An assistive HCI system based on block scanning objects using eye blinks
人机交互(Human-Computer Interaction,HCI)为人与计算机之间提供了一种新的交流渠道。我们开发了一个辅助系统的基础上块扫描技术,使用眨眼,提出了一个免提接口之间的人和计算机的人与运动障碍。已开发的系统进行了测试的12个用户进行了10个常见的计算机任务,使用眨眼扫描时间为1.0秒。该系统的性能进行了评估的选择时间,选择精度,误报率和平均成功率。成功率为98.1%。
2019-12-29 cs.HC
Designing for emotion regulation interventions: an agenda for HCI theory and research
有越来越多的兴趣在HCI设想,设计和评估技术支持的干预措施,支持用户的情绪调节。这种兴趣部分源于越来越多的人认识到,调节情绪的能力对心理健康至关重要,缺乏有效的情绪调节是精神疾病的一个转诊断因素。然而,将创新的人机交互设计与心理学的理论基础和最先进的干预措施相结合的潜力尚未完全实现。在本文中,我们综合了人机交互工作的情绪调节干预措施,并提出了一个由三部分组成的框架,以指导技术设计人员在制定:(一)理论知情的决策干预目标;(二)战略决策的技术支持的干预机制将包括在系统中;(三)围绕以前的实施所选择的干预组件的实际决策。我们展示了这个框架如何既可以系统化人机交互工作的日期,并提出了未来工作的研究议程。
2022-04-04 cs.HC
Characterizing HCI Research in China: Streams, Methodologies and Future Directions
这份立场文件迈出了第一步,试图提出中国人机交互研究的初步特征。本文基于两种著名的人机交互理论:Micro/Marco-HCI和三大人机交互范式,讨论了当前中国人机交互研究的趋势和方法。我们通过对CHI 2019中国出版物的调查来评估讨论,这表明中国的HCI研究对宏观HCI主题和HCI的第三范式(现象学定位交互)关注较少。在此基础上,我们提出了未来人机交互研究的方向,如更加关注宏观人机交互主题和第三范式的人机交互,将多个人机交互范式的研究方法论结合起来,包括那些接触技术较少的新兴用户,以及解决文化维度以提供更好的技术解决方案和支持。
2019-05-17 cs.CY cs.HC
The Value of Interaction in Data Intelligence
本研究针对人机交互(HCI)对计算机的价值常被忽视的问题,提出信息论框架量化计算机通过HCI从用户获取的知识,证实其在数据智能工作流中重要却被低估的作用。
2023-11-06 cs.HC
Rethinking Citation of AI Sources in Student-AI Collaboration within HCI Design Education
本研究针对HCI设计教育中学生AI协作下AI内容引用的难题,通过分析UX设计课程的35个团队项目与175名学生的反思,指出现有引用框架的不足,提出将AI引用作为反思性教学实践,给出AI贡献声明等策略,助力有意义的师生AI协作。
2025-06-13 cs.HC
A Human Computer Interaction Solution for Radiology Reporting: Evaluation of the Factors of Variation
本研究的目的是评估所需的人力和技术因素,以创建一个人机界面(HCI)的结构化报告解决方案的基础上,眼睛凝视和语音信号。分析在模拟图像判读和听写会话期间采集的来自放射科医师的凝视和语音信号,以确定a)听写环境中眼睛凝视和语音之间的时间关系的变化,以及b)放射科医师之间针对特定图像判读任务的眼睛运动的变化。这些因素的知识提供了关于图像判读或口述任务的复杂性的信息,并且提供了可以用于设计用于诊断放射学的HCI的信息。我们的最终目标是使用这些数据来创建HCI,以自动生成特定类型的结构化放射学报告。我们的数据表明,a)眼睛注视和语音之间的时间关系和b)扫描路径在放射科医生之间有很大的不同,因此,这意味着应该为每个用户定制基于眼睛注视和语音的HCI系统,用于自动捕获结构化报告过程的数据。图像分辨率和布局、图像内容以及图像判读会话期间的目标顺序不是设计HCI时要考虑的相关因素。我们的研究结果可以应用到其他HCI解决方案的设计,涉及视觉检查和口头描述的图像结果的放射应用。
2016-08-03 cs.HC
Exploring the Human-LLM Synergy in Advancing Theory-driven Qualitative Analysis
