Analysis and development of a novel algorithm for the in-vehicle hand-usage of a smartphone
Politecnico di Milano（米兰理工大学）；Kubris S.r.l.（Kubris有限公司）
驾驶时使用智能手机被一致认为是一个非常危险的习惯，因为它与交通事故有很强的相关性。在本文中，检测驾驶员是否正在使用手机在行程中的问题得到解决。为此，来自几乎所有现代手机中集成的三轴惯性测量单元（IMU）的高频数据在不依赖外部输入的情况下进行处理，以提供独立的方法。通过频域分析，可以从原始信号中提取检测驾驶员何时使用电话所需的有用信息，而不受车辆运动对相同信号的影响。所选择的特征用于训练支持向量机（SVM）算法。在混合自然驾驶场景下收集的实验数据上对所提出的方法的性能进行了分析和测试，证明了所提出的方法的有效性。
2018-08-30 cs.HC cs.LG eess.SP
A Systematic Survey on Android API Usage for Data-Driven Analytics with Smartphones
最近的工业和学术研究集中在智能手机的数据驱动分析，通过应用程序编程接口（API）和传感器收集用户交互，上下文和设备系统数据。Android OS提供各种API来为第三方开发人员收集此类移动使用和传感器数据。使用统计API（US API）和可访问性服务API（AS API）是用于收集应用使用数据的代表性Android API，并且用于各种研究目的，因为它们可以收集细粒度的交互数据（例如，应用使用历史、用户交互类型）。此外，其他传感器API有助于收集用户的上下文和设备状态数据，以及AS/US API。本文通过对研究目的和数据类型的分类，研究了使用AS/US API的移动使用和传感器数据驱动的研究。本文将被调查的研究分为五个主题和21个子主题，并采用四层的层次数据分类结构。这使我们能够识别数据使用趋势，并根据研究目的深入了解数据汇集。讨论了移动使用和传感器数据驱动分析研究的几个局限性和未来的研究方向，包括Android API版本变化对研究的影响，隐私和数据质量问题，以及标准化数据类型的可重复性风险的缓解。
2022-06-06 cs.HC
The Impact of Private and Work-Related Smartphone Usage on Interruptibility
在过去的十年中，通过移动通知的中断的影响已经在人机交互领域中被广泛研究。任务和活动中的断点、认知负荷和人格特质都被证明与个体的可中断性相关。然而，需要在更广泛的意义上解释中断性的概念，以提供对其特征的整体理解。在本文中，我们建立在社会角色理论的概念化和调查个人的私人和工作相关的智能手机的使用和他们的中断之间的相关性。通过我们对四名参与者进行的为期11周的初步研究，我们发现智能手机上的应用程序序列与个人的私人和工作角色相关。我们观察到，参与这些角色的参与者倾向于遵循特定的可中断性策略-整合，组合或分割私人和工作相关的活动。理解这些策略为普适计算中的注意力和中断管理系统开辟了新的天地。
2019-07-10 cs.HC
A Notification Based Nudge for Handling Excessive Smartphone Use
针对智能手机过度使用问题，本研究提出基于通知的助推干预方法，开发Android原型“App Usage Monitor”，并通过3周实验验证其可在不引起用户反感的情况下减少本科生过度使用。
2025-07-19 cs.HC
Investigating the Effects of Mood & Usage Behaviour on Notification Response Time
蓝牙是智能手机和个人电脑上最流行的机制之一，用于传达及时和重要的信息。尽管有这些好处，智能手机通知需要个人的注意力，并可能导致压力和挫折时，在不适当的时间交付。本文研究了个人的智能手机使用行为和情绪对通知响应时间的影响。我们进行了一项为期五周的野外研究，参与者超过18人。大量的实验结果表明，所提出的回归模型是能够准确地预测响应时间的智能手机通知使用当前用户的情绪和生理信号。我们探讨了不同功能的影响，每个参与者选择最重要的面向用户的功能，以实现有意义的和个性化的通知响应预测。平均而言，我们的回归模型在所有参与者中实现了0.7764 ms的MAE和1.0527 ms的RMSE。我们还研究了如何将生理信号（从E4腕带收集）用作情绪指标，并讨论了应用程序使用和智能手机应用程序类别对通知响应时间的个体差异。我们的研究揭示了未来的智能通知管理系统。
