用于增强互动式体验的参与者分组

摘要

一种用于将活动中的参与者分组的方法的代表性实施方式包括以下步骤：（i）限定分组策略；（ii）在数据库中存储参与者记录，所述参与者记录包括参与者标识、与所述参与者相关联的特征，和/或用于参与者的手持设备的标识；（iii）基于所述策略和涉及所述策略和活动的参与者的特征，限定分组；和（iv）将所述分组传送给所述手持设备，以建立组群。

说明书

相关申请的交叉引用

本申请要求2011年4月29日递交的第61/480,565号美国临时专利申请的 优先权和权益，该临时专利申请的全部内容以引用的方式并入本文。

政府权利

本发明是在国家科学基金奖（National Science Foundation award）IIS-0835338 政府支持下作出的。政府具有本发明的某些权利。

技术领域

在各种实施方式中，本发明总体涉及在活动中用于增强互动式体验的参与 者分组。

背景技术

传统上，学习新的技能或学识涉及讲演，在讲演中，指导者花费大部分时 间向活动中的参与者展示材料。指导者主要负责为活动定速和设定精确级别。 遗憾地是，参与者的参与倾向于被限制在当出现困惑时提出问题上。这种单方 面的交流阻止了批判性思维，且已证明在提高参与者对所呈现的概念的理解上 成就甚微。

（参与者积极地在他们自己之间讨论新材料的）各种教学方法鼓励参与， 且允许参与者对正确的答案合作地达到共识，这样导致对新材料的更深的理解。 这种包括例如“同伴教学”和“交流”的合作学习方法通常需要适当地将参与 者分组，以便在每组中培养积极的且有意义的讨论。参见，例如：Crouch&Mazur， “Peer Instruction：Ten years of experience and results”，American Journal of  Physics，69（9），970（2001）；E.Mazur，Peer Instruction：A User's Manual（1997）； Cooper&Robinson，“Getting Started：Informal Small-Group Strategies in Large  Classes”New directions for teaching and learning，81，17-24（2000）。

按照惯例，指导者或组织者允许参与者自己选择进入组群；在大的活动中 或当基于参与者的空间位置而安排组群时，这是尤其普遍的。结果，一些参与 者与具有类似学识、相同误解或相同的正确理解的其他人分为一组；这减少了 在组群内通过富有成效的会话的学习机会。在此使用的“富有成效的会话”意 思是在该会话中，组群中的每名参与者从讨论体验中获益，例如，从错误的答 案转至正确的答案，增强其对正确答案的理解，或对为何错误答案事实上是错 的展开更好的理解。随机地或通过无计划的方案将参与者分组仅可以偶然地产 生富有成效的会话，从而，大大地妨碍了合作学习方案的潜能和有效性。

因此，需要一种具有在每组中产生富有成效的会话的充分高的可能性的将 活动中的参与者分组的方案。

发明内容

本发明的实施方式促进了活动中的参与者的自动分组，使得每组有可能产 生富有成效的会话。在各种实施方式中，首先通过电子设备将参与者标识和/或 特征传送至中央服务器，且存储在数据库中。在数据库中具有相似特征和/或与 活动相关的准则的个体被选作训练集。以计算方式估算训练集中所选个体的特 征和具有富有成效的会话的可能性之间的函数关系。基于所估算的函数关系、 活动中参与者的特征、和/或分组策略，获取在参与者的每个潜在组群中具有成 效的会话的可能性。选择在每组中具有使所预测的取得富有成效的会话的可能 性高或最大的分组；然后通过电子设备，指示参与者基于此形成组群。随着更 多参与者的信息被存储在数据库中，和更多成功的分组（即，具有富有成效的 会话的组群）被形成和分析，使得形成精确的预测的可能性增大；这随着时间 改进了分组预测，而不需要改变根本方案。

因此，一方面，本发明属于一种用于将活动中的参与者分组的方法，参与 者每人具有手持设备。在各种实施方式中，该方法包括以下步骤：限定分组策 略；在数据库中存储参与者记录，每个参与者记录包括参与者标识、用于参与 者的手持设备的标识、和与参与者相关联的至少一种特征；基于策略和涉及策 略和活动的参与者的特征，限定分组；和将分组传送给手持设备，以建立组群。