Department of Computer Science, National University of Singapore(计算机科学系,国立新加坡大学);Amazon Research, Amazon.com Inc(亚马逊研究,亚马逊公司);Department of Social Work, National University of Singapore(社会工作系,国立新加坡大学)
本文提出CHALET方法,通过人与大语言模型的协同合作,推动理论驱动的定性分析,揭示心理健康污名的潜在主题。
2025-11-27 cs.CL cs.CY cs.HC
Systematic Literature Review of Using Virtual Reality as a Social Platform in HCI Community
本文系统回顾了94篇HCI领域文献,发现VR通过自我表征等影响社交互动,具有放松等积极影响及加剧骚扰等消极影响,并提出了社交体验评估框架及未来研究方向。
2024-10-09 cs.HC
Designing for Ethical AI: HCI Feature Considerations to Improve Fairness and User Experience in AutoML use for Human Resources
University of Bordeaux(波尔多大学);IAE(企业管理学院)
该论文结合多视角研究AutoML在人力资源招聘中的公平性,发现现有平台存在缺陷,提出五维度HCI公平评估框架,建议将公平性嵌入AutoML设计以提升伦理可持续性。
2026-08-11 cs.AI cs.HC
An Equitable Experience? How HCI Research Conceptualizes Accessibility of Virtual Reality in the Context of Disability
本研究通过文献综述提出VR可访问性工作定义,强调体验是公平访问的必要条件,呼吁未来研究关注残疾用户的体验。
2024-11-07 cs.HC
HCI Support Card: Creating and Using a Support Card for Education in Human-Computer Interaction
支持卡总结了一组关于主题的核心信息。化学元素周期表和数学表是用于教学目的的支持卡的众所周知的例子。技术专业人员还使用支持卡来回忆信息,如程序设计语言的语法细节或设计用户界面的和谐调色板。虽然支持卡已被证明在许多情况下是有用的,但很少有人知道它在人机交互(HCI)领域的教学用途。为了填补这一空白,本研究提出并评估了创建和使用HCI支持卡的过程。该过程考虑了该领域的跨学科性质,包括教学大纲,课程,教科书和学生对HCI主题的看法。评估是基于创建和使用卡在一个学期中的两个本科课程的案例研究:软件工程和信息系统。结果表明,支持卡可以帮助学生在以下的教训,记住和整合在课堂上学习的不同主题。该卡片指导学生建立他们的认知图、思维导图和概念图来学习人机交互。它培养了学生的好奇心和对HCI主题的永久参与。卡片的用途超出了HCI课堂,也被学生用于他们的专业活动和其他学科,促进HCI主题的跨学科应用。
2019-09-15 cs.CY cs.HC
Supporting Serendipity: Opportunities and Challenges for Human-AI Collaboration in Qualitative Analysis
定性归纳方法因其能够生成性地发现深入的、情境化的见解而广泛用于CSCW和人机交互研究,但这些固有的手动和人力资源密集型过程对于分析大型语料库通常是不可行的。研究人员对如何将定性方法应用于“大”数据问题越来越感兴趣,希望从更大量的数据中获得更普遍的结果,同时保持定性方法的深度和丰富性。在本文中,我们描述了一项关于定性研究人员的工作实践及其挑战的研究,着眼于这是否是一个适合人类与人工智能合作的领域,以及成功的合作可能需要什么。我们的研究结果描述了参与者的不同方法实践和微妙的协作动态,并确定了他们可能从基于人工智能的工具中受益的领域。虽然参与者强调了定性归纳分析的混乱和不确定性,但他们仍然希望在这个过程中拥有完全的代理权,并认为人工智能不应该干预。我们的研究在定性分析的背景下对人类与人工智能协作中的任务可委托性进行了深入的研究,并为尊重意外发现、人类代理和模糊性的人工智能援助的设计提供了方向。
2021-02-07 cs.HC
Teaching Usable Privacy in HCI Education: Designing, Implementing, and Evaluating an Active Learning Graduate Course
George Mason University(乔治梅森大学)
本文设计并评估了一门15周的研究生课程,通过主动学习方法教授可操作隐私,提升学生在隐私设计中的决策能力,并提供课程实施和评估的详细指南。
