(AI peers) are people learning from the same standpoint: Perception of AI characters in a Collaborative Science Investigation
Columbia University（哥伦比亚大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文通过混合方法研究56名高中生对协作式科学探究情境评估中AI导师和队友角色的感知，发现信任通过社会临场感影响感知有效性，并识别了促进信任的关键因素。
2025-06-06 cs.AI cs.HC
Assessment of Faster R-CNN in Man-Machine collaborative search
UC Santa Barbara（加州大学圣巴巴拉分校）；United Technologies Corporation（联合技术公司）；United Technologies Research Center（联合技术研究中心）
随着由深度学习驱动的现代专家系统的出现，补充了人类专家（例如放射科医生，皮肤科医生，监控扫描仪），我们分析了如何以及何时这样的专家系统提高人类在细粒度小目标视觉搜索任务中的表现。我们建立了一个2会话析因实验设计，其中人类在有和没有深度学习（DL）专家系统的情况下视觉搜索目标。我们评估人类的目标检测性能的变化和眼睛运动中存在的DL系统。我们发现DL系统的性能改进（通过具有VGG 16的更快R-CNN计算）与观察者的感知能力（例如，灵敏度）。主要成果包括：1）DL系统在高/低灵敏度的观察者组之间平均降低了每幅图像的误报警率; 2）只有具有高灵敏度的人类观察者的表现优于DL系统，而低灵敏度组即使在DL系统本身的辅助下也不会超过单个DL系统的表现; 3）试验次数的增加和观看时间的减少主要是由DL系统驱动的，仅对于低灵敏度组。4)DL系统通过第三次注视帮助人类观察者注视目标。这些结果提供了与人类合作或竞争的深度学习系统的优势和局限性的见解。
2019-04-04 cs.CV cs.HC cs.RO
GroupBeaMR: Analyzing Collaborative Group Behavior in Mixed Reality Through Passive Sensing and Sociometry
本文提出GroupBeaMR框架，利用MR头显传感器分析对话、共享注意力和接近度以识别群体互动模式，通过社会网络分析量化群体动态，经48人12组研究验证其区分MR环境互动模式的能力。
2025-02-10 cs.ET cs.HC
Evaluating Collaborative Search Interfaces with Information Seeking Theory
尽管在信息搜索和检索研究中有许多隐式参考搜索的社会方面，但专门研究协作搜索软件的额外要求的工作相对较少。在本文中，我们重新评估最近的评估框架，设计为个人信息寻求经验，看看a）它如何仍然可以应用到协作搜索软件; b）它如何可以产生额外的要求协作搜索;和c）它如何可以在未来的工作中扩展到更适合协作搜索评估。评估后的立场是，它可以用来评估协作搜索软件，同时提供新的见解，他们的要求。最后，未来的工作将验证框架的适用性，以协作搜索和调查协作组内的角色作为一种手段来扩展框架。
2009-08-05 cs.HC cs.IR
NudgeCred: Supporting News Credibility Assessment on Social Media Through Nudges
为了遏制错误信息，社交媒体平台正在尝试设计干预措施，以提高平台上可信新闻的消费量。其中一些干预措施，如使用警告信息，是轻推的例子--一种引导行为的保留选择的技术。尽管他们的应用，我们不知道是否轻推可以引导人们在网上做出有意识的新闻可信度判断，如果他们这样做，在什么约束下。为了回答这个问题，我们结合轻推技术和基于启发式的信息处理来设计NudgeCred --Twitter的浏览器扩展。NudgeCred将用户的注意力引导到两个设计线索：来源的权威和其他用户对报告的集体意见，通过激活三个设计提示-可靠，可疑和不可靠，每个都表示新闻推文的可信度。在一项对照实验中，我们发现NudgeCred显著帮助用户（n=430）区分新闻推文的可信度，不受三种行为混淆的限制-政治意识形态，政治犬儒主义和媒体怀疑论。一个为期五天的实地部署与12名参与者显示，NudgeCred提高了他们的识别新闻项目和注意力对我们所有的轻推，特别是对可疑。除其他考虑因素外，与会者建议设计师应采用用户信任的设计方法。我们的工作为在线媒体提供了基于轻推的系统设计方法。
2021-09-20 cs.HC
Scaffolding Collaborative Learning in STEM: A Two-Year Evaluation of a Tool-Integrated Project-Based Methodology
Biongineering Department（生物工程系）；Universidad Carlos III de Madrid（卡洛斯三世大学）
本研究在健康领域机器学习硕士项目的生物医学图像处理课程中整合数字协作工具与结构化同伴评估，两年实验显示该方法提升了评估区分度、公平性与学生参与度，为STEM教育提质促公平提供参考。
2025-09-02 cs.CY cs.HC cs.LG
Automated Coding of Communications in Collaborative Problem-solving Tasks Using ChatGPT
