识挖掘的情境感知应用研究涉及概念与理论、情境感知计算以及应用实践三个层面的内容，综述类研究通常将这三者并列比较，以概括各类应用的特点与实际效果。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

张李义与殷聪提出的四层分类框架，是中文情报学文献中对情境感知知识挖掘应用进行系统梳理的代表性框架之一，用于对情境感知应用的概念、计算与应用实践进行比较分析。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

在商务智能场景中，情境感知的价值在于把用户所处的时间、地点、任务与设备等情境信息纳入知识发现过程，使挖掘结果从通用模式转向与具体情境相关的个性化知识。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

情境感知与知识挖掘的结合被用于客户行为分析、个性化推荐与决策支持等商务智能任务，其效果取决于情境数据的质量与情境建模的粒度。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

情境感知在消费端的落地，最早且最密集的两个场景是智能手机与可穿戴设备：系统通过采集用户所处环境与行为数据，预测需求并主动提供辅助操作，例如根据用户处于会议还是户外环境自动切换手机铃声。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

情境感知被普遍视为普适计算的一个发展方向，与「泛在化」「智能化」并列；移动网络、智能设备与可穿戴技术的发展，是情境感知从研究概念走向消费级产品的直接推力。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

在智能家居方向，情境感知的研究与应用覆盖交通运输、智能家居、教育教学等多个领域，其目标是由设备主动交互而非等待用户指令，并借助眼动追踪、触觉反馈等新型交互通道理解用户意图。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

情境感知能力已被集成进手机语音助手类产品：华为小艺的「简报」功能即基于情景感知与个人 AI 知识图谱能力实现，并已向老机型回归，说明情境感知在终端侧已从实验功能转为可规模分发的系统级能力。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

情境感知在移动终端上的典型应用形态包括导航、社交网络、跟踪与搜索等，这些应用依赖对位置、人与物体及其变化等情境要素的持续获取。^{3434情境感知wapbaike.baidu.com前往参考资料 ↓在新标签页中打开}

在情境感知研究的分类框架中，一种被广泛采用的划分方式是按「情境信息的抽象层次」把情境分为四层：原始情境数据层、情境信息层、情境知识层与情境决策/行动层，四层之间构成自下而上的抽象递进关系。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

张李义与殷聪在《面向知识挖掘的情境感知应用研究综述》中，从知识挖掘的视角梳理了情境感知应用的研究进展，指出情境感知的核心在于获取、表示并利用情境信息支撑上层应用，这一综述为按抽象层次组织情境分类提供了文献基础。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

四层分类框架的第一层是原始情境数据层，对应传感器、日志、用户输入等未经解释的原始信号，其特点是异构、含噪、时空粒度不一，需要经过清洗与对齐才能进入上层。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

第二层是情境信息层，原始数据在此被赋予语义标签（如位置、时间、身份、活动状态），形成可被系统直接查询与交换的结构化情境条目。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

第三层是情境知识层，通过对情境信息进行关联、推理与建模，得到关于用户意图、偏好、社会关系等更高阶的知识表示，这一层与情境建模方法（如本体建模、概率模型）直接衔接。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

第四层是情境决策/行动层，系统依据情境知识做出自适应决策并反馈到交互或服务中，构成情境感知闭环的终点，也是情境感知区别于单纯情境采集的关键所在。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

四层分类框架的价值在于把「感知—理解—决策」的链条显式化，使不同研究可以在同一抽象坐标上比较：偏底层的工作关注传感与数据质量，偏中层的工作关注建模与推理，偏上层的工作关注自适应交互与应用效果。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

该框架的局限在于层次边界并非绝对清晰：同一份情境数据在不同应用中可能被归入不同层次，且知识层与决策层在实际系统中常被合并实现，因此四层划分更适合作为分析工具而非严格的系统架构规范。^{151151面向知识挖掘的情境感知应用研究综述lis.ac.cn前往参考资料 ↓在新标签页中打开}

在国际情境感知研究领域，Dey 与 Abowd 提出的情境定义与分类框架被广泛引用，他们将情境分为位置、身份、时间与活动四类，并区分了主动情境与被动情境。^{1515Towards a Better Understanding of Context and Context-Awarenesslink.springer.com前往参考资料 ↓在新标签页中打开}

Schilit、Adams 与 Want 在 1994 年的工作被普遍视为情境感知计算的早期奠基性研究之一，他们提出了情境感知应用应具备的三种能力：就近选择、自动重配置与情境信息查询。^{4545Context-Aware Computing Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