2026-04-26 cs.CY cs.HC
Revibing Code from Papers: Reimplementing HCI Artifacts
University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
本研究利用智能体AI技术直接从HCI研究论文重构交互式软件,提出重构性指标,经UIST论文验证可生成强基线代码,有望改变HCI研究人工制品的生产评估方式。
2026-08-05 cs.HC cs.SE
MyoInteract: A Framework for Fast Prototyping of Biomechanical HCI Tasks using Reinforcement Learning
University of Cambridge(剑桥大学);Center for Scalable Data Analytics and Artificial Intelligence (ScaDS.AI) Dresden/Leipzig, Leipzig University(可扩展数据与人工智能分析中心(ScaDS.AI)德累斯顿/莱比锡,莱比锡大学)
提出MyoInteract框架,通过强化学习生物力学模拟,将设置和训练时间从数天缩短至数分钟,使非专家也能快速原型化人机交互任务。
2026-06-24 cs.AI cs.HC
Hiding in Plain Sight: Understanding the Everyday Practices and Challenges of Car Dwellers
University of California, Irvine(加州大学尔湾分校)
研究探讨车居者在住房不安全性和基础设施限制下的日常实践与身份塑造,提出设计技术以更好地满足其多样化需求。
2026-02-18 cs.HC
Display Content, Display Methods and Evaluation Methods of the HCI in Explainable Recommender Systems: A Survey
本文综述可解释推荐系统的人机交互层,提出统一研究框架,从生命周期梳理技术方法,强调视频解释,并结构化总结定性与定量评估。
2025-05-14 cs.HC cs.IR
Mapping the Challenges of HCI: An Application and Evaluation of ChatGPT for Mining Insights at Scale
University of Oulu, Center for Applied Computing, Faculty of Information Technology and Electrical Engineering(奥卢大学,应用计算中心,信息科技与电气工程学院);University of Jyväskylä, Software and Communications Engineering, Faculty of Information Technology(耶夫尼耶斯基大学,软件与通信工程,信息科技学院)
本文评估ChatGPT在从大规模人机交互文献中提取研究挑战的应用,通过两步法提取并筛选挑战,发现与伦理和可及性等领域的强关联,以及人机协作等领域的不足,验证了LLM在大规模定性分析中的实用性。
2026-03-24 cs.AI cs.HC
Can GPT-4o Evaluate Usability Like Human Experts? A Comparative Study on Issue Identification in Heuristic Evaluation
State University of Paraná(巴拉那州立大学);Federal Technological University of Paraná(巴拉那联邦技术大学);Federal University of Lavras(拉夫拉斯联邦大学);Federal Rural University of Pernambuco(伯南布哥联邦农村大学);Federal University of São Carlos(圣卡洛斯联邦大学)
本文比较GPT-4o与人类专家在启发式评估中识别问题的能力,发现GPT-4o在审美和极简设计相关启发式方面表现较好,但在灵活性、控制和用户效率相关启发式方面存在困难。
2025-06-19 cs.HC
How to Analyse Interviews: A Documentary Method of Interpretation
School of Computer Science, University of Nottingham(诺丁汉大学计算机学院)
