Frontend Diffusion: Exploring Intent-Based User Interfaces through Abstract-to-Detailed Task Transitions
University of California, San Diego(加利福尼亚大学圣迭戈分校);City University of Hong Kong(香港城市大学);Purdue University(普渡大学);University of Maryland, College Park(马里兰大学学院公园分校)
本文提出Frontend Diffusion工具,通过草图、撰写、编码三阶段任务转换,从用户草图生成高质量网站,探索基于意图的界面并降低复杂任务中的人工干预与沟通成本。
2024-07-16 cs.AI cs.HC cs.LG
From Instruction to Insight: Exploring the Functional and Semantic Roles of Text in Interactive Dashboards
本文通过分析190个仪表板和13次专家访谈,系统刻画了交互式仪表板中文本的类别、语义层次与功能角色,并提出12条启发式规则,推动文本在仪表板设计中的一等公民地位。
2024-08-06 cs.HC
InvestChat: Exploring Multimodal Interaction via Natural Language, Touch, and Pen in an Investment Dashboard
Aarhus University(奥胡斯大学);TU Wien(维也纳工业大学)
InvestChat通过多模态输入提升投资探索体验,研究发现自然语言触控和笔输入能增强用户参与度,参与者在不同模态间互补使用,自然语言效果最佳。
2026-04-23 cs.HC
Data Quality, Mismatched Expectations, and Moving Requirements: The Challenges of User-Centred Dashboard Design
交互式信息仪表板可以帮助专家和公众理解复杂的数据集;但与这些仪表板交互通常会给用户带来挑战,例如理解和验证所呈现的信息。为了克服这些挑战,开发人员首先需要彻底了解用户的观点,包括用户在遇到有问题的仪表板时采取的策略。我们采访了17位仪表板开发人员,以确定(i)他们对用户问题的理解,(ii)因此引入的调整,以及(iii)用户定制的仪表板是否可以满足用户的个体差异。我们发现,用户的素养通常与使用仪表板所需的素养不一致,而仪表板开发人员则难以跟上不断变化的需求。我们还发现,开发人员能够提出解决大多数用户的问题,但不是所有的。令人鼓舞的是,我们的研究结果还强调,根据个人用户需求定制仪表板不仅是可取的,而且是可行的。这些发现为未来的仪表板设计建议提供了信息,这些建议可以缓解已确定的挑战,包括数据呈现和视觉素养的建议。
2022-09-14 cs.HC
DashGuide: Authoring Interactive Dashboard Tours for Guiding Dashboard Users
本文提出DashGuide框架与系统,通过捕获作者交互生成可播放的仪表板导览,以最少输入创作引导,经评估提升了创作效率与表达力。
2025-04-24 cs.HC
Show Me My Users: A Dashboard Visualizing User Interaction Logs
本文设计了一个仪表板和分析流水线,用于从大量混合用户类型的日志事件数据中提取分析KPI,帮助分析师实时监控可视化工具用户行为以改进工具,并提倡以仪表板方法实现更随意的用户监控。
2023-10-19 cs.HC
A Deep User Interface for Exploring LLaMa
Northumbria University(诺森比亚大学)
本文提出一种基于可视化分析的工具,通过交互式控制关键超参数(如top-p和惩罚项)帮助用户探索和比较LLM输出,用户研究显示其界面设计获得好评。
2025-02-28 cs.AI cs.HC
Cocobo: Exploring Large Language Models as the Engine for End-User Robot Programming
Tongji University(同济大学);Southern University of Science and Technology(南方科技大学)
本文提出Cocobo,一个由LLMs驱动的自然语言机器人编程系统,通过交互式图表实现意图理解、代码生成解释及流程图转换,解决传统自然语言编程表达空间大、调试难的问题,使零基础用户也能成功定制程序。
2024-07-30 cs.AI cs.HC
