Current state of the Sonix -- the IBR-2 instrument control software and plans for future developments
Sonix是IBR-2仪器的主要控制软件。这是一个模块化的可配置和灵活的系统，使用Varman（实时的数据库）和OS-9环境中的X11/OS 9图形包创建。在过去的几年里，我们主要专注于使这个系统更加可靠和用户友好。由于VME硬件和软件升级是相当昂贵的，我们希望取代现有的VME + OS 9控制计算机与PC+Windows XP的未来。这可以在VME-PCI适配器的帮助下完成。
2002-10-16 cs.HC
Generative and Malleable User Interfaces with Generative and Evolving Task-Driven Data Model
提出以任务驱动数据模型为基础，利用AI解释用户提示生成数据模型并映射至UI规范，创建支持自然语言与直接操作修改的生成式与可塑性用户界面，技术评估与用户评估证明了其可行性与有效性。
2025-03-06 cs.HC
Comparing Design Metaphors and User-Driven Metaphors for Interaction Design
Stanford University（斯坦福大学）
本文通过比较ChatGPT、Twitter和YouTube三个平台的设计隐喻与用户隐喻，探讨隐喻在用户体验评估中的作用，发现设计隐喻与用户隐喻不匹配，且匹配时也不总能引起共鸣。
2026-03-29 cs.HC
ASI-Seg: Audio-Driven Surgical Instrument Segmentation with Surgeon Intention Understanding
Centre for Artificial Intelligence and Robotics (CAIR), Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人中心）；State Key Laboratory of Multimodal Artificial Intelligence Systems (MAIS), Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室）；Chinese University of Hong Kong（香港中文大学）
针对现有手术器械分割无法根据医生意图分割特定器械的问题，提出音频驱动框架ASI-Seg，通过多模态融合解析音频指令并利用对比学习提示编码器准确分割所需器械，显著优于现有方法。
2024-07-28 cs.AI cs.CL cs.CV
Adaptive User Interface Generation Through Reinforcement Learning: A Data-Driven Approach to Personalization and Optimization
本研究提出一种结合强化学习与智能反馈的自适应用户界面生成技术，基于用户反馈动态调整界面，实验验证其有效提升了点击率与留存率，优化了人机交互体验。
2024-12-22 cs.HC
Visual Embedding of Screen Sequences for User-Flow Search in Example-driven Communication
本文针对UX从业者难以检索示例用户流的问题，提出基于对比学习的屏幕视觉特征与用户流描述语义嵌入方法，实现更符合人类相关性感知的用户流检索。
2025-03-08 cs.HC
FlueBricks: A Construction Kit of Flute-like Instruments for Acoustic Reasoning
National Taiwan University（国立台湾大学）；Independent Researcher（独立研究员）
FlueBricks 通过构建和定制 flute-like 乐器模块，帮助用户理解吹孔、管长和音孔位置对音色、音高和起始音的影响，形成设计与演奏的循环，推动声学仪器从静态变为动态系统。
2026-04-04 cs.HC cs.SD
GANravel: User-Driven Direction Disentanglement in Generative Adversarial Networks
UCLA（加州大学洛杉矶分校）
生成对抗网络（GANs）有许多应用领域，包括图像编辑，域翻译，缺失数据填补和支持创造性工作。然而，GANs被认为是"黑匣子"。具体来说，最终用户几乎无法控制如何通过解纠缠来改进编辑方向。先前的工作集中在新的GAN架构上，以理清编辑方向。或者，我们提出GANravel用户驱动的方向解开工具，补充现有的GAN架构，并允许用户迭代地改进编辑方向。在两项各有16名参与者的用户研究中，GANravel用户能够解开方向，并且在解开性能方面优于最先进的方向发现基线。在第二项用户研究中，GANravel被用于创建狗模因的创造性任务，并能够创建高质量的编辑图像和GIF。
2023-01-31 cs.HC cs.LG