ETS Research Institute（ETS研究院）
本文利用ChatGPT对协作问题解决任务中的通信数据进行自动化编码，探讨不同模型和框架对编码效果的影响，并提出通过优化提示提高编码准确性的方法。
2025-05-07 cs.CL cs.HC
DeltaLCA: Comparative Life-Cycle Assessment for Electronics Design
DeltaLCA是一个开源交互式工具，通过比较分析电子设计，利用领域特定启发式方法自动评估碳足迹，将LCA比较时间从专家8小时缩短至单击或15分钟，达到与完整LCA相同的结果。
2023-11-16 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
Fostering of innovative usability testing to develop mobile application for mobile collaborative learning (MCL)
随着新技术的出现，人们的注意力从计算机支持的协作学习（CSCL）转移到移动支持的协作学习。MCL是教育组织对教学活动的高度要求。一些MCL的支持架构，包括应用程序被引入到几个领域，以改善这些组织的活动，但他们需要更简洁的范式，以支持两种类型的协作：同步和异步。本文介绍了一种新的预可用性测试方法，该方法为MCL开发新的教学小组应用程序提供了教育支持，并给出了完整的画面。应用程序的功能包括异步和同步协作支持。为了验证应用程序的功能，我们进行了后可用性测试和启发式评估，这有助于收集经验数据，以证明集团应用程序的有效性和适用性。此外，应用旨在提高学习效果，随时随地教育人们。
2014-10-14 cs.CY cs.HC
Are We There Yet? Unravelling Usability Challenges and Opportunities in Collaborative Immersive Analytics for Domain Experts
本研究针对开源协作式沉浸式分析系统ParaView的XR界面，运用多个人机交互理论与准则开展可用性研究，识别出同步协作缺失、沟通方式有限等多项阻碍团队协作的可用性挑战，并提出了相应的改进方向。
2024-06-20 cs.HC
Designing The Internet of Agents: A Framework for Trustworthy, Transparent, and Collaborative Human-Agent Interaction (HAX)
Outshift by Cisco（思科Outshift）；University of Technology of Compiegne（贡比涅技术大学）
HAX框架通过整合行为启发式、模式驱动SDK和行为代理概念，为信任、透明和协作的人机交互提供端到端解决方案。
2025-12-12 cs.AI cs.HC
Designing a Boundary Negotiating Artifact for Collaborative Socio-Technical Sense-Making in AI Regulatory Sandboxes
Luxembourg Institute of Science and Technology (LIST)（卢森堡科学技术研究院（LIST））；University of Luxembourg（卢森堡大学）
本文针对AI监管沙盒中社会技术意义建构的空白，设计了一种边界协商工件，通过研究型设计迭代开发协作工具，作为技术支柱促进利益相关者协作评估，并报告设计见解。
2026-09-30 cs.AI cs.HC
Opportunities of a Machine Learning-based Decision Support System for Stroke Rehabilitation Assessment
Carnegie Mellon University（卡内基梅隆大学）；Instituto Superior Técnico（高等技术学院）；Madeira Interactive Technology Institute（马德拉互动技术研究所）
康复评估对于确定患者的适当干预至关重要。然而，目前的评估实践主要依赖于治疗师的经验，并且由于治疗师的有限可用性，评估很少被执行。在本文中，我们确定了治疗师的需求，以评估患者的功能能力（例如，替代的角度评估与患者的运动动作的定量信息）。因此，我们开发了一个智能决策支持系统，可以使用强化学习来识别评估的显著特征，以评估运动的质量并总结患者的具体分析。我们评估了这个系统与七个治疗师使用的数据集，从15名患者进行三个练习。评估表明，我们的系统是首选的传统系统没有分析，同时提供更多有用的信息，并显着增加了协议治疗师的评价从0.6600到0.7108 F1-分数（$p <0.05$）。我们讨论的重要性，提出上下文相关的和突出的信息和适应开发一个人机协同决策系统。
2020-03-02 cs.AI cs.CV cs.HC
Semantic Variability of Replies Across LLMs: Implications for Designing Conversation-Based Assessment
ETS Research Institute（ETS研究院）；Princeton（普林斯顿大学）
本研究探究不同LLM生成回复的语义变异性，发现模型选择与对话上下文会影响回复相似度及与人类回复的对齐度，指出仅靠提示词和上下文无法保证跨LLM的回复一致性，需构建相关基础设施与设计策略。
2026-08-27 cs.AI cs.CL cs.HC