本文提出一种纪录片式解释方法(DMI)用于分析访谈文本中的主题组织,对比传统定性方法,强调其无需分析师具备定性分析或社会科学研究知识即可实现主题分析。
2026-06-19 cs.HC
Generative AI in Game Development: A Qualitative Research Synthesis
Aalto University(阿尔托大学);University of York(约克大学);University of Coimbra(科英布拉大学);Queen Mary University of London(伦敦大学玛丽女王学院)
本文通过元民族志方法综合分析了生成式AI在游戏开发中的质性研究,识别出九个核心主题,为从业者和政策制定者提供实践指导。
2025-12-09 cs.HC
LLMs in HCI Data Work: Bridging the Gap Between Information Retrieval and Responsible Research Practices
本文提出结合LLMs与结构化文本分析的信息检索系统,从300篇CHI论文中提取实验数据,评估GPT-3.5与Llama-2-70b性能,并探讨LLMs在HCI研究中的风险与伦理指南。
2024-03-27 cs.HC cs.IR
Non-contact Real time Eye Gaze Mapping System Based on Deep Convolutional Neural Network
Gwangju Institute of Science and Technology(光州科学技术院)
人机交互(HCI)是研究人类用户和计算机系统之间交互的领域。随着HCI的发展,个人或群体可以使用各种数字技术来实现最佳的用户体验。人类视觉注意力和视觉智能与认知科学、心理学和营销信息学有关,并用于人机交互的各种应用中。凝视识别与人机交互领域密切相关,因为它可以增强对人类基本行为的理解。我们可以通过凝视匹配方法找到用户正在凝视的区域,从而获得可靠的视觉注意力。在先前的方法中,用户佩戴眼镜型设备,该眼镜型设备以配备有注视跟踪功能的眼镜的形式并且在有限的监视器区域内执行注视跟踪。此外,在用户的姿势固定的同时执行有限范围内的注视估计。本文克服了以往方法的物理局限性,提出了一种适用于现实环境的非接触式视线映射系统。此外,我们还介绍了GIST凝视映射(GGM)数据集,这是一个用于学习和评估凝视映射的凝视映射数据集。
2020-09-10 cs.CV cs.HC
When Gamification Spoils Your Learning: A Qualitative Case Study of Gamification Misuse in a Language-Learning App
越来越多像Duolingo这样的学习应用程序正在使用某种形式的游戏化(例如,徽章、积分和排行榜)来增强用户学习。然而,他们并不总是成功的。游戏化误用是一种现象,当用户变得过于专注于游戏化并从学习中分心时就会发生。这种不良现象浪费了用户的宝贵时间,并对他们的学习表现产生负面影响。然而,在文献中很少有研究来了解游戏化误用并为未来的游戏化设计提供信息。因此,本文旨在通过对流行的学习应用Duolingo中的游戏化误用进行首次广泛的定性研究来填补这一知识空白。Duolingo是目前世界上下载量最大的语言学习应用程序。这项研究包括两个阶段:(一)对Duolingo论坛(过去九年)的数据进行内容分析;(二)对15位国际Duolingo用户进行半结构化访谈。我们的研究在三个方面为人机交互(HCI)和大规模学习(L@S)研究社区做出了贡献:(1)详细阐述游戏化滥用对用户学习,幸福和道德的影响,(2)确定游戏化滥用的最常见原因(例如,竞争力,过度沉迷于玩耍和羊群),以及(3)为设计师提供实用的建议,以防止(或减轻)在他们未来的游戏化学习应用程序设计中出现游戏化误用。
2022-03-30 cs.HC
Chatbots for Data Collection in Surveys: A Comparison of Four Theory-Based Interview Probes
本文通过裂区实验比较四种基于理论的访谈追问,研究基于LLM的聊天机器人在调查中支持定性数据收集的效果,发现不同追问适用于HCI研究的不同阶段,并提出了实践与方法论启示。
2025-03-11 cs.HC
Attention! A Lightweight 2D Hand Pose Estimation Approach
Democritus University of Thrace(色雷斯德谟克利特大学)
基于视觉的人体姿态估计是一种非侵入式的人机交互技术。直接使用手作为输入设备提供了一种有吸引力的交互方法,不需要专门的传感设备,例如外骨骼、手套等,而是需要相机。传统上,HCI被用于各种应用,包括制造业、外科手术、娱乐业和建筑等领域。部署基于视觉的人体姿态估计算法可以为这些应用带来创新。在这封信中,我们提出了一种新的卷积神经网络架构,加强了自我注意力模块,它可以部署在嵌入式系统上,由于其轻量级的性质,只有190万个参数。源代码和定性结果是公开的。