分组策略可以包括或由确定性规则构成，和/或可以基于一种或多种将参与 者特征与会话的成效率关联的统计模型来适应性地被创建。在某些实施方式中， 确定性规则包括在每组中对于一种或多种参与者特征需要两个或更多个不同的 关联值。参与者特征可以包括行为特征、表现特征和/或人口特征。在各种实施 方式中，统计模型为广义精确匹配模型。会话的成效率可以包括从错误答案变 换至正确答案、增强参与者对正确答案的理解、和/或增强对错误答案为何是错 的理解。此外，分组策略可以是至少部分地基于在潜在组群成员之间的地理接 近性。例如，在单独限定的空间内，参与者可以是位于相同位置，且基于手持 设备的地理位置，分组策略需要组群的成员之间的限定的接近性。

通过选择个体的训练集和基于训练集以计算方式估算特征和分组成功可能 性之间的函数关系，对参与者的特征进行加权。训练集大于或等于待被分组的 参与者的数量，并且，基于与活动相关的准则，在训练集中的个体与参与者有 关。在某些实施方式中，每名参与者具有对于每种特征的关联值，并且通过以 下方式限定分组：（i）限定与分组策略一致的一系列候选参与者分组，并且，对 每个候选分组，基于应用于与在候选分组内的每名参与者相关联的特征值的函 数关系来估算分组成功可能性；和（ii）基于所估算的分组成功可能性来选择最 佳分组。利用输入信息，基于候选个体与参与者的非参数匹配，可以建立训练 集，该输入信息对于每名个体是专有的且并入准则。在一实施方式中，输入信 息包括人口特征、行为特征和/或表现特征。人口特征包括参与者的背景、组织 者的背景和/或活动的地理位置。表现特征包括在其他活动中和/或在先前相同的 活动中参与者的表现。可以分析所选最佳分组的分组成效，且可以基于此更新 函数关系。

第二方面，本发明涉及一种用于将活动中的参与者分组的系统，参与者每 人具有手持设备。在各种实施方式中，该系统包括用于存储参与者数据库的存 储器和与存储器可操作地通信的处理器，该参与者数据库具有每名参与者的记 录。存储在参与者数据库中的每个记录可以指定参与者标识、用于参与者的手 持设备的标识、和一种或多种与参与者相关联的特征。例如，每名参与者的数 据库记录包括用于行为特征、表现特征和/或人口特征的字段。处理器可以被配 置成：（i）基于分组策略和参与者的特征，限定参与者的分组，该参与者的特征 被存储在数据库中，且该参与者的特征与策略和活动有关；和（ii）将分组传送 给手持设备，以建立组群。此外，基于一种或多种被存储在存储器中且将参与 者特征与会话的成效率关联的统计模型，处理器可以被配置成适应性地创建分 组策略。在一实施方式中，统计模型为广义精确匹配模型。

存储器可以包括用于存储限定分组策略的规则的规则数据库。例如，确定 性规则在每组中对于一种或多种参与者特征需要两个或更多个不同的关联值。 存储器还可包括训练数据库，该训练数据库具有对应个体的、共同限定训练池 的记录。此外，处理器可被配置以通过从训练数据库中选择记录的训练集，和 基于训练集以计算方式估算特征和分组成功可能性之间的函数关系，来对参与 者的特征进行加权。在一实施方式中，训练集大于或等于待被分组的参与者的 数量，在训练集中的个体与基于与活动相关的准则的参与者有关。

每名参与者的数据库记录可包括对于每种特征的关联值，且处理器被配置 以通过以下方式来限定分组：（i）限定与分组策略一致的一系列候选参与者分组， 并且，对每个候选分组，基于应用于与在候选分组内的每名参与者相关联的特 征值的函数关系来估算分组成功可能性；和（ii）基于所估算的分组成功可能性 来选择最佳分组。