2022-07-07 cs.HC
The User Perspective on Island-Ready 6G Communication: A Survey of Future Smartphone Usage in Crisis-Struck Areas with Local Cellular Connectivity
本文通过对德国857名成年智能手机用户的调查，研究6G本地蜂窝岛屿连接模式下的应用偏好与服务优先级，为岛屿就绪型6G的用户中心设计提供依据。
2025-06-16 cs.HC cs.NI
TYDR - Track Your Daily Routine. Android App for Tracking Smartphone Sensor and Usage Data
我们介绍了Android应用程序TYDR（跟踪你的日常生活），它跟踪智能手机传感器和使用数据，并利用标准化的心理测量个性问卷。通过该应用程序，我们的目标是收集数据，用于研究跟踪的智能手机数据与用户个性之间的相关性，以便从智能手机数据中预测个性。在本文中，我们强调了我们的方法，在开发这样一个应用程序的挑战。我们通过评估数据的大小和电池消耗和存储信息的粒度的权衡，优化传感器数据的跟踪。我们的用户界面旨在激励用户安装应用程序并填写调查问卷。TYDR处理并可视化跟踪的传感器和使用数据以及个性问卷的结果。在开发用于心理学研究的应用程序时，必须满足伦理委员会/机构审查委员会和数据保护官员提出的要求。我们详细介绍了我们的方法，这些方法涉及匿名存储用户数据，通知用户有关数据汇集的要求，并启用退出选项。我们提出了我们的匿名数据存储过程，同时仍然能够识别成功完成心理研究的个人用户。
2018-03-18 cs.CY cs.HC
Synthetic Data Generation for Screen Time and App Usage
Universidade Lusófona（里斯本大学）；Universitat de Barcelona（巴塞罗那大学）；Université Paris Cité（巴黎城市大学）；Cornell Tech（康奈尔科技）
本研究探讨了利用 ChatGPT 等大型语言模型生成智能手机使用合成数据，通过比较不同提示策略发现详细提示能生成结构化且行为合理的数据，但在捕捉行为多样性和平衡数据保真度方面仍存挑战。
2025-09-17 cs.AI cs.HC
Behavioral Indicators of Loneliness: Predicting University Students' Loneliness Scores from Smartphone Sensing Data
本研究利用智能手机感知数据与机器学习模型，通过分析屏幕使用、位置移动等行为指标，预测大学生孤独量表分数，提升数字心理健康中的孤独检测能力。
2025-11-29 cs.HC
Studying the Impact of Mood on Identifying Smartphone Users
University of South Florida（南佛罗里达大学）
本文探讨了智能手机用户的识别时，收集的某些样本，而主题感到高兴，沮丧或压力是缺席或出席。我们使用StudentLife数据集收集了19名受试者的数据，该数据集由达特茅斯学院的研究人员收集，最初收集的数据集是为了将智能手机使用模式特征的行为与压力和学习成绩的变化相关联。虽然许多以前的工作行为生物识别暗示，情绪是一个人的内部变化，可能会影响生物识别性能的来源，我们的研究结果与这一假设相矛盾。我们的研究结果表明，当去除受试者可能感到高兴、沮丧或压力时产生的样本时，表现会有所改善。因此，没有迹象表明情绪会对表现产生负面影响。然而，我们确实发现智能手机使用模式的变化可能与情绪有关，包括锁定，音频，位置，呼叫，主屏幕和电子邮件习惯的变化。因此，我们表明，虽然情绪是人内变化的一个来源，它可能是一个不准确的假设，生物识别系统（特别是移动生物识别）可能会受到情绪的影响。
2019-06-27 cs.CV cs.HC cs.LG
ContextLabeler Dataset: physical and virtual sensors data collected from smartphone usage in-the-wild
National Research Council of Italy（意大利国家研究委员会）；Institute of Informatics and Telematics, National Research Council of Italy（意大利国家研究委员会信息学与远程通信研究所）
