Exploring Interactive Color Palettes for Abstraction-Driven Exploratory Image Colorization
本文提出 Mondrian 试验平台，以交互式调色板支持抽象驱动的图像着色，并通过专家研究、用户比较和百人调查验证其对早期创意探索的促进作用。
2024-03-04 cs.HC
Exploratory Unstructured Data Analysis: A Formative Study and Implications for Human-AI Collaboration
TU Wien（维也纳工业大学）；University of Applied Sciences St. Pölten (USTP)（圣珀尔滕应用科学大学）
本研究提出EluDA框架，通过形成性研究发现用户自下而上构建分面分类、CLIP分配不可靠但支持语义分组，进而明确人机协作的四大关键机遇。
2026-09-04 cs.HC
Conversational Exploratory Search via Interactive Storytelling
对话式界面可能会成为比今天的文本或触摸式界面更有效、更直观和更吸引人的人机交互方式。当前关于会话接口的研究工作主要集中在问答功能上，从而忽略了对目标信息查找之外的搜索活动的支持。当用户不熟悉他们的目标领域，不确定实现目标的方法，或者首先不确定他们的目标时，他们会进行探索性搜索。探索性搜索通常由信息可视化方法支持。然而，这种方法不能直接转化为会话搜索的设置。在本文中，我们调查的启示互动讲故事的工具，使探索性搜索的对话界面的框架内。交互式故事讲述提供了一种以用户喜欢的速度和顺序导航文档集合的方法。在我们的愿景中，互动式讲故事将与基于对话的系统相结合，该系统提供口头解释和响应式设计。我们讨论了挑战，并勾勒出将这一愿景付诸实践所需的研究议程。
2017-09-15 cs.HC cs.IR
The Exploratory Research of the Effect Communication Model and Effect Improving Strategy of Interactive Advertising
新媒体时代，以互动性为特征的互动广告逐渐取代传统的单向广告，成为广告的主流。本文遵循以下研究大纲，文献回顾、背景描述、假设提出、实证分析。因此，本文提出了互动广告的传播模式，并得出了两个相关的重要结论：互动性给广告传播带来了积极的影响，不同类型的消费者倾向于以不同的方式使用不同的互动选项。在此基础上，本文还提出了改善互动广告传播效果的三个相关优化策略：1.改变单向传播模式为双向传播模式; 2.创新新的传播过程和效果生成路径; 3.创新新的策略组合，以改善互动广告的传播效果。
2016-03-08 cs.CY cs.HC
Distinguishing Engagement Facets: An Essential Component for AI-based Interactive Healthcare
New York University Abu Dhabi（纽约大学阿布扎比分校）
人机交互中的参与是参与交互的实体建立、维持和结束其感知连接的过程。在各种基于人工智能的交互式医疗保健模式中，监测患者的参与状态至关重要。这包括改变社会行为的医疗条件，如自闭症谱系障碍（ASD）或注意力缺陷/多动症（ADHD）。投入是一个多方面的结构，由行为、情感和心理组成。以往的研究忽视了敬业度的多面性，而集中于敬业度水平或二元敬业度标签的检测。在本文中，提出了一个系统来区分这些方面使用上下文和关系的功能。这可以促进进一步的细粒度分析。几个机器学习分类器，包括传统的和深度学习模型进行了比较。在具有基于神经网络的分类的22242个实例的平衡数据集上获得了0.74的F分数。建议的框架应作为进一步研究的参与方面识别的基线，其集成是社会辅助机器人应用。
2023-03-02 cs.AI cs.HC cs.RO
Sentiment Visualisation Widgets for Exploratory Search
本文提出了使用\emph{visualisation widgets}进行探索性搜索与\emph{sentiment}作为一个方面。从描述情感矛盾的特定设计目标出发，实现了两个可视化小部件：\emph{scatter plot}和\emph{parallel coordinates}。在一个小规模的可用性研究中，这些小部件根据文本基线进行了评估，其中使用维基百科作为数据集进行了探索性任务。研究结果表明，用户花更多的时间浏览散点图以积极的方式。行为个体差异的事后分析显示，当考虑两种类型的用户，\emph{explorers}和\emph{achievers}，参与散点图是积极的，并显着更大的\textit{when users are explorers}。我们讨论了这些发现的影响，基于情感的探索性搜索和个性化的用户界面。
2016-01-09 cs.HC
Modeling and Leveraging Analytic Focus During Exploratory Visual Analysis