本说明书全文中提到的“一个示例”、“示例”、“一个实施方式”或“实施 方式”意思是，结合示例所描述的特定特性、结构或特征包括在本技术的至少 一个示例中。因此，本说明书全文的各处出现的词语“在一个示例中”、“在示 例中”、“一个实施方式”或“实施方式”不一定全部涉及相同的示例。而且， 特定特性、结构、惯例、步骤或特征可以以任何合适的方式结合在一个或多个 技术示例中。在此提供的标题仅是为了方便起见，不意在限制或解释所要求保 护的技术的范围或含义。

附图说明

在附图中，同样的附图标记通常指的是不同视图中的相同部分。此外，附 图不必要是成比例的，要强调的是该附图通常用于说明本发明的原理。在下面 的说明书中，参照下面的附图，描述本发明的各种实施方式，其中：

图1A示意性地说明具有参与者和指导者聚集的活动；

图1B描述参与者的信息和由指导者设定的分组策略被分别传送至中央服务 器，且被分别存储在参与者数据库和规则数据库中；

图2描述基于与活动有关的准则挑选出来的与参与者有关的个体的训练集；

图3描述根据本发明的实施方式的用于将活动中的参与者分组的方法；和

图4说明根据本发明的实施方式的用于将活动中的参与者分组的系统。

具体实施方式

如在此使用的，术语“事件”指的是由一名或多名“指导者”引导的“参 与者”的集合，其中，指导者需要使用手持设备来测评参与者的态度、观点、 学识或关于相关主题的理解。最普通的例子包括学生参加由想要评估学生对内 容的理解的教授或研究生所引导的课程。然而，参与者不需要与其他参与者或 指导者在同一个房间，因此事件包括远程教育情况。此外，参与者不必须是学 生；他们可以是参加企业培训事件的员工，或是参加研讨会的且会议领导者希 望评估其观点的研讨会参与者。“议题”为在事件期间指导者向参与者所提出的 且参与者通过使用手持设备所回答的问题。议题可以具有或不具有正确答案， 且可以具有任意回答形式（即，议题不必须是多项选择）。议题可以旨在评估确 凿信息、梳理出概念上的难点，或测评参与者的观点。

尽管本讨论部分集中于大学课堂环境中的学生，但应该理解，在此描述的 方案适用于在任何组群的教育或智力活动中的参与者，且术语“学生”和“参 与者”可交换地在此使用。此外，在此使用的术语“指导者”不受限于课堂中 的教师或教授；“指导者”可以是企业事件中或任何从事教育或智力活动的组群 中的服务商。

图1A描述了示例性事件或活动100，其中，一群参与者110中每名参与者 具有手持设备120，且该群参与者110由一名或多名指导者或组织者130引导， 每名指导者或组织者可以具有手持设备140。此外，活动的本质对于本发明不是 重要的，也不是指导者和参与者的特定任务；例如，指导者130可以选自参与 者110或可以是不同群体的人。对于活动重要的是：涉及不熟悉的信息的传送， 该信息的领会和理解通过富有成效的会话被促进或增强。

参与者110和指导者130可以通过手持设备120、140直接交流，或通过中 央服务器145间接交流。例如，手持设备120、140可以是计算机、手机或其他 的将参与者的回答、态度、观点、学识、特征和/或对相关主题或议题的理解传 送至彼此、至指导者130和/或至中央服务器145的电子设备。主题或议题可以 是在活动期间指导者130向参与者110提出的问题或讨论的话题。在一实施方 式中，参与者110为学生，活动100为课程，指导者130为想要评估学生对内 容的理解的教授或教师。学生可以位于相同位置或地理位置被分散（如，远程 教育课程）。在另一实施方式中，活动为由员工参与的企业培训事件或由研讨会 参与者参加的研讨会，且在该研讨会，会议领导者希望评估参与者的观点。本 领域的普通技术人员将领会到，在此描述的发明可以适用于任何从事教育或智 力活动的参与者的组群。

