根据居住方式对西班牙老年人群体在智能家居需求及适应能力方面的细分研究：调查报告

《JMIR Aging》：Segmentation of Older People’s Needs and Readiness for Smart Homes by Residentially Based Lifestyles in Spain: Survey Study

　　**Jiyeon Yu | Angélica de Antonio | Elena Villalba-Mora**
**马德里理工大学生物医学技术中心**
**UPM科学与技术公园，Montegancedo校区，M40公路38公里处，Pozuelo de Alarcón，马德里，西班牙**

**背景**
在全球范围内，老年人口正在快速增长，成为21世纪最显著的人口趋势之一。这一增长给社会带来了重要的社会、健康和技术挑战，各国必须调整环境和服务，以促进老年人独立而健康地老去。在西班牙，2020年65岁及以上的人口占总人口的18%，预计这一比例在未来几十年内将继续上升。在这种背景下，智能家居已成为支持老年人居家养老并提高生活质量的最有前景的途径之一。智能家居涵盖了多种功能，包括环境控制、安全监控、通信和其他辅助技术，这些技术有助于老年人保持健康、安全并独立生活在家中。然而，老年人并非一个同质的群体，他们的生活方式、健康状况和技术经验存在很大差异。因此，与任何辅助技术一样，智能家居的功能必须符合目标用户的真实需求和感知需求，以确保其被接受、采纳和长期使用。

**研究目的**
作为迈向智能家居技术适应性的一步，本研究提出了一种分析老年人对智能家居功能实际需求的方法。具体而言，我们旨在了解西班牙老年人群对智能家居的接受度和需求，并为设计更加适应用户需求和以用户为中心的解决方案提供见解。

**研究方法**
我们开展了一项在线调查，重点关注老年人的居住方式、健康状况以及对智能家居功能的偏好，调查对象为居住在西班牙的老年人。调查收集了参与者的基本信息、日常活动、自我健康评估以及他们对技术的态度。共分析了102份有效回答。随后，我们使用聚类技术根据老年人的居住方式对其进行分类，并分析了每个组别对智能家居功能的偏好和需求。

**研究结果**
根据参与者的回答，我们归纳出四个主要群体：（1）追求高质量生活和独立生活的群体；（2）生活质量较低的群体；（3）注重社交的群体；（4）有创造性及个人爱好的群体。基于这一分类，我们探讨了每个群体对智能家居的具体需求，并评估了他们接受不同技术方面的意愿。最终确定了每个群体最优先的智能家居功能并进行比较。

**结论**
本研究有助于理解老年人将智能家居作为辅助技术的实际需求。它提供了一种方法论方法，根据用户特征预测和优先排序功能，为老年人群开发个性化、适应性强且更易被接受的智能家居解决方案。

**引言**
人口老龄化是一个全球性挑战[1]。对老年人来说，在他们感到舒适的家中保持健康和独立至关重要。为了支持独立生活，能够快速检测危险并在紧急情况下作出适当反应的技术对居住在家中的老年人尤为重要[2]。智能家居技术在远程管理和老年人辅助领域取得了显著进展[3]。借助物联网技术，智能家居服务提升了家庭舒适度、安全性和安全性，使老年人能够在家接受医疗服务或检查健康状况[4]。这项技术对于支持老年人的健康和独立生活具有重要意义[5]。然而，大多数老年人认为智能技术难以使用，实际应用中可能存在诸多障碍。此外，老年人可能并不了解智能家居功能如何满足他们的需求。因此，预计智能家居在老年人中的商业化及广泛应用仍需一段时间[6]。为了让这项技术真正融入他们的生活，不应将老年人简单地归为一个群体，而应根据服务目的进行细分，从而准确识别并满足他们的具体需求[7]。