Hey Dashboard!: Supporting Voice, Text, and Pointing Modalities in Dashboard Onboarding
Aarhus University(奥胡斯大学);TU Wien(维也纳工业大学);VRVIS(虚拟现实与可视化研究所);Johannes Kepler University Linz(约翰·开普勒林茨大学)
DIANA通过语音、文本和指向等多种模态,为仪表盘引导提供自助导航和分析支持,提升用户在复杂仪表盘中的使用效率。
2026-03-03 cs.HC
Not Always Top-Left: Untangling the Signals that Guide Dashboard Reading Order
Tableau Research
该研究通过混合方法研究分析18位创作者与16位用户的仪表盘交互序列,梳理出影响阅读顺序的多类因素,识别出阅读模式并探讨相关计算方法的应用机遇。
2026-08-10 cs.HC
Understanding and Improving Usability of Data Dashboards for Simplified Privacy Control of Voice Assistant Data (Extended Version)
如今,像亚马逊的Alexa、谷歌的语音助手(GVA)和苹果的Siri这样的智能语音助手(VA)软件拥有数百万用户。这些VA经常收集和分析大量的用户数据,以改进其功能。然而,该收集的数据可能包含敏感信息(例如,个人语音记录),用户可能不愿意与其他人共享,并且可能引起严重的隐私问题。为了解决这些问题,谷歌等服务提供商向用户提供了一个个人数据仪表板(称为“我的活动仪表板”),允许他们管理所有语音助手收集的数据。然而,现实世界的GVA数据驱动的理解用户的看法和偏好,关于这些数据(和数据仪表板)仍然相对未被探索在以前的研究。为此,在这项工作中,我们专注于谷歌语音助手(GVA)用户,并调查了GVA用户对数据和仪表板的看法和偏好,同时将其置于GVA收集的真实用户数据中。具体来说,我们进行了一项基于80名参与者调查的用户研究,以收集关于GVA使用的一般看法以及他们GVA数据分层样本的所需隐私偏好。我们发现,大多数参与者对GVA收集的数据类型有肤浅的了解。令人担忧的是,我们发现参与者对与Google共享GVA收集的17.7%的数据元素感到不舒服。当前的“我的活动”仪表板虽然有用,但并不能帮助长期GVA用户有效地管理他们的数据隐私。我们的真实数据驱动的研究发现,向用户显示一个敏感的数据元素可以显着提高数据仪表板的可用性。为此,我们构建了一个分类器,可以检测敏感数据,以获得95%的F1分数,并显示出比基…
2021-10-06 cs.CR cs.HC
An Empirical Study on How Well Do COVID-19 Information Dashboards Service Users' Information Needs
持续的COVID-19疫情凸显了仪表板在提供关键实时信息方面的重要性。为了让人们能够及时获取信息,了解复杂的统计数据,疫情期间,不少开发者设计并实现了面向公众的COVID-19“信息仪表盘”。然而,开发往往需要很长的时间,开发者并不清楚很多人的信息需求,导致信息需求和供给之间存在差距。根据我们的实证研究和对流行的COVID-19仪表板的观察,这严重阻碍了信息的获取。我们的研究比较了人们在Twitter上的需求与现有的信息供应商。我们确定,尽管COVID-19的信息目前在现有的仪表板上,但人们也对COVID-19和其他病毒之间的关系、COVID-19的起源、疫苗开发、关于COVID-19的假新闻、对女性的影响、对学校/大学的影响以及对商业的影响感兴趣。其中大多数问题尚未得到妥善解决。我们还总结了仪表板中常用的可视化和交互模式,找到了数据和可视化以及可视化和交互之间的关键模式。我们的研究结果可以帮助开发人员更好地优化他们的仪表板,以满足人们的需求,并为未来的危机管理仪表板开发做出改进。
2022-05-30 cs.HC cs.SE
DashBot: Insight-Driven Dashboard Generation Based on Deep Reinforcement Learning
分析仪表板在商业智能中很受欢迎,可以通过多个图表促进洞察力的发现。但是,创建一个有效的仪表板要求很高,这需要用户具有足够的数据分析背景,并熟悉专业工具,例如Power BI。要创建仪表板,用户必须通过选择数据列和探索不同的图表组合来配置图表,以优化见解的传达,这是一种试错。最近的研究已经开始使用深度学习方法来生成仪表板,以减轻可视化创建的负担。然而,由于缺乏大规模和高质量的仪表板数据集,这些努力受到了极大的阻碍。在这项工作中,我们建议使用深度强化学习来生成分析仪表板,这些仪表板可以使用完善的可视化知识和强化学习的估计能力。具体来说,我们使用可视化知识构建一个训练环境和奖励代理探索和模仿人类的探索行为与一个精心设计的代理网络。通过消融研究和用户研究证明了深度强化学习模型的有用性。总之,我们的工作为开发有效的基于ML的可视化算法提供了新的机会,而无需预先训练数据集。