可视化分析系统支持高度交互式的探索性数据分析。在一系列领域中，这些技术已经成功地用于帮助用户从复杂的数据中学习。然而，这些相同的探索性可视化技术使用户很容易发现虚假的发现。本文提出了新的方法来监测用户的分析重点在可视化分析的结构化数据集，并使用它来表面相关的文章，上下文的可视化结果。出于电子健康数据的交互式分析，本文介绍了一个正式的分析焦点模型，一种计算方法，动态更新的焦点模型在用户交互的时候，和一个原型应用程序，利用这个模型表面相关的医疗出版物的用户在一个大型语料库的医疗记录的可视化分析。24个用户的评价结果表明，建模方法具有较高的准确性，并能够表面高度相关的医学摘要。
2021-01-21 cs.HC
NoteEx: Interactive Visual Context Manipulation for LLM-Assisted Exploratory Data Analysis in Computational Notebooks
School of Computer Science\ of Waterloo Waterloo Ontario Canada；The Hong Kong University of Science；School of Computer Science\ of Waterloo
NoteEx通过JupyterLab中的语义可视化帮助分析师外化EDA心智模型并交互式选择LLM上下文，实验证明其能提升心智模型保持与LLM响应质量。
2025-11-10 cs.AI cs.HC
Faceted Search of Heterogeneous Geographic Information for Dynamic Map Projection
本文提出了一个刻面信息探索模型，支持粗粒度和细粒度的重点地理地图，通过提供一个图形表示的数据属性内的交互式小部件。所提出的方法使（i）持久的地理地图的多类别投影，在稀疏和嘈杂的数据集的数据探索的有效方面的建议的基础上，和（ii）的搜索上下文的交互式表示的基础上的小部件，支持数据可视化，分面探索，基于类别的信息隐藏和透明的结果在同一时间。我们的模型与地理知识的语义表示的集成支持从异构数据源，如公共开放数据和OpenStreetMap检索的信息的探索。我们评估了我们的模型与用户在OnToMap协同Web GIS。实验结果表明，在处理包含多个数据类别的地理地图时，它在用户性能和体验方面都优于简单的基于类别的地图投影和传统的分面搜索工具，如复选框。
2020-05-07 cs.HC cs.IR
Numerical Facet Range Partition: Evaluation Metric and Methods
分面导航是当今搜索引擎中非常有用的组件。当用户有探索性的信息需求或偏好某些属性值时，它特别有用。现有的工作已经尝试在许多方面优化刻面系统，但是在优化数值刻面范围（例如，产品的价格）。本文首次提出了数值刻面范围划分的研究问题，并将其形式化地归结为一个优化问题。为了使定量评估的分区算法，我们提出了一个评估指标，应用于搜索引擎日志。我们进一步提出了两个范围划分算法，计算优化定义的度量。实验结果表明，我们提出的方法可以显着优于基线两个月的搜索日志从一个主要的电子商务引擎。
2017-02-27 cs.HC cs.IR
Visualizations in Exploratory Search: A User Study with Stock Market Information
在本文中，我们提出了一种方法，集成了交互式可视化的探索性搜索过程。在这个模型中，可视化可以充当中心，在这里可以通过简单的用户界面访问大量信息。通过互动技术，这些信息可以与万维网上的相关信息相结合。我们将新的搜索概念应用到股票市场信息领域，并进行了用户研究。参与者可以在没有指示的情况下使用该界面，可以完成复杂的任务，如识别相关信息项，链接异构信息类型，并使用不同的交互技术来更容易地访问相关信息。通过这种方式，用户可以快速获取不熟悉领域的知识。
2012-09-11 cs.HC
MOOSE-Copilot: A Web-Based Interactive Assistant for Unified Exploratory and Fine-Grained Scientific Hypothesis Discovery
Central Conservatory of Music（中央音乐学院）；Nanyang Technological University（南洋理工大学）
提出MOOSE-Copilot，通过形式化的人机交互协议，将发散性探索和收敛性细化统一，利用蓝图、路由和反馈三种信号引导生成，显著优于纯自主基线。
2026-06-08 cs.AI cs.CE cs.CL
Measure-Observe-Remeasure: An Interactive Paradigm for Differentially-Private Exploratory Analysis
提出Measure-Observe-Remeasure交互范式，通过可视化界面支持分析者在差分隐私探索性分析中高效分配隐私预算，用户研究表明参与者能相对成功使用该工作流并最大化效用。