本文发布ContextLabeler数据集，通过志愿者智能手机在自然环境中采集两周超过45,000个样本、1332维物理与虚拟传感器特征及活动标签，为移动情境感知算法与协议研究提供真实数据支持。
2023-07-07 cs.HC cs.LG eess.SP
An Automated Power Conservation System (APCS) using Particle Photon and Smartphone
University College of Engineering, JNTUK – Kakinada（JNTUK-卡基纳达大学工程学院）
本文提出一种基于 Particle Photon 和智能手机的自动节能系统（APCS），利用红外传感器检测人员存在以自动控制教室内风扇和灯具，并集成 Android 应用实现远程监控与开关操作，有效减少电力浪费与人工干预。
2023-05-12 cs.HC cs.LG
Context Data Categories and Privacy Model for Mobile Data Collection Apps
来自不同领域的上下文感知应用程序，如移动健康，推荐系统和移动商务，可能会受益于了解用户的个性方面。由于填写个性问卷是繁琐的，我们提出了从智能手机传感器和使用数据预测用户的个性。为了收集数据以研究智能手机数据与个性之间的关系，我们开发了Android应用程序TYDR（跟踪您的日常生活），该应用程序跟踪智能手机数据并使用心理测量个性问卷。通过TYDR，我们跟踪的智能手机数据比现有的类似应用程序更多，包括通知的元数据，拍摄的照片和用户播放的音乐。对于TYDR的开发，我们引入了一个通用上下文数据模型，该模型由四个类别组成，这些类别侧重于用户与智能手机的不同类型的交互：物理条件和活动，设备状态和使用，核心功能使用和应用程序使用。除此之外，我们还专门为与移动数据收集相关的应用程序开发了隐私模型PM-MoDaC，其中包括九项拟议的隐私措施。我们在TYDR中介绍了所有这些措施的实施情况。虽然基于用户的智能手机的使用来利用用户的个性是一项具有挑战性的努力，但对于各种类型的上下文感知移动应用来说，这似乎是一种有前途的方法。
2018-07-04 cs.CY cs.HC
Mobile Device Type Substitution
如今，移动用户与各种移动终端类型交互，包括智能电话、平板电脑、智能手表等。然而，对移动终端类型替代的研究在几个方面受到限制，包括缺乏详细和可靠的分析。因此，在这项工作中，我们研究移动终端类型的替代，通过分析多设备的使用数据，从一个大的美国为基础的用户面板。具体而言，我们使用配对用户组的回归分析来测试五种设备类型替代假设。我们发现平板电脑和PC都是智能手机的部分替代品，平板电脑和PC的拥有分别使智能手机的使用时间减少了约12.5和13小时/月。此外，我们发现平板电脑和PC也分别提示约20和57小时/月的额外（非替代）使用。我们还说明了显着的用户间的多样性，替代和额外的使用。总体而言，我们的研究结果可以帮助理解不同类型的移动终端的相对定位，并在参数化更高层次的移动生态系统模型。
2018-03-24 cs.HC
SHA-SCP: A UI Element Spatial Hierarchy Aware Smartphone User Click Behavior Prediction Method
针对UI复杂性导致点击行为预测困难的问题，构建细粒度数据集并提出SHA-SCP方法，通过聚类构建元素组并利用注意力机制感知多尺度UI信息，在多项准确率指标上显著优于基线。
2023-10-18 cs.HC
Balancing the Digital and the Physical: Discussing Push and Pull Factors for Digital Well-being
本文探讨了过度使用智能手机对心理健康的负面影响，针对用户对常规限制麻木的问题，提出利用Push & Pull Factors情境化干预策略以促进数字福祉，并讨论了衡量干预有效性的替代指标。
2023-05-21 cs.HC
Effect of context in swipe gesture-based continuous authentication on smartphones
University of Oulu（奥卢大学）；Bittium Wireless Ltd（Bittium Wireless有限公司）
这项工作研究如何上下文应考虑到执行连续认证的智能手机用户的触摸屏和加速度计读数提取的滑动手势的基础上。该研究是在公开的HMOG数据集上进行的，该数据集由100名研究受试者组成，他们在坐着和走路时执行预定义的阅读和导航任务。它表明，上下文特定的模型需要不同的智能手机的使用和人类活动的情况下，以尽量减少认证错误。此外，实验结果表明，只有当用户移动时，利用手机移动才能提高基于滑动手势的验证性能。
