"My Grade is Wrong!": A Contestable AI Framework for Interactive Feedback in Evaluating Student Essays
Nanyang Technological University（南洋理工大学）；Hubei University of Technology（湖北工业大学）；Hohai University（河海大学）；Shenzhen University（深圳大学）
针对教育场景中交互式反馈耗时长、大语言模型交互式推理能力不足的问题，本文提出融合多智能体与计算论证的可申诉AI框架CAELF，经500篇作文实验验证可有效提升LLM交互反馈效果，助力教育交互式反馈普及。
2024-09-11 cs.AI cs.HC
NeuroDivSim: An Interactive Tool for Model-Based Reflection on Cognitive Diversity in Interface Design
University of Applied Sciences Bremen（不来梅应用科学大学）；Fraunhofer Institute for Digital Medicine MEVIS（弗劳恩霍夫数字医学MEVIS研究所）
NeuroDivSim是一款交互式工具，通过生成式AI构建可检查的模型，结合认知参考配置进行确定性模拟，支持设计师在界面设计中反思认知多样性，经试点评估优化了相关呈现。
2026-10-09 cs.HC
REFINE: Real-world Exploration of Interactive Feedback and Student Behaviour
EPFL（瑞士联邦理工学院洛桑）
本文提出REFINE系统，通过多智能体反馈机制实现高效互动反馈，提升学生参与度与反馈质量。
2026-03-31 cs.AI cs.HC
Cognitive Exoskeleton: Augmenting Human Cognition with an AI-Mediated Intelligent Visual Feedback
University of California San Diego（加州大学圣地亚哥分校）
本文提出一种AI介导的双深度强化学习框架，通过自适应时间压力反馈增强人类认知，在数学任务中提升用户表现，并经用户研究验证其有效性。
2025-07-09 cs.AI cs.HC cs.LG
Impact of Feedback Type on Explanatory Interactive Learning
University College Dublin（都柏林大学）
解释性交互学习（XIL）收集用户对视觉模型解释的反馈，以实现基于人在回路（HITL）的交互学习场景。不同的用户反馈类型将对用户体验和与收集反馈相关联的成本具有不同的影响，因为不同的反馈类型涉及不同级别的图像注释。虽然XIL已被用于提高多个领域的分类性能，但不同用户反馈类型对模型性能和解释准确性的影响尚未得到很好的研究。为了指导未来的XIL工作，我们比较了图像分类任务中两种不同用户反馈类型的有效性：（1）指示算法忽略某些虚假图像特征，以及（2）指示算法专注于某些有效图像特征。我们使用的解释，从一个服从加权类激活映射（GradCAM）为基础的XIL模型，以支持这两种反馈类型。我们发现，识别和注释虚假的图像特征，一个模型发现显着的结果在优越的分类和解释精度比用户反馈，告诉模型专注于有效的图像特征。
2022-09-26 cs.AI cs.HC
Designing Against Deskilling: Metacognitive Feedback Reduces Cognitive Offloading to LLM Assistants
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本研究针对AI认知卸载导致的技能退化问题，提出元认知反馈和努力奖励两种干预，实验表明元认知反馈显著减少卸载并提升测试表现，而奖励无效。
2026-09-18 cs.AI cs.HC
CogIntAc: Modeling the Relationships between Intention, Emotion and Action in Interactive Process from Cognitive Perspective
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
意图、情感和行动是人类活动中重要的心理因素，在个体之间的互动中发挥着重要作用。如何在认知层面上分析个体之间的意图、情感和行为之间的关系，从而对个体之间的交互过程进行建模，是一个具有挑战性的问题。在本文中，我们提出了一个新的认知框架的个人互动。该框架的核心是个体通过内在意图驱动的外部行动实现互动。基于这一思想，个体之间的互动可以通过建立意图、情感和行动之间的关系来构建。此外，我们对个体之间的相互作用进行了分析，并对预测结果给出了合理的解释。为了验证框架的有效性，我们重建了一个数据集，并提出了三个任务以及相应的基线模型，包括动作溯因，情感预测和动作生成。这个新颖的框架展示了一个有趣的视角，即在认知科学中模仿人类的精神状态。
2022-05-16 cs.CL cs.HC
Quantifying the Effect of Feedback Frequency in Interactive Reinforcement Learning for Robotic Tasks