参阅图1B，在活动开始时，参与者110可以向中央服务器145无线地或以 其它方式（如，通过有线连接）传送他们的标识、位置、特征（如，行为特征、 行为特征或人口特征）和/或手持设备的标识；中央服务器145将所收到的信息 存储在参与者数据库160中。中央服务器145可在指导者的手持设备中实现或 在与中央服务器无线（或有线）通信的分开的独立系统中实现。指导者130建 立分组策略，且将该策略传送至中央服务器145，或将该策略输入至中央服务器 145；该策略被存储在规则数据库170中。中央服务器145基于参与者的特征、 在每组中具有富有成效的会话的可能性和/或分组策略-通常基于所有这三个因 素来创建组群。基于所生成的分组的组群分配通过手持设备被自动地传送至参 与者110以建立组群。

分组策略可以考虑参与者与包括相关参与者（如，靠近彼此就坐的参与者） 形成的组群之间的关系。在一实施方式中，利用基于确定性规则的简单策略来 建立组群。例如，确定性规则限定每组具有用于一种或多种参与者特征（如， 行为特征、表现特征和/或人口特征）的两个或更多个不同的关联值；这些规则 基于根据主题可以不同（或被不同地加权）的因素，使参与者的多样性最大化。 例如，确定性规则可以创建（i）“两个人组成的组群，其中参与者对于先决问题 具有不同的回答”；（ii）“三个人组成的组群，其中有0个、1个、2个或3个女 性；（iii）“由分别具有不同的讨论问题的学识水平的成员构成的组群”，或（iv） “来自不同国家的参与者组成的组群”。创建组群（ii）和组群（iv）的规则仅利 用人口数据，然而，创建组群（i）和组群（iii）的规则集中于主题知识。规则 本身所基于的准则存储在参与者数据库160中，根据教育和群体动力学准则， 规则本身被直接地执行和组合。例如，基于所期望的优先次序，分组规则（i） 到分组规则（iv）均可以连续地应用，使得，例如，主题知识可以比人口特征占 首位，但后者不能完全忽视。这样，在制定组群中，考虑所有被视为相关的准 则，而用于特别的分组规则或规则集的稀少的参与者数据对于操作不是决定性 的。

在另一个实施方式中，通过更加复杂的策略适应性地创建组群，该策略基 于统计模型-即，基于被分组的参与者的特征的统计分析选择不同的分组。统计 模型预测在每个潜在组群中具有富有成效的会话的可能性，然后通过使所有潜 在组群的富有成效的会话的可能性最大化来建立组群。基于所期望的教育目标， 可以明确会话的成效率；例如，在基于教学问题的难以掌握的学科（如，物理 学或工程学）中，富有成效的会话可以是这样一种会话：在该会话中，参与者 很可能对由指导者提出的问题从错误的答案转至正确的答案，从而增强其对正 确答案的理解，和/或理解为何错误答案之一事实上是错的。

参阅图2，在讨论中的实施方式的第二步骤中，通过选择来自训练数据库 220的个体的原始训练集210来执行复杂的策略，该训练数据库220包括说明个 体的记录，这些个体中的至少一些不是当前进行分组活动中的参与者。然而， 在数据库220中的至少一些比例的个体与待基于相关于活动的准则而被分组的 参与者230有关。例如，通常挑选来自训练数据库220的将形成训练集的个体， 以使所挑选出来的分组“输入信息”在训练集中的个体和在当前活动中的参与 者之间的相似性最大化。例如，这些“输入信息”可以包括如下特征：

1.参与者和/或指导者的人口特征（如，年龄、性别、家庭收入、教育背景、 出身、种族等）。对于基于课堂的当前活动，训练数据库将具有说明所列的各个 个体所参与的课程（如，课程规模、基于参与者的人口特征和/或体验的课程构 成等）的人口特征的记录，以促进参与在人口结构方面相似于当前阶层的阶层 训练集成员的识别。对于基于大学的活动，训练数据库将具有说明由列出的各 个个体参加的大学的人口特征（如，排名、专业、对于学生人口的来源区域等） 的记录和大学的地理位置的记录，促进了参加大学的训练集成员的识别，该大 学在人口统计上和/或在地理上相似于发生当前活动所在的大学。