2019-05-28 cs.CV cs.HC cs.LG
Tales of 34 iPhone Users: How they change and why they are different
我们目前的结果来自34 iPh-one 3GS用户的纵向研究，称为LiveLab。LiveLab通过设备内的可编程记录器收集了前所未有的使用数据，并在整个研究过程中对参与者进行了多次结构化访谈。我们写这篇论文有四个目标：（i）与研究界分享研究结果;（ii）提供指导智能手机系统和应用程序设计的见解;（iii）展示精心设计的纵向实地研究的力量和先进研究方法的力量;（iv）提出研究界可以帮助解决的重要问题，以合作，多学科的方式。我们展示了智能手机的使用情况在一年中是如何变化的，以及为什么用户的使用情况不同（和相似）。特别是，我们的研究结果强调了应用程序和网络使用动态、社会经济地位（SES）对使用的影响以及iPhone 3GS及其生态系统的缺点。我们进一步表明，不同类别的使用模式存在，这些类是最好的不同的手机设计，而不是一个尺寸适合所有的手机苹果提供。我们的研究结果不仅对于了解智能手机用户，而且对于指导设备和应用程序的开发和优化都具有重要意义。虽然我们提出了只能由这种性质的研究产生的新结果，但我们也提出了新的研究问题，由移动研究社区进行调查。
2011-06-25 cs.CY cs.HC
FIDO2 the Rescue? Platform vs. Roaming Authentication on Smartphones
本文通过 N=87 的实验室研究比较智能手机上的 FIDO2 平台认证与漫游认证，揭示用户接受度及阻碍其替代密码的可用性、安全性与多客户端等因素。
2023-02-15 cs.CR cs.HC cs.NI
COSMOS A Context Sensitive Model For Dynamic Configuration Of Smartphones Using Multifactor Analysis
随着多产增长的使用智能手机在整个频谱的人在社会中，它成为强制性的处理和配置这些设备有效地实现最佳的结果从it.This本文提出了一个上下文敏感的模型称为COSMOS（COontext敏感模型智能手机）配置的智能手机使用多因素分析的帮助下，决策树。本文提出的COSMOS模型有助于根据用户的当前上下文隐式地配置各种智能手机设置，而不会中断用户的各种输入。COSMOS模型还提出了多个上下文参数，如位置，调度数据，最近的通话记录设置等，以决定智能手机的适当设置。通过在Android平台上的原型实现，验证了该模型的有效性。在实现中进行了各种测试，90.95%的设置相关性度量值证实了所提出的模型的效率。
2013-09-09 cs.HC
Energy Data Visualizations on Smartphones for Triggering Behavioral Change: Novel Vs. Conventional
本文介绍了使用合适的数据可视化对电能消耗的重要性以及它对减少所述消耗的影响。数据可视化工具构成了能源微矩的重要支柱，即，在正确的时间以正确的方式为特定的电力消费者提供正确的信息的概念。这种行为变化可以在良好的建议和适当的可视化的帮助下触发，以传达正确的信息。一个调查问卷是作为一个移动应用程序来评估不同群体的传统和新颖的可视化。传统的图表仅限于条形图、折线图和堆叠面积图，而新颖的可视化包含热图、螺旋图和设备级堆叠条形图。从参与者的回答中收集的重要结果表明，他们稍微倾向于传统的图表。然而，当分析问题被调查时，他们对新图表的理解要好8%。最后，回答了一个问题，一组可视化是否应该被完全丢弃，或者可以应用一些修改。
2020-10-08 cs.HC
App Limits Bar: A Progress of App Limits for Overcoming Smartphone Overuse
过度使用智能手机对人类有许多负面影响。我们手机中的App Limits功能属于行为强化策略，用于克服智能手机过度使用的问题，通过在一段时间后将用户完全关闭应用程序来限制用户。虽然它具有一定的有效性，但缺乏对问题行为的程序性检测，往往会给用户带来焦虑和抑郁。我们提出了应用限制栏（ALB），以改进传统的应用限制，旨在减轻使用应用限制的负面情绪，并提高用户管理上瘾应用时间的能力。与此同时，我们进行了一项三阶段的用户研究，以回答ALB是否有助于用户更满意地使用应用限制功能，以及ALB在减少上瘾应用的使用时间和打开时间方面是否优于传统的应用限制。未来的工作将研究当正面屏幕面对我们时，边缘屏幕的最佳形状。