Robotics and Interactive Systems – UPSSITECH, University Paul Sabatier（机器人与交互系统——UPSSITECH，保罗·萨巴蒂埃大学）
研究探讨了反馈频率对机器人任务中交互强化学习效率的影响，通过不同复杂度的机械臂逆运动学学习实验，发现反馈频率需随任务熟练度动态调整，无单一最优频率。
2023-03-15 cs.AI cs.HC cs.LG
Sequential/Spatial, a Survey of Interactive Information Retrieval Methods for Controlled Experimentation and Evaluation
这项调查提出了研究，调查非空间（顺序）和空间信息检索系统并行在电池的信息搜索任务，用户导航行为，附带学习，检索性能，认知能力和负荷，直接操纵的2D和3D接口，和满意度。我认为信息论如何有助于觅食，意义，探索的概念，以及如何交互式信息检索（IIR）和认知/行为心理学的应用领域已经实现了这些概念的架构，界面设计，实验设计，用户研究和评估方法。
2019-11-04 cs.HC
A Comparative Study on the Impact of Traditional Learning and Interactive Learning on Students' Academic Performance and Emotional Well-Being
Taylor’s University, School of Computer Science, Subang Jaya, Malaysia（塔里尔大学计算机科学学院，Subang Jaya, 马来西亚）
本研究比较传统与互动学习对大学计算机入侵检测课程学生学业成绩、参与度和情感幸福感的影响，发现互动学习在学业表现和情感状态上显著优于传统学习。
2026-03-10 cs.AI cs.HC
RLHF-Blender: A Configurable Interactive Interface for Learning from Diverse Human Feedback
University of Konstanz（康斯坦茨大学）；ETH Zurich（苏黎世联邦理工学院）
本文提出可配置交互式界面 RLHF-Blender，通过模块化实验框架支持系统研究演示、排序、比较和自然语言指令等多种人类反馈对奖励学习的影响，弥补了标准化工具不足的问题。
2023-08-08 cs.HC cs.LG
When Benchmarks Talk: Re-Evaluating Code LLMs with Interactive Feedback
本文提出交互式评估流水线，通过扰动静态编码基准使模型与模拟用户交互，发现交互显著改变模型排名并影响行为，旨在弥合评估与现实使用的差距。
2025-02-25 cs.HC
A Deep Reinforcement Learning Approach for Interactive Search with Sentence-level Feedback
Walmart Global Tech（沃尔玛全球技术）；Emory University（埃默里大学）
针对现有交互式搜索RL方法仅关注项目级反馈、忽略句子级细粒度信息的问题，提出融合BERT模型与经验回放机制的DQrank方法，在三个数据集上性能较此前SOTA RL方法至少提升12%。
2023-10-03 cs.AI cs.HC cs.IR
Interactive Virtual Games: Winners for Deep Cognitive Assessment
Washington University（华盛顿大学）；Washington University School of Medicine（华盛顿大学医学院）
交互式虚拟游戏通过像素DOPA平台提升认知评估的精度和实用性，提供动态个体行为分析。
2026-02-11 cs.HC
Interactive Region-of-Interest Discovery using Exploratory Feedback
在本文中，我们提出了一个地理空间数据管理框架IRIDEF捕获和分析用户的探索性反馈，丰富的指导机制，在互动分析的背景下。我们讨论了探索性反馈可以是决策反馈时，后者是稀缺或不可用的代理。IRIDEF通过探索性反馈识别感兴趣区域（ROI），并突出显示每个ROI中的一些有趣和看不见的POI。这些亮点使用户能够塑造他/她未来与系统的交互。我们以数据分析管道的形式详细介绍了我们提出的框架的组件，并介绍了每个组件的效率和有效性。我们还讨论了IRIDEF的评估计划和未来方向。
2021-07-29 cs.DB cs.HC
Eye-Tracking and Biometric Feedback in UX Research: Measuring User Engagement and Cognitive Load
本研究探讨眼动追踪和生物特征反馈在UX研究中的应用，通过测量注视行为和身体反应客观评估用户参与度与认知负荷，为传统定性方法提供补充，并分析2023-2025年的实验数据、方法论及伦理挑战，推动复杂数字环境下的UX设计。
2025-05-28 cs.HC
InterFeedback: Unveiling Interactive Intelligence of Large Multimodal Models via Human Feedback
