DeepConnect: A Visual Analytics System for Bridging Interdisciplinary Research Collaborations
National University of Singapore(新加坡国立大学);Fudan University(复旦大学);Magellan Technology Research Institute(麦哲伦技术研究所)
DeepConnect是一种LLM增强的可视分析系统,可解决跨学科合作启动难的问题,通过转化合作目标、检索论文、可视化比较研究者等功能,经评估可用于互补团队组建等场景。
2026-08-06 cs.HC
Human-Computer Interaction and Human-AI Collaboration in Advanced Air Mobility: A Comprehensive Review
University of Tennessee(田纳西大学)
本文综述先进空中交通(AAM)领域的人机交互与人-AI协作研究,梳理人机界面、飞行员培训、空管及AI辅助决策与沉浸式技术集成,并分析信任、安全等挑战与未来方向。
2024-12-10 cs.AI cs.HC cs.LG
TeamCAD -- A Multimodal Interface for Remote Computer Aided Design
针对现有CAD工具仅支持单用户的问题,提出了多模态远程协作界面TeamCAD,依托语音和手势识别接入现有设计软件,经用户测试验证其直观易用,适配不同经验水平的协作者。
2023-12-19 cs.HC
Untangling the Timeline: Challenges and Opportunities in Supporting Version Control in Modern Computer-Aided Design
University of Toronto(多伦多大学);Stanford University(斯坦福大学)
本文探讨了现代CAD中版本控制的挑战与机遇,提出通过改进工具和机制来提升协作与反思能力。
2026-02-09 cs.HC
Effect of Visual Cues on Pointing Tasks in Co-located Augmented Reality Collaboration
视觉线索在计算机介导的交流中至关重要。当通信发生在需要将多个用户的注意力集中在一个特定对象以及其他类似对象的协作场景中时,这一点尤为重要。本文探讨了协同定位增强现实(AR)协作中视觉提示对指向任务的影响。用户研究(N = 32,16对)进行比较两种类型的视觉线索:指向线(PL)和移动轨迹(MT)。通过对不同状态(静态和动态)和密度(低、中、高)物体的一系列协作指向任务的测试,结果表明,PL在任务性能和可用性方面优于MT,而MT在社会存在感和用户偏好方面优于PL。基于我们的研究结果,提供了一些设计的启示指向任务在协同定位的AR协作。
2021-10-08 cs.HC
Hallmarks of Human-Machine Collaboration: A framework for assessment in the DARPA Communicating with Computers Program
The MITRE Corporation(MITRE公司)
人们越来越希望创建能够有效地通信以在复杂的、开放式的活动中与人类协作的计算机系统。评估这些系统提出了重大挑战。我们描述了一个框架,用于评估系统参与开放式复杂的情况下,评估人员没有比较性能的一个单一的正确答案的奢侈。该框架已被用于评估跨故事和音乐生成、交互式积木构建以及癌症分子机制探索的人机创意合作。这些活动与大多数当代个人助理执行的更受约束的任务有着根本的不同,因为它们通常是开放式的,没有单一的正确解决方案,并且通常没有明显的完成标准。我们确定了成功的系统必须表现出的关键特性。从那里,我们确定了成功的“标志”--评估人员可以观察到的能力和特征,这些能力和特征将指示实现关键属性的进展。除了作为评估框架外,关键属性和标志还旨在作为指导研究方向的目标。
2021-02-09 cs.AI cs.CL cs.HC
Exploring Collaborative Immersive Visualization & Analytics for High-Dimensional Scientific Data through Domain Expert Perspectives
George Mason University(乔治梅森大学);MIT Media Lab, MIT(麻省理工学院媒体实验室);National Institute of Standards and Technology(美国国家标准与技术研究院)