**研究方法**
**研究过程**
图1展示了研究流程。主要成果包括：（1）基于居住方式的西班牙老年人分组；（2）通过问卷分析各组对智能家居功能的需求。本研究证明，根据居住方式对老年人进行分类，并通过问卷分析其需求，有助于深入了解他们对智能家居的认知和具体需求，这对于推动智能家居技术在老年人中的普及至关重要。

**参与者**
本研究针对的是居住在西班牙的老年人，这是一个面临老龄化问题的代表性国家。在之前的韩国研究中，调查对象为65岁及以上的老年人；鉴于韩国老年人使用互联网的比例随年龄增长而下降[12,13]，我们将年龄下限设定为60岁（比韩国低5岁）。因此，调查对象是居住在西班牙的60岁及以上的老年人（图2）。有效回答的标准为：（1）年龄在60岁及以上；（2）所有问题均作答；（3）回答日期在规定的调查范围内。我们共收集到102份有效答案。样本中男性41人，女性61人（占比分别为40.2%和59.8%），与西班牙的统计数据相近[14]，平均年龄为68岁（标准差3.8岁）。

**工具**
我们使用了之前在韩国人群中开发并验证的问卷，该问卷涉及居住方式（RBL）和智能家居需求。这项研究将此工具应用于西班牙老年人样本，旨在提出一种细分方法，并分析各子群体的智能家居需求。

**数据分析**
通过主成分分析（PCA）对收集的数据进行了分析，揭示了各群体的居住方式特征及其对智能家居功能的需求。

**伦理考虑**
我们未收集任何可能关联到受访者身份的个人信息，因此无需获得马德里理工大学伦理委员会的批准。问卷不要求提供任何可识别个人身份的信息（如姓名、电话号码、电子邮件地址等），也无需登录过程。受访者可自愿选择是否参与调查，因此同意参与即视为有效同意。所有收集到的数据均匿名存储和分析，且仅用于研究分析。

**论文结构**
本文其余部分内容如下：方法部分介绍了研究过程、参与者、使用的问卷及数据分析方法；结果部分展示了居住方式分组的情况及各组对智能家居功能的需求；讨论部分首先总结了主要发现，并与其他研究进行了比较，随后指出了研究的局限性；结论部分总结了研究的主要贡献及未来研究方向。在使用RBL进行分类后，比较了每个组别的人口统计特征和健康状况。然后，通过关于智能家居功能偏好的问题，测量了每个组对智能家居功能的需求。为了验证组间存在显著差异，对人口统计数据进行了卡方检验（chi-square test），并对健康状况评分（PCS和MCS）以及智能家居需求量表进行了方差分析（ANOVA）。

RBL的PCA分析显示，RBL项目的Kaiser-Meyer-Olkin平均值为0.604。在去除了具有低相关性的因子后，进行了PCA分析。Bartlett的球形度检验结果显著（χ2136=455.893；P<.001），表明相关矩阵不是单位矩阵，因此适合进行因子分析。PCA用于将每个评估项目的维度降低到主要因子，并通过Varimax旋转进行分析。表1展示了RBL项目的PCA结果。提取了五个主要因子，其因子载荷大于0.4：（1）独立生活和生活质量，（2）家庭社交活动，（3）规律的生活习惯，（4）富有创造力和健康的生活方式，（5）独自度过的时间。

表1. 基于居住生活方式的RBL问题（RBL questions [11]）的 主成分分析。

| RBL问题 | 因子载荷 |
|-----------------|--------------|
| 独立生活和生活质量 | 0.828 |
| 家庭社交活动 | 0.788 |
| 规律的生活习惯 | 0.732 |
| 富有创造力和健康的生活方式 | 0.732 |
| 独自度过的时间 | 0.695 |

每个因子的可靠性通过Cronbach α值得到了验证。尽管三个因子的Cronbach α值略低，但由于该问卷是在之前的研究中新开发的，并且调查样本数量有限，这些结果仍然可以接受。每个因子至少具有1的特征值，这五个因子解释了总方差的58.69%。根据社会科学研究的方法论，基于调查的工具的累积解释方差值在50%到60%之间被认为是合适的。