2024-06-04 cs.CR cs.DB cs.HC
PromptMap: Supporting Exploratory Text-to-Image Generation
Peking University（北京大学）；University of Nottingham（诺丁汉大学）
针对文本生成图像探索中用户易在设计空间迷失的问题，研究提出Design-Exploration模型形式化探索过程，开发交互式可视化系统PromptMap以适配非线性探索流程，并通过用户深度访谈完成系统评估。
2025-10-03 cs.HC
Facets, Taxonomies, and Syntheses: Navigating Structured Representations in LLM-Assisted Literature Review
针对文献综述的认知负担，提出DimInd交互系统，利用LLM生成多级压缩的结构化表示（从论文到分面表、分类法再到叙述综合），评估表明其比ChatGPT辅助流程更省力。
2025-04-25 cs.HC
HiRegEx: Interactive Visual Query and Exploration of Multivariate Hierarchical Data
针对多变量层次化数据查询难的问题，提出声明式语法HiRegEx，基于e-MLTT框架设计查询目标与维度，开发集成该语法的TreeQueryER系统，验证了其表达能力与实用价值。
2024-08-13 cs.GR cs.HC
An Exploratory Study on Visual Exploration of Model Simulations by Multiple Types of Experts
不同领域的专家越来越多地依赖于复杂流程的仿真模型来获得见解，做出决策和规划未来的项目。这些模型通常用于研究可能的权衡，因为专家们试图在一次调查中优化多个相互冲突的目标。然而，理解所有复杂的模型对于一个领域专家来说是一个挑战。我们提出了一个简单的方法来支持多个专家在探索复杂的模型结果。首先，我们减少了模型的探索空间，然后在一个共享的交互式表面上，在散点图矩阵和链接视图的形式呈现的结果。为了探索多个专家如何使用这种设置来分析权衡，我们进行了一项观察性研究，重点关注分析过程中专业知识和洞察力生成之间的联系。我们的研究结果揭示了不同的探索策略和多故事情节的方法，领域专家在权衡分析，并告知我们的建议，协作模型探索系统。
2019-02-05 cs.HC
Exploiting Preference Elicitation in Interactive and User-centered Algorithmic Recourse: An Initial Exploration
本文提出一种引导式交互范式以在算法补救中引导用户偏好，实验表明其提升效率但限制探索自由，建议结合探索与引导以平衡效率与用户自由度。
2024-04-08 cs.CY cs.HC cs.LG
Interactive graph query language for multidimensional data in Collaboration Spotting visual analytics framework
数据网可视化分析中的人类推理主要依赖于视觉感知的质量和从不同方面交互地探索数据的能力。网络的视觉质量取决于网络的规模和维度复杂度，而网络的探索能力则取决于用户前端的直观性和表现力。本文所采取的方法旨在解决上述问题，通过分解数据网成多个网络的较小的尺寸和建立一个交互式的图形查询语言，支持跨子网络的全面导航。在降维的子网络中，结构抽象和语义技术可以用来进一步增强视觉感知。
2017-12-12 cs.DB cs.HC
Toward Exploratory Search in Biomedicine: Evaluating Document Clusters by MeSH as a Semantic Anchor
目前的生物医学文献检索模式在有效查找与专家相关的信息方面受到严重限制。解决这个问题的一个潜在方法是探索性搜索，它允许用户交互式地浏览大量的文档集合。作为探索性搜索生物医学专家的第一步，本文提出了一种评价文档聚类质量的方法。为此，我们将人类的专业知识纳入数据集的创建和评估框架，利用MeSH术语作为语义锚。此外，我们还研究了全文数据对提高聚类质量的好处。
2018-12-05 cs.DL cs.HC cs.IR
A System for Real-Time Interactive Analysis of Deep Learning Training
Microsoft Research（微软研究院）