2022-09-13 cs.HC
Drillboards: Adaptive Visualization Dashboards for Dynamic Personalization of Visualization Experiences
本文提出由协调图表层次构成的 drillboards 自适应仪表板技术及创作工具,通过形式化合并规则支持用户按需求钻取细节,实验表明专家可有效创建受普通用户欢迎的个性化可视化体验。
2025-02-17 cs.HC
A-DisETrac Advanced Analytic Dashboard for Distributed Eye Tracking
本研究提出分布式眼动追踪高级分析仪表板A-DisETrac,可并行监测多用户、实时计算多类眼动指标,经试点验证用户体验良好,还揭示了高级眼动指标与协作行为的关联。
2024-04-11 cs.HC
Living Dashboards: Automatically Self-Updating Visualization Dashboards
Seoul National University(首尔大学);Sogang University(西江大学);TU Wien(维也纳工业大学);VRVis GmbH(VRVis有限责任公司);Aarhus University(奥胡斯大学)
本文提出Living Dashboards,一种能根据用户交互和自然语言查询自动调整视图的仪表盘,通过四维设计空间和原型系统验证,在用户研究中优于AI支持基线。
2026-10-07 cs.HC
Are Privacy Dashboards Good for End Users? Evaluating User Perceptions and Reactions to Google's My Activity (Extended Version)
隐私仪表板和透明度工具可帮助用户查看和管理在线收集的有关他们的数据。自2016年以来,谷歌提供了这样一个工具,我的活动,它允许用户从谷歌服务中查看和删除他们的活动数据。我们对$n = 153$的参与者进行了一项在线调查,以了解Google的“我的活动”作为隐私透明度工具的一个例子,是否增加或减少了最终用户对数据汇集的担忧和好处。虽然大多数参与者都知道谷歌的数据汇集,但其数量和细节令人惊讶,但在接触我的活动后,参与者更有可能减少对数据汇集的关注,并更有益地查看数据汇集。只有$25\,\%$表示他们将更改“我的活动”服务中的任何设置或更改任何行为。这表明隐私透明度工具对在线服务非常有益,因为它们获得了用户的信任,并在不一定改变用户行为的情况下改善了他们的看法。但与此同时,目前尚不清楚此类透明度工具是否能通过充分协助或激励用户更改或查看数据汇集设置,从而真正改善最终用户的隐私。
2021-05-28 cs.CY cs.HC
DashAct: A Progressive Diagnostic Benchmark for GUI Agents in Interactive Dashboard Analysis
Zhejiang University(浙江大学)
DashAct是首个细粒度诊断GUI代理在交互式仪表板分析中失败的基准,通过渐进式诊断级联评估端到端执行、动作预测和视觉定位,揭示当前模型在逐步支持下的瓶颈并提供改进指导。
2026-10-20 cs.AI cs.HC
MEDLEY: Intent-based Recommendations to Support Dashboard Composition
尽管仪表板在广泛的领域中越来越受欢迎,但它们的创作仍然是一个繁琐而复杂的过程。当前的工具为创建单独的可视化提供了相当大的支持,但对发现可共同用于组成分析仪表板的可视化组提供了有限的支持。为了解决这个问题,我们提出了MEDLEY,一个混合主动界面,通过推荐仪表板集合(即,视图和过滤小部件的逻辑分组集合),其映射到特定的分析意图。用户可以通过界面中的输入面板显式地指定仪表板意图(即,度量分析、变更分析、类别分析或分布分析),或者通过选择感兴趣的数据属性和视图隐式地指定仪表板意图。系统根据这些分析意图推荐集合,并且可以选择视图和小部件来组成各种仪表板。MEDLEY还提供了一个轻量级的直接操作界面来配置仪表板中视图之间的交互。基于一项有13名参与者执行有针对性和开放式任务的研究,我们讨论了MEDLEY的建议如何指导仪表板组成并促进不同的用户工作流程。研究中的观察结果确定了未来工作的潜在方向,包括将手动视图规范与仪表板建议相结合,以及为仪表板创作设计自然语言界面。
2022-08-05 cs.HC
Building a Data Dashboard for Magic: The Gathering: Initial Design Considerations