2020-11-30 cs.HC
Sensor-based Continuous Authentication of Smartphones' Users Using Behavioral Biometrics: A Contemporary Survey
University of Central Florida（中佛罗里达大学）；Ewha Womans University（梨花女子大学）
移动设备和技术已经变得越来越流行，提供了与台式计算机相当的存储和计算能力，允许用户存储敏感和私人信息并与之交互。由于移动设备容易受到未经授权的访问或盗窃，因此这种个人信息的安全性和保护变得越来越重要。用户身份验证是一项至关重要的任务，它在进入点授予合法用户访问权，并在整个使用会话中持续进行。这一任务通过当今智能手机的嵌入式传感器得以实现，这些传感器通过捕获行为生物特征和特征来实现连续和隐式用户身份验证。在本文中，我们调查了140多个最近的基于行为生物特征的方法，用于连续用户身份验证，包括基于运动的方法（28项研究），基于步态的方法（19项研究），基于动态的方法（20项研究），基于触摸手势的方法（29项研究），基于语音的方法（16项研究），和基于多模态的方法（34项研究）。该调查概述了使用智能手机嵌入式传感器捕获的行为生物识别技术进行持续用户身份验证的当前最先进方法，包括采用、可用性和性能方面的见解和开放性挑战。
2020-05-10 cs.CR cs.HC cs.LG
EnergyVis: Interactively Tracking and Exploring Energy Consumption for ML Models
Georgia Institute of Technology（佐治亚理工学院）
大型机器学习（ML）模型的出现提高了从计算机视觉到自然语言等各种建模任务的最新（SOTA）性能。随着ML模型的规模不断增加，它们各自的能耗和计算需求也在增加。然而，跟踪、报告和比较能源消耗的方法仍然有限。我们介绍了EnergyVis，一个用于ML模型的交互式能耗跟踪器。EnergyVis由多个协调视图组成，使研究人员能够交互式地跟踪，可视化和比较关键能耗和碳足迹指标（千瓦时和二氧化碳）的模型能耗，帮助用户探索可能减少碳足迹的替代部署位置和硬件。EnergyVis旨在通过在模型训练期间交互式地突出过度的能源使用，以及通过提供替代训练选项来减少能源使用，来提高人们对计算可持续性的认识。
2021-03-30 cs.AI cs.HC cs.LG
Learning Mobile App Usage Routine through Learning Automata
Islamic Azad University, Central Tehran Branch（伊斯兰阿扎德大学德黑兰中央分校）；Dartmouth College（达特茅斯学院）；UC Riverside（加州大学河滨分校）
自其概念以来，智能应用市场呈指数级增长。应用程序市场的成功取决于许多因素，其中应用程序的质量是一个重要的因素，例如能源使用。然而，智能电话作为移动计算设备的子集。继承有限的功率资源约束。因此，在提高目标应用质量的同时维护资源是一个挑战。本文介绍了学习自动机（LA）作为一种在线学习方法来学习和预测用户的应用程序使用例程。这样的预测可以利用操作系统的应用缓存功能，并且因此（i）减少应用启动时间和（ii）节省电池。我们的算法，这是一个在线学习的方法，时间更新和改善自身的内部状态。特别是，它学习应用程序启动之间的转换概率。每个应用程序启动实例都会更新与该应用程序相关的转移概率，这将导致预测的改进。我们受益于真实世界的生活日志数据集，我们的实验结果显示，相对于目前用于智能手机应用程序预测方法的两种基线方法，我们取得了相当大的成功。
2016-08-13 cs.AI cs.HC
A Fast and Minimal System to Identify Depression Using Smartphones: Explainable Machine Learning-Based Approach
North South University（南北大学）
本研究提出一种基于智能手机应用使用数据的快速极简机器学习系统，可在1秒内识别抑郁症，最佳模型准确识别82.4%的抑郁学生，并利用SHAP分析揭示行为标记，适用于资源匮乏地区。
2025-08-22 cs.CY cs.HC cs.LG
SummaryLens -- A Smartphone App for Exploring Interactive Use of Automated Text Summarization in Everyday Life