基于RBL的五个因子，通过Ward方法进行了层次聚类分析，认为将其分为4个簇是最稳定和最有说服力的。之后，通过K-均值聚类分析进行了最终聚类。表2展示了分为4个组的聚类结果。进行了ANOVA分析以探索不同簇在RBL因子上的差异。分析显示，所有因子都存在显著差异：（1）独立生活和生活质量（50.80；P<.001），（2）家庭社交活动（6.83；P<.01），（3）规律的生活习惯（21.29；P<.001），（4）富有创造力和健康的生活方式（5.98；P<.01），以及（5）独自度过的时间（25.43；P<.001）。图3显示了每个簇之间的因子差异。

表2. 老年人基于居住生活方式的聚类分析（RBL）。
| 空单元 | 聚类1（n=47）因子得分（均值） | 聚类2（n=5）因子得分（均值） | 聚类3（n=25）因子得分（均值） | 聚类4（n=25）因子得分（均值） |
|-----------------|-----------------|-----------------|-----------------|-----------------|
| 独立生活和生活质量 | 0.45 | ?3.16 | 0.07 | 0.80a | (3, 98) |
| 家庭社交活动 | ?0.36 | ?0.19 | 0.67 | 0.04 | 6.83a |
| 规律的生活习惯 | 0.36 | 1.05 | ?1.05 | 0.16 | 21.29a |
| 富有创造力和健康的生活方式 | ?0.08 | 0.07 | ?0.48 | 0.62 | 5.98b |
| 独自度过的时间 | ?0.47 | ?1.08 | 0.04 | 1.06 | 25.43a |

a.P<.001。
b.001≤P<.01。

根据RBL中的5个因子值，定义了每个组的生活方式模式和特征。
- **聚类1**：“高质量和独立生活”是生活质量最高、独立生活能力最强的组。
- **聚类2**：“生活质量较差”，与其他组相比，生活质量最低，独自在家进行爱好活动的时间最少，生活规律性最高。
- **聚类3**：“以社交为中心的生活”，朋友和家人来访频繁，生活规律性最低。
- **聚类4**：“以创造力和个人爱好为中心”，有许多可以独自进行的创造性活动。

表3显示了每个组的人口统计特征。各组在性别方面存在显著差异。聚类1和聚类4中女性比例较高，男女比例约为1:2，而聚类2则全部为女性。聚类3是唯一男性比例较高的组。

