API (应用程序接口，Application Programming Interfaces)是一种以平台为中心的数据痕迹收集方法。研究者可通过互联网平台开放的API，按照特定的格式批量获取需要的用户数据，如发帖数、点赞数、关注数、粉丝数等( Murphy, 2017 )。平台作为天然的用户数据库，存储了大量的用户使用痕迹。许多平台都有相应的官方API调用文档，为开发和研究人员提供了获取平台数据的指引。另外，某些头部的互联网平台(如X、Facebook等)拥有海量的用户资源，研究人员可以通过API在这些大体量的平台上一次性获取足够丰富的自然语言数据，而无需依赖传统的被试样本，研究的成本也相对更低。例如，Wang等人在新冠疫情期间收集了来自Twitter和微博超过6.54亿条带有地理位置标记的社交媒体帖子，涵盖100多个国家和地区，并利用BERT自然语言处理技术对帖子进行情绪分析，发现新冠病毒爆发导致全球情绪大幅下降，随后出现非对称性、缓慢的恢复，且不同国家之间的情绪下降幅度和恢复速度存在很大差异( Wang et al., 2022 )。

然而，使用API的权限可能会遇到来自用户和平台的限制。一方面，用户可以自由地编辑和删除在互联网平台上产生的痕迹。另一方面，平台通常会限制研究人员通过API允许访问的数据范围，这导致由API所收集的数据往往缺乏统一性，降低了后续研究的可重复性( Davidson et al., 2023 )。此外，互联网平台数据可能包含各种垃圾信息、虚假信息和人工智能生成的内容，需经过数据清理和筛选后方可作为能够反映用户真实心理现象的有效数据使用。同时，由API获取的数据更多反映内容而非个体上的聚合信息，将内容与特定个体联系起来可能较为困难，且考虑到伦理道德方面，研究人员可能无法获得产生特定内容的个体的知情同意。综上，API提供了一种便捷、低成本的观察人们数字生活的方法，同时也受到方法本身的限制。

数据捐赠(data donation)是一种以用户为中心的方法，指被试主动将存储在个人设备上的数据提交给研究人员。这些数据多为聊天记录、通话记录等非公开的数据。研究人员可以通过使用插件或者通过手动记录在手机上的特定内容来获取此类数据( Ohme et al., 2024 )。例如，Brinberg等人指导41对大学情侣使用Mac笔记本电脑下载“iMessageAnalyzer”应用程序，获取其1~16个月的、超过100万条的聊天短信记录，以此研究浪漫关系发展过程中沟通行为的变化。研究发现，参与实验的情侣平均每天发送150条短信，发短信的频率在成为情侣之前会上升，成为情侣后会下降，呈倒U型曲线。且短信响应的速度和长度在关系发展过程中无明显的系统性变化( Brinberg et al., 2021b )。

数据捐赠方法能够与传统问卷、访谈等的研究方法相结合，获得有关个体在过去的特定生活事件中的详细数据，且能确保被试得到充分的知情同意，并明确数据使用范围和权限。但该方法也有其局限性。首先，对于需要从平台上请求获取的数据，用户可能不太容易操作，需要研究人员耐心指导；其次，由于数据捐赠依赖用户的主动提供，研究人员可能无法获得足够大的、多样化的样本。另外，与API相比，以这种方式收集到的数据往往缺乏结构化，需要研究者进行进一步的整理。因此，数据捐赠方法适用于明确目标群体类型的研究。

屏幕追踪(screen tracking)与数据捐赠同样是以用户为中心的方法，指通过安装在设备上的特定软件收集用户实时屏幕信息，形成与个体实际行为密切相关的时间序列数据。这些信息能够最大程度反映用户正在浏览的应用程序和内容以及花费的具体时间( Ohme et al., 2024 )。与基于自我报告得到的数据(如每周使用手机的时长、每周使用社交软件的时长等)相比，屏幕追踪能揭露更多动态的使用细节。例如，虽然使用同一款社交软件的时长相同，但在社交软件上进行内容创作和仅仅进行内容消费则是两种不同的媒介体验。另外，用户也可能在不同的应用程序上进行相同类型的活动。