国内研究在情境感知领域起步相对较晚，早期工作多集中于对国外框架的引介与综述，2000 年代后期开始出现面向移动计算与普适计算的本土化研究。^{152152情境感知计算研究综述jsjkx.com前往参考资料 ↓在新标签页中打开}

在情境建模方法上，国际研究形成了以本体建模、键值对建模、标记语言建模与图形化建模为代表的多种范式，其中本体建模因表达能力强而被广泛用于复杂情境推理。^{9393A survey of context modelling and reasoning techniquessciencedirect.com前往参考资料 ↓在新标签页中打开}

国内研究在情境建模方面较多采用本体与规则相结合的方式，并注重与中文语义资源及本土应用场景（如智慧养老、智能交通）的结合。^{153153基于本体的情境建模研究综述jos.org.cn前往参考资料 ↓在新标签页中打开}

国际研究在情境感知系统架构上提出了分层参考模型，典型如感知层、解释层、建模层与应用层的划分，强调情境数据的采集、融合与推理分离。^{154154A Conceptual Framework and a Toolkit for Supporting the Rapid Prototyping of Context-Aware Applicationstandfonline.com前往参考资料 ↓在新标签页中打开}

国内研究在系统架构方面多借鉴国际分层模型，但在工程实现上更倾向于轻量级中间件与边缘计算结合，以适应资源受限的移动终端。^{155155面向移动终端的情境感知中间件设计与实现ceaj.org前往参考资料 ↓在新标签页中打开}

在应用领域上，国际情境感知研究较早覆盖智能家居、健康监护与车载系统，并形成了较为成熟的实验床与评测方法。^{156156Context-Aware Pervasive Systems: Architectures for a New Breed of Applicationstaylorfrancis.com前往参考资料 ↓在新标签页中打开}

国内情境感知应用研究在智慧城市、公共安全与移动社交等方向较为活跃，但公开可复现的数据集与评测基准相对缺乏。^{157157情境感知计算在智慧城市中的应用与挑战crad.ict.ac.cn前往参考资料 ↓在新标签页中打开}

国内外研究在情境感知的隐私保护与用户接受度方面均有关注，但国际研究更早引入隐私-by-design 与用户中心设计原则，国内研究则更多从法规合规与数据安全角度切入。^{158158Privacy in Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知系统要推断用户所处的场景、活动与意图，就必须持续采集位置、环境参数、生理信号、通信记录与交互日志等多模态数据，这使系统天然成为个人数据的集中汇聚点；数据一旦被过度采集或长期留存，就构成对用户隐私的直接暴露面。^{159159Situated, Dynamic, and Subjective: Envisioning the Design of Theory-of-Mind-Enabled Everyday AI with Industry Practitionersar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

情境感知的隐私风险不同于一般数据收集：情境数据本身携带语义，能反推出用户的社会关系、健康状况、作息规律与行为偏好，因此即便经过匿名化或去标识化处理，仍可能通过与其他数据集的关联比对被重新识别。^{159159Situated, Dynamic, and Subjective: Envisioning the Design of Theory-of-Mind-Enabled Everyday AI with Industry Practitionersar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

情境感知系统通常需要在设备本地与云端之间分配计算任务，边缘侧推理可以减少原始数据外传，但模型更新、跨设备同步与个性化训练仍会把部分情境特征送回服务端，形成难以对用户完全透明的数据流向。^{159159Situated, Dynamic, and Subjective: Envisioning the Design of Theory-of-Mind-Enabled Everyday AI with Industry Practitionersar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

情境感知的交互设计研究指出，这类系统输出具有情境依赖、动态变化与主观解释的特点，传统以有界输出为前提的草图、原型与绿野仙踪等设计方法难以直接套用，这也意味着隐私影响的评估难以在设计早期被稳定地预判和约束。^{159159Situated, Dynamic, and Subjective: Envisioning the Design of Theory-of-Mind-Enabled Everyday AI with Industry Practitionersar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

围绕情境感知的隐私争议集中在两处：一是知情同意在持续、被动、后台采集的场景下是否仍然有效，二是便利性收益与隐私让渡之间应如何权衡；由于缺乏统一的技术与伦理标准，不同产品与地区在实践中采取的做法差异很大。^{159159Situated, Dynamic, and Subjective: Envisioning the Design of Theory-of-Mind-Enabled Everyday AI with Industry Practitionersar5iv.labs.arxiv.org前往参考资料 ↓在新标签页中打开}

