目前“参与式感知”已应用于如下典型场景：环境与气候变化监测(例如UCLA的个人环境影响报告——PEIR项目，美国大气研究大学协作组织气候变化对植物生长影响的BudBurst项目)、交通与危险监测(例如CycleSense程序帮助骑车人合理规划骑行路线、避开危险路段)、健康跟踪(美国一些医疗机构开发的健康跟踪程序可帮助护理人员了解年长者行为模式的变化，有助于快速发现导致早期健康问题的原因并予以修正)、室内定位与导航(如谷歌室内地图的参与式构建方式)。
其中UCLA的PEIR项目因开展较早而影响力巨大，PEIR开发了碳足迹计算器，把用户上传的个人数据与地点、时间、行为以及区域性的空气质量、天气数据相结合，既可计算用户个人对于环境的影响(如碳排放)，也可计算环境对用户个人的影响(暴露于特定物质——例如雾霾——的程度)。这帮助用户清晰认识到以下问题：“我对环境都做了什么?我的行为对环境影响到了什么程度?”
而目前正引起业界强烈兴趣的“Waze”则是另外一个典型案例，Waze在普通数字地图之上附注一层类似临时道路施工、交通事故、测速区这样的信息。这些信息由用户添加，因为贡献内容还能获得积分，所以用户们很乐意上传路况。而上传的路况又让Waze可以实时为用户指示一条当下最畅通的道路。
“参与式感知”的优点
分析这些应用案例，笔者认为：较之传统的数据搜集方式，以用户信息分享为基础的“参与式感知”具有以下优点：
1. 灵活。感知的主体是人，人具有高度灵活性和移动性，可随时根据要求调整上传内容;
2. 丰富。手机有多少种传感器，人们就可以获取多少种数据，就可以上传多少种数据。同时用户还可以对数据进行预处理，贴上语义标签，这是传统感知方式无法做到的;
3. 均衡。人们可以通过协作的方式动态分配任务，使得数据获取更加均衡;