通过访谈领域专家,研究探讨了多用户协作在高维科学数据可视化与分析中的挑战与机遇,提出设计改进以提升协作效率与公平性。
2026-02-04 cs.HC
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
Confides: A Visual Analytics Solution for Automated Speech Recognition Analysis and Exploration
本文提出ConFides可视化分析系统,通过可视化呈现置信度辅助ASR转录后编辑,帮助情报分析师减少关键信息误解,并探讨人机协作中数据清理与模型透明度的改进机会。
2024-07-24 cs.HC
Talk to the Wall: The Role of Speech Interaction in Collaborative Visual Analytics
University of Bremen(不来梅大学);Université Paris-Saclay, CNRS, Inria(巴黎萨克雷大学、法国国家科学研究中心、法国信息与自动化研究所);Inria(法国信息与自动化研究所)
本研究通过技术探针探究了10对参与者在墙尺寸显示器上使用语音和触控进行协作视觉分析,发现语音指令适用于全局和远距离交互,并受宜人性特质影响,最终为多模态协作分析系统提出了设计考量。
2024-08-09 cs.HC
Can theory-driven learning analytics dashboard enhance human-AI collaboration in writing learning? Insights from an empirical experiment
本研究通过准实验验证了理论驱动的学习分析仪表板能提升写作学习中的人机协作,增强知识获取和SRL技能,但可能增加认知负荷。
2025-06-24 cs.HC
An Integrated Platform for Collaborative Data Analytics
虽然数据科学家之间的协作是组织生产力的关键,但数据分析师在实现这一目标方面面临着重大障碍,包括数据共享、访问和配置所需的计算环境以及共享知识的统一方法。每一个阻碍合作的障碍都与知识管理的基本问题有关:组织如何更有效地利用知识?".在本文中,我们认为在协同数据分析的知识管理的问题,目前ShareAL,一个集成的知识管理平台,作为解决这个问题的方案。ShareAL平台由三个核心组件组成:全栈Web应用程序、用于分析流数据的仪表板和用于执行实时的分析的高性能计算(HPC)集群。之前的研究还没有将知识管理应用于协作分析,也没有开发出具有与ShareAL相同功能的平台。ShareAL通过Web应用程序提供直观的数据共享和分析,通过HPC集群提供共享计算环境,通过实时的消息传递应用程序提供知识共享和协作,从而克服了数据科学家面临的协作障碍。
2020-12-16 cs.HC cs.SI
Attention Dynamics in Diffusion Models: A Visual Analytics Framework for Human-AI Collaboration
University of California, Santa Barbara(美国加利福尼亚大学圣巴巴拉分校)
针对扩散模型语义结构难以解释问题,提出视觉分析框架,通过整合定量测度与数据驱动阶段识别,对注意力动态进行结构化分析,助力人机协作。
2026-07-07 cs.AI cs.CV cs.HC
Deep neural networks for collaborative learning analytics: Evaluating team collaborations using student gaze point prediction
University of Delaware(特拉华大学);Computer and Information Sciences(计算机与信息科学学院)
对协作任务中团队绩效的自动评估是学习分析和计算机支持的协同工作研究的关键。有一个越来越多的兴趣在使用凝视导向的线索来评估团队的协作和合作。然而,由于时间和成本的限制,使用眼睛跟踪器收集注视数据并不总是可行的。在本文中,我们介绍了一个自动化的团队评估工具的基础上,凝视点和联合视觉注意(JVA)信息提取的计算机视觉解决方案。然后,我们评估团队合作的本科解剖学学习活动(N=60,30支球队)作为一个测试用户的研究。结果表明,高JVA与学生学习成绩呈正相关(r(30)= 0.50,p <0.005)。此外,参与两个实验组并使用交互式三维解剖模型的团队比对照组具有更高的JVA(F(1,28)= 6.65,p <0.05)和更好的知识保持(F(1,28)= 7.56,p <0.05)。不同性别的团队在JVA上没有显著差异。这项工作的结果提供了一种新的相互注意为基础的措施,客观地评估团队协作动态学习科学和协作计算的影响。