情境推断的准确性面临根本性挑战：情境本质上是开放、动态且高度依赖具体场景的，而情境感知系统所依赖的传感器数据往往存在噪声、缺失和歧义，导致从低层感知数据到高层情境抽象的推断过程容易产生误差。^{160160Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

在情境感知计算中，传感器数据的不确定性是影响推断准确性的核心因素之一。物理传感器受环境干扰、设备精度和部署条件限制，所采集的数据常带有噪声；而逻辑传感器（如日历、用户档案）则可能因信息过时或不完整而引入偏差。^{161161A Survey on Context-Aware Systems: Challenges and Opportunitiesdl.acm.org前往参考资料 ↓在新标签页中打开}

高层情境（如用户活动、社交场景、意图）的推断通常需要融合多源异构数据，但不同数据源在时间粒度、空间覆盖和语义层次上存在差异，融合过程中的对齐与冲突消解会进一步放大推断误差。^{156156Context-Aware Pervasive Systems: Architectures for a New Breed of Applicationstaylorfrancis.com前往参考资料 ↓在新标签页中打开}

情境推断模型往往在特定数据集或受控实验环境下评估，其准确性指标（如精确率、召回率）难以直接迁移到真实部署环境；领域偏移和用户行为差异会导致模型在实际使用中性能下降。^{162162Activity Recognition from Sensor Data: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知系统对推断准确性的要求与可接受的错误类型密切相关：某些应用（如医疗监测、安全预警）对假阴性极为敏感，而另一些应用（如内容推荐）则更关注假阳性带来的用户体验损失，因此“准确性”本身需要结合应用场景定义。^{160160Context-Aware Computing: A Surveyieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

关于情境推断准确性的评估方法，学界存在不同侧重：一部分研究强调在受控数据集上报告标准机器学习指标以利于方法比较，另一部分研究则主张采用现场研究（field study）和用户反馈来评估系统在真实情境中的有效性，两种路径在结论的可比性和生态效度上各有争议。^{162162Activity Recognition from Sensor Data: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|163163Deploying Context-Aware Systems: Lessons from the Fieldlink.springer.com前往参考资料 ↓在新标签页中打开}

情境推断中的隐私保护与准确性之间存在张力：为了提高推断精度而采集更细粒度、更长时间跨度的数据，往往会加剧用户隐私风险；反之，隐私保护技术（如数据脱敏、本地化处理）可能削弱推断所需的信号质量。^{161161A Survey on Context-Aware Systems: Challenges and Opportunitiesdl.acm.org前往参考资料 ↓在新标签页中打开}

情境推断的准确性还受制于标注数据的稀缺与主观性：高层情境标签（如“开会”“休息”）通常依赖用户自报告或人工标注，不同标注者对同一情境的理解可能存在差异，导致 ground truth 本身带有噪声，影响模型训练与评估的可靠性。^{161161A Survey on Context-Aware Systems: Challenges and Opportunitiesdl.acm.org前往参考资料 ↓在新标签页中打开}

情境感知系统在自动采集与推断用户情境时，可能触及隐私敏感信息，用户往往缺乏对数据采集范围与使用方式的可见性与控制权，这构成用户控制问题的核心。^{164164Context-Aware Computing: A Privacy Perspectiveieeexplore.ieee.org前往参考资料 ↓在新标签页中打开|107107Privacy in Context: Technology, Policy, and the Integrity of Social Lifesup.org前往参考资料 ↓在新标签页中打开}

可解释性要求情境感知系统能够向用户说明其推断依据与决策逻辑，但许多情境感知应用采用黑箱模型，导致用户难以理解系统行为并建立适当信任。^{165165Explaining and Harnessing Adversarial Examplesarxiv.org前往参考资料 ↓在新标签页中打开|166166“Why Should I Trust You?”: Explaining the Predictions of Any Classifierarxiv.org前往参考资料 ↓在新标签页中打开}

在情境感知交互设计中，赋予用户对情境采集与自适应行为的控制权（如暂停感知、手动调整情境标签）被普遍视为提升可接受性的重要设计原则。^{167167Context-Aware Computing: A Surveydl.acm.org前往参考资料 ↓在新标签页中打开|168168A Survey of Context-Aware Mobile Computing Researchdl.acm.org前往参考资料 ↓在新标签页中打开}