User-Driven Adaptation: Tailoring Autonomous Driving Systems with Dynamic Preferences
针对自动驾驶中动态用户偏好难适配的问题，本研究在含“人在回路”机制的偏好不确定性框架基础上，通过20人用户实验验证反馈驱动适配可提升用户主观满意度。
2024-03-05 cs.HC cs.SE
User driven applications - new design paradigm
复杂的工程和科学任务的程序总是要处理显示大量图形结果的问题。屏幕空间的限制和不同用户的需求往往是设计师和用户之间无休止的讨论的原因，但这种持续冲突的根源并不在于界面设计的层面，而在于当前图形输出的基本原则：用户可以改变一些视图和细节，但通常输出视图绝对是由开发人员定义和固定的。作者在算法上工作了几年，该算法将允许消除这个问题，从而允许从设计者驱动的应用程序到用户驱动的应用程序。这种类型的应用程序中，用户正在决定什么，何时以及如何显示在屏幕上，是科学家和工程师的梦想工作的分析最复杂的任务。新的范例是基于可移动和可调整大小的图形，这种类型的图形不仅可以广泛用于科学和工程应用。
2007-06-28 cs.GR cs.HC
Sounding Board: A User-Centric and Content-Driven Social Chatbot
University of Washington（华盛顿大学）
Sounding Board是一款社交聊天机器人，赢得了2017年亚马逊Alexa奖。该系统的架构包括几个组件，包括口语处理，对话管理，语言生成，和内容管理，强调以用户为中心和内容驱动的设计。我们还分享了从大规模在线日志中获得的见解，这些日志基于与现实世界用户的160，000次对话。
2018-04-26 cs.AI cs.CL cs.HC
Example-Driven User Intent Discovery: Empowering Users to Cross the SQL Barrier Through Query by Example
传统的数据系统需要专业的技术技能，用户需要了解数据组织并编写精确的查询来访问数据。因此，缺乏技术专长的新手用户在仔细阅读和分析数据时面临障碍。现有的工具通过关键字搜索、查询推荐和查询自动完成来帮助制定查询，但仍然需要一些技术专长。访问数据的另一种方法是按示例查询（QBE），其中用户只需提供其预期数据的示例即可表达其数据探索意图。我们研究了一个国家的最先进的QBE系统称为SQuID，并将其与传统的SQL查询。我们的比较用户研究表明，具有不同专业知识的用户使用SQuID比SQL更有效和高效。我们发现SQuID消除了研究数据库模式，形式化任务语义和编写语法正确的SQL查询的障碍，从而大大提高了数据探索技术专业知识的需求。
2021-01-02 cs.DB cs.HC
GANzilla: User-Driven Direction Discovery in Generative Adversarial Networks
UCLA HCI Research（加州大学洛杉矶分校人机交互研究）
生成对抗网络（GAN）被广泛应用于数据预处理、图像编辑和创意支持等众多应用领域。然而，GAN的“黑匣子”性质阻止了非专家用户控制模型生成的数据，从而产生了大量先前的工作，这些工作集中在算法驱动的方法上，以提取编辑方向来控制GAN。作为补充，我们提出了一个GANzilla：一个用户驱动的工具，使用户能够使用经典的分散/聚集技术来迭代地发现方向，以满足他们的编辑目标。在一项有12名参与者的研究中，GANzilla用户能够发现（i）编辑图像以匹配提供的示例（封闭式任务）以及（ii）满足高级别目标的方向，例如，使面部更快乐，同时显示个体之间的多样性（开放式任务）。
2022-08-13 cs.AI cs.HC cs.LG
ASP-driven User-interaction with Clinguin
University of Potsdam（波茨坦大学）；Potassco Solutions（Potassco解决方案公司）
提出clinguin系统，通过让ASP开发者直接在ASP中构建交互式原型并使用专用谓词定义界面与事件处理，简化了ASP系统（如clingo）的用户界面开发流程，省去单独前端语言需求。
2025-02-13 cs.AI cs.HC cs.LO
Validity and Reliability of the Scale Internet Users' Information Privacy Concern (IUIPC) [Extended Version]
