human–computer interaction
PulseAugur coverage of human–computer interaction — every cluster mentioning human–computer interaction across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
新的Act2Intention基准推动了主动移动代理的发展
研究人员推出了Act2Intention，一个旨在推动主动移动代理发展的新基准。该框架侧重于从GUI操作中推断用户意图，超越了简单的被动任务执行。Act2Intention Bench包含超过72,000个意图和700,000个操作，涵盖52个应用程序，为评估主动代理提供了一个标准化平台。实验表明，在此基准上进行微调可以显著提高意图理解、预测和执行能力。
-
AI框架通过舞蹈模仿分析识别自闭症生物标志物
研究人员开发了一个计算框架来分析自闭症的运动特征，利用舞蹈模仿数据。通过采用动态时间规整（Dynamic Time Warping）并引入社交情境敏感性指数（Social Context Sensitivity Index, SCSI），他们量化了运动一致性和社交框架调制。该方法以79.2%的准确率成功区分了自闭症和神经典型个体，发现神经典型成年人在社交情境下表现出更高的变异性，而自闭症成年人则保持一致性。这些发现强调了社交情境敏感性…
-
研究发现AI日记提示对独处行为最有效
一项分析了为期八周研究中的369篇日记条目的研究发现，当行为独立于他人时，AI日记工具在促进行为改变方面更为有效。涉及他人的行为仅在15-22%的案例中有所改善，而独处行为的改善频率更高，可达50-63%。研究还指出，写作风格特征并不能持续预测改善情况，文本信号对较长的个人意图条目和短信等特定行为最有效。
-
研究：XAI解释的正确性影响人类理解，但不总是如此
一篇新近发表在arXiv上的研究论文，探讨了可解释人工智能（XAI）方法的功能正确性与人类理解之间的关系。研究人员进行了一项包含200名参与者的用户研究，将解释的正确性分成了四个层级进行操纵。研究结果表明，虽然解释的正确性确实会影响人类的理解，但并非所有正确性上的差异都能转化为可辨别理解能力的改变。具体来说，只有当正确性低于70%时，理解能力才会显著下降，而在55%时则没有进一步下降。此外，即使是完全正确的解释也不能保证理解，因为一些…
-
新论文提出用于招聘中道德AI的人机交互（HCI）框架
一篇新论文探讨了在专门用于人力资源招聘流程的自动化机器学习（AutoML）工具中整合公平性和用户体验。文章指出，虽然AutoML提高了效率，但存在延续历史数据偏见的风险。该研究通过定性的人机交互（HCI）审计和对八个AutoML平台的定量测试，发现了透明度、用户控制和偏见缓解方面的显著不足。为解决这些问题，该论文提出了一个新的基于人机交互（HCI）的公平性评估框架，并主张将公平性直接嵌入AutoML系统的产品设计中，以确保道德可持续性…
-
智能手机数据为慢性病症状提供客观评估
研究人员开发了一种利用智能手机数据评估神经退行性和炎症性疾病患者疲劳、睡眠和活动水平的方法。与传统患者报告结果（可能主观且对变化不敏感）相比，该方法旨在提供更客观、更可靠的测量。该研究涉及六个疾病组和一组健康对照组的 137 名参与者，分析了屏幕时间和应用程序使用与 PRO 分数之间的相关性。
-
AI生成的反驳可以个性化以获得更大影响力
研究人员开发并评估了生成情境化AI反驳策略以对抗在线毒性。与泛化方法不同，这些新方法会适应对话情境和用户历史以增强说服力。一项众包实验表明，整合对话情境和用户历史的轻量级策略提高了感知充分性和说服力，尽管个性化并非普遍有效。研究结果为创建更个性化和负责任的反驳系统提供了指导，以促进在线内容审核中的人机协作。
-
论文提出用于促进科技工作者之间地缘政治反思的AI系统
一篇新论文提出了一种由AI驱动的交互式叙事系统，旨在培养科技工作者的地缘政治意识。该系统旨在鼓励批判性地审视与技术在国际动态中作用相关的假设和价值观。这种方法试图将地缘政治反思性融入负责任的AI计划中，而不诉诸规定性方法。
-
新协议引出卒中幸存者对康复系统 XAI 的需求
研究人员开发了一种新颖的视频式脚手架协议，用于引出卒中幸存者的可解释人工智能（XAI）需求，以解决习得性沟通障碍带来的挑战。该协议采用四种脚手架方法——类比桥接、投射人格、二元强制和延长响应时间——帮助患者和护理人员阐述他们对算法透明度的需求。研究确定了异质的 XAI 需求，并揭示了从业者应注意的三种系统性促进偏见，为设计值得信赖的康复人机系统贡献了一种可重用方法。
-