表3. 每个组的人口统计特征。
| | 聚类1（高质量和独立生活；n=47） | 聚类2（生活质量差；n=5） | 聚类3（以社交为中心的生活；n=25） | 聚类4（以创造力和个人爱好为中心；n=25） |
|------------|------------------|------------------|------------------|-------------------|
| 性别 | 12.9 (3) | 15 (31.9) | 0 (0.0) | 17 (68.0) | |
| | 32 (68.1) | 5 (100.0) | 8 (32.0) | |
| 年龄（岁） | 6.6 (9) | 60-64 | 6 (12.8) | 0 (0) | |
| | 65-69 | 26 (55.3) | 4 (80.0) | 13 (52.0) | |
| | 70-74 | 14 (29.8) | 0 (0.0) | 6 (24.0) | |
| | 75-79 | 1 (2.1) | 1 (20.0) | 2 (8.0) | |
| 婚姻状况 | 16.3 (9) | 已婚 | 32 (68.1) | 2 (40.0) | 18 (72.0) |
| | 单身 | 3 (6.4) | 2 (40.0) | 5 (20.0) | |
| | 寡居 | 3 (6.4) | 1 (20.0) | 2 (8.0) | |
| 住址类型 | 11.9 (9) | 独居 | 12 (25.5) | 2 (40.0) | 6 (24.0) |
| | 与配偶同住 | 30 (63.8) | 2 (40.0) | 14 (56.0) | |
| | 与家人同住 | 4 (8.5) | 0 (0) | 4 (16.0) | |
| | 其他 | 1 (2.1) | 1 (20.0) | 1 (4.0) | |
| 照料者 | 12.2 (12) | 配偶 | 33 (70.2) | 2 (40.0) | 18 (72.0) |
| | 自己 | 3 (6.4) | 1 (20.0) | 2 (40.0) | |
| | 朋友或邻居 | 5 (10.6) | 1 (20.0) | 1 (4.0) | |
| 在外时间（小时） | 10.5 (9) | <12 | 2 (4.3) | 2 (40.0) | |
| | 1-3 | 23 (48.9) | 3 (60.0) | 12 (48.0) | |
| | 3-6 | 18 (38.3) | 0 (0.0) | 8 (32.0) | |
| | >6 | 4 (8.5) | 0 (0.0) | 3 (12.0) | |
| 教育水平 | 8.3 (6) | 基础 | 1 (2.1) | 1 (20.0) | 2 (8.0) |
| | 中等 | 8 (17.0) | 2 (40.0) | 4 (16.0) | |
| | 大学 | 38 (80.9) | 2 (40.0) | 19 (76.0) | |
| 收入（欧元） | 5.5 (9) | <1500 | 5 (10.6) | 1 (20.0) | |
| | 1500-2000 | 7 (14.9) | 1 (20.0) | 3 (12.0) | |
| | 2001-2999 | 15 (31.9) | 3 (60.0) | 7 (28.0) | |
| | >3000 | 20 (42.6) | 0 (0) | 13 (52.0) | |

- **聚类1**（高质量和独立生活）的MCS（情绪健康状况）得分最高，而**聚类4**（以创造力和个人爱好为中心）的PCS（身体健康状况）得分最高。相反，**聚类2**（生活质量差）的PCS和MCS得分最低。
- 进行了一元方差分析以检验四个居住生活方式簇在健康状况方面的差异。结果显示，各簇在身体健康状况方面的得分存在显著差异（P=.01）。聚类1的平均身体健康得分为50.33，聚类2为25.73，聚类3为47.74，聚类4为50.45。具体而言，聚类2的身体健康得分明显低于其他簇，而聚类1、3和4的得分相对较高且相似。
- 精神健康状况方面的差异没有达到统计显著性（P=.15）。聚类1的平均精神健康得分为52.88（标准差8.42），聚类2为43.48（标准差10.12），聚类3为52.87（标准差7.95），聚类4为51.66（标准差9.03），表明各簇的精神健康状况相对相似。

在本节中，我们比较了每个簇对智能家居功能的需要。受访者可以从1（不必要）到5（最必要）中选择8个类别中的26个详细智能家居功能。较高的数字应解释为他们生活中“更必要的功能”（表4）。ANOVA结果显示，在可穿戴传感器方面存在显著差异（F(3, 98)）：**聚类2**（生活质量差）对智能家庭功能的偏好度最高，平均得分为2.06（共26个功能），而**聚类1**（高质量和独立生活）的偏好度最低，平均得分为1.75。

