A Conceptual Framework for Designing Interactive Human-Centred Building Spaces to Enhance User Experience in Specific-Purpose Buildings
本文提出融合HCI与环境智能的人-建筑交互概念框架，以学术建筑为案例，通过定性研究识别学生关键需求，并提出智能界面与情境感知服务设计思路。
2023-08-28 cs.HC
Exploring the Roles of NLP-based Dialog Indicators in Predicting User Experience in interacting with Large Language Model System
本文提出一个概念模型，利用NLP驱动的对话分析器生成的对话指标预测用户与大型语言模型系统的聊天体验，通过PLS-SEM验证发现这些指标能完全中介提示词和用户意图的影响，并受用户对代理亲和力的部分解释。
2024-09-25 cs.HC
Integrating Flow Theory and Adaptive Robot Roles: A Conceptual Model of Dynamic Robot Role Adaptation for the Enhanced Flow Experience in Long-term Multi-person Human-Robot Interactions
MIT Media Lab（麻省理工学院媒体实验室）
本文提出一种整合心流体验原则与动态角色自适应的机器人行为概念模型，通过分层交互目标平衡活动挑战与用户技能，旨在提升长期多人HRI中的用户体验并推动自适应社交机器人发展。
2024-01-05 cs.HC cs.RO
Managing Commercial HVAC Systems: What do Building Operators Really Need?
建筑物是现代生活的重要组成部分;人们在其中花费大量的时间，消耗大量的能源。各种系统提供服务，如照明，空调和安全，由建筑运营商使用建筑管理系统（BMS）进行管理。为了更好地了解当前BMS的能力，并描述建筑运营商的常见做法，我们调查了美国五家机构的BMS使用情况。我们采访了10家运营商，发现BMS没有解决建筑物管理的一些关键问题。我们的分析植根于建筑运营商的日常工作，并强调了许多设计建议，以帮助改善BMS的用户体验和管理，最终提高生产力，以及建筑物的舒适度和能源效率。
2016-12-19 cs.CY cs.HC
A Conceptual Framework for Implicit Evaluation of Conversational Search Interfaces
会话式搜索是近年来信息检索领域的一个研究热点。已经进行了多项研究，探讨对话搜索的概念。理解和推进CS研究需要仔细和详细的评估。现有的CS研究仅限于基于简单的用户对任务完成情况的反馈进行评价。我们提出了一个CS评估框架，其中包括多个维度：搜索经验，知识增益，软件可用性，认知负荷和用户体验，会话系统和IR的研究的基础上，我们介绍这些评估标准，并提出他们的使用框架中的CS系统的评估。
2021-04-08 cs.HC cs.IR
When Researchers Say Mental Model/Theory of Mind of AI, What Are They Really Talking About?
Center for Human, Artificial Intelligence, and Robot Teaming（人类、人工智能与机器人协同中心）
本文指出当前AI心智理论研究混淆了行为预测与真实认知，提出应转向人机交互中的互惠心智理论框架。
2026-06-11 cs.AI cs.HC
Can Instructed Retrieval Models Really Support Exploration?
Microsoft（微软）
本文评估了指导检索模型在探索性搜索中的表现，发现其在排名相关性上优于传统方法，但对指示的敏感性不足，不适合长期探索任务。
2026-01-16 cs.HC cs.IR
User-centric AIGC products: Explainable Artificial Intelligence and AIGC products
本文针对AIGC工具的用户体验痛点，梳理可解释AI与用户体验相关研究，提出将可解释AI方法融入AIGC产品输入与调整反馈阶段的方案，并给出优化体验的概念框架。
2023-08-19 cs.HC
Cognitive Workload Associated with Different Conceptual Modeling Approaches in Information Systems
概念模型直观地表示信息系统中的实体及其之间的关系。有效的概念模型应该简单，同时传达足够的信息。这种模型复杂性和清晰性之间的权衡对于防止信息系统开发失败至关重要。过去的研究发现，更具表达力的模型在测量用户对模型的深入理解的任务上会导致更高的性能，并将其归因于与这些模型相关的认知工作量体验较低。本研究通过测量用户在完成具有不同概念模型的任务时的EEG大脑活动来验证这一假设。30名参与者被分为两组：一组使用低本体表达模型（LOEM），另一组使用高本体表达模型（HOEM）。任务期间的认知工作负荷使用EEG参与指数进行量化，EEG参与指数是β中的大脑活动功率与α和θ频带之和的比率。LOEM和HOEM组之间的认知工作量没有显着差异，表明理解两种模型所需的认知处理量相同。本研究的主要贡献是引入神经生理学测量作为概念建模和信息系统领域认知工作负荷的客观量化。