斯坦福大学Bryon Reeves教授团队开展的“人类屏幕组项目(Human Screenome Project)”是使用屏幕追踪来研究媒介心理的系统尝试( Reeves et al., 2020 , 2021 )。该项目搭建了一整套端到端的工作流程，用于捕获和分析个体日常生活中的屏幕体验记录，包括软件截屏、提取文本和图像、提取设备服务数据、分析内容、存储和可视化数据、运用搜索引擎和机器学习及统计模型分析等环节。具体而言，参与该项目的被试需要在研究人员的指导下在电子设备(智能手机或笔记本电脑)上安装“Screenomics”软件。在整个实验过程中，当设备处于亮屏状态时，在后台静默运行的“Screenomics”软件定时(如每5秒)捕获一次当前时间点的截屏内容，存储在本地设备上，然后按照带宽和设备内存限制对截屏进行加密和压缩，并传输到专门用于存储截屏数据的服务器中(每天传输一到两次)，传输完成后会自动删除本地数据。接着，软件会对所有截屏进行图像识别和特征提取，区分出不同的元素，如文本、logo、图像等，主要涉及到的技术有光学字符识别(optical character recognition, OCR)、自然语言处理(如LIWC)、计算机视觉(如OpenCV)等。同时，对截屏进行标记也是重要的一个环节，常用的是人工标注(可以通过众包平台如Amazon Mechanical Turk等)。近年来，有关截屏数据的自动标注技术也在不断发展( Wang et al., 2021 ; Baechler et al., 2024 )。最后，这些特征和信息被整合到特定的数据库中，以便进行分类、存储、检索和可视化。这些结构化的信息后续可以直接供研究者进行进一步的分析。

屏幕追踪技术使研究人员得以摆脱特定媒介、平台、应用程序的限制，从电脑、手机、平板、电视等各种电子设备，以及即时通讯、网络购物、网络视频等各类应用上获得个体独特的数字体验。屏幕追踪技术获得的原始数据——截屏，包含了从文字、图片到视频(通过截屏可判断是否是视频内容)的多模态信息。同时，这些多模态信息又有着精确的时间戳记录，保留了用户数字体验的先后顺序和持续时间，以便分析诸如快速切换( Yeykelis et al., 2014 )等传统方法无法研究的问题。因此，通过屏幕追踪数据，研究人员能够对精细的媒介内容序列和行为进行观察，分析这些行为如何影响和塑造随后的媒介行为。总而言之，屏幕追踪技术既定义了个体屏幕体验的总体结构，也定义了该结构中与独特的社会、心理和行为特征和体验相关的个体变量。

由于屏幕追踪技术涉及大量专业的开发知识，研究团队通常由跨学科背景的研究者组成，分别负责软件开发和部署、被试招募、隐私保护说明及数据处理和后续研究。Yee等人开发的“Screenlife Capture”开源软件降低了开展屏幕追踪实验的门槛( Yee et al., 2023 )。同时，研究人员需开发可重复的技术，从屏幕追踪数据流中提取有意义的变量，以研究特定科学问题。此外，由于截屏数据涉及大量隐私信息和数据安全问题，使用此方法开展实验需要从数据采集工具以及实验安排两方面同时考虑。例如，在开发数据采集工具方面，“Screenlife capture”框架允许被试随时停止屏幕捕获；使用强加密的方式对原始数据进行加密，且密钥分别存放在被试手机端和研究人员电脑端中；所有数据传输和云端存储都经过加密或离线处理；原始截屏不保存在被试手机中，避免被其他应用窃取；数据传输后自动销毁。这些措施从数据产生、传输、存储到销毁各环节都建立了防护，既防止外部攻击也防范了系统内部的漏洞风险( Yee et al., 2023 )。此外，在具体的实验开展方面，研究人员应当在实验全程与被试保持紧密联系，充分听取被试感受和意见，允许被试在数据收集完成后自由检查并删除自己的数据，并且给予被试充分的退出实验的自由。在数据分析过程中，与研究目的无关的截屏数据应当被删除。综上，使用屏幕追踪方法采集数据需要遵循严格的隐私协议。

过往媒介心理学的理论大都围绕着媒介本身来研究，如电视、电脑、手机等电子设备，或是Twitter、Facebook、微博等社交媒体平台。然而，用户最终接触到的是承载在这些设备和平台上的各种类型的内容。根据主题划分，有娱乐、时政、健康、金融、生活、社会内容等；根据模态划分，有文本、图像、视频、音频、虚拟现实内容等；根据产生主体，由用户生成的和他人生成的内容等。如果把媒介本身视作瓶子，那么在媒介上消费的内容则是瓶子中的水，后者往往对个体起到更直接的影响。数字痕迹收集技术能够直接访问到用户接触到的内容，不论其分布于何种平台和设备。同时，这些内容往往具备众多可识别的特征。对文本数据，有单词数量、文本移动速度等特征；对图像数据，有图像复杂度、图像移动速度等特征( Brinberg et al., 2021a )。研究人员可以利用这些特征信息，使用机器学习方法对数据进行聚类分析，实现抽象层面上的归纳，从而更精准地刻画媒介内容消费行为。