表4. 智能家居功能的需求（功能列表 [11]）。
| 智能家居功能 | 聚类1（n=47，46.1%；高质量和独立生活）平均得分（SD） | 聚类2（n=5，4.9%；生活质量差）平均得分（SD） | 聚类3（n=25，24.5%；以社交为中心的生活）平均得分（SD） | 聚类4（n=25，24.5%；以创造力和个人爱好为中心）平均得分（SD） |
| -------------------------|---------------------------------|---------------------------------|---------------------------------|-----------------------------------|
| 智能洗衣机 | 1.85 (0.83) | 2.2 | 1.84 (0.85) | 1.8 (0.76) |
| 智能冰箱 | 1.45 (0.65) | 2.2 | 1.6 (0.71) | 1.76 (0.78) |
| 智能炊具和智能咖啡机 | 1.43 (0.62) | 2.4 | 1.72 (0.79) | 1.76 (0.83) |
| 日程提醒 | 1.49 (0.66) | 2.4 | 1.44 (0.65) | 1.76 (0.83) |
| 服药提醒 | 1.55 (0.71) | 2.6 | 1.32 (0.56) | 1.52 (0.71) |
| 开窗或开门检测 | 1.62 (0.74) | 2 (1.00) | 1.48 (0.65) | 1.64 (0.76) |
| 花园自动浇水 | 1.77 (0.84) | 1 (0) | 1.52 (0.71) | 1.96 (0.93) |
| 自动检查邮箱 | 1.72 (0.80) | 1 (0) | 1.68 (0.75) | 1.88 (0.88) |
| 自动供暖 | 2.28 (1.08) | 2.8 | 2.24 (1.05) | 2.52 (1.20) |
| 煤气泄漏或烟雾检测 | 2.38 (1.12) | 1.8 | 2.12 (1.01) | 2.48 (1.16) |
| 远程控制电灯 | 2.06 (0.95) | 1.4 | 2.28 (1.08) | 2.4 (1.12) |
| 远程控制电器 | 2.06 (0.95) | 1.4 | 2.28 (1.08) | 2.4 (1.12) |
| 远程控制灯光 | 1.77 (0.84) | 1.8 | 1.8 (0.84) | 2.08 (0.95) |
| 光线模式设置 | 1.77 (0.84) | 1.8 | 1.88 (0.88) | 2.24 (1.05) |
| 电视自动播放功能及频道通知 | 1.66 (0.77) | 2.4 | 1.72 (0.79) | 1.88 (0.88) |
| 个性化学习电视内容 | 1.79 (0.86) | 1.6 | 1.44 (0.65) | 2 (1.00) |
| 自动电影模式设置 | 1.72 (0.80) | 2 (1.00) | 1.8 (0.82) | 1.76 (0.78) |
| 落下检测 | 2.23 (1.08) | 2.8 | 1.92 (0.91) | 2.00 (1) |
| 在您不在时进行监控 | 1.74 (0.81) | 1.8 | 1.56 (0.71) | 1.96 (0.94) |
| 测量睡眠健康 | 1.77 (0.84) | 1.8 | 2 (1) | 2.04 (1.02) |
| 可穿戴传感器 | 1表5列出了根据各组别感知的优先级所需的智能家居功能。

**讨论**
**主要发现**
本研究通过基于RBL（Resource-Based Lifestyle）的分段方法，识别了西班牙老年人的智能家居需求。通过这种方法，我们可以评估老年人使用和采纳具体智能家居功能的准备情况。具体来说，我们发现了西班牙老年人的4个群体，识别了每个群体认为重要的智能家居功能，并分析了老年用户的需求与RBL之间的关系。为了从最初的17个调查项目中得出有意义的生活方式群体，我们首先应用PCA（主成分分析）来降低维度，然后在提取的组件得分上进行K-means聚类。具体而言，在剔除共性较低的项目后，使用Varimax旋转的PCA产生了5个可解释的组件（即独立生活和生活质量、家庭社交活动、规律的日常生活、创造性和健康以及独处时间），每个组件的特征值都大于或等于1。这5个组件解释了数据中大约58.7%的总方差。