2020-05-31 cs.CV cs.HC cs.LG
Systemization of Knowledge (SoK): Human-Centered AI Safety for Youth
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Washington(华盛顿大学)
系统回顾100项实证HCI研究,利用YAIR与MIT分类法绘制青年AI风险及应对措施图谱,发现多数措施仅被提议而未经实施或评估,并提出加强青年AI安全的具体研究方向。
2026-10-07 cs.AI cs.HC cs.LG
Comparing different qualitative methods to understand user experience in Saudi Arabia
HCI领域已经看到了越来越多的定性研究,利用广泛的活动和方法。访谈和研讨会是用来帮助了解用户需求并与他们开展共同设计活动的一些主要技术。然而,这些方法可以以各种方式进行,并且具有不同的优点和缺点。影响活动类型和所用方法的一个重要方面是研究参与者的文化。本文旨在比较在沙特阿拉伯文化背景下进行的研究方法。它提供了在设计社交电商平台时用于了解用户需求的方法的反思,包括访谈,共同设计研讨会和评论设计研讨会。我们发现,每种方法在用户偏好方面都有其积极和消极的一面,并且可以帮助获得不同细节级别的有用信息。例如,通过文本进行半结构化访谈是在家与家人在一起的参与者的首选。但是,它们可能比其他方法慢。
2022-12-08 cs.CY cs.HC
A Scale For Value Alignment In Human-AI Interaction
Hasso Plattner Institute(哈索·普拉特纳研究所);LMU Munich(慕尼黑大学);MIT(麻省理工学院);Aalto University(阿尔托大学);ELLIS Institute Finland(芬兰ELLIS研究所)
针对价值对齐缺乏测量工具的问题,构建并验证了一个13条目心理测量量表,涵盖价值理解与价值体现两个维度,并开发了6条目简版,为HCI研究提供可靠评估指标。
2026-10-08 cs.HC
Object Recognition in Human Computer Interaction:- A Comparative Analysis
本文比较分析了人机交互中用于面部和手势识别的多种算法,评估其准确性、鲁棒性和效率,以改进交互系统的设计。
2024-11-06 cs.AI cs.CV cs.HC
Optimal Feedback Control for Modeling Human-Computer Interaction
最佳反馈控制(OFC)是来自运动控制文献的理论,其解释人类如何移动其身体以实现特定目标,例如,用手指指着。OFC是基于这样的假设,即人类的目标是在身体、环境和任务的约束下最佳地控制自己的身体。在本文中,我们解释了如何将这一理论应用于理解人机交互(HCI)的情况下,指向。我们建议,人体和计算机动力学可以被解释为一个单一的动力系统。系统状态由用户通过肌肉控制信号控制,并根据观察结果进行估计。试验间变异性来自信号依赖性对照噪声和观察噪声。我们比较了四种不同的模型,从最优控制理论和评估到什么程度,这些模型可以复制鼠标指向的情况下的运动。我们介绍了一个程序,以确定参数,最好地解释观察到的用户行为。为了支持HCI研究人员模拟、分析和优化交互动作,我们提供了Python工具箱OFC4HCI。我们的结论是,OFC提出了一个强大的框架,人机交互来理解和模拟运动的人体和接口上的时刻的基础上。
2022-04-20 cs.HC math.OC
Designing Computational Tools for Exploring Causal Relationships in Qualitative Data
Department of Computer Science, National University of Singapore(国立新加坡大学计算机科学系);Wee Kim Wee School of Communication and Information, Nanyang Technological University(南洋理工大学Wee Kim Wee通讯与信息学院);Dept of Computer Science, National Yang Ming Chiao Tung University(阳明交通大学计算机科学系)
本文提出QualCausal系统,通过交互式因果网络构建和多视角可视化,帮助用户探索定性数据中的因果关系,减少分析负担并提供认知支持。