Show Lab, National University of Singapore（新加坡国立大学Show实验室）
本文提出InterFeedback交互式评估框架及基准，通过人类反馈测试大型多模态模型的交互智能，发现包括OpenAI-o1在内的先进模型仍难以有效利用反馈改进回答，指出需发展增强LMM反馈利用能力的方法。
2025-11-07 cs.AI cs.CL cs.CV
TrainBo: An Interactive Robot-assisted Scenario Training System for Older Adults with Dementia
Hong Kong University of Science and Technology（香港理工大学）
本研究结合自我决定理论设计了面向痴呆老人的机器人辅助情景训练系统TrainBo，经4周试点测试证实其可提升用户的行为、情感参与度与内在动机，为相关交互式机器人研发提供参考。
2025-05-17 cs.HC cs.RO
Conformalized Interactive Imitation Learning: Handling Expert Shift and Intermittent Feedback
Robotics Institute, School of Computer Science, Carnegie Mellon University（机器人研究所、计算机科学学院、卡内基梅隆大学）；Departments of Statistics and Machine Learning, Carnegie Mellon University（统计学与机器学习系、卡内基梅隆大学）
针对交互式模仿学习中部署时的分布偏移与间歇性专家反馈问题，提出基于在线共形预测的IQT算法与ConformalDAgger框架，利用校准的预测区间主动查询专家反馈，使机器人更快适应专家策略变化。
2025-04-29 cs.AI cs.HC cs.LG
Juicy Interactive Visualization: Evaluating How Excessive Feedback Design Shapes Visualization Engagement
Worcester Polytechnic Institute（伍斯特理工学院）
提出JuicyVIS框架，将游戏中的juicy反馈操作化为可视化交互设计的三维度（类型、时机、强度），通过26个原型和三项混合方法在线研究评估，发现juicy反馈提升参与度和审美体验，且交互后反馈收益最明显。
2026-10-07 cs.HC
PresentCoach: Dual-Agent Presentation Coaching through Exemplars and Interactive Feedback
The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州））
PresentCoach通过双智能体系统，结合典范和交互反馈，提供高效的演示技能指导，提升学习者在教育和专业领域的表现能力。
2025-11-24 cs.AI cs.HC
Integrating AI for Enhanced Feedback in Translation Revision- A Mixed-Methods Investigation of Student Engagement
The Hong Kong Polytechnic University（香港理工大学）
本研究采用混合方法，探讨翻译专业硕士生在修改过程中对ChatGPT生成反馈的参与度，揭示认知、情感和行为维度的复杂关系，为AI反馈在翻译教学中的应用提供新见解。
2024-10-11 cs.AI cs.HC
GenAIReading: Augmenting Human Cognition with Interactive Digital Textbooks Using Large Language Models and Image Generation Models
本研究提出GenAIReading方法，利用大型语言模型与图像生成模型为数字教科书自动生成文本摘要和视觉对齐内容，实验证明其可将阅读后测试成绩提升7.50%，验证了生成式AI在增强认知和个性化学习中的有效性。
2025-03-10 cs.HC
Rhythm Is a Dancer: Designing Interactive Rhythm Feedback for Beginner Dancers
LMU Munich（慕尼黑大学）；TU Wien（维也纳工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；RPTU Kaiserslautern-Landau（凯泽斯劳滕-兰道莱布尼茨理工大学）
本研究提出SkeletonDance系统，基于运动学习理论和教师访谈，通过自动检测节奏缺陷并模拟拍手反馈，帮助初学者重建节奏并增强练习信心，同时揭示了先前经验对客观效果的影响。
2026-09-30 cs.HC
From Answer Givers to Design Mentors: Guiding LLMs with the Cognitive Apprenticeship Model
Boston College（波士顿学院）；Inria（法国国家信息与自动化技术研究院）；University of Edinburgh（爱丁堡大学）