使用这些组件进行聚类而不是全部原始变量具有以下几个方法论优势：
- **减少冗余和噪声**：17个项目中有一些是相关的，并且共享了共同变异；PCA整合了这些共享的变异，并过滤掉了对共同结构贡献较小的项目或变异。这减少了可能掩盖真实群体结构的噪声（即无关或贡献较小的变化）。
- **缓解维度灾难**：在高维空间中（许多变量），距离度量标准变得不那么具有区分性，聚类算法（如K-means）的表现可能较差或产生不稳定的群体。通过将维度减少到能够捕捉大部分方差并代表可解释维度的维度，我们提高了聚类算法 Meaningfully 分组的能力。
- **提高可解释性**：基于主成分得分定义的群体更容易描述：每个组件都进行了标记（例如“规律的日常生活”、“家庭社交活动”等），因此可以通过这些有意义的维度来描述结果中的群体。相比之下，直接基于所有17个项目形成的群体将更难以解释，因为每个群体的区分特征可能涉及许多贡献不同的项目。
- **稳定性和简洁性**：使用较少且更稳定的维度可以提高聚类的可靠性；群体不太可能受到测量误差或特定项目的影响。此外，模型构建的简洁性（即较少的变量）在复制或应用于新数据时通常能更好地泛化。
- **促进有效性检查**：组件允许检查每个提取维度的内部一致性（Cronbach α），有助于确保减少后的维度是一致的构念。另外，当组件被可靠测量时，使用它们进行聚类可以增加对后续解释群体差异的信心。

在我们的案例中，经过PCA处理后，我们对5个组件得分进行了K-means聚类，识别出4个具有不同生活方式特征的群体。与基于全部17个变量的聚类结果相比，基于组件的聚类产生了更加一致、稳定和可解释的群体。例如，群体不是由许多特定项目的特征定义的，而是可以根据5个因素的高或低得分来描述每个群体的特征。

需要注意的是，PCA确实牺牲了原始变量中的一些信息，特别是如果丢弃了方差较小的组件（或具有独特方差的组件）；一些定义群体的特征可能就存在于被丢弃的维度中。此外，PCA假设项目之间存在线性关系，可能无法捕捉复杂的非线性相互作用。尽管如此，考虑到我们的样本规模和适度的Kaiser-Meyer-Olkin系数（约0.60），PCA后接K-means的方法被认为是适当的。

Visutsak和Daoudi [27] 试图通过调查来识别老年人对智能家居的认知、可访问性因素和需求。他们总共询问了7个智能家居功能，并收到了20位利益相关者（医生、护士、老年人及其成年子女）的反馈。在另一项关于智能家居技术认知的研究[4]中，对包括医院和养老院工作人员在内的普通人群进行了调查，以了解老年人对6种智能家居技术的认知及其使用顾虑。这项研究发现了18位受访者对这些关键技术有用性的认知及其顾虑。与以往的研究不同，我们的研究关注的是将成为实际主要用户的老年人。此外，我们的问卷询问了8个智能家居类别中26个详细功能的需求和认知，涵盖了比以往研究更广泛的功能范围。此外，我们根据RBL对每个群体的需求进行了比较和分析。

在这项研究中，我们没有针对具有特定状况（认知水平和健康状况）的老年人，而是根据RBL对参与者进行了分段。此外，在分段之后，可以分析每个群体的平均身体和心理健康状况与其智能家居需求之间的关系。虽然智能家居技术对需要身体帮助或轻度认知障碍的老年人有很大益处，但我们相信智能家居技术也有助于维持健康老年人和健康状况较差的老年人的独立生活。

在西班牙，确定了4个分段群体：（1）高质量生活和独立生活；（2）生活质量较差；（3）以社交为中心的生活；（4）以创造性和个人兴趣为中心的家庭爱好。我们确定了每个群体对智能家居功能的优先级，并发现每个群体的优先级和所需功能的数量各不相同。尽管这4个群体提供了有意义且可解释的生活方式特征，但其中一个群体（群体2，n=5）明显比其他群体小。乍一看，这样一个小群体的代表性以及群体间比较的稳健性可能会引起担忧。然而，有几个因素支持在分析中保留这个群体。首先，这个小群体的出现并非分析程序的虚假结果，而是数据中真实异质性的反映。即使在多次重新聚类后，群体2仍然一致出现，表明它代表了一个稳定且可复现的模式，而不仅仅是算法的随机副产品。其次，聚类的价值不仅在于识别大型主导群体，还在于揭示较小且独特的子群体。在许多社会科学和消费者研究领域，尽管规模有限，但罕见或利基群体在理论发展和实践中起着关键作用[28,29]。第三，先前的聚类方法学工作强调，群体的可解释性和稳定性比它们的绝对规模更为重要[30]。从这个角度来看，群体2在多次复制中的持续出现增强了其作为有意义子群体的有效性。最后，虽然这个群体中受访者数量较少，但它的独特特征提供了对生活方式异质性的重要洞察。未来使用更大、更多样化的样本的研究可以进一步验证这个子群体的存在及其特征，但将其包含在本研究中反而增强了聚类解决方案的全面性。