COPELABS, INESC INOV-Lab, Lusófona University(卢索非那大学 COPELABS 研究所);INESC-ID(ID 研究所);Business Research Unit, ISCTE-IUL(ISCTE-伊斯坦大学商业研究单元)
本文探讨了为《魔法:英雄无敌》指挥格式构建数据仪表板的初步设计,通过用户任务分析确定需求,并提出设计方案以满足玩家需求和常见分析任务,测试结果显示玩家更偏好具有情境相关性和结果导向的指标,传统图表比复杂可视化更易理解。
2026-07-07 cs.HC
CryptoGuard: An AI-Based Cryptojacking Detection Dashboard Prototype
本文提出了基于AI的加密劫持检测仪表板前端原型CryptoGuard,通过高保真点击模型结合以用户为中心的设计,帮助非技术用户监控交易、识别威胁并直接采取行动,强调了实用安全工具需兼顾后端功能与用户体验。
2025-09-11 cs.CR cs.HC
Because we care: Privacy Dashboard on Firefox OS
在本文中,我们提出了隐私仪表板-一个工具,旨在通知和授权的人使用移动设备,通过引入功能,如远程隐私保护,备份,可调位置精度,权限控制和辅助用户模式。我们已经在FirefoxOS上实施了我们的解决方案,并进行了用户研究,以验证我们工具的实用性和可用性。本文首先讨论了移动隐私的不同方面,用户如何看待它,以及他们愿意放弃多少以获得更好的可用性。然后,我们详细描述了工具,提出了什么激励我们某些设计决策。在我们的研究中,我们试图了解用户如何与系统交互,以及他们的优先事项是什么。我们已经验证了我们的假设,以及教育方面对隐私设置决策的影响。我们表明,通过采取以用户为中心的隐私扩展的发展,我们可以减少保护和可用性之间的差距。
2015-06-12 cs.CR cs.HC
Once Again, with Style: Understanding and Supporting Partial Reuse in Dashboard Authoring
Tableau Research(Tableau 研究);University of Illinois, Chicago(伊利诺伊大学芝加哥分校)
本文通过用户为中心的设计方法,探讨了部分重用现有仪表板如何支持仪表板设计过程,基于10名专业仪表板创作者的反馈,提出了仪表板重用需求和挑战的发现以及ReDash设计探针的反思和机会。
2026-05-19 cs.HC
Dashboard Design Patterns
本文介绍了仪表板的设计模式,为仪表板设计过程提供信息。尽管有越来越多的公开示例、案例研究和通用指南,但令人惊讶的是,仪表板的设计指南却很少。这种指导对于激发设计和讨论权衡是必要的,例如,屏幕空间、交互或显示的信息。基于对144个仪表板的系统回顾,我们报告了八组设计模式,它们提供了仪表板设计中的通用解决方案。我们将讨论这些模式在仪表板类型中的组合,如叙述性、分析性或嵌入式仪表板。我们举办了一个为期2周的仪表板设计研讨会,有23名不同专业知识的参与者在他们自己的数据和仪表板上工作。我们将讨论仪表板设计过程中模式的应用,以及一般的设计权衡和常见的挑战。我们的工作补充了以前的调查,旨在支持仪表板设计师和研究人员共同创造,结构化设计决策,以及未来用户对仪表板设计指南的评估。详细的模式描述和车间材料可以在网上找到:https://dashboarddesignpatterns.github.io
2022-08-24 cs.HC
DMiner: Dashboard Design Mining and Recommendation
本文提出DMiner,一种从仪表盘挖掘设计规则并自动化组织排列与协调的数据驱动方法,构建了854个仪表盘的数据集并开发推荐器,实验证明其规则合理且能达到人类水平的性能。
2023-02-24 cs.GR cs.HC
MisVisFix: An Interactive Dashboard for Detecting, Explaining, and Correcting Misleading Visualizations using Large Language Models
MisVisFix利用大语言模型提供交互式工具,用于检测、解释和纠正误导性可视化信息,提升数据解读的准确性和可信度。
2025-08-06 cs.HC
A Case Study in Accessible Redesign of a Wastewater Dashboard
University of Utah(犹他大学);Graz University of Technology(格拉茨工业大学)
本案例研究重设计犹他州废水监测仪表盘,以提升无障碍性,强调结合指南、用户需求与约束,并提出简单技术方案可提供实用价值。
2026-09-23 cs.HC
