Att människor vill ha god självkännedom är vi medvetna om sedan ett par tusen år tillbaka. Därför är vi inte förvånande av att försäljningen av smarta enheter som loggar aktivitets- data ökar årligen. Hur väl gemene man förstår sin insamlade data kan dock variera. Datan presenteras oftast för användaren genom grafer och stapeldiagram eller på en tidslinje där användaren kan följa sin dag, men det är inte alla användare som greppar helheten och kan identifiera sina livsmönster. I den här studien vill vi ta reda på om man kan med hjälp av självannotering öka en individs förståelse av sin data genom att självannotera. I relaterad forskning hittar vi tre applikationer Labels, ZhiWo och WalkNRide. Vi har utgått från relaterad forskning och utvecklat en prototyp-applikation enligt design research metoden som vi kallar Anotify. Anotify möjliggör för användare att kunna självannotera sina fysis- ka aktiviteter. Prototypen är kopplad till Sony Lifelogs API som tillgodoser Anotify med fysiska aktiviteter som användaren utfört. För att utvärdera ifall våra testdeltagare får en ökad förståelse genom självannotering utför vi en komparativ studie som pågår under tre veckor där testdeltagarna använder Lifelog och Anotify var för sig samt parallellt. Studi- en innefattar fyra testdeltagare som delas upp i två grupper om två personer. Resultatet utvinner vi genom semistrukturerade intervjuer med testdeltagarna efter testperioden är slut. Slutligen validerar vi resultatet genom att jämföra våra resultat med vad tidigare forskning har kommit fram till. / Since a couple of thousand years back people have desired self-awareness. Therefore, we are not surprised that sales of smart devices that log activity data increase annually. How well the average person understand his collected data may nevertheless vary. The data is usually presented by graphs and bar charts or on a timeline where the user can follow his day, but not all users can grasp the whole and identify their living patterns. In our study, we want to find out if one can, by means of self annotation increase an individual’s understanding of his data by self annotation. In related research we find three applications Labels, ZhiWo and WalkNRide who studies this topic. We have based our research on these applications and developed a prototype application (Anotify) according to the design research method. Anotify enables users to self- annotate their physical activities. The prototype is linked to the Sony Lifelog API, which provides Anotify with physical activities that the user performs. To evaluate if our test participants get an increased understanding of self annotation, we perform a comparative study that lasts three weeks in which the test participants use Lifelog and Anotify individually as well as in parallel. The study comprises four test participants divided into two groups of two people. The results are obtained through semistructured interviews with the test participants after the end of the test period. Finally, we validate the result by comparing our results with previous research.

中國有句諺語:「民以食為天」，食物乃人類生活所不可缺的要素之一，而人們對於食物則有各自的偏好，而要從琳瑯滿目的食物中依照個人喜好來推薦則成為一門重要的課題。 隨著科技的進步，智慧型手機的出現為人類帶來了許多便利，也逐漸改變了人們的生活方式，群眾可以透過智慧型手機來記錄生活的點滴，記錄的方式正走向數位化，而如何利用這些累積下來的數位資料來做分析與推薦也成為熱門的研究目標。 本論文從味覺方面著手，將LifeLog的飲食記錄與味覺做結合，並透過大眾分類與群眾外包的方式，將味覺資料由智慧型手機使用者處獲得，並建構成包含餐廳、餐點名稱以及其對應味覺之資料庫。 本論文實作了一個程式Foodtaste，包含了記錄餐點味覺資料，查詢個人記錄，以及實作數種推薦的功能。本論文並提出了數個計算方法，透過LifeLog累積下來的味覺資料進行計算，來獲得每位使用者的個人口味偏好和味覺比例，並將這些資料與餐點的味覺比例計算來對餐廳進行個人化的餐點推薦。 / Foods and eating are the basic element of human's life, and people have their own favorite in choosing foods. Thus it is an important issue to make some recommendation for people in front of a dazzling array of foods. With the advances in technology, smartphones bring convenience to people and change their life style. One can use smartphones to record various things in his life. The ways of memories become digitalized, and how to use these digital data to analyze and give opinions becomes popular. Base on one’s taste, present study combined dietary records and food taste in Lifelog, using Folksonomy and Crowdsourcing to acquire data of specific food taste from smartphone users, and linked these data to restaurant’s name and the name of the meal in our database. We designed a smartphone application which called "Foodtaste". It provided users to record what they ate and how did it taste, looking up personal records, and several recommending methods. Our study also provides several methods in calculating cumulative data in Lifelog and acquiring the preference of one’s taste and ratio in variable foods from every user. Then we calculated these data to carry out personalized food recommendation.

No description available.