2026-02-06 cs.CL cs.CY cs.HC
Word Synchronization Challenge: A Benchmark for Word Association Responses for Large Language Models
Ghent University(根特大学);Airo lab(Airo实验室)
本文提出词同步挑战基准测试,用于评估大型语言模型在模拟人类认知过程中的词关联能力,揭示模型复杂性对社交互动性能的影响。
2026-01-14 cs.CL cs.HC
Rules Of Engagement: Levelling Up To Combat Unethical CUI Design
虽然HCI的核心目标一直是创建和开发易于使用的界面,但最近更深入的关注点已经放在更道德的界面设计上。然而,无论是在CUI社区还是在更广泛的HCI研究人员中,道德设计的确切含义和衡量标准都尚未确立。在这篇挑衅性的论文中,我们提出了一种简化的方法来评估接口的基础上采取的五个维度从以前的研究所谓的黑暗模式。因此,我们的方法提供了一个数字分数,它的用户代表评估接口的操纵性质。人们希望这种方法-区分说服和操纵设计,并专注于后者如何发挥作用,而不是如何表现-将提供一种可行的方法来量化不道德的界面设计,这将证明对研究人员,监管机构,甚至潜在的用户有用。
2022-07-19 cs.CY cs.HC
Proactive Systems in HCI and AI: Concepts, Challenges, and Opportunities
University of Toronto(多伦多大学);University of Waterloo(滑铁卢大学);Carleton University(卡尔顿大学)
本文通过多学科研讨会,旨在建立主动系统的清晰概念框架,识别设计与评估方法的不足,并制定以人为中心的指南,以推动主动技术的稳健发展。
2026-06-25 cs.AI cs.HC
"Lighting The Way For Those Not Here": How Can Technology Researchers Help Resist the Missing and Murdered Indigenous Relatives (MMIR) Crisis?
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
本文探讨技术在解决失踪和谋杀原住民亲属危机中的作用,通过分析社区技术使用,提出支持原住民主导倡议的建议。
2026-10-05 cs.CY cs.HC
Retrospective End-User Walkthrough: A Method for Assessing How People Combine Multiple AI Models in Decision-Making Systems
本文提出一种回顾式终端用户走查方法,用于评估人机AI决策系统中用户如何组合多个AI模型,并通过29名参与者的定性研究验证其有效性,以揭示AI模型被忽略、使用或信任的原因。
2023-05-12 cs.HC
Esports and expertise: what competitive gaming can teach us about mastery
该研究指出人机交互传统聚焦原子化任务的局限,以电子竞技为切入点,提出应关注人类对更高层次整体性实践的精通,而非仅追求单个操作的速度。
2025-07-07 cs.HC
The Slow Space Editor : Broadening Access to Restorative XR
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文介绍慢空间编辑器,一种简化XR环境创建的二维工具,通过定义概念、设计师访谈和工具设计,旨在扩大修复性空间的可及性,并经19人定性研究验证。
2025-10-08 cs.HC
Are Deepfakes Concerning? Analyzing Conversations of Deepfakes on Reddit and Exploring Societal Implications
Deepfakes是使用高级深度学习和AI技术生成的合成内容。技术的进步为任何人创造了更容易创建和分享deepfake的机会。这可能会导致基于社区如何参与的社会关注。然而,了解社区如何看待deepfake的研究有限。我们研究了2018年至2021年Reddit上的deepfake对话,包括主要主题及其时间变化以及这些对话的影响。使用混合方法-主题建模和定性编码,我们发现6,638篇帖子和86,425条评论讨论了对deepfakes可信性的担忧以及平台如何调节它们。我们还发现Reddit的对话是支持deepfake的,并建立了一个支持创建和共享deepfake工件的社区,并建立了一个无论后果如何的市场。定性代码可能产生的影响表明,deepfake对话引起了社会关注。我们提出,人机交互(HCI)可以减轻deepfakes造成的伤害。