在深度学习模型的训练过程中进行诊断或探索性分析是一项挑战，但对于在增量观察的指导下做出一系列决策来说，这往往是必要的。目前用于此目的的可用系统仅限于监视必须在训练过程开始之前指定的记录数据。每次需要新的信息时，在训练过程中需要停止-改变-重新启动的循环。这些限制使得交互式探索和诊断任务变得困难，在模型开发过程中强加了冗长乏味的迭代。我们提出了一个新的系统，使用户能够执行交互式查询的实时进程生成实时的【形】信息，可以在多个表面上呈现多种格式的几个所需的可视化的形式同时。为了实现这一目标，我们使用许多数据科学家已经熟悉的map-reduce范式，将深度学习训练过程的各种探索性检查和诊断任务建模为流的规范。我们的设计实现了通用性和可扩展性，通过定义组合原语，这是一个根本不同的方法比目前可用的系统。我们系统的开源实现可以在https://github.com/microsoft/tensorwatch上作为TensorWatch项目获得。
2020-01-07 cs.HC cs.LG stat.ML
Design Concerns for Integrated Scripting and Interactive Visualization in Notebook Environments
本文探讨了在计算笔记本环境中集成交互式可视化与脚本的设计方法，通过调用上下文树的设计研究、任务分析及用户验证，提出了结合两者优势的交互模型并总结了设计启示。
2024-10-16 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
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
SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation
The Hong Kong University of Science and Technology（香港科技大学）；City University of Hong Kong（香港城市大学）
提出SupplyNet，一种基于上下文图的多智能体LLM框架的视觉模拟系统，通过交互式网络视图、分支时间线和任务分析控制台，支持供应链中的反事实探索、因果追踪和比较推理，提升用户参与度和理解。
2026-06-24 cs.HC
Towards an Exploratory Visual Analytics System for Griefer Identification in MOBA Games
针对MOBA游戏中捣乱者识别缺乏标准与标注数据的问题，本文与专家合作开发交互式可视分析系统GrieferLens，通过多视图行为分析与关键事件综合，辅助高效识别与标注捣乱者。
2023-12-22 cs.HC
Creativity from Friction: Human-AI Interaction for Exploratory Structural Design
Block Research Group, Department of Architecture, ETH Zurich（建筑系，苏黎世联邦理工学院）；IVIA Lab, Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院）
探讨当前生成式AI目标与结构设计师等创作者需求的偏差，提出允许受限人机共同创作的系统设计维度，通过试点设计界面和专家研究，展示其对设计空间探索的支持及设计师看法。
2026-07-09 cs.AI cs.HC
"Hey Model!" - Natural User Interactions and Agency in Accessible Interactive 3D Models
本文通过 Wizard-of-Oz 研究和太阳系 I3M 原型评估，揭示 BLV 用户偏好的触觉、手势与自然语言交互层级。
2024-01-29 cs.HC
Pheno-Mapper: An Interactive Toolbox for the Visual Exploration of Phenomics Data
收集现场数据的高通量技术使得在生命科学的几个分支进行大规模观测成为可能。收集的数据可以从分子水平（基因型）到生理（表型性状）和环境观察（例如，天气、土壤条件）。这些大量的数据，统称为表型组学数据，代表了关于潜在生物系统动态的关键科学知识的宝库。然而，从这些复杂的数据集中提取信息和见解仍然是一个重大挑战，因为它们是多维的，而且缺乏关于其复杂结构的先验知识。在本文中，我们提出了Pheno-Mapper，一个交互式工具箱，用于探索性分析和可视化大规模表型组学数据。我们的方法使用映射器框架来执行数据的拓扑分析，并随后使用内置的数据分析和机器学习功能来呈现视觉表示。我们展示了这种新工具在现实世界的工厂（例如，玉米）表型组学数据集。与现有方法相比，Pheno-Mapper的主要优势在于它在表型组学数据的探索性分析中提供了丰富的交互式功能，并且以易于扩展的方式将可视化分析与数据分析和机器学习集成在一起。特别是，Pheno-Mapper允许通过数据的拓扑摘要指导交互式选择亚群，并将数据采掘和机器学习应用于这些选定的亚群进行深入探索。
2021-07-06 cs.CG cs.HC math.AT
SCSimulator: An Exploratory Visual Analytics Framework for Partner Selection in Supply Chains through LLM-driven Multi-Agent Simulation