2020-10-16 cs.CY cs.HC cs.LG
The MERCADO Workshop at IEEE VIS 2023: Multimodal Experiences for Remote Communication Around Data Online
本文介绍 IEEE VIS 2023 的 MERCADO 研讨会,旨在汇聚研究者探讨围绕数据的多模态、同步、远程或混合通信与协作,以形成设计空间、综述论文及合作研究议程。
2023-04-12 cs.HC
Critical-Reflective Human-AI Collaboration: Exploring Computational Tools for Art Historical Image Retrieval
本研究通过访谈和出声思考实验,探讨如何通过设计计算工具支持艺术史图像检索中的人机协作,提出批判性反思是核心前提,并给出四项设计启示。
2023-06-22 cs.HC
Designing for Constructive Civic Communication: A Framework for Human-AI Collaboration in Community Engagement Processes
针对社区参与流程面临的资源受限、包容性不足及AI应用的民主风险,本文提出人机协作设计框架,在保障决策控制权与能动性的前提下,借助AI推动民主治理中更具建设性的公民沟通。
2025-05-16 cs.HC
Design of a Privacy-Preserving Data Platform for Collaboration Against Human Trafficking
人口贩运受害者的案件记录非常敏感,但分享此类数据的能力对于政府、企业和民间社会的循证实践和政策制定至关重要。我们提出了新的方法来匿名化,发布和探索这些数据,实现为一个管道,产生三个工件:(1)合成数据减轻隐私风险,发布的属性组合可能会链接到已知的个人或团体;(2)聚合数据减轻效用风险,合成数据可能会歪曲官方报告所需的统计数据;以及(3)两个数据集的可视化分析接口,减轻了隐私机制或分析工具可能无法被所有利益相关者理解和使用的可访问性风险。我们提出我们的工作作为一个设计研究的动机是如何改变世界上最大的数据库确定的受害者提供全球合作打击人口贩运的目标。
2020-09-18 cs.HC
User Centered Design (VI): Human Factors Approaches for Intelligent Human-Computer Interaction
Zhejiang University(浙江大学)
从“以用户为中心”的设计理念出发,分析了智能人机交互(iHCI)的人因特征,提出了“面向用户的iHCI”概念。本文进一步提出了一个新的人的因素框架的基础上,联合认知系统,态势感知和智能代理的理论。在此基础上,分析了无人驾驶生态系统中的人因问题,并提出了初步的人因解决方案。最后,本文分析了iHCI的两个重要研究领域(即,用户意图识别,人机协作),并指出了未来研究的关键人为因素问题。
2022-10-07 cs.AI cs.HC
Algorithmic Management and the Future of Human Work: Implications for Autonomy, Collaboration, and Innovation
本研究通过整合HRM、HCI和科学技术研究的洞见形成概念框架,分析算法管理对HRM的影响并提出算法问责的社会技术视角,为工作未来及管理技术设计的辩论提供贡献。
2025-11-18 cs.HC
Benchmarking Adaptive Intelligence and Computer Vision on Human-Robot Collaboration
California Institute for Telecommunications and Information Technology(加州电信与信息技术研究所);University of California, Irvine(加州大学欧文分校)
本文针对人机协作中概念漂移问题,提出集成自适应智能与自标注机制,结合骨骼姿态预处理和MViT2模型,在意图识别中达到83%准确率,并实现91%的自标注准确率,验证了智能协作机器人快速部署的可行性。
2024-09-30 cs.CV cs.HC cs.LG
AI, Take the Wheel: What Drives Delegation and Trust in Human-Computer Cooperative Question Answering?