2.参与者的行为特征（如，对于概念上的问题的反应时间、所完成的家庭 作业的数量、来自其他参与者的正面反馈的百分比等）。训练数据库将具有说明 至少一些所列的个体的行为特征的记录，促进了具有相似于参与当前活动的个 体的行为特征的训练集成员的识别。

3.表现特征，包括参与者的表现（如，先前考试的成绩、对于概念问题的 正确回答、家庭作业的完成和正面的同伴指导）和过去的对于阶层内的同伴指 导或会话的表现和贡献（如，是否参与者已从同伴指导中获取了新的知识或提 高了他们的理解，且参与者与哪种类型的搭档学习到了最多新的知识或提高了 他们的理解等）。训练数据库将具有说明至少一些所列个体的表现特征的记录， 促进了具有相似于参与当前活动的个体的表现特征的训练集成员的识别。

训练集可以包括先前已参加相同活动（如，前几周的相同课程）或不同活 动（如，预先课程）的相同参与者，或已参加相同或相似机构中的相同或相似 活动的不同参与者。例如，训练集可选自在相同机构中的学期初的相同课程、 在另一相似机构的相同或相似课程、或在相同机构的相似课程。在一实施方式 中，训练集选自可利用的尽可能多的资源，且从该资源中，可以获得信息。

在上述原始训练集中被挑选出的个体的数量可以是大于或等于在当前活动 中的参与者的数量。在讨论的实施方式的第三步骤中，非参数匹配方案，例如， “广义精确匹配”（Coarsened Exact Matching）（CEM）（见，例如，Iacus，King &Porro，“Causal Inference Without Balance Checking：Coarsened Exact Matching”； 和Stefano，King&Porro，“Multivariate Matching Methods That are Monotonic  Imbalance Bounding，”这些公开内容在此以引用方式并入）被用来除去不像活动 中的任意一名参与者的原始训练集个体（即，原始训练集个体的输入信息或特 征明显不同于当前参与者）。这个步骤创建综合训练集，该训练集由与在目前活 动中待被分组的参与者相比具有最大相似的输入信息或特征的个体构成。由于 CEM方案不需要关于产生综合个体的假设，故CEM有利地降低了在创建综合 个体中的模型依赖性和统计偏差，且提高了匹配方案的效率。此外，CEM方案 允许事先确定每个可变的输入信息的相似性和重要性的阈值水平。在因果推理 中利用的其他的匹配方案可适用于创建综合个体，因此在本发明的范围内；在 Ho，Imai，King&Stuart，“Matching as Nonparametric Preprocessing for Reducing  Model Dependence in Parametric Causal Inference，”Political Analysis15（2007）： 199-236（其全部公开内容在此以引用方式并入）中详细说明了许多这些匹配方 案。所选的匹配方案可与当前任务（即，分组）相关或无关；如果选择无关的 匹配方案（例如，估量因果推理、在不连接的数据库中记录连接，和/或缺失数 据填补），则在此使用的所选方案的修改是必要的。

在讨论中的实施方式的第四步骤中，基于统计模型和/或机器学习方案的集 成分类器被用来计算在综合训练集的组群中综合个体的输入信息或特征与具有 富有成效的会话的可能性之间的函数关系。基于所计算的函数关系和待被分组 的当前参与者的输入信息，预测对于参与者的每个潜在的组群具有富有成效的 会话的可能性（即，分组成功的可能性）。

在二个一组、三个一组或其他规模的分组中，在预测出现富有成效的会话 时假设标准稳定性（通过如何选择和匹配综合训练集而被确保）。然后，基于使 在所有潜在组群中具有富有成效的会话的可能性最大化，来选择优化的分组。 这种分组信息通过手持设备被自动地无线或以其它方式（如，有线连接）传送 给参与者。可直接地限定和使用集成分类器；大量的文献存在于统计资料、机 器学习和所应用的关于改进分类器和将它们应用于不同领域的统计资料。见， 例如，Hastie,Trevor;Jerome Friedman;and Robert Tibshirani,Elements of Statistical  Learning:Data Mining,Inference,and Prediction(2009)，其以引用方式并入本 文）。