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；Advanced Institute of Information Technology (AIIT), Peking University（北京大学先进信息技术研究院）；School of Entrepreneurship and Management, ShanghaiTech University（上海科技大学创业与管理学院）
SCSimulator通过LLM驱动的多智能体模拟与人机协作，探索供应链伙伴选择的动态博弈，提供透明的决策解释和可交互的分析工具。
2026-01-21 cs.HC
Prosody as a Teaching Signal for Agent Learning: Exploratory Studies and Algorithmic Implications
Vrije Universiteit（自由大学）；Sony AI（索尼人工智能公司）；Koç University（科克大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
本研究提出将语音韵律作为内隐教学信号用于智能体学习，通过两项探索性实验验证韵律的任务信息价值，给出韵律敏感算法设计准则，为提升人机交互下的智能体学习效率提供新方向。
2024-10-31 cs.HC cs.LG
EDAssistant: Supporting Exploratory Data Analysis in Computational Notebooks with In-Situ Code Search and Recommendation
University of Waterloo（滑铁卢大学）
使用计算笔记本（例如，数据科学家根据他们以前的经验和外部知识（如在线示例）合理化他们的探索性数据分析（EDA）。对于缺乏关于数据集或问题的特定知识的新手或数据科学家来说，有效地获取和理解外部信息对于进行EDA至关重要。本文介绍了EDAssistant，一个支持EDA与现场搜索的示例笔记本和有用的API的建议，由新颖的交互式可视化搜索结果提供动力的XuyterLab扩展。代码搜索和推荐由最先进的机器学习模型实现，这些模型是在在线收集的大量EDA笔记本语料库上训练的。进行用户研究以调查EDAssistant和数据科学家的当前实践（即，使用外部搜索引擎）。结果显示EDAssistant的有效性和实用性，与会者赞赏其对EDA的顺利和上下文支持。我们还报告了几个关于代码推荐工具的设计影响。
2021-12-15 cs.HC cs.IR cs.LG
Clustrophile 2: Guided Visual Clustering Analysis
IBM Research（IBM研究院）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；Fitnescity Labs（Fitnescity实验室）
数据聚类是一种常用的无监督学习方法，常用于探索性数据分析。然而，在未标记的高维数据中识别相关结构是不平凡的，需要使用聚类参数以及数据特征和实例进行迭代实验。典型数据集可能的聚类数量是巨大的，在这个巨大的空间中导航也是一个挑战。由于缺乏真实标签，因此无法定义最佳解决方案，因此需要用户判断来确定可被视为满意的聚类结果。数据科学家需要足够的交互式工具来有效地探索和导航大型聚类空间，以提高探索性聚类分析的有效性。我们介绍了\textit{Clustrophile~2}，一个新的互动工具，指导聚类分析。\textit{Clustrophile~2}在基于聚类的探索性分析中指导用户，调整用户反馈以改进用户指导，促进聚类的解释，并帮助快速推理聚类之间的差异。为此，\textit{Clustrophile~2}贡献了一个新的功能，聚类之旅，以帮助用户选择聚类参数，并评估不同的聚类结果的质量与当前的分析目标和用户的期望。我们通过与12位数据科学家的用户研究来评估\textit{Clustrophile~2}，他们使用我们的工具来探索和解释帕金森病患者数据集中的子队列。结果表明，\textit{Clustrophile~2}提高了专家和非专家的探索性聚类分析的速度和有效性。
2018-09-08 cs.AI cs.DB cs.HC
Seek and You Shall Find: Design & Evaluation of a Context-Aware Interactive Search Companion
Neu-Ulm University of Applied Sciences（新乌尔姆应用科学大学）；University of Regensburg（雷根斯堡大学）
本研究设计并评估了一种情境感知的交互式搜索助手，旨在通过轻量级指导提升用户搜索素养和探索能力。
2026-01-16 cs.HC cs.IR
Interactive Discovery of Coordinated Relationship Chains with Maximum Entropy Models
