在环境信息环境中感知显眼性

研究背景与问题

• 问题或挑战: 在增强现实（AR）环境中设计可觉察但不干扰用户的通知是一个重要但复杂的问题。现有AR系统大多忽视用户上下文，无法自动检测用户是否注意到通知。这种缺陷限制了系统在用户活动中无缝提供通知。
• 重要性: 如果通知设计太过显眼，会干扰用户的主要工作；如果设计过于低调，可能完全被忽略。解决这一问题有助于提升AR系统的智能性和适用性。
• 研究动机与相关工作: 研究致力于用传感器数据预测用户是否检测到边缘环境中的通知。文献回顾表明，虽然屏幕上的通知和移动设备通知研究相对成熟，但AR领域缺乏能动态调整通知并验证其有效性的相关研究。

解决方案

• 方法或解决方案: 作者提出了一种基于传感器的分类器，用于预测用户在生产性任务中是否检测到边缘呈现的通知。
  • 收集多种传感器数据，包括用户的视线、头部位置、与设备的交互，以及自我报告的参与度。
  • 构建机器学习模型来分析这些数据。
• 创新之处:
  • 首次在近似真实环境中通过长时间数据收集（98小时，12名用户）研究通知可觉察性的预测。
  • 利用传感器数据检测用户的隐性行为，而非要求用户明确反馈。
  • 提出了结合视线和参与度数据的模型，超过了现有方法的准确性。
• 实施步骤:
  • 设置包含环境显示器的办公环境。
  • 每隔5到10分钟随机显示通知，并通过30到60秒后的提示收集用户反馈。
  • 提取包括视线、头部姿态、设备交互等特征，进行多种机器学习模型的训练和评估。
  • 将模型性能基于不同时间窗、特征组合以及个性化和通用模型进行比较。

研究成果

• 具体成果:
  • 结合用户视线和自报告的参与度，分类器的分类准确率达到AUC 0.81，仅使用视线数据时也能达到AUC 0.76。
  • 与现有的通知可觉察性模型相比，表现更优，即使只使用少量用户数据亦能取得合理性能。
  • 使用通知时间窗中心特征的模型预测性能最佳，表明用户行为在通知期间最具信息价值。
• 优势:
  • 支持在用户未做显式反应的情况下通过隐性行为检测通知可觉察性。
  • 提供了一种从通用模型开始的方法，而不需要大量个性化数据。
  • 开启了逐步提升通知显著性的可能性，使通知更“不扰而显”。
• 实验或评估结果:
  • 主要模型（基于梯度增强分类器）在不同场景和用户组合上均表现良好。
  • 个性化模型未显著表现优于通用模型，但在某些情况下有助于捕捉用户差异。
• 局限性与未来方向:
  • 当前研究局限于模拟环境、特定的任务类型和单一通知设计（透明度变化）。
  • 无法捕捉用