Heuristics for Supporting Cooperative Dashboard Design
本文将仪表盘设计重新界定为支持分析性对话的协作式体验,提出39条设计启发式规则,并通过52名研究生的实践验证其能揭示失败原因并促进更流畅、支持性更强的仪表盘设计。
2023-08-08 cs.HC
AstronomicAL: An interactive dashboard for visualisation, integration and classification of data using Active Learning
University of Bristol(布里斯托大学)
AstronomicAL是一个人机交互式标签和培训仪表板,允许用户使用主动学习创建可靠的数据集和强大的分类器。这种技术优先处理提供高信息增益的数据,从而使用更少的数据来提高性能。该系统允许用户可视化和整合来自不同来源的数据,并处理不正确或缺失的标签和不平衡的班级规模。AstronomicAL使专家能够可视化特定领域的图和关键信息,这些信息与从各种数据源中提取的兴趣点的更广泛背景和细节有关,确保可靠的标签。此外,AstronomicAL还提供了探索训练过程各个方面的功能,包括自定义模型和查询策略。这使得该软件成为试验特定领域分类和更通用的机器学习策略的工具。我们说明了使用该系统与天文数据集,由于该领域的迫切需要,但是,天文学已被设计用于任何学科的数据集。最后,通过导出一个简单的配置文件,整个布局,模型和分配的标签可以与社区共享。这允许完全透明,并确保复制结果的过程毫不费力
2021-09-11 astro-ph.IM cs.HC cs.LG
QualDash: Adaptable Generation of Visualisation Dashboards for Healthcare Quality Improvement
使仪表板设计适应不同的使用环境是可视化研究中的一个悬而未决的问题。仪表板设计人员通常寻求在仪表板适应性和易用性之间取得平衡,在医院中,关键指标、数据模型和不同组织级别的用户的多样性带来了挑战。在这项设计研究中,我们提出了QualDash,一个仪表板生成引擎,允许动态配置和部署可视化仪表板,以提高医疗质量(QI)。我们提出了一个严格的任务分析的基础上采访医疗保健专业人士,共同设计研讨会和一系列的一对一会议与前线分析师。从这些活动中,我们定义了一个指标卡隐喻作为医疗保健QI中的视觉分析单元,使用此概念作为生成高度适应性仪表板的构建块,并导致指标规范结构(MSS)的设计。每个MSS都是一个JSON结构,它使仪表板作者能够简洁地配置度量卡的特定于单元的变体,同时卸载引擎预设的跨卡共享的常见模式。我们反映部署和迭代的设计QualDash在心脏病病房和儿科重症监护病房的五个NHS医院。最后,我们报告的评估结果,证明了QualDash在现实世界中的适应性,易用性和实用性。
2020-09-07 cs.HC
Reflections on the Use of Dashboards in the Covid-19 Pandemic
该研究从用户视角反思COVID-19期间各类仪表盘的使用与设计,通过访谈不同可视化背景的使用者总结经验,为后续相关设计与研究提供参考。
2025-02-05 cs.CY cs.HC
AI-Spectra: A Visual Dashboard for Model Multiplicity to Enhance Informed and Transparent Decision-Making
Hasselt University - Flanders Make(哈瑟尔特大学-佛兰德斯制造)
AI-Spectra通过可视化仪表盘和Chernoff Bots技术呈现多模型预测差异与共识,降低用户认知负担,提升AI决策的透明性与可信度。
2024-11-14 cs.AI cs.HC
IIRSim Studio: A Dashboard for User Simulation
University of Passau(帕绍大学);Zuva
本文提出IIRSim Studio,通过可视化环境、组件生命周期、溯源模型和共享任务流程,解决用户模拟框架的可重复性和协作问题。
2026-04-25 cs.HC cs.IR
Talking to Your Data: Exploring Embodied Conversation as an Interface for Personal Health Reflection
Department of Computer Science, ETH Zurich(苏黎世联邦理工学院计算机科学系)
提出一种通过具身对话代理与可穿戴健康数据交互的新范式,采用双代理设计(观察者提取统计特征,呈现者以“口语化统计”沟通),通过模拟自我用户研究(N=5)与传统仪表盘对比,评估感知理解、行动具体性和认知转变。
2026-06-17 cs.AI cs.HC