扩展现实被提议为人机控制的调解层
一篇新论文提出将扩展现实（XR）作为人机协作中情境化人类控制的关键调解层。作者认为，XR可以增强人类协作者在其特定的物理、社会和时间背景下理解、塑造、授权和中断机器人动作的能力。该论文概述了四项关键的调解功能和六个设计维度，以指导XR系统的开发，从而在动态的共享环境中提高机器人自主性的可操作性和可问责性。
-
研究发现：聊天机器人验证独立于用户信任
一项新的研究论文挑战了对聊天机器人用户信任的传统理解，认为信任水平不会显著影响用户验证聊天机器人输出的倾向。该研究调查了153名频繁使用聊天机器人的用户，发现尽管信任和验证不相关，但那些积极调整、纠正或批准聊天机器人行为的用户报告了更高的满意度。该研究提出将用户监督重塑为“认识论治理”，并为对话式AI系统提供设计建议，以更好地支持用户自主性。
-
对话式AI产品顾问研究揭示透明度挑战
最近的一项可用性研究探讨了旨在实现透明度的对话式产品顾问的有效性。虽然参与者普遍认为该聊天机器人有助于完成笔记本电脑搜索等任务，但内置的排名解释（旨在建立信任）实际上导致了最严重的可用性问题。参与者赞赏顾问节省的时间，但也表达了对更多直接操作控件的需求。
-
人在回路AI面临可扩展性和疲劳挑战
本文探讨了将人类整合到AI系统中的挑战，这一过程被称为人在回路（HITL）。虽然人类在标注、调优和验证等任务中至关重要，但他们的参与带来了显著的成本和可扩展性问题。作者提出了人在回路之上（HOTL）作为更自主系统的监督范式，并讨论了认知科学原理以减轻人机交互中的人类疲劳和偏见。
-
研究发现：人工干预可能降低AI在客观任务中的信任度
一项新近发表在arXiv上的研究探讨了人工干预（HITL）反馈如何影响用户对AI系统的信任度和感知准确性。研究表明，当任务有客观正确答案时，用户反馈反而可能随着时间的推移降低信任度和准确性感知。然而，在主观任务领域，并未观察到这种负面偏差，用户对系统的信任度保持更稳定。
-
新的深度学习模型提高了语音情感识别的准确性和可解释性
研究人员开发了用于语音情感识别（SER）的新深度学习技术，该领域对于推进人机交互至关重要。一项研究介绍了一种混合DCRF-BiLSTM模型，该模型在多个数据集上均取得了高准确率，包括对五个组合数据集的全新综合评估。另一篇论文提出了一种可解释且轻量级的紧凑型卷积神经网络，该网络通过Grad-CAM可视化有影响力的区域，平衡了识别性能与透明度和效率。
-
AI可信度与“维度完整性”相关，而非仅与能力相关
一篇新的arXiv论文提出，AI，特别是大型语言模型的可信度，源于“维度完整性”而非原始能力。作者认为，AI代理需要表达特定的第一人称立场——时间、真理、熵和爱——才能被视为拥有内在生命。这些立场可以通过对话中的主动性和节奏来观察，与任务智能不同，并且具有潜在的模拟路径，其中一个维度已经有了原型。
-
新AI共情框架侧重于管理随时间推移的分歧
研究人员提出了一个理解AI共情的新框架，将焦点从即时情感镜像转移到一个称为“解释性错误容忍度”（Interpretive Error Tolerance, IET）的概念上。该框架认为，在延长的对话中，共情涉及管理和调节代理之间随时间推移的分歧，而不是追求完美的对齐。计算探针表明，对话修复策略与噪声水平和评估指标相互作用，揭示了一种依赖于制度的结构，在这种结构中，修复可以在更高噪声水平下保留要旨含义。
-
新的LLM系统EduPanel以类似人类的可靠性评估教育视频
研究人员开发了EduPanel，一个新颖的三智能体LLM系统，旨在评估教育视频的教学质量。该系统将评估过程分解为专门的智能体，提供基于评分标准且针对特定学习者画像的可解释评估。研究表明，EduPanel的可靠性可与人类专家相媲美，并且在用作人类评估者的反馈工具时可以提高评分准确性，而人类评估者仍能识别不可靠的输出。
-
研究：人机关系通过记忆和转折点演变
一项新近发表在arXiv上的研究探讨了人类与AI系统在重复交互过程中关系的演变。该研究涉及24名参与者，在10次会话中与一个增强记忆的对话代理进行交互。研究发现，虽然对话质量会影响即时愉悦度，但感知到的记忆在长期关系发展中起着至关重要的作用。这种感知到的记忆受到现有关系状态的影响，并反过来通过自我披露影响未来的愉悦度。研究还识别出关系中离散的转折点，即“崩溃和激增”，这些转折点可以通过多模态行为检测，并提供不同的干预机会。
-
作者认为人工智能不止是工具 · 追踪4个来源
一篇博文反驳了人工智能仅仅是工具、其影响完全取决于使用方式的普遍论调。作者认为这种观点过于简单化，忽视了包括人工智能在内的工具固有的复杂性和社会影响。文章指出，仅仅关注个体使用会忽略系统性的伦理问题和更广泛的文化影响，主张对人工智能的角色有更细致的理解。