human–computer interaction
PulseAugur coverage of human–computer interaction — every cluster mentioning human–computer interaction across labs, papers, and developer communities, ranked by signal.
10 天有情绪数据
-
新框架助力构建中国传统绘画的结构化表征
研究人员开发了VisTCP，一个新颖的可视化框架，旨在创建中国传统绘画（TCPs）的知识图谱式表征。该框架结合了面向TCP的智能模型和专家知识，旨在增强这些艺术品的语义理解，以用于考古学和艺术史研究。VisTCP允许艺术史学家以“人在回路”的方式生成可信的结构化表征，可视化模型的不确定性，并通过专家反馈实现迭代优化。
-
新研究利用交互日志推断数据分析中的用户意图
研究人员开发了一种通过检查出处日志（记录详细用户交互）来推断探索性数据分析过程中用户目标的方法。通过分析细粒度的鼠标移动数据，识别出了不同分析任务（例如检查聚类与搜索异常值）的独特行为模式。研究表明，将上下文信息纳入交互出处可以使分类器准确预测用户意图，从而为更主动、更了解意图的可视化系统铺平道路。
-
肌电信号可准确预测“石头剪刀布”手势
研究人员开发了一种使用肌电图（EMG）信号识别手势的方法，该信号可测量肌肉活动。他们的研究重点是“石头剪刀布”游戏，发现EMG信号的出现时间明显早于可见手势的出现。该系统在识别摆姿势手势方面取得了中等准确率，并显示出识别自发手势甚至从对手的肌肉活动预测其出招的潜力。这项工作为人类计算机交互和辅助技术提供了应用前景。
-
提议使用屏幕录像作为AI用户模拟的可扩展数据
一种新方法提议使用连续的屏幕录像和用户输入数据来训练和评估旨在模拟个别用户的AI模型。该方法旨在捕获用户的偏好和知识，而无需大量的个人书面材料或手动数据标记。该系统记录用户的交互，例如浏览网站或阅读文档，以预测用户行为并个性化AI模型。
-
小型语言模型协助机器人研究的评审人员
研究人员开发了一个系统性综述流程，用于追踪社会物理人机交互（spHRI）的快速增长。该流程利用小型语言模型（SLMs）协助人工评审人员筛选论文，证明了SLMs可以通过识别出人工评审人员可能遗漏的论文来显著增强评审过程。虽然SLMs的性能不及人工评审，但其速度和本地运行能力使得大规模文献综述更加便捷和可持续。
-
MyoInteract框架利用RL加速人机交互生物力学研究
研究人员开发了MyoInteract，一个旨在利用强化学习（RL）加速生物力学人机交互（HCI）任务原型设计的新框架。该框架显著减少了所需时间和专业知识，使设计者能够在几分钟而不是几天内设置和训练由肌肉驱动的模拟用户。一项涉及交互设计师的研究表明，MyoInteract允许新手在一次会话中成功配置、训练和评估用户动作，从而降低了门槛，并加快了人机交互生物力学领域的研究迭代周期。
-
新的可视化分析工具增强了个性化物品排名创建
研究人员开发了“Ranking Companion”，一个新颖的可视化分析系统，旨在改进个性化物品排名的创建。该方法通过允许用户通过对已知物品的判断来表达偏好，解决了用户缺乏领域知识或无法明确表达特定偏好的挑战。Ranking Companion 集成了六种不同的物品选择方法，结合了模型驱动的主动学习和人类驱动的选择，为用户提供更大的灵活性和控制力。一项对 10 名参与者的用户研究表明，在使用这些混合方法时，在准确性、多样性、新颖性、…
-
AI聊天机器人使用动态人格来增强人机关系 · arXiv论文
研究人员开发了一种新方法，通过为聊天机器人生成动态内群体格来改善人机关系。该方法识别用户的核心关切和个人背景，然后创建一个具有相似关切但背景细节不同的合成人格。一项人类受试者研究表明，与传统聊天机器人或进行最少自我披露的聊天机器人相比，这些内群体格代理显著增强了感知到的关系、个人相关性和用户参与度。
-
研究发现，能够自我纠错的聊天机器人能更好地维持用户信任
一项发表在arXiv上的新研究探讨了社交聊天机器人在犯错后如何维持用户信任。研究人员发现，与依赖外部来源纠错的聊天机器人相比，能够自我纠错的聊天机器人被认为更值得信赖、更具专业性。研究还强调，与聊天机器人建立牢固的社交联系会增强自我纠错的有效性，对信念的改变产生更显著的影响。
-
LLM为VR中的情感分类生成合成真实标签
研究人员开发了一种新颖的方法，用于生成基于音频的情感分类的合成真实标签数据，特别是在沉浸式虚拟现实环境中。该方法利用大型语言模型（LLMs）和上下文学习（ICL）来适应流式语音数据，而无需进行计算密集型的微调。该系统采用基于检索的策略来选择相关的音频演示以构建提示，旨在克服从嘈杂稀疏的传感器数据中标记动态团队过程的挑战。