Continuous Behavioral Synthesis for Adaptive Health Dashboards: An LLM-Mediated Architecture Integrating Explicit Preference, Spatial Reorganization, and Attention Allocation Signals
University of Southern Denmark(南丹麦大学)
提出一种利用大语言模型作为行为合成引擎的架构,通过集成显式反馈、空间重组和注意力信号,实现从稀疏异构用户信号中即时生成自适应仪表盘布局。
2026-06-26 cs.HC
Explained, yet misunderstood: How AI Literacy shapes HR Managers' interpretation of User Interfaces in Recruiting Recommender Systems
HTW Berlin University of Applied Sciences(柏林应用科学大学)
通过410名德国HR经理的在线实验,研究发现XAI界面能否改善招聘推荐系统理解取决于AI素养,需定制解释与培训。
2025-09-08 cs.AI cs.CY cs.HC
An Extensible Dashboard Architecture For Visualizing Base And Analyzed Data
任何数据分析,特别是可能经常或实时变化的数据集,至少包括三个重要的同步组件:i)找出要推断的内容(目标),ii)目标的分析或计算,以及iii)可能需要深入和/或可视化的结果的理解。作为研究的一部分,人们对上述前两个组成部分给予了很多关注,而理解和得出可操作的决策是相当棘手的。可视化是理解(即使是非专家)和推断需要采取的行动的重要一步。作为一个例子,对于Covid-19,知道在不久的将来病例激增或倾向于激增的地区(例如,在县或州一级)可能需要在聚会、营业时间等方面采取额外行动。本文重点介绍用于基础数据和分析数据可视化的可扩展架构。本文提出了一种用于用户交互、可视化管理和基础数据复杂分析的仪表板模块化体系结构。本文的贡献是:i)架构的可扩展性提供了灵活性,可以在不改变工作流程的情况下添加额外的分析,可视化和用户交互,ii)功能模块的解耦,以简化和加速不同群体的开发,以及iii)解决显示响应时间的效率问题。本文使用多层网络(或MLN)进行分析。为了展示上述内容,我们介绍了一个名为CoWiz++(用于Covid Wizard)的可视化仪表板的实现,并详细说明了基于Web的用户交互和显示组件如何与后端模块无缝对接。
2021-06-09 cs.CY cs.DB cs.HC
Context-aware Adaptive Visualizations for Critical Decision Making
Telef\' o nica Scientific Research, Spain;AEGIS IT Research GmbH, Germany;University of Luxembourg, Luxembourg
针对信息可视化仪表盘难以实时适应用户认知状态的问题,提出智能情境感知自适应系统Symbiotik,利用神经生理信号估计心理负荷并通过强化学习动态调整仪表盘,经120人用户研究证明提升任务表现与参与度,提供可扩展实时架构及验证方法。
2025-11-14 cs.AI cs.HC
Propagating Visual Designs to Numerous Plots and Dashboards
在为流行病学家和建模科学家开发可视化和可视化分析(VIS)工具的基础设施的过程中,我们遇到了一个技术挑战,即在有限的开发资源下快速可靠地将许多可视化设计应用于众多数据集。在本文中,我们提出了一种技术解决方案来应对这一挑战。在操作上,我们将数据管理、可视化设计、绘图和仪表板部署的任务分开,以简化开发工作流程。从技术上讲,我们利用:一个将数据集、视觉设计、可部署的图和仪表板置于同一管理框架下的本体;用于发现与视觉设计匹配的潜在数据集的多标准搜索和排名算法;以及一个用于将每个视觉设计传播到适当数据集(通常以数十和数百为单位)并在部署之前保证传播质量的可扩展设计用户界面。该技术解决方案已用于RAMPVIS基础设施的开发,以通过可视化支持流行病学家和建模科学家的联盟。
2021-07-19 cs.HC
Is Conversational XAI All You Need? Human-AI Decision Making With a Conversational XAI Assistant
Delft University of Technology(代尔夫特理工大学)
本研究探讨对话式XAI界面对用户理解、信任及依赖AI系统的影响,发现其虽提升理解与信任,但与XAI仪表板一样引发过度依赖,LLM智能体加剧此现象,主因是解释深度错觉。