来自分组的结果（即，是否每组产生了富有成效的会话）在活动后被分析， 且被存储在训练数据库220中。在随后的活动中，（基于在被利用的组群中实际 获得的成功）输入信息和分组成功可能性之间的函数关系可被重新计算或基于 最近存储的结果部分地被更新。由于集成分类器是基于统计模型和/或机器学习 方案，故函数关系随着更多的个体信息被存储在训练数据库220中变得更加精 确；这是由于对于训练集选择优良的综合个体的匹配集的增加的可能性。结果， 在每个潜在群组中的成功可能性预测的精确度随时间增加。因此，随着数据库 发展，同时维持底层结构，本发明中的分组方案随时间改进。

在某些实施方式中，至少部分地基于有约束的分组策略来形成分组。例如， 假设分组策略涉及参与者的地理位置，在该位置，组群成员必须靠近彼此就坐。 参与者的位置首先由例如全球定位系统、由指导者指定的座位号或一名或多名 其他参与者的确定位置来确定。然后，位置信息通过参与者的手持设备被传送 至中央服务器145，且被存储在数据库中。然后，基于使在潜在组群中具有富有 成效的会话的可能性（即，分组成功的可能性）最大化，同时满足参与者的地 理位置上的物理约束，来选择参与者的分组。

图3示出了根据本发明的实施方式的用于将活动中的参与者分组的代表性 方法300。在第一步骤310中，由指导者限定的分组策略，参与者标识（和/或 参与者的手持设备的标识）连同与用于当前活动的分组有关的参与者的特征被 分别传送至中央服务器，且被分别存储在规则数据库和参与者数据库中。如果 分组策略是复杂的策略，则在第二步骤320中，选择包括个体的原始训练集； 个体涉及基于与活动有关的准则的参与者。在第三步骤330中，利用非参数匹 配方案来创建综合训练集，在该综合训练集中，综合个体的输入信息和参与者 的输入信息的相似性被最大化。在第四步骤340中，计算综合训练集中的综合 个体的输入信息和分组成功可能性之间的函数关系。在第五步骤350中，基于 所计算的函数关系和参与者的输入信息，预测参与者的每个潜在组群的分组成 功可能性。在第六步骤360中，选择最佳的分组，然后将分组信息通过他们的 手持设备传送给参与者。如果指导者设定有约束的分组策略，则最佳的分组会 包括这个约束（步骤370）。可选地，如果分组策略是具有确定性规则的简单策 略，则基于这些简单策略，可容易地建立分组。然后，再一次将这些分组信息 通过手持设备传送给参与者（步骤380）。

图4示出了根据本发明的实施方式的用于将活动中的参与者分组的系统 400。一组未分组的参与者410每人具有手持设备412；如上面所提到的，参与 者可以是位于相同位置或可以是地理位置被分散的。中央服务器414包括参与 者数据库416（或与参与者数据库416通信），该参与者数据库416包括参与者 410以及可以在训练集中利用的其他个体的记录。每个记录标识参与者410、其 手持设备412和关于活动（以及由此的关于最佳的分组）的特征的参与者特定 值。规则数据库418包括与分组策略相关联的规则。分析引擎420访问数据库 416和数据库418，且基于如上所述的分组策略和参与者的特征来限定分组。如 果必要的话，中央服务器414与参与者410通信以获取分析所需的数据。如在 422中表明的，基于该分析，如上所述，将参与者分组，且中央服务器414将分 组传送至参与者410的手持设备412，以建立组群。典型地，例如，通过SMS （短讯服务）、自动化电话呼叫、电子邮件或其他合适的通信方式无线地与手持 设备412进行通信。