2022-03-23 cs.HC
Conceptual Metaphors Impact Perceptions of Human-AI Collaboration
Stanford University（斯坦福大学）
随着对话式人工智能（AI）代理的出现，了解影响用户对这些代理的体验的机制非常重要。我们研究了设计师工具箱中的一个常用工具：概念隐喻。隐喻可以把一个代理人描述成一个扭曲的青少年，一个蹒跚学步的孩子，或者一个有经验的管家。隐喻的选择如何影响我们对人工智能智能体的体验？沿着温暖和能力的维度采样隐喻-由心理学理论定义为人类社会感知的变化的主轴-我们进行了一项研究（N=260），我们操纵的隐喻，但不是行为，一个向导的奥兹会话代理。以下的经验，参与者进行调查，他们的意图使用代理，他们的愿望与代理合作，代理的可用性。与目前设计师使用高能力隐喻来描述人工智能产品的趋势相反，我们发现，与高能力的隐喻相比，低能力的隐喻会导致对智能体的更好评价。尽管高能力和低能力的代理人都具有人类水平的表现，而且巫师对条件视而不见，这种效果仍然存在。第二项研究证实，采用的意图迅速减少能力预测的隐喻增加。在第三项研究中，我们评估了隐喻选择对潜在用户尝试系统的愿望的影响，发现用户被吸引到投射更高的能力和温暖的系统。这些结果表明，投射能力可能有助于吸引新的用户，但这些用户可能会放弃代理，除非它可以迅速纠正与较低的能力隐喻。我们结束了一个回顾性的分析，发现类似的模式之间的隐喻和用户对过去的会话代理人，如小冰，达卡，Woebot，Mitsuku和泰的态度。
2020-08-05 cs.AI cs.HC
Unveiling the Touch Revolution: How Haptic Feedback Elevates Wearable Device Experiences
本文探讨触觉反馈在可穿戴设备中的作用，分析其对用户参与度和交互的影响，旨在使设备更直观、友好和沉浸。
2023-11-15 cs.HC
Isness: Using Multi-Person VR to Design Peak Mystical-Type Experiences Comparable to Psychedelics
将心理治疗与迷幻药（PsiDs）相结合的研究已经证明了积极的结果，这些结果通常与PsiDs诱导“神秘型”体验（MTEs）的能力有关-即，主观经验，其特征包括联系性、超越性和不可描述性。我们认为，PsiDs和虚拟现实可以位于更广泛的迷幻技术。为了验证这一假设，我们使用了PsiD研究中的概念、方法和分析策略来设计和评估“Isness”，这是一个多人VR旅程，参与者在其中体验他们身体作为能量本质的集体出现、波动和消散。一项研究（N=57）分析了参与者对常用的PsiD经验问卷（MEQ 30）的回答，表明Isness参与者的MTEs与高剂量psilocybin和LSD后的双盲临床研究中报告的MTEs相当。在一个支持性的设置和概念框架内，VR现象学可以为参与者从中获得洞察力和意义的MTEs创造条件。
2020-05-05 cs.HC
XR-First Design for Productivity: A Conceptual Framework for Enabling Efficient Task Switching in XR
针对XR中沉浸式应用相互孤立、切换低效的问题，本文提出一种XR优先、以用户为中心的高效上下文切换概念框架，为未来XR任务切换界面研究提供指导。
2025-08-15 cs.HC
Human-Centered Explainable AI (XAI): From Algorithms to User Experiences
Microsoft Research（微软研究院）；IBM Research（IBM研究院）
近年来，可解释人工智能（XAI）领域已经产生了大量的算法，为研究人员和从业者构建XAI应用程序提供了有用的工具箱。随着丰富的应用机会，可解释性被认为已经超越了数据科学家或研究人员理解他们开发的模型的需求，成为人们信任和采用在众多领域部署的人工智能的基本要求。然而，可解释性本质上是以人为中心的属性，该领域开始接受以人为中心的方法。这一领域的人机交互（HCI）研究和用户体验（UX）设计正变得越来越重要。在本章中，我们从XAI算法的技术前景的高层次概述开始，然后有选择地调查我们自己和其他最近的HCI作品，这些作品采用以人为本的方法来设计，评估，并为XAI提供概念和方法工具。我们提出的问题是“以人为本的方法为XAI做什么”，并强调他们在塑造XAI技术中发挥的三个作用，帮助导航，评估和扩展XAI工具箱：通过用户的可解释性需求来驱动技术选择，发现现有XAI方法的陷阱并告知新方法，并为人类兼容的XAI提供概念框架。
2022-04-19 cs.AI cs.HC
Understand User Opinions of Large Language Models via LLM-Powered In-the-Moment User Experience Interviews
Amazon（亚马逊公司）；School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）；University of California, Berkeley（加州大学伯克利分校）