本文通过认知 apprenticeship 模型引导 LLMs 作为设计导师，提升设计推理和反思反馈质量。
2026-01-27 cs.AI cs.HC
Interactive Groupwise Comparison for Reinforcement Learning from Human Feedback
Aalto University（阿尔托大学）；University of Cambridge（剑桥大学）；University of Trento（特伦特大学）；KTH Royal Institute of Technology（皇家理工学院）
本文提出交互式组间比较方法，通过可视化和主动学习提升强化学习从人类反馈中学习的奖励和策略效果。
2025-11-27 cs.HC cs.LG
VRGym: A Virtual Testbed for Physical and Interactive AI
UCLA Center for Vision, Cognition, Learning, and Autonomy（加州大学洛杉矶分校视觉、认知、学习与自主中心）
我们提出了VRGym，一个虚拟现实的实验平台，为现实的人机交互。与现有的工具包和虚拟现实环境不同，VRGym强调为机器人、机器学习和认知科学构建和训练物理和交互代理。VRGym利用各种机制，可以通过基于物理的模拟生成具有高度真实感的各种3D场景。我们证明，VRGym能够（i）收集人类的互动和精细的操作，（ii）容纳各种机器人与ROS桥，（iii）支持实验的人机交互，（iv）提供工具包，用于训练国家的最先进的机器学习算法。我们希望VRGym可以帮助推进通用机器人和机器学习代理，以及在认知科学领域协助人类研究。
2019-04-02 cs.HC cs.RO
From "Thumbs Up" to "10 out of 10": Reconsidering Scalar Feedback in Interactive Reinforcement Learning
Tufts University School of Engineering, Computer Science（塔夫茨大学工程学院计算机科学系）；Tufts University School of Engineering, Mechanical Engineering（塔夫茨大学工程学院机械工程系）
本文提出STEADY方法，通过处理标量反馈提升机器人抓取任务中的学习效果，证明标量反馈在适当处理下对强化学习有益。
2025-12-12 cs.HC cs.RO
Dynamic Personalization Through Continuous Feedback Loops in Interactive AI Systems
bitc.edu.cn（北京信息科技大学）
本研究提出通过持续反馈循环实现动态个性化，提升用户满意度并保持计算效率。
2026-01-14 cs.HC
DxHF: Providing High-Quality Human Feedback for LLM Alignment via Interactive Decomposition
Aalto University（阿alto大学）；ETH Zürich（苏黎世联邦理工学院）；KTH Royal Institute of Technology（皇家理工学院）
本文提出交互式分解界面 DxHF，通过拆解、关联并视觉标注回复论断来降低长文本比较负担，实验显示其平均提升反馈准确率 5%，尤其改善低确定性用户的判断。
2025-07-24 cs.AI cs.HC
Feedback Effects on Cognitive Dynamics: Network-Based Insights from EEG Patterns and Behavioral Performance
本研究通过EEG和网络分析探讨反馈对认知动态的影响，发现反馈能增强高频脑波与正确反应的关联，提升任务表现。
2026-01-09 cs.HC
Interactive Modeling of Concept Drift and Errors in Relevance Feedback
在探索性搜索中，用户在给出相关反馈时往往不确定反馈的正确性，这可能导致噪声甚至错误的反馈。另外，用户的搜索意图可能是不稳定的，因为用户在搜索期间不断地学习和重新制定她的搜索假设。这可能导致反馈中的明显概念漂移。我们制定了一个贝叶斯回归模型，预测每个用户反馈的准确性，从而找到反馈数据集中的离群值。此外，我们引入了一个时间轴界面，可视化的反馈历史给用户，并给她的建议，过去的反馈可能需要调整。该界面还允许用户调整模型做出的反馈准确性推断。仿真实验表明，新的用户模型的性能优于一个简单的基线，性能接近的oracle，给出了少量的额外的用户交互。用户研究表明，所提出的建模技术，结合时间轴接口，使用户更容易注意到和纠正错误，在他们的反馈，并发现新的项目。
2016-03-08 cs.HC cs.IR
Using Pupil Diameter to Measure Cognitive Load
Heriot-Watt University（赫瑞-瓦特大学）
在本文中，我们将介绍一种使用Tobii Pro 2眼动仪测量认知负荷和在线实时反馈的方法。该系统被设想为能够估计高认知负荷状态和情况，并根据用户的需要调整人机界面。该系统正在使用众所周知的指标，如随着时间的推移平均瞳孔大小。我们的系统可以提供17 - 18 Hz的认知负荷反馈。我们将详细说明我们的HRI研究结果使用此工具来显示它的功能。