关于用户控制与系统自动化之间的最优平衡，存在不同观点：一部分研究主张最大化用户控制以保障自主性，另一部分研究认为过度控制会增加认知负担并降低情境感知的流畅性收益。^{169169User Control in Context-Aware Systems: A Study of User Preferenceslink.springer.com前往参考资料 ↓在新标签页中打开|170170The Cost of User Control in Context-Aware Applicationsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

可解释性在情境感知系统中不仅服务于信任建立，还被用于支持用户对系统推断结果进行纠错与反馈，从而形成人机协同的情境理解闭环。^{171171Explainable Context-Aware Systems: A Human-in-the-Loop Approachdl.acm.org前往参考资料 ↓在新标签页中打开}

隐私法规（如欧盟《通用数据保护条例》）对自动化决策的可解释性与用户控制提出了要求，这对情境感知系统的设计构成合规层面的挑战。^{4949Regulation (EU) 2016/679 (General Data Protection Regulation)eur-lex.europa.eu前往参考资料 ↓在新标签页中打开}

大语言模型与情境感知的结合被视为一条独立的技术路线：其核心主张不是给系统增加更多输入模态，而是让模型把来自图像、音频、视频等不同来源的信息与语言对齐，进而判断事件之间的因果关系、信息之间的联系以及它们共同构成的现实状态。^{172172科学网-邱锡鹏：下一代AI缺的不是更多模态，而是理解情境paper.sciencenet.cn前往参考资料 ↓在新标签页中打开}

复旦大学教授、OpenMOSS 项目负责人邱锡鹏在 2026 年世界人工智能大会（WAIC）上提出，下一代人工智能的关键瓶颈不是更多模态，而是对情境（context）的理解；他指出多模态真正的挑战在于把不同来源的信息与语言有效对齐，使模型不仅识别单个信息，还能理解信息之间的关系。^{172172科学网-邱锡鹏：下一代AI缺的不是更多模态，而是理解情境paper.sciencenet.cn前往参考资料 ↓在新标签页中打开}

围绕下一代人工智能的路线，学术界与产业界存在两种不同判断：一种认为语言模型仍将是未来人工智能的核心，图像、声音、视频等模态可转化为统一表征后由语言模型完成理解、推理与生成；另一种认为当人工智能从数字空间走向物理空间、进入机器人与世界模型等场景后，多模态将成为智能系统内生的组成部分，而不再是语言模型的简单延伸。^{172172科学网-邱锡鹏：下一代AI缺的不是更多模态，而是理解情境paper.sciencenet.cn前往参考资料 ↓在新标签页中打开}

在扩展现实（XR）场景中，将大语言模型与 XR 系统集成被认为有潜力达到更高水平的情境感知与自适应响应能力，并可能催生神经康复、健康与安全环境培训、建筑信息模型（BIM）与建筑设计评审等领域的应用。^{173173Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

大语言模型的能力建立在数十年的语言建模研究积累之上，从 20 世纪 50 年代的统计 n-gram 模型，到神经语言模型、注意力机制与 Transformer 架构的相继突破，构成了当前大模型处理情境信息的技术基础。^{173173Referencesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

多模态感知融合指同时利用视觉、音频、惯性、生理、环境等多种传感器信号，通过融合算法提升情境感知系统对用户状态与环境的识别鲁棒性与覆盖度，是情境感知领域近年最明确的技术走向之一。^{174174A Survey on Multimodal Wearable Computing for Context-Aware Systemsarxiv.org前往参考资料 ↓在新标签页中打开}

在情境感知的综述文献中，多模态融合被系统性地归纳为特征级（早期）融合、决策级（晚期）融合与混合融合三类基本策略，这一分类框架被后续大量工作沿用。^{174174A Survey on Multimodal Wearable Computing for Context-Aware Systemsarxiv.org前往参考资料 ↓在新标签页中打开}

深度学习的引入使多模态融合从手工特征拼接转向端到端可学习的表示，基于神经网络的融合模型成为情境识别任务的主流方案。^{174174A Survey on Multimodal Wearable Computing for Context-Aware Systemsarxiv.org前往参考资料 ↓在新标签页中打开}

可穿戴与移动设备上的多模态情境感知面临功耗、算力与隐私的三重约束，推动融合模型向轻量化与端侧推理方向发展。^{175175A Survey on Human Activity Recognition using Wearable Sensorsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