依据使用与满足(use-and-gratifications, U&G)理论，人们使用媒介以满足特定心理需求( Sundar & Limperos, 2013 )。人们关注媒介的动机显著影响关注的内容，以及感知、记忆或利用信息的方式。过去研究通常聚焦于笼统的媒介使用目的，如直接询问用户最常使用社交媒体的目的是社交互动、进行信息寻求、还是打发时间，等等。数字痕迹收集技术能够精确揭示特定内容进行加工与不同媒介使用动机之间的关系。Sundar等人在实验室中精确操纵个体的信息处理动机，要求一组被试抱着了解候选人立场的动机去观看政治信息，另一组被试仅关注候选人的外貌。结果显示，前一组被试更有可能被候选人的观点影响，对自己的观点缺乏自信；后一组被试则因为更加关注候选者的图片而对自己的观点更有信心，表明两组被试处理信息的过程出现差异( Sundar et al., 2003 )。在实验室之外的自然环境，对个体使用动机的识别需要依靠传统的主观问卷报告和数字痕迹收集相结合来完成。

媒介技术对个体的影响可从不同的时间尺度考量。例如，接触媒介内容引发的心理影响既可以是数秒内的生理唤醒，也可能是数周内形成的条件反应，甚至是数月或数年后使用模式或习惯的改变。早期研究倾向于将媒介使用视为经验积累，侧重长期影响。例如，有研究表明玩更多电子游戏与更强的攻击性倾向有关，这一发现支持有关规范信念和行为脚本的一般性学习积累如何改变行为倾向的理论( Gentile et al., 2014 )。应用于电子游戏的一般性学习模式强调数月或数年的重复接触，同时伴随着情感习惯化(对攻击的脱敏)，影响个体人格特征的长期发展。在此基础上，近年来发展的屏幕追踪技术能够让研究人员同时考虑媒介对个体产生的短期影响。屏幕追踪数据的多时间尺度特性为解决理论涉及的时间尺度与数据时间尺度不匹配的问题提供了新途径。例如，传统的成瘾理论强调长时间与成瘾物质的接触。如果技术成瘾与物质成瘾类似，个体在接触相关刺激后的短时间内生理行为反应就会发生改变，多次重复后成为条件反应( Volkow et al., 2016 )。屏幕追踪技术为验证此类假设创造了条件。另外，媒介使用可作为情绪管理策略。情绪影响个体的媒介内容消费，个体在不同类型的媒介内容(如新闻、娱乐等)间的切换又会影响情绪体验的平衡( Greenwood & Long, 2009 )。Cho等人利用“人类屏幕组项目”收集的数据，使用LIWC工具计算每个截屏中积极和消极词语的比例，发现接触积极内容后更有可能接触消极内容，反之亦然( Cho et al., 2023 )。在微观、快速的时间尺度上，信息的感知和解释都可能受到时间上紧挨着的前后信息的影响，体现为启动效应( Hermans et al., 2001 )、框架效应( Seo et al., 2010 )、首因和近因效应( Murphy et al., 2006 )等心理现象上；而在宏观、慢速的时间尺度上，昼夜节律、注意力、人际关系节奏( Cutting et al., 2012 )等会在媒介体验中得以体现。

特定心理和行为的产生不仅与个体相关，还受到宏观的社会和文化背景因素影响。构成媒介使用情境的线索涵盖人、物体、事件、活动、地点和时间等客观可量化信息，这些线索定义了“who、what、where、when和how”五大要素。数字痕迹中的截屏信息、传感器信息(如GPS)、时间戳、通话记录等都可以成为还原情境的线索。Rauthmann和Sherman对赋予情境心理意义的特征进行了分类，包括责任(是否需要行动)、智力(是否需要深度处理)、逆境(是否存在威胁)、积极性(是否令人愉悦)、消极性(是否令人不悦)、欺骗(是否存在不诚实或表里不一)和社交能力(与他人联系的可能性、可取性或必要性) ( Rauthmann & Sherman, 2016 )。这些特征当中的每一个都可以改变数字体验对个体的影响。