我们提出了SummaryLens，移动工具，利用自动文本摘要，使用户能够快速扫描和总结物理文本文档的概念和原型。我们进一步将其与文本到语音系统相结合，以按需读出摘要。基于这一概念，我们提出并探索了一个具体的应用案例，将人工智能和自然语言处理的不断进步带到日常生活中的互动用例中。基于我们实现的功能，我们描述了一组潜在的使用场景和好处，包括对低视力，低识字和阅读障碍用户的支持。第一个可用性研究表明，在日常生活中的自动文本摘要的交互式使用具有显着的潜力。我们将原型作为一个开源项目提供，以促进对此类工具的进一步研究。
2022-02-04 cs.HC
Through a Gender Lens: Learning Usage Patterns of Emojis from Large-Scale Android Users
基于从全球智能手机用户收集的大量emoji使用行为数据集，本文研究了emoji的性别特定使用情况。我们提出了各种有趣的发现，证明了女性和男性用户在emoji使用方面存在相当大的差异。这样的差异不仅在统计意义上是显著的;对于机器学习算法来说，仅仅基于消息中使用的表情符号就足以准确地推断用户的性别。在现实世界中，性别推断是必要的，基于表情符号的模型比基于文本或上下文信息的现有模型具有独特的优势。js不仅提供独立于语言的指示器，还通过分析文本和元数据减轻了泄露私人用户信息的风险。
2018-04-25 cs.HC
Circadian Rhythms are Not Captured Equal: Exploring Circadian Metrics Extracted by Different Computational Methods from Smartphone Accelerometer and GPS Sensors in Daily Life Tracking
昼夜节律是人类日常生活中表现出的自然生物周期。规律和稳定的节奏被发现与良好的身心健康相关。随着移动和可穿戴技术的广泛采用，许多类型的传感器数据（诸如GPS和体动记录）为研究人员客观地量化用户的昼夜节律并进一步使用这些昼夜节律的量化度量来推断用户的健康状态提供了证据。计算机科学和心理学的研究人员已经在生态有效的人类感知研究中使用各种移动和可穿戴传感器研究了昼夜节律，但是问题仍然存在，当同时用于监视用户时，不同的数据类型是否以及如何产生不同的昼夜节律结果。我们假设不同的传感器数据揭示了用户日常行为的不同方面，从而产生不同的昼夜节律模式。在本文中，我们专注于两个数据类型：GPS和加速度计数据从智能手机。我们使用了来自225名大学生参与者的智能手机数据，并应用了四种昼夜节律表征方法。我们在传感器之间发现的节奏模式中发现了显著而有趣的差异，这表明从不同的个人跟踪传感器发现的昼夜节律对设备使用和日常行为方面具有不同的敏感度。
2021-07-08 cs.HC
Understanding User Privacy Perceptions of GenAI Smartphones
Huazhong University of Science and Technology（华中科技大学）；New York University（纽约大学）
研究探讨用户对生成式人工智能智能手机隐私影响的认知及隐私设计期望，通过访谈揭示用户对数据生命周期中隐私问题的关注，并提出隐私增强建议。
2026-04-07 cs.CR cs.HC
Multidevice mobile sessions: A first look
越来越多的用户拥有多个移动设备，这凸显了了解用户如何与这些多个设备（通常是同时）交互的重要性。然而，大多数基于器械的监测研究仅关注单一器械类型。相比之下，我们研究的多设备使用的美国为基础的面板通过设备为基础的监测panterior的智能手机和平板电脑设备。我们提出了广泛的结果，从表征个人多设备会话估计设备使用替代。例如，我们发现，对于小组成员，所有设备交互时间的50%可以被认为是多设备使用。
2018-09-11 cs.HC
What Social Media Use Do People Regret? An Analysis of 34K Smartphone Screenshots with Multimodal LLM
通过多模态大语言模型分析34K智能手机屏幕截图，发现用户的后悔感因意图和社交媒体活动类型而异，为改善用户体验和自主权提供了设计指导。
2025-03-05 cs.HC
LV-Linker: Supporting Linked Exploration of Phone Usage Log Data and Screen Video Data