2018-11-29 cs.HC cs.RO
Measuring Cognitive Conflict in Virtual Reality with Feedback-Related Negativity
随着虚拟现实（VR）成为主流平台，设计师们开始尝试新的交互技术来增强用户体验。这是一项具有挑战性的任务，因为设计师不仅要努力提供具有良好性能的设计，还要仔细确保不会破坏用户的沉浸式体验。迫切需要一种新的评估工具，超越传统的定量测量，以帮助设计师在设计过程中。我们提出了一个基于EEG的实验框架，通过测量有意引发的认知冲突来评估VR中的交互技术。通过对反馈相关负性（FRN）以及其他定量测量的分析，该框架允许设计人员评估感兴趣的变量的影响。我们通过将其应用于使用直接3D输入的3D对象选择的基本任务来研究该框架，即在VR中跟踪手。认知冲突是通过操纵目标物体的选择半径来有意引发的。我们的第一个行为实验验证了该框架，与其他经典心理学实验范式中报告的冲突诱导行为调整的发现一致。我们的第二个基于EEG的实验研究了虚拟手出现的影响。我们发现FRN的幅度与虚拟手的真实感水平相关，这与恐怖谷理论一致。
2017-03-16 cs.HC
Causal Autoencoder-like Generation of Feedback Fuzzy Cognitive Maps with an LLM Agent
Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Southern California（南加州大学）；School of Computing and Information Sciences（计算与信息科学学院）；Florida International University（佛罗里达国际大学）
提出一种由 LLM 智能体实现的类自动编码器可解释框架，将反馈 FCM 编码为自然文本并重建，通过系统指令近似恒等映射且保留强因果边。
2025-09-29 cs.AI cs.CL cs.HC
Smart Device Development for Gait Monitoring: Multimodal Feedback in an Interactive Foot Orthosis, Walking Aid, and Mobile Application
本文提出了一种结合智能足垫和前臂拐杖的模块化传感器系统，通过多模式触觉反馈提升步态监测的实用性与用户适应性。
2025-12-15 cs.HC
Interactive Sensor Dashboard for Smart Manufacturing
本文介绍了工业4.0智能传感器仪表板的开发，包括2D和3D可视化模块。在2D模块中，我们描述了传感器和可视化模块之间的物理连接以及在2D屏幕上渲染数据。介绍了一项用户研究，参与者使用四种类型的图表回答了几个问题。我们分析了四个图形在屏幕上的眼睛注视模式，正确答案的数量和响应时间。对于3D模块，我们开发了一个VR数字孪生传感器数据可视化。一个用户的研究提出了评估效果的不同反馈方案的定量和定性指标的互动在虚拟环境中。我们比较了视觉和触觉反馈和视觉和触觉反馈的多模态组合的VR环境。我们发现，触觉反馈显着提高了定量指标的互动比没有反馈的情况下，而多模态反馈显着提高了定性指标的互动。
2020-05-08 cs.HC
Improving Multimodal Interactive Agents with Reinforcement Learning from Human Feedback
DeepMind（深度思维）
人工智能的一个重要目标是创建能够与人类自然交互并从他们的反馈中学习的代理。在这里，我们演示了如何使用基于人类反馈的强化学习（RLHF）来改进模拟的、具体的代理，这些代理通过模仿学习训练到基本的能力水平。首先，我们收集了人类在模拟的3D世界中与代理交互的数据。然后，我们要求注释者记录他们认为智能体朝着人类指示的目标前进或倒退的时刻。使用这些注释数据，我们利用了一种新的方法-我们称之为“跨时间布拉德利-特里”（IBT）建模-来构建一个捕获人类判断的奖励模型。经过培训以优化IBT奖励模型提供的奖励的代理在我们的所有指标方面都有所改进，包括在与代理的实时交互期间的后续人类判断。总之，我们的研究结果展示了如何成功地利用人类的判断来改善代理行为，使我们能够在没有程序奖励功能的复杂的具体领域中使用强化学习。代理行为的视频可以在https://youtu.be/v_Z9F2_eKk4上找到。
2022-11-21 cs.HC cs.LG cs.MA
Conversate: Supporting Reflective Learning in Interview Practice Through Interactive Simulation and Dialogic Feedback
针对面试练习缺乏有效反馈的问题，研究推出基于LLM的Conversate网页应用，提供交互式模拟与对话式反馈，支持用户反思性学习以提升面试技能。
2024-11-01 cs.HC
Enhancing Model Assessment in Vision-based Interactive Machine Teaching through Real-time Saliency Map Visualization