现代视觉分析工具促进了人在环分析，但在引导用户走向有趣和有前途的研究方向方面能力有限。当分析任务本质上是探索性的时，这个问题尤其严重，例如，在大量文本数据集中发现潜在的协调关系。此类任务在情报分析和安全取证等领域非常常见，其目标是发现桥接多种类型关系的惊人联盟。我们引入了新的最大熵模型来发现令人惊讶的关系链，利用文档中实体出现的计数数据。这些模型被嵌入在一个可视化的分析系统称为MERCER，把关系束作为第一类对象，并指导用户对有前途的查询线。我们展示了用户输入如何明智地直接分析有效的结论，而纯粹的算法方法可能会误入歧途。实验结果的合成和真实的数据集从情报界。
2015-12-29 cs.DB 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
SciDaSynth: Interactive Structured Data Extraction from Scientific Literature with Large Language Model
Bosch Research North America（博世北美研究院）；Weill Cornell Medicine（威尔康奈尔医学院）；Cornell University（康奈尔大学）；Hong Kong University of Science and Technology（香港科技大学）
SciDaSynth是一个基于大语言模型的交互式系统，通过整合科学文献中的文本、表格和图形，自动生成结构化数据表，并支持验证与细化，实验证明其比基线方法更高效地生成高质量结构化数据。
2025-09-04 cs.CL cs.HC
Subtask Analysis of Process Data Through a Predictive Model
从人机交互项目中收集的反应过程数据包含了丰富的关于被试行为模式和认知过程的信息。其不规则的格式和庞大的篇幅使标准的统计工具难以应用。本文开发了一种计算效率高的方法，探索性分析这样的过程数据。新的方法将一个冗长的过程分割成一系列短的子过程，以实现复杂性降低，易于聚类和有意义的解释。每个子进程都被视为一个子任务。分割是基于连续的行动的可预测性，使用简约的预测模型结合香农熵。进行模拟研究，以评估新方法的性能。我们使用PIAAC 2012的过程数据来演示如何使用新方法对过程数据进行探索性分析。
2020-08-29 cs.AI cs.HC stat.ME
PortfolioMentor: Multimodal Generative AI Companion for Learning and Crafting Interactive Digital Art Portfolios
Columbia University（哥伦比亚大学）
针对设计学生缺乏技术背景难以制作交互式数字艺术作品集的问题，提出面向IDE的编程伴侣聊天机器人PortfolioMentor，通过多模态生成式AI提供主动建议与问答，协助学生完成从创意构思到作品集合成的全流程共创。
2023-11-23 cs.AI cs.CY cs.HC
ObjectFinder: An Open-Vocabulary Assistive System for Interactive Object Search by Blind People
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
提出开放词汇可穿戴辅助系统ObjectFinder，结合开放词汇物体检测器与多模态大语言模型，支持盲人灵活查询、实时定位及多分支信息收集，用户研究证实其在物体搜索中提升了独立性与体验。
2025-04-30 cs.CV cs.HC
Doc To The Future: Infomorphs for Interactive, Multimodal Document Transformation and Generation
Microsoft Research（微软研究院）
Doc To The Future提出Infomorphs，通过模块化、用户可控的AI增强转换，实现交互式多模态文档转换与生成，提升生成式AI在信息工作中的透明度和模块化交互。
2025-12-14 cs.HC cs.IR
Towards an intelligent assessment system for evaluating the development of algorithmic thinking skills: An exploratory study in Swiss compulsory schools
Università della Svizzera Italiana（瑞士意大利语区大学）；Faculty of Informatics（信息学院）
本研究开发了一个基于贝叶斯网络的智能评估系统，用于大规模评估瑞士义务教育学生的算法思维技能，实验表明该系统适用于不同年龄和情境，且算法思维呈渐进发展。
2025-03-27 cs.AI cs.CY cs.HC