本文提出由LLM驱动的即时访谈系统CLUE，在用户使用模型后自动访谈并分析大规模日志，揭示了用户对主流LLM的差异化看法与需求。
2025-06-10 cs.AI cs.CL cs.HC
What Do I Need to Design for Co-Design? Supporting Co-design as a Designerly Practice
几十年来，共同设计实践一直用于支持参与式设计工作。然而，尽管有各种各样的材料描述了许多共同设计经验的设计和承诺，但很少有知识描述指导设计师在创建这些经验时存在。因此，我们要问：设计师需要什么样的知识来设计协同设计体验？共同设计的中级知识可以采取什么形式？为了回答这些问题，我们采用了一种合作/自动人种学和通过设计进行研究的方法，以反射性地参与我们的设计决策，成果和与两个虚拟协同设计研讨会相关的挑战。我们构建了一组四个多维方面（参与的节奏，物质参与，Ludic参与和概念成就）和三个角色（设计师，研究人员，促进者）在创建协同设计体验时要考虑的问题。我们通过实例说明这些方面和作用，构建新的\textit{intermediate-level knowledge}以支持未来的协同设计研究和设计，将协同设计框架作为设计师的实践。
2022-10-06 cs.HC
Multi-Modal Data Collection for Measuring Health, Behavior, and Living Environment of Large-Scale Participant Cohorts: Conceptual Framework and Findings from Deployments
随着移动技术变得越来越传感器丰富、便携和无处不在，智能设备捕获的数据以前所未有的全面性、不显眼性和生态有效性为用户的日常生活提供了丰富的见解。在过去的十年中，已经进行了许多人类受试者研究，以检查移动传感的使用，以揭示个人行为模式和健康结果。虽然了解健康和行为是大多数这些研究的重点，但我们发现很少关注测量个人环境，特别是与其他以人为中心的数据模式一起。此外，大多数现有研究的参与者队列规模远低于几百人，这使得人们对移动传感信号与人类结果之间关系的研究结果的可靠性提出了疑问。为了解决这些局限性，我们开发了一个家庭环境传感器套件，用于连续的室内空气质量跟踪，并将其与已建立的移动传感和经验采样技术一起部署在美国一所主要研究型大学的队列研究中，每种数据类型有多达1584名学生参与者，为期3周。在本文中，我们首先提出了一个概念框架，系统地组织以人为中心的数据模态的时间覆盖和空间自由。然后，我们报告我们的研究设计和程序，部署的技术和方法，收集的数据的描述性统计，以及我们广泛的探索性分析的结果。我们的新数据、概念发展和分析结果为未来以人为中心的感知研究中的数据汇集和假设生成提供了重要指导。
2020-10-16 cs.HC
Which Factors Predict the Chat Experience of a Natural Language Generation Dialogue Service?
National Taiwan Normal University（国立台湾师范大学）
本文提出并验证了一个预测自然语言生成对话系统聊天体验的概念模型，发现用户好感度及对话连贯性、情感和相似性是正向预测因素，并可用于自适应系统优化提示。
2023-05-28 cs.CL cs.HC
Inspired by AI? A Novel Generative AI System To Assist Conceptual Automotive Design
Autodesk Research（奥多 research）；Hyundai Motor Company（现代汽车集团）；Autodesk AI Lab（奥多 AI 实验室）
针对生成式AI在设计应用中风格偏见、语义理解不足和流程整合缺失的问题，通过工作坊和调查，开发了基于扩散模型的辅助概念性汽车设计的生成式AI系统。
2024-06-06 cs.AI cs.HC
AI Literacy as a Key Driver of User Experience in AI-Powered Assessment: Insights from Socratic Mind
Georgia Institute of Technology（佐治亚理工学院）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
本研究基于309名本科生数据，发现AI素养（而非单纯接触AI）显著预测学生对AI评估工具Socratic Mind的可用性感知、满意度与参与度，进而影响学习效果，为AI学习工具的包容性设计提供依据。
2025-07-29 cs.AI cs.HC
Modeling User Preferences via Brain-Computer Interfacing
University of Luxembourg（卢森堡大学）；INIT, Universitat Jaume I（豪梅一世大学 INIT 机构）；Opole University of Technology（奥波莱工业大学）；University of Copenhagen（哥本哈根大学）；LUT University（拉彭兰塔-拉赫蒂工业大学）
本文提出利用脑机接口（BCI）技术推断用户对视觉内容的注意力和情感偏好，以克服传统行为信号的局限性，并将其应用于信息检索、生成模型个性化引导和情感体验众包估计。
2024-05-31 cs.AI cs.HC