2022-03-14 cs.HC cs.SI
Beyond Technological Usability: Exploratory Factor Analysis of the Comprehensive Assessment of Usability Scale for Learning Technologies (CAUSLT)
本文针对学习技术领域过度依赖HCI可用性工具的问题,通过155份问卷的探索性因子分析开发CAUSLT量表,提出涵盖技术、教学与社会文化维度的综合评估框架。
2025-02-03 cs.HC cs.PF
I Prompt, it Generates, we Negotiate. Exploring Text-Image Intertextuality in Human-AI Co-Creation of Visual Narratives with VLMs
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));The University of Sydney(悉尼大学);Hong Kong Polytechnic University(香港理工大学);Aarhus University(奥胡斯大学);Institute for Network Sciences and Cyberspace, Tsinghua University(清华大学网络科学与网络空间研究院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Swinburne University of Technology(斯威本科技大学)
本研究通过GPT-4o对15名参与者进行定性分析,揭示了人类与AI共创视觉叙事中的文本-图像互文性,识别出四种协作模式与三条成功路径,并提出了基于角色的AI助手设计启示。
2025-11-05 cs.HC
When Qualitative Research Meets Large Language Model: Exploring the Potential of QualiGPT as a Tool for Qualitative Coding
本文提出QualiGPT工具,利用大语言模型自动进行定性编码,通过对比实验证明其提升效率、透明度和可访问性,并与人工编码具有高度一致性。
2024-07-20 cs.HC
Using Virtual Reality to Shape Humanity's Return to the Moon: Key Takeaways from a Design Study
对月球探测的兴趣重新燃起,预示着新一代的设计解决方案将支持人类在月球上的行动。虽然空间系统设计传统上是由模拟研究中的原型部署来指导的,但这种方法的资源密集性质在很大程度上排除了从人机交互(HCI)中应用熟练的以用户为中心的设计(UCD)方法。本文探讨了可能使用的虚拟现实(VR)在实验室环境中模拟模拟研究,从而使承担UCD在这个否则工程为主的领域。借鉴欧洲大型物流着陆器的持续发展,我们在VR中重新创建了一个前瞻性的月球操作场景,并与一组宇航员和太空专家(n=20)进行了评估。我们的定性研究结果证明了VR在促进UCD,实现有效的上下文查询和改善项目团队协调方面的有效性。最后,我们提出了未来的方向,以进一步利用VR在月球系统的设计。
2023-03-01 cs.CY cs.HC
Sniff AI: Is My 'Spicy' Your 'Spicy'? Exploring LLM's Perceptual Alignment with Human Smell Experiences
University College London(伦敦大学学院)
本研究通过用户研究评估大语言模型对气味描述的感知对齐,发现其存在偏见且识别有限,并探讨了多感官体验整合的局限与机遇。
2024-11-11 cs.CL cs.HC
Results-Actionability Gap: Understanding How Practitioners Evaluate LLM Products in the Wild
HCI \& Design Section IT University of Copenhagen Copenhagen Denmark;Centre for Human-Inspired Artificial Intelligence, Cambridge University Cambridge United Kingdom;Computer Science Johns Hopkins University Baltimore Maryland United States;Engineering University of Michigan Ann Arbor Michigan United States;IT University of Copenhagen;Centre for Human-Inspired Artificial Intelligence, Cambridge University;Johns Hopkins University;University of Michigan