2025-01-29 cs.AI cs.HC
Have Learning Analytics Dashboards Lived Up to the Hype? A Systematic Review of Impact on Students' Achievement, Motivation, Participation and Attitude
本系统综述综合38项研究,发现学习分析仪表盘对成绩、动机和态度影响有限,但对参与度有较大促进,需严格评估方法以验证其潜力。
2023-12-22 cs.CY cs.HC
Empirical Evaluation of User Experience Using Lean Product and Process Development: A Public Institution Case Study in Indonesia
公共机构仪表板系统中的信息访问的容易性、速度、准确性、安全性是人们可能关心的信息质量的四个主要指标。为了了解系统上显示的数据是否容易被用户理解,可能必须进行实证评估研究。评估用户体验是了解系统是否符合用户需求的一种方法,无论是与数据、接口还是系统性能相关。本研究评估了用户体验的基础上的产品金字塔及其发展过程中的情况下,在印度尼西亚的公共机构的公共仪表板系统。实证实验进行了约15名参与者使用的情况下,故意设计,然后给出了答案的单一的易用性问题(SEQ)和系统的可用性量表(SUS)。结果表明,SEQ测量结果得到的值几乎为5.7,这表明应用测量结果具有易水平。SUS结果表明,系统处于可接受类别,数值约为81.3。虽然研究结果在理论上可能没有贡献,但研究结果可能为持份者在下一个系统开发阶段提供实际考虑。
2021-01-13 cs.HC
Which Spurious Correlations Impact Reasoning in NLI Models? A Visual Interactive Diagnosis through Data-Constrained Counterfactuals
ETH Zürich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心)
本文提出一种人机交互仪表盘,利用GPT-3生成反事实示例并获取模型反馈,以诊断NLI模型依赖的虚假相关性,将其归为语义相关性、逻辑谬误和偏见三类,并指出多样化训练数据与构建对抗性测试套件等研究机会。
2023-06-21 cs.CL cs.HC
Exploring User Opinions of Fairness in Recommender Systems
University of Colorado(科罗拉多大学)
随着这些系统在社会中变得越来越普遍,人工智能的算法公平性变得越来越重要。人工智能的一个领域,推荐系统,由于在优化用户的准确性和提供商的公平性之间进行权衡,因此对公平性提出了独特的挑战。但是,在建议的背景下,什么是公平的-特别是在有多个利益攸关方的情况下?在这个问题的初步探索,我们问用户他们的想法,公平对待的建议可能是,为什么。我们分析了什么可能导致用户对公平性的意见之间的差异或变化,最终帮助设计更公平,更透明的推荐算法。
2020-04-17 cs.HC cs.IR cs.LG
Visual Interface Workflow Management System Strengthening Data Integrity and Project Tracking in Complex Processes
Kırıkkale University(克尔克拉雷大学)
本研究提出了一种可视化界面工作流管理系统,通过集成MongoDB、Node.js、React.js和React Native技术,提升复杂流程中的数据完整性和项目跟踪效率。
2026-01-05 cs.HC
From User Surveys to Telemetry-Driven AI Agents: Exploring the Potential of Personalized Productivity Solutions
Microsoft Research Cambridge MA USA(微软研究院(剑桥));Stanford University(斯坦福大学);Brown University(布朗大学);Microsoft Research Redmond WA USA(微软研究院(红mond));Microsoft Redmond WA USA(微软(红mond))
本文通过363人调查和40人对比实验,开发并验证了基于GPT-4和Viva Insights遥测数据的个性化生产力智能体,证明以用户为中心的设计与个性化-隐私平衡能有效提升信息工作者的生产力。
2025-06-05 cs.AI cs.CY cs.HC