交互式机器教学系统允许用户通过用户引导的训练和模型评估的迭代过程来创建定制的机器学习模型。它们主要提供每个标签或类别的置信度分数作为用户评估的反馈。然而，我们观察到，这样的反馈并不一定足以让用户确认模型的行为。特别是，置信度得分并不总是提供对数据中哪些特征用于学习的充分理解，这可能导致创建错误训练的模型。在这篇演示论文中，我们提出了一个基于视觉的交互式机器教学界面，在评估阶段具有实时的【形】显着图可视化。这种可视化可以提供当前模型利用每个图像帧的哪些区域进行分类的反馈，从而更好地指导用户在迭代教学中纠正相应的概念。
2021-08-26 cs.HC
Visual Probing and Correction of Object Recognition Models with Interactive user feedback
Technical University Kaiserslautern（凯泽斯劳滕工业大学）
随着最先进的机器学习和深度学习技术的出现，多个行业正在向该领域迈进。这些技术的应用是高度多样化的，从自然语言处理到计算机视觉。目标识别是计算机视觉领域中的一个这样的领域。虽然被证明具有很高的准确性，但这些模型仍有可以改进的地方。事实上，这在自动驾驶或癌症检测等现实用例中非常重要，这些用例高度敏感，并且期望此类技术几乎没有不确定性。在本文中，我们试图可视化对象识别模型中的不确定性，并通过用户反馈提出了一个校正过程。我们进一步展示了我们对VAST 2020 Mini-Challenge 2提供的数据的方法。
2020-12-29 cs.CV cs.HC
LLMartini: Seamless and Interactive Leveraging of Multiple LLMs through Comparison and Composition
针对多LLM使用中切换界面、手动整合效率低的问题，提出支持无缝比较与跨模型组合的交互式系统LLMartini，用户研究验证其在效率、体验等方面优于传统方法。
2025-10-22 cs.HC
V(is)owel: An Interactive Vowel Chart to Understand What Makes Visual Pronunciation Effective in Second Language Learning
本研究提出交互式元音图表V(is)owel，通过将舌头运动映射到图表提供视觉反馈，实验表明其能有效改善第二语言发音并激励练习。
2025-07-08 cs.HC
An Evaluation Framework for Interactive Recommender System
传统的推荐系统向用户呈现相对静态的推荐列表，其中反馈通常限于接受/拒绝或评级模型。然而，这些简单的反馈模式可能仅提供关于用户为什么喜欢或不喜欢项目以及用户已经考虑了项目的哪些方面的有限见解。交互式推荐系统提供了一个机会，通过允许用户与推荐交互，提供反馈并实时影响结果，使用户参与到这个过程中。评估用户交互的影响通常需要大量的用户研究，这是耗时的，并且给研究人员有限的机会来调整他们的解决方案，而不必进行多轮的用户反馈。另外，用户体验和设计方面可能对用户反馈具有显著影响，这可能导致不一定评估整体解决方案中的一些底层算法决策的质量。因此，我们提出了一个评估框架，旨在模拟用户与推荐交互。我们制定的指标来评估质量的交互式的框架，一旦模拟完成后输出。虽然模拟不足以评估完整的解决方案，但结果可以帮助研究人员在进入用户研究阶段之前调整他们的解决方案。
2019-04-16 cs.HC cs.IR
MemoCare: An Interactive Multimodal Mobile System for Automated Cognitive Screening
Lausanne University Hospital（洛桑大学医院）；Faculty of Biology and Medicine, University of Lausanne（洛桑大学生物与医学学院）；VNU University of Engineering and Technology（越南国立大学工程技术大学）；VinUni-Illinois Smart Health Center, VinUniversity（文大-伊利诺伊智能健康中心，文大）；University of Science, VNU-HCM（胡志明市越南国立大学科学大学）；Hanoi Medical University（河内医科大学）；National Geriatric Hospital（国家老年病医院）；Military Hospital 175（第175军医院）；School of Medicine, University of Medicine and Pharmacy at Ho Chi Minh City（胡志明市医药大学医学院）；International University, VNU-HCM（胡志明市越南国立大学国际大学）；Vietnam National University Ho Chi Minh City（胡志明市越南国立大学）
MemoCare提出交互式多模态移动认知筛查系统，结合语音、空间定向、触摸和绘图任务，通过本地NLP与CNN共识自动评分，测试准确率高且获临床认可。
2026-11-03 cs.CV cs.HC cs.MM
BiasEye: A Bias-Aware Real-time Interactive Material Screening System for Impartial Candidate Assessment
本文提出BiasEye，一个偏见感知的实时交互式材料筛选可视化系统，通过机器学习建模个人筛选偏好来帮助用户识别和缓解认知偏见，用户研究表明其能有效提升决策者的偏见意识与决策信心。