研究探讨从业者如何评估大语言模型产品,发现'结果-可行动性差距'问题,提出策略帮助从业者从非正式评估转向系统化评估。
2026-01-25 cs.AI cs.HC cs.SE
How K-12 Educators Use AI: LLM-Assisted Qualitative Analysis at Scale
University of Washington(华盛顿大学);Hensun Innovation(翰森创新)
本研究通过大规模LLM辅助分析,探讨K-12教育工作者在教学中使用AI工具的模式与方法,揭示其教学推理过程并为教育工具设计提供依据。
2025-12-15 cs.AI cs.HC
GLADAS: Gesture Learning for Advanced Driver Assistance Systems
Harvard University(哈佛大学)
随着自动驾驶汽车(AV)的普及,人机交互(HCI)对于生命安全至关重要。然而,几乎没有努力确保自动驾驶汽车在路上理解人类。在本文中,我们提出了GLADAS,一个基于模拟器的研究平台,旨在教自动驾驶汽车理解行人的手势。GLADAS支持基于深度学习的自动驾驶汽车手势识别系统的训练、测试和验证。我们专注于手势,因为它们是与汽车交互的原始(即自然和常见)方式。据我们所知,GLADAS是同类系统中的第一个,旨在为进一步研究人机交互提供基础设施。我们还开发了一种用于自动驾驶汽车的手势识别算法,使用GLADAS来评估其性能。我们的研究结果表明,AV理解人类手势的85.91%的时间,加强需要进一步研究人类AV互动。
2019-10-02 cs.CV cs.HC cs.LG
Prompts Matter: Comparing ML/GAI Approaches for Generating Inductive Qualitative Coding Results
Northwestern University(西北大学)
本研究比较了四种ML/GAI方法在生成归纳式定性编码结果上的表现,发现将人类编码过程引入GAI提示词的新颖方法具有显著优势。
2024-11-10 cs.AI cs.CL cs.HC
Human Factors in Model Interpretability: Industry Practices, Challenges, and Needs
New York University(纽约大学);Northwestern University(西北大学)
随着机器学习(ML)模型在产品开发和数据驱动决策过程中的应用在许多领域变得越来越普遍,人们对构建性能良好的模型的关注已经越来越多地转移到了解他们的模型是如何工作的。虽然在HCI,ML等研究社区中,对模型可解释性的学术兴趣迅速增长,但对于从业者如何感知并旨在在现有工作流程的背景下提供可解释性,人们知之甚少。这种对可解释性缺乏理解的做法可能会阻止可解释性研究解决重要的需求,或导致不切实际的解决方案。为了弥合这一差距,我们对行业从业者进行了22次半结构化访谈,以了解他们在规划、构建和使用模型时如何构思和设计可解释性。基于对结果的定性分析,我们区分了大量使用ML模型的组织中存在的可解释性角色、流程、目标和策略。从我们的分析中出现的可解释性工作的特征表明,模型的可解释性经常涉及不同角色的人之间的合作和心理模型比较,通常旨在建立信任,不仅在人与模型之间,而且在组织内的人之间。我们提出了设计的影响,讨论了从业者在实践中面临的可解释性挑战和文献中提出的方法之间的差距,突出了可以更好地满足现实世界需求的可能的研究方向。
2020-05-30 cs.CY cs.HC cs.LG
Mic Drop or Data Flop? Evaluating the Fitness for Purpose of AI Voice Interviewers for Data Collection within Quantitative & Qualitative Research Contexts
VKL Research, Inc.(VKL研究公司);Old Dominion University(旧 Dominion 大学)
该立场论文从输入输出性能与言语推理维度评估AI语音访谈员和IVR系统,发现AI访谈员数据收集能力已超IVR,但定性场景下的应用仍受转录误差、情绪检测等问题限制需依场景而定。
2025-09-01 cs.AI cs.CL cs.HC