群体2“生活质量较差”的群体在心理健康和身体健康方面较弱，所需的智能家居功能比其他群体更多。他们的首要需求是远程医疗系统，该系统允许他们在不需要去医院的情况下接受医疗服务。除此之外，他们认为几乎所有类别的功能都很重要；特别是他们认为自动化日常事务和辅助移动性的类别比其他群体更重要。由于他们比其他群体更多时间待在家里，因此确认他们有兴趣设置电视节目和电影模式以便在家享受。

尽管只有少数功能在4个群体之间显示出统计学上的显著差异，但这并不一定降低分段的价值。聚类方法的主要目的是揭示潜在的模式异质性，而不仅仅是最大化群体间个别变量的统计显著性[28,31]。即使特定功能的差异在统计学上不显著，聚类解决方案仍然可能提供有意义的见解。首先，群体的整体特征反映了生活方式和技术需求的独特组合，这些组合在单独检查单个变量时是无法捕捉到的。先前的工作强调，分段应基于可解释性和理论一致性进行评估，而不仅仅是显著性测试[29,32]。其次，某些群体中相对较小的样本规模可能限制了检测差异的统计能力。这一限制对于群体2尤其明显，但该子群体在多次聚类迭代中的稳定性支持了其实质性的有效性。

因此，虽然统计测试提供了一种验证形式，但群体间技术需求模式的有意义差异——结合理论合理性和方法论稳健性——证明了保留和解释4个群体解决方案的合理性。将这些结果与之前在韩国研究中分析的分段和智能家居需求[11]进行比较，我们注意到韩国的智能家居需求中值为3（IQR 1-4），高于西班牙（2，IQR 1-2）。我们认为两国智能家居的普及程度[33,34]以及老年人之间的互联网使用情况可能影响了智能家居的认知和需求。可以发现西班牙和韩国的某些群体之间存在相似之处。例如，西班牙的群体1“高质量生活和独立生活”与韩国的“高质量生活和健康”具有相似的RBL，并且在智能家居功能的需求方面要求最低。然而，我们可以指出，尽管西班牙和韩国有相似之处，但分段得出了不同的群体和需求。这种差异是因为我们采用的是自下而上的方法获取群体，从而保留了每个国家的特点。我们认为这是一个非常有用的工具，有助于理解每种文化的独特性，并更好地设计满足老年人需求的智能家居技术。

**局限性**
首先，关于参与者的数量和异质性可以指出一个局限性：由于非面对面调查的特点，我们无法针对西班牙的所有老年人，而只能针对那些能够回答在线调查的老年人。此外，收集到的响应数量与该国老年人对在线调查的陌生感有关。然而，西班牙的信息和通信技术使用率逐年增加。特别是，2020年65至74岁人群的日互联网使用率增加到了50.7%，而2019年为43.3%[35,35]。我们认为这是一种快速收集数据并对老年人群得出结论的实际方法，并且有信心这将成为西班牙更有效的方法。