之前的HCI研究经常出于可用性和用户体验研究目的分析智能手机应用程序使用数据。应用使用视频通常由屏幕记录应用收集，以便更好地分析应用使用行为（例如，应用使用时间、屏幕转换和通知处理）。然而，很难分析应用使用视频以及多个用户交互流数据。当视频的长度较长时，由于用户交互数据的量，数据分析往往需要很长时间。这对于缺乏数据分析经验的新手研究人员来说更加困难。在本文中，我们提出了LV-Linker（日志和视频链接器），这是一种可视化工具，可以帮助研究人员通过将多个时间序列日志数据与视频数据相关联来快速探索应用程序使用日志和视频数据。我们进行了一个初步的用户研究，8名参与者，以评估链接的好处，通过测量任务完成时间，乐于助人，和主观任务的工作量。我们的研究结果表明，提供链接功能可以显着降低任务完成时间和任务工作量。
2022-05-29 cs.HC
Skip, Skip, Skip, Accept!!!: A Study on the Usability of Smartphone Manufacturer Provided Default Features and User Privacy
本研究针对27名Android和iOS用户开展任务式研究，发现用户对手机厂商默认功能的隐私影响知晓度低、配置困难，部分应对策略存在隐私风险。
2023-08-28 cs.HC
Beyond Screen Time: Demonstrating the Value of App Activity Logs to Understand User Behavior Further
Hasso Plattner Institute（哈索·普拉特纳研究所）；riedel.wtf GmbH（riedel.wtf有限公司）；University of Potsdam（波茨坦大学）；Stanford University（斯坦福大学）；University of Cambridge（剑桥大学）；Max-Planck Institute for Human Development（马克斯·普朗克人类发展研究所）
本研究通过分析4,571,252个应用事件，证明事件级应用活动日志比屏幕时间更能揭示用户行为差异，并支持15-22%的参与者重识别，为HCI研究提供方法论与隐私启示。
2026-09-22 cs.HC
InteractOut: Leveraging Interaction Proxies as Input Manipulation Strategies for Reducing Smartphone Overuse
针对现有智能手机过度使用干预效果不佳的问题，提出利用交互代理隐式操纵输入的 InteractOut 技术，在真实实验中显著降低了应用使用时间与打开频率，并提升了用户体验与接受度。
2024-02-20 cs.CY cs.HC
Towards Real Smart Apps: Investigating Human-AI Interactions in Smartphone On-Device AI Apps
Monash University（莫纳什大学）；CSIRO’s Data61（澳大利亚联邦科学与工业研究组织Data61）；Australian National University（澳大利亚国立大学）
本文针对智能手机端侧AI应用交互设计的独特挑战，首次实证调查了62,822个应用中的176个AI应用，识别出255个AI功能并总结出三种主要交互模式，构建了支持多方面搜索的图库，用户研究证明了其发现的有用性。
2023-07-03 cs.AI cs.HC
Crowdsourcing Predictors of Residential Electric Energy Usage
众包已成功应用于天文学、密码学和生物学等领域。为了测试其在智能电网背景下的有用应用的潜力，本文研究了人群可以在多大程度上贡献预测假设的住宅电能消耗模型。在这个实验中，人群产生了关于使一个家庭在每月能源使用方面不同于另一个家庭的因素的假设。为了实现这一概念，我们部署了一个基于网络的系统，其中627个住宅电力客户提出了632个问题，他们认为预测能源使用。在此期间，同一组人对这些问题提供了110，573个答案。因此，用户既提出了驱动预测模型的假设，又提供了构建模型的数据。我们使用由此产生的问答数据，使用随机森林回归建立月电能消耗的预测模型。由于答案数据的稀疏性，需要仔细的统计工作，以确保这些模型是有效的。结果表明，尽管数据集具有稀疏性，但人群可以生成有用的假设。
2017-09-08 cs.HC physics.soc-ph stat.ML