Exploring User Acceptance Of Portable Intelligent Personal Assistants: A Hybrid Approach Using PLS-SEM And fsQCA
Shenzhen University(深圳大学)
本研究以Rabbit R1为例,将AI特定因素与界面设计因素融入TAM,结合PLS-SEM和fsQCA分析824名美国用户数据,揭示了影响便携式智能个人助理接受度的关键路径与组态。
2024-08-30 cs.AI cs.HC
Exploring the Uncoordinated Privacy Protections of Eye Tracking and VR Motion Data for Unauthorized User Identification
本研究探讨了VR中眼动追踪与身体运动数据间不协调的隐私保护如何导致未经授权的用户识别,强调需全面覆盖两者的隐私保护措施。
2025-03-06 cs.HC
From Sea to System: Exploring User-Centered Explainable AI for Maritime Decision Support
University of Antwerp(安特卫普大学);Antwerp Maritime Academy (AMA)(安特卫普海事学院)
本文探讨海事决策支持中可解释人工智能的重要性,并提出面向海事专业人员的领域调查,以推动以用户为中心的XAI系统设计。
2025-09-18 cs.AI cs.CY cs.HC
ExpresSense: Exploring a Standalone Smartphone to Sense Engagement of Users from Facial Expressions Using Acoustic Sensing
面部表情被认为是反映一个人对任务的参与的度量。虽然表情检测方法的发展是必然的,但其基础主要仍然是受遮挡、环境光和隐私问题影响的图像处理技术。在本文中,我们提出了ExpresSense,一个轻量级的应用程序,独立的智能手机,依赖于近超声波声学信号检测用户的面部表情。ExpresSense已经在实验室规模和大规模研究中对不同用户进行了测试,包括姿势和自然表情。通过在各种基本表达上实现~75%的分类准确度,我们讨论了独立智能手机通过声学传感来感知表达的潜力。
2023-01-17 cs.HC
"Impressively Scary:" Exploring User Perceptions and Reactions to Unraveling Machine Learning Models in Social Media Applications
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);University of Edinburgh(爱丁堡大学)
本研究探讨社交媒体应用中机器学习模型部署不透明的问题,通过用户研究(N=21)发现,向用户揭示模型功能可引发长期行为改变,并分析了提供模型透明度的挑战与机遇。
2025-03-05 cs.AI cs.CR cs.HC
Exploring the Future of Remote User Research
COVID-19社交距离政策导致远程工作的迅速转移减缓或停止了大多数面对面的定性用户研究活动。对面对面活动的限制促使许多用户研究人员考虑如何远程继续他们的研究,并为用户研究团队提供了一个机会来(重新)设计他们的远程工作研究过程。在这份立场声明中,我概述了远程定性用户研究方法的先前工作,并讨论了这项工作如何帮助我们(重新)设计新的工具,方法和框架,可以实现远程工作。然后,我提出了一组研究问题,可以进一步提高我们的知识和能力,进行有效的远程用户研究。通过创造性的开发,我们可以创建远程研究方法,为理解当今的用户体验提供新的方法,并为远程用户研究更加普遍的未来建立更具环保意识和可访问的研究实践。
2022-08-05 cs.HC
IteraTTA: An interface for exploring both text prompts and audio priors in generating music with text-to-audio models
University of Tsukuba(筑波大学)
针对文本转音频音乐生成中用户难以感知音频空间的问题,研究提出IteraTTA界面,支持文本提示与音频先验的双向迭代探索,助力用户逐步达成模糊生成目标,并明确了相关设计考量。
2023-07-24 cs.AI cs.HC cs.SD
Just Undo It: Exploring Undo Mechanics in Multi-User Virtual Reality
本研究针对VR中撤销机制缺失的问题,探索了不同协作模式下对象操作的撤销技术,通过32人两人组堆塔实验发现用户期望并受益于撤销,且技术选择影响表现和社交联系。
2024-03-18 cs.HC