University of Maryland(马里兰大学);University of California(加州大学);MBZUAI
通过问答游戏实验,研究人类在何时以及为何选择委托AI或采纳其建议,发现人类存在对AI正确建议的低依赖(3.9%)和错误建议的过度依赖(1.7%),并受确认偏见影响,建议通过校准置信度、基于证据的解释和信任细化机制来改进人机协作。
2026-05-27 cs.AI cs.CL cs.HC
My Machine and I: ChatGPT and the Future of Human-Machine Collaboration in Africa
National Open University of Nigeria(尼日利亚国立开放大学);University of Abuja(阿布贾大学)
本文通过反思性主题分析2019至2023年间51篇文献,探讨了ChatGPT在非洲人机协作中的应用,发现其在教育和研究等学术领域较为普遍,且对提升人机协作具有较高有效性。
2023-10-01 cs.AI cs.CY cs.HC
Understanding Entrainment in Human Groups: Optimising Human-Robot Collaboration from Lessons Learned during Human-Human Collaboration
University of Nottingham(诺丁汉大学);Massachusetts Institute of Technology(麻省理工学院);Cornell University(康奈尔大学)
本文通过混合方法研究双人和三人快节奏重复任务中的夹带特征,提出五项成功夹带特征与三项人机协作设计考量。
2024-02-23 cs.AI cs.HC cs.RO
Curio: A Dataflow-Based Framework for Collaborative Urban Visual Analytics
针对现有城市可视化分析工具孤立、难扩展等问题,提出Curio框架,通过多抽象层数据流模型促进协作,支持数据工作流交织与溯源,经三类场景验证灵活性,可提升跨领域城市分析效率。
2024-08-12 cs.CY cs.HC
Through the Lens of Human-Human Collaboration: A Configurable Research Platform for Exploring Human-Agent Collaboration
Northeastern University(东北大学);Rice University(里士满大学);University of Notre Dame(诺特难大学);ETH Zurich(苏黎世联邦理工学院)
本文提出一个可配置的研究平台,用于探索人类与大语言模型代理之间的协作,通过三个案例研究验证了平台在人机协作研究中的有效性。
2026-02-16 cs.AI cs.CL cs.HC
Where's the Structure? A Systematic Literature Review of Empirical Research on Human-AI Collaboration and Hybrid Intelligence for Learning
GSIC-EMIC research group, Universidad de Valladolid (Spain)(瓦伦西亚大学GSIC-EMIC研究组);GICAP research group, Department of Digitization, Universidad de Burgos (Spain)(布尔戈斯大学数字技术系GICAP研究组)
本文通过系统文献综述(N=62)分析了人机协作与混合智能在学习支持中的协作过程、结构及应用背景,提取了设计知识和研究空白。
2026-05-30 cs.AI cs.CY cs.HC
Workgroup Mapping: Visual Analysis of Collaboration Culture
工作的数字化转型为理解非正式工作组如何围绕组织的动态需求进行组织提供了新的机会,这可能与组织结构图所描绘的正式,静态和理想化的层次结构形成对比。我们提出了一个设计研究,跨越多个使能能力的可视化映射和分析的组织工作组,包括量化两个维度的协作文化的指标:流动性的协作关系(使用网络机器学习测量)和自由,工作组形成跨越组织边界。这些功能结合在一起,创建了一个交钥匙管道,该管道将目标组织的分析、数据图形和统计数据的生成以及它们在基于模板的演示中的集成结合在一起,从而实现了结果的叙述性可视化。我们的指标和视觉效果已经为数百个面向美国和跨国组织高管的演示提供了支持,而我们的工程实践已经创建了一系列独立工具,这些工具与可视化和视觉分析具有广泛的相关性。我们将我们的工作作为应用视觉分析研究的一个例子,描述了允许我们从实验到生产的设计迭代,以及研究团队和面向客户的团队在这个过程中的每个阶段的观点。
2021-03-19 cs.HC cs.SI
Team Learning as a Lens for Designing Human-AI Co-Creative Systems
Carnegie Mellon University(卡内基梅隆大学)