互联网用户的信息隐私关注（IUIPC-10）是最受认可的隐私关注量表之一。它被广泛应用于PET的人为因素评价和隐私悖论的调查。尽管其前身关注信息隐私（CFIP）已经过独立评估，并且该工具本身也经过了一些审查，但我们仍然缺少对IUIPC-10本身的专门确认。我们的目标是通过系统地分析IUIPC的结构效度和信度来缩小这一差距。我们获得了三个相互独立的样本，共有$N = 1031$参与者。我们对主样本进行了验证性因素分析（CFA）。在发现不足之处后，我们建立了进一步的因素分析来断言IUIPC-10的维度。我们提出了一个重新定义的工具IUIPC-8与改进的心理测量性能。最后，我们在验证样本上验证了我们的发现。虽然我们可以确认IUIPC-10的整体三维性，但我们发现IUIPC-10始终未能通过结构效度和可靠性评估，对其子量表意识和控制的一维性提出了质疑。我们重新指定的量表IUIPC-8提供了一个统计上显着更好的模型，并优于IUIPC-10的结构效度和信度。对结构效度的不确定性证据提出了质疑，以及IUIPC-10措施的潜在变量信息隐私的关注。低于标准的可靠性可能会产生虚假和不稳定的结果，以及衰减与其他潜在变量，如行为的关系。因此，该仪器可能会混淆PET的人为因素或隐私悖论的研究。
2020-11-23 cs.CR cs.HC
Marginal Fidelity Does Not Establish User Simulation in Demographic Synthetic Survey Panels: Response Contracts, Support Collapse and Conditioning Failure
Minds AI Labs, Inc.（Minds AI实验室公司）
本文通过多国多工具实验证明，人口统计合成面板的边际保真度主要反映响应契约和直接估计，而非个体用户模拟，并挑战了现有验证标准。
2026-09-09 cs.CL cs.HC
Exploring Personality-Driven Personalization in XAI: Enhancing User Trust in Gameplay
Georgia Institute of Technology（佐治亚理工学院）
该研究利用 Big Five 人格测试训练机器学习模型，预测用户对决策树、文本和因子图等 XAI 解释方式的偏好，并通过导航游戏验证个性化推荐可提升用户接受度与系统信任。
2024-08-08 cs.HC cs.RO
Explanation-Driven Interventions for Artificial Intelligence Model Customization: Empowering End-Users to Tailor Black-Box AI in Rhinocytology
Department of Computer Science, University of Bari Aldo Moro（巴里阿尔多·莫罗大学计算机科学系）；Department of Computer Science, University of Pisa（比萨大学计算机科学系）
本文提出一种解释驱动的终端用户开发方法，通过编辑解释和定向干预定制黑盒AI，增强用户控制，推进以人为中心的AI在鼻细胞学中的应用。
2025-05-26 cs.AI cs.HC
Reinforcement Learning Driven Generalizable Feature Representation for Cross-User Activity Recognition
Department of Electrical, Computer, and Software Engineering, The University of Auckland（电气、计算机与软件工程系，奥克兰大学）
针对跨用户人类活动识别泛化差的问题，提出强化学习驱动的TPRL-DG框架，通过自回归令牌化提取用户不变时间特征，无需目标用户标注，在两个数据集上准确率超越现有最优方法。
2025-08-31 cs.AI cs.HC cs.LG
A Knowledge Driven Approach to Adaptive Assistance Using Preference Reasoning and Explanation
Franklin & Marshall College（富兰克林与马歇尔学院）；Massachusetts Institute of Technology（麻省理工学院）；Occidental College（西方学院）
社会辅助机器人（SAR）需要通过解释其推理来提供其行为的透明度。此外，推理和解释应该代表用户的偏好和目标。为了满足这种可解释的推理和表示的需要，我们建议机器人使用类比心理理论来推断用户正在尝试做什么，并使用提示引擎根据用户正在尝试做什么来找到适当的帮助。如果用户不确定或困惑，机器人会向用户提供由解释合成器生成的解释。解释帮助用户理解机器人对用户偏好的推断，以及机器人为什么决定提供它所提供的帮助。知识驱动的方法提供了关于偏好、帮助和解释的推理的透明度，从而促进了用户反馈的结合，并允许机器人学习和适应用户。
2020-12-05 cs.AI cs.HC cs.RO
Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents
Tsinghua University（清华大学）；Renmin University of China（中国人民大学）；WeChat AI, Tencent Inc.（腾讯微信人工智能）
针对语言模型智能体难以理解模糊用户意图的问题，提出IN3基准并训练Mistral-Interact模型作为上游，通过主动询问和细化意图提升XAgent框架的指令理解与执行效率。
2024-02-15 cs.AI cs.CL cs.HC