分析引擎420可由计算机可执行指令（如，由常规计算机所执行的程序模 块）来实现。通常，程序模块包括例程、程序、对象、组件、数据结构等，该 程序模块进行特定任务或完成特定抽象数据类型。本领域的技术人员将领会到， 通过各种计算机系统配置（包括多处理器系统、基于微处理器的或可编程的消 费性电子产品、小型计算机、大型计算机等）可实施本发明。也可以在分布式 计算环境中实施本发明，在该环境中，通过远程处理设备执行任务，该远程处 理设备通过通信网络被连接。在分布式计算环境中，程序模块可以位于包括记 忆存储设备的本地的和远程的计算机存储媒介中。

不需要过度的实验，可以使用任何合适的编程语言来实现上述分析功能。 说明性地，所用编程语言可以包括汇编语言、Ada、APL、Basic、C、C++、C^#、 COBOL、dBase、Forth、FORTRAN、Java、Modula-2、Pascal、Prolog、Python、 REXX和/或JavaScript等。另外，单一类型的指令或编程语言结合系统的操作和 本发明的方法使用不是必须的。然而，如果必要或是需要，可以使用任何数量 的不同的编程语言。

在此描述的服务器均可以是一个或多个服务器类计算机，如，具有CPU（中 央处理器）板的PC（个人电脑），该CPU板包括一个或多个处理器，如Intel  Corporation of Santa Clara,Calif.制造的奔腾(Pentium)系列或赛扬(Celeron)系列 处理器、由Motorola Corporation of Schaumburg,Ill.制造的680x0家族和POWER  PC（装有威力晶片的个人电脑）系列处理器、和/或由Advanced Micro Devices,Inc., of Sunnyvale,Calif.制造的速龙(ATHLON)系列处理器。计算环境也可以包括其他 的可移动的/固定的、易失性的/非易失性的计算机存储媒介。例如，硬盘驱动器 可以读取或写入固定的、非易失性的磁性媒介。磁盘驱动器可以从可移动的、 非易失性的磁盘中读取或写入可移动的、非易失性的磁盘，光盘驱动器可以从 可移动的、非易失性的光盘（如，CD-ROM（只读光盘）或其他光学媒介）中 读取或写入可移动的、非易失性的光盘。

执行命令和指令的处理器可以是通用的处理器，但可以使用任何多样的其 他技术，包括专用硬件、微型计算机、小型计算机、大型计算机、程序化的微 处理器、微控制器、外围集成电路元件、CSIC（用户专用集成电路）、ASIC（专 用集成电路）、逻辑电路、数字信号处理器、可编程逻辑器件（如，FPGA（现 场可编程门阵列）、PLD（可编程逻辑器件）、PLA（可编程逻辑阵列））、RFID （射频识别）处理器、智能芯片，或能够执行本发明方法的步骤的器件的任何 其他器件或装置。

应当注意，典型地，手持设备412通过无线链路与中央服务器414通信， 但可以以任何便利的方式例如，通过有线的或无线的局域网（LAN）和广域网 （WAN）、无线的个人局域网（PAN）、和/或其他类型的网络进行通信。当在LAN 网络环境中使用时，计算机可以通过网络接口或适配器与LAN连接。当在WAN 网络化环境中使用时，计算机典型地包括调制解调器或其他通信机制。调制解 调器可以是内置的或外置的，且可以通过用户输入接口或其他适当机制与系统 总线连接。计算机可以通过互联网、企业内部网、企业外部网、以太网、或任 何其他提供通信的系统连接。一些适合的通信协议可以包括TCP/IP（传输控制 协议/互联网协议）、UDP（用户数据报协议）或OSI（开放式系统互联）等。对 于无线通信，通信协议可以包括蓝牙、Zigbee、红外（IrDa）或其他合适的协议。 此外，系统的组件可以通过有线或无线路径的组合而通信。

在此使用的术语和表达被用作说明性而非限制的术语和表达，在使用这些 术语和表达时，不意图排除所示和描述的特性的任何等同物或该特性的部分等 同物。此外，已知本发明的所描述的某些实施方式，对于本领域普通技术人员 显而易见的是，在不脱离本发明的精神和范围内，可以使用其他包括在此公开 的概念的实施方式。因此，在所有方面，所描述的实施方式将被考虑为仅是说 明性的而非限制性的。