-
LLM内容审核系统增强对少数群体言论的敏感性
研究人员开发了Mod-Guide，一个基于LLM的系统，旨在改进针对少数群体敏感言论的内容审核。该系统聚焦于孟加拉国的印度教徒和Chakma社群，通过检索增强生成（RAG）将他们的生活经历和文化特定叙事融入审核流程。评估表明，RAG增强的响应在上下文上更准确，并且被不同族裔群体以不同方式感知，从而推动了AI伦理和人机交互领域的研究。
-
计算机科学研究者不信任大型语言模型排行榜但仍在使用它们
一项新研究揭示，计算机科学研究者对大型语言模型（LLM）排行榜持有矛盾的看法。尽管普遍不信任其可靠性和稳健性，研究者们仍将这些排行榜作为非正式的决策参考。选择模型的主要机制是同行网络，而非排行榜，并且人工投票排行榜比静态基准排行榜更受欢迎。排行榜的影响力在不同子领域之间也存在显著差异，自然语言处理（NLP）研究者比人机交互（HCI）或系统/隐私领域的研究者更感压力，需要与最先进的模型进行比较。大多数研究者认为缺少的一个关键功能是成本透明度。
-
新框架提升自上而下相机的3D手部姿态估计
研究人员开发了两个新框架，用于改进自上而下相机视图的3D手部姿态估计。EgoForce利用可微分的前臂表示和统一的Transformer，在各种相机类型上实现了最先进的精度，MPJPE降低高达28%。另一方面，EgoEV-HandPose采用立体事件相机和新颖的KeypointBEV融合模块，联合估计双手机械手姿态并识别手势，实现了30.54mm的MPJPE和86.87%的手势识别准确率。这两种方法旨在通过提供更鲁棒和准确的手部跟踪来…
-
研究揭示用户-LLM交互迅速稳定，限制了探索
一项新的研究论文分析了来自 7,900 多名用户的 140,000 次聊天机器人会话，以了解用户与大型语言模型的交互如何随时间形成。研究发现，用户交互模式基于早期探索迅速稳定，并且这些早期选择显著影响文本模式和用户留存率等长期结果。有趣的是，尽管大型语言模型提供了巨大的可能性，但用户的探索程度却低于预期，研究人员称之为“能动性悖论”。
-
新概念“知识可供性”旨在指导人机信息检索
本文介绍了知识可供性（KA）的概念，以帮助智能体在混合人机环境中识别信息检索的机会。KA被描述为声明式的、语义化的知识源可提供内容的描述，包括可回答的问题类型以及在何种情境属性下。作者提出KA是关系性的，并且源于智能体任务、偏好和情境因素之间的交互，旨在促进信息导航的更大透明度和适应性。
-
新的机器学习方法训练代理评估GUI可用性，性能优于更大模型
研究人员开发了一种新的机器学习方法，用于训练计算机使用代理（CUAs）来评估图形用户界面（GUIs）的可用性。该方法优先考虑关键交互流程，模拟类似人类的交互，并预测一个数值可用性分数。训练好的代理uxCUA在准确性和批评生成方面表现优于更大的模型，旨在为人类计算机交互中的自动化可用性评估奠定数据驱动的基础。
-
LLM可以调整工作环境以增强专注度和福祉
一项新的研究论文探讨了如何使用大型语言模型（LLM）来创建更具响应性和支持性的混合工作环境。该研究题为“Emotive Architectures”，研究了像ChatGPT这样的LLM如何根据情感和行为信号动态调整物理和虚拟环境，例如照明和声学。它还讨论了在设计这些协同适应性工作空间时涉及隐私和用户自主权等伦理考量。
-
生成式UI可以弥合用户生成内容平台中的可访问性差距
一篇研究论文提出使用生成式UI来提高网络可访问性，特别是在用户生成内容平台方面。该论文借鉴了2022-2025年对C2C电子商务网站的视障和老年用户进行的研究。它提出，生成式UI可以实时创建自适应界面，以克服静态网络标准无法解决的可访问性障碍。
-
研究发现：AI祷告系统可能削弱用户真实性
研究人员开发了四种概念性的价值敏感型人工智能系统，旨在探索人工智能对祷告体验的影响。一项日记研究显示，虽然人工智能可能有助于祷告，但参与者重视真实性和与神灵的真诚联系。人工智能的存在常常被认为会削弱这种真实性，尤其是在人工智能在指导祷告过程中承担过多能动性时。研究表明，用于精神背景的人工智能设计应优先考虑用户能动性和解释开放性，可能通过利用人工智能的不可解释性或承认不使用人工智能作为一种有效选择。
-
ReFinE插件连接人机交互研究与UI设计工作流
研究人员开发了ReFinE，一个Figma插件，旨在帮助UI设计师将人机交互研究论文中的见解整合到他们的工作流程中。该工具分析模型并从学术文献中提取相关的设计启示，提供可操作的视觉指导以进行更新。技术评估和用户研究表明，ReFinE可以减轻认知负荷，增强设计师将研究成果融入UI模型的能力，从而弥合学术研究与实际设计之间的差距。