调查的分发渠道也可能影响受访者的教育水平。我们收到了78.43%的大学教育背景的老年人的反馈，这一比例显著高于西班牙成年人的高等教育覆盖率（约38%）。此外，由于参与者能够独立完成这项在线调查，我们承认样本可能存在偏向于认知状态良好、熟悉技术并且可能更愿意采用智能家居技术的老年人。这可能会对样本的代表性构成威胁，因为智能家居技术尤其有利于认知能力下降的老年人。在未来的研究中，我们计划收集教育水平较低、认知状态多样化的老年人的反馈，以提高结果的代表性。此外，由于调查是匿名的，我们无法控制回答问卷的人的身份，因此存在收集不符合目标群体特征的受访者的风险。然而，我们用于分发问卷的渠道增加了我们有效接触目标人口的信心。

另一个需要强调的问题是归类为群体2“生活质量较差”（n=5）的受访者数量较少。因此，每个个体成员的人口统计特征和反应对集群的定义有着重要的影响。我们对第2个集群的规模较小感到担忧，因此尝试了多种分组方法，但这些5名成年人无法被归入其他集群。尽管这个仅有5人的集群规模较小，但由于他们独特的特征和RBL（居住生活方式），我们认为它是一个有意义的群体。此外，先前的研究也表明，小型但稳定的集群能够捕捉到大型集群无法揭示的独特模式或极端特征[29]。因此，保留这个集群有助于我们更全面地反映数据的异质性，尽管在统计推断时需要谨慎行事。根据既定的建议[36]，我们决定采用四簇解决方案，同时明确指出第2个集群由于样本量小而带来的解释限制。我们认为该群体中参与者数量较少可能是由于这一年龄段的人群互联网使用受限所致。我们观察到，75岁以上成员在该集群中的比例最高（20%），而在其他三个集群中这一年龄段的占比则要低得多（最高仅为8%）。考虑到生活质量通常会随年龄增长而下降，这个集群可能因此受到其成员较低生活质量的负面影响。我们希望通过收集更多关于高龄群体的数据来进一步探讨这个问题。

这项研究的一个更根本的局限性（同时也是其优势之一）是，结果本质上依赖于目标人群。西班牙的居住生活方式（RBL）可能与其他国家和文化中的有所不同。作为一项基于数据的研究，通过主成分分析（PCA）得出的因素是不同的，而且聚类过程形成的群体也可能无法与其它人群的群体进行直接比较。因此，不应将结论直接推广到其他人群。然而，我们认为这是我们方法的一个主要优势。对西班牙和韩国两个国家进行的分割结果显示，智能家居技术必须根据具体情况进行定制。这种方法有助于研究不同情境，并指导技术的发展与部署。同时，它也可以为政策制定者提供依据，帮助他们决定具体措施以促进智能家居技术与现有服务的融合。

智能家居是一种辅助技术，可以改善老年人的生活质量，帮助他们实现独立生活。为了使这项快速发展的技术能够在老年人生活中发挥其作用，首先需要识别和分析潜在用户的需求。老年人普遍面临身体和心理上的挑战，但他们在家中的生活方式并不一致。如果通过分析和划分他们的生活模式来满足老年人的具体需求，这种辅助技术就能充分发挥其作用。我们的主要贡献是一种可以应用于任何老年人群体的方法，以分析他们的智能家居需求。在这项研究中，我们在不同的地理环境中应用了之前定义的方法和问卷。分析结果证实，根据RBL的不同分类，人们对智能家居功能的优先级和所需功能数量存在差异。此外，基于RBL的智能家居需求分析在不同文化和国家的研究中也同样具有意义。这项研究证明了所提出的问卷和研究方法具有普遍适用性，不受特定国家或环境的限制。本研究及之前在韩国进行的研究表明，这种方法可以用于探讨老年人对智能家居技术的认知，并识别不同群体的真实需求。

未来的研究可以探索更精细且全面的智能家居功能分类方法，探索将26项智能家居功能分层归类为不同功能类别或主题的可能性，从而更好地解读不同用户群体的偏好。