生成的ML驱动的交互系统有可能改变人们在创造过程中与计算机交互的方式-将工具转变为共同创造者。然而,目前还不清楚我们如何在开放式任务领域实现有效的人类-人工智能协作。在与ML驱动系统的交互中,围绕通信存在几个已知的挑战。在共同创造系统的设计中,一个被忽视的方面是如何更好地支持用户学习与这样的系统协作。在这里,我们将人类与人工智能的协作重新定义为一个学习问题:受团队学习研究的启发,我们假设,适用于人类与人类团队的类似学习策略也可能提高人类与共同创造生成系统的协作效率和质量。在这份立场文件中,我们的目标是促进团队学习,将其作为设计更有效的共同创造人类-人工智能协作的镜头,并强调协作过程质量是共同创造系统的目标。此外,我们概述了一个初步的示意性框架,用于在共同创造的AI系统中嵌入团队学习支持。最后,我们提出了一个研究议程,并提出了进一步研究的开放性问题,以支持人们学习与生成式人工智能系统合作。
2022-07-06 cs.AI cs.HC
From Augmentation to Symbiosis: A Review of Human-AI Collaboration Frameworks, Performance, and Perils
NEOLAF Inc.(NEOLAF公司);IEEE Artificial Intelligent Standards Committee(IEEE人工智能标准委员会);IEEE
本文综述了人类与人工智能协作框架的发展,揭示了人类-人工智能团队在不同任务中的性能悖论,并提出统一框架以实现持久的共生协作。
2025-11-07 cs.AI cs.HC
Human Computer Interaction Design for Mobile Devices Based on a Smart Healthcare Architecture
智能和支持物联网的移动设备有可能为患者和医疗保健提供者增强医疗保健服务。人机交互设计是实现用户与这些智能医疗技术之间有用和可用连接的关键。这些设备的适当设计增强了可用性,提高了集成医疗保健系统的有效操作,并促进了患者、医疗保健提供者和机构之间的协作和信息共享。本文介绍了智慧医疗的概念,包括其感知、通信、数据集成和应用四层信息架构。基于以用户为中心的设计思想,提出了智能医疗移动设备的人机交互设计原则。其中包括:确保安全性、提供防错显示和警报、支持患者和医疗保健提供者之间的独特关系、区分最终用户组、容纳传统设备、保证低延迟、允许个性化以及确保患者隐私。结果综合在设计建议中,从人物角色、场景、工作流和信息架构到原型设计、测试和迭代开发。最后,智能医疗和移动医疗设备的人机交互设计的未来发展进行了概述。
2019-02-10 cs.CY cs.HC
Joint Activity Design Heuristics for Enhancing Human-Machine Collaboration
本文提出十四条启发式方法,用于设计支持联合人机协作的技术,强调五个关键宏观认知功能的支持与易用性同等重要。
2025-12-08 cs.AI cs.HC cs.SY
MMAC-Copilot: Multi-modal Agent Collaboration Operating Copilot
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);University of Technology Sydney(悉尼科技大学);Northeastern University(东北大学);University of Liverpool(利物浦大学)
针对大语言模型智能体与PC交互模式单一、通用性差且易产生幻觉的问题,提出多模态智能体协作框架MMAC-Copilot,通过团队协作链整合多智能体领域知识,在GAIA基准上较现有系统提升6.8%,还构建了VIBench基准验证其在非API应用中的能力。
2025-03-23 cs.AI cs.HC
TRACE: AI-Assisted Assessment of Collaborative Projects in Computer Science Education
TRACE通过AI辅助分析提升计算机科学教育中协作项目评估的透明度和可扩展性。
2026-03-11 cs.AI cs.CY cs.HC
Optimising Human-Machine Collaboration for Efficient High-Precision Information Extraction from Text Documents
University of Sussex(萨塞克斯大学);The Alan Turing Institute(艾伦·图灵研究所);University of Cambridge(剑桥大学);University of Liverpool(利物浦大学)
虽然人类可以从非结构化文本中提取具有高精度和高召回率的信息,但这通常太耗时而不实用。另一方面,自动化方法几乎可以立即产生结果,但对于精度至关重要的高风险应用来说可能不够可靠。在这项工作中,我们认为各种人的优点和缺点,只有人机,只有机器的信息抽取方法。我们主张在需要高精度的应用程序中使用人在回路方法,但纯手动提取是不可行的。我们提出了一个框架和一个附带的工具,信息抽取使用弱监督标签与人类验证。我们在三个刑事司法数据集上展示了我们的方法。我们发现,计算机速度和人类理解的结合产生了与手动注释相当的精度,同时只需要一小部分时间,并且在精度方面明显优于完全自动化的基线。
2023-02-18 cs.CL cs.HC cs.IR