2024-02-14 cs.HC
Hot Wire 5D+: Evaluating Cognitive and Motor Trade-offs of Visual Feedback for 5D Augmented Reality Trajectories
Institute of Aircraft Production Technology, Hamburg University of Technology (TUHH)（汉堡工业大学飞机制造技术研究所）
本研究通过控制的受试者内研究，评估了三种不同的AR UI概念在轨迹引导中的表现，探讨了视觉反馈对认知与运动权衡的影响，并建立了新手用户进行自由手5D轨迹跟踪的保守性能基准。
2026-05-20 cs.HC
Supporting Co-Adaptive Machine Teaching through Human Concept Learning and Cognitive Theories
本文提出交互式机器学习工具MOCHA，结合变异理论与结构对齐理论，通过反事实数据生成和分组呈现帮助用户与模型实现双向对齐，并在18人实验中验证其有效性与可用性。
2025-04-10 cs.HC
ErgoAssist: Cognition-Aware Posture Feedback in Wearable Ergonomic Systems
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
该研究提出认知感知式可穿戴人体工学助手ErgoAssist，结合IMU与EEG技术实现姿势分类和认知负荷估算，可降低提醒频率并提升可用性、任务表现及姿势纠正率。
2026-09-02 cs.HC
LLM-Powered Virtual Patient Agents for Interactive Clinical Skills Training with Automated Feedback
本文提出为LLM虚拟病人引入动作空间以支持非文本动态交互，并集成虚拟导师提供即时个性化反馈，从而为医学生提供低成本、可及的OSCE备考平台。
2025-08-19 cs.HC cs.MA
Feed-O-Meter: Investigating AI-Generated Mentee Personas as Interactive Agents for Scaffolding Design Feedback Practice
Feed-O-Meter通过AI代理帮助学生练习设计反馈，提升其反馈能力和反思能力。
2025-12-02 cs.HC
Hone as You Read: A Practical Type of Interactive Summarization
Western University（西安大略大学）
我们提出了HARE，一个新的任务，读者的反馈是用来优化文档摘要，在正常的阅读流程中的个人兴趣。这项任务与交互式摘要有关，其中个性化摘要是在用户可能多次阅读相同句子的长反馈阶段之后产生的。然而，这一过程严重地打断了阅读的流程，使得悠闲阅读变得不切实际。我们建议在阅读过程中收集最小侵入性的反馈，以适应用户的兴趣和实时增强文档。在无监督摘要评估的最新进展的基础上，我们提出了一个合适的度量标准，并使用它来评估各种方法。我们的方法范围从简单的推理到偏好学习，他们的分析提供了对这一重要任务的深入了解。人的评价还支持HARE的实用性。复制此工作的代码可在https://github.com/tannerbohn/HoneAsYouRead上获得。
2021-05-06 cs.CL cs.HC
A Comparative Analysis of Interactive Reinforcement Learning Algorithms in Warehouse Robot Grid Based Environment
University of Lincoln（林肯大学）
本文在虚拟网格仓库环境中比较了Q-learning与SARSA两种交互式强化学习算法的性能，由同一人提供反馈以确保公平，旨在评估它们在复杂仓库任务中的训练效果。
2024-07-16 cs.HC cs.RO
Synthesizing Human Gaze Feedback for Improved NLP Performance
Adobe（奥多比）；IIIT Delhi（德里印度理工学院）；SUNY-Buffalo（纽约州立大学布法罗分校）；University of Copenhagen（哥本哈根大学）；Bucknell University（巴克内尔大学）
在模型中集成人类反馈可以提高自然语言处理（NLP）模型的性能。反馈可以是显式的（例如，在训练语言模型中使用的排名）或隐式的（例如，使用眼动跟踪形式的人类认知信号）。先前的眼动追踪和NLP研究表明，从人类注视模式中收集的认知过程（如人类扫描路径）有助于理解和执行NLP模型。然而，由于需要昂贵而精确的设备以及隐私侵犯问题，收集用于NLP任务的真实眼动数据具有挑战性。为了应对这一挑战，我们提出了ScanTextGAN，一种新的模型，用于在文本上生成人类扫描路径。我们表明，ScanTextGAN生成的扫描路径可以近似人类凝视模式中有意义的认知信号。我们在跨越六个不同数据集的四个流行的NLP任务中包括合成生成的扫描路径作为概念证明，并表明使用生成的扫描路径增强的模型提高了所有下游NLP任务的性能。
2023-02-11 cs.CL cs.HC