多模态感知融合的评测仍缺乏统一基准，不同研究在传感器配置、数据集与评价指标上差异较大，跨研究可比性有限。^{174174A Survey on Multimodal Wearable Computing for Context-Aware Systemsarxiv.org前往参考资料 ↓在新标签页中打开|175175A Survey on Human Activity Recognition using Wearable Sensorsieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

随着大语言模型与多模态基础模型的发展，情境感知系统开始探索以统一表示模型融合异构传感器数据，并借助自然语言接口解释情境推断结果。^{176176Multimodal Foundation Models: From Specialists to General-Purpose Assistantsarxiv.org前往参考资料 ↓在新标签页中打开}

端侧情境计算指将情境感知的数据采集、特征提取与推理决策尽可能放在手机、可穿戴、车载等终端本地完成，而非把原始数据上传云端处理，其核心驱动力是隐私保护、时延降低与离线可用性。^{177177On-Device Machine Learning: An Overviewarxiv.org前往参考资料 ↓在新标签页中打开|178178Device-cloud collaborative learning: A surveyarxiv.org前往参考资料 ↓在新标签页中打开}

谷歌在 Android 平台推出的 Private Compute Core 将实时字幕、智能回复、Now Playing 等情境相关功能限制在设备本地沙盒中运行，系统禁止该沙盒直接访问网络，以此作为端侧情境计算的工程化范例。^{179179Private Compute Coresource.android.com前往参考资料 ↓在新标签页中打开}

端侧情境计算面临的主要约束包括终端算力与内存有限、电池续航敏感、模型更新与版本碎片化，以及多传感器持续采集带来的热与功耗压力。^{177177On-Device Machine Learning: An Overviewarxiv.org前往参考资料 ↓在新标签页中打开|180180A Survey of Model Compression and Acceleration for Deep Neural Networksarxiv.org前往参考资料 ↓在新标签页中打开}

为在资源受限终端上运行情境模型，业界普遍采用模型压缩与轻量化技术，包括量化、剪枝、知识蒸馏以及面向移动处理器的神经网络加速器（NPU/DSP）调度。^{180180A Survey of Model Compression and Acceleration for Deep Neural Networksarxiv.org前往参考资料 ↓在新标签页中打开|181181Mobile Neural Network (MNN) documentationgithub.com前往参考资料 ↓在新标签页中打开}

联邦学习被提出作为端侧情境计算的协同训练范式：各终端在本地用自身情境数据更新模型，仅上传梯度或模型更新，由服务器聚合，从而在不集中原始数据的前提下改进全局模型。^{182182Communication-Efficient Learning of Deep Networks from Decentralized Dataarxiv.org前往参考资料 ↓在新标签页中打开}

端侧情境计算与云端协同的混合架构仍是主流：终端负责低时延、隐私敏感的即时推理，云端负责大模型训练、跨设备情境融合与长期行为建模，二者通过分层卸载策略分工。^{178178Device-cloud collaborative learning: A surveyarxiv.org前往参考资料 ↓在新标签页中打开|2323Edge Computing: Vision and Challengesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}

随着终端 NPU 算力提升，在手机本地运行十亿参数级语言模型用于情境理解已成为可行方向，多家厂商在 2023—2024 年展示了端侧大模型方案，但实际部署规模与能效仍受机型限制。^{183183On-Device Language Models: A Comprehensive Reviewarxiv.org前往参考资料 ↓在新标签页中打开|184184Apple introduces Apple Intelligence, personal intelligence for iPhone, iPad, and Macapple.com前往参考资料 ↓在新标签页中打开}

端侧情境计算也带来新的攻击面：本地模型与情境数据仍可能被恶意应用、物理接触或侧信道推断获取，因此设备端可信执行环境（TEE）与差分隐私等防护被纳入设计。^{179179Private Compute Coresource.android.com前往参考资料 ↓在新标签页中打开|182182Communication-Efficient Learning of Deep Networks from Decentralized Dataarxiv.org前往参考资料 ↓在新标签页中打开}

在车载与工业情境感知场景中，端侧推理被用于满足功能安全与实时性要求，避免因网络中断导致情境判断失效，这一趋势与消费电子端的隐私驱动形成互补。^{2323Edge Computing: Vision and Challengesieeexplore.ieee.org前往参考资料 ↓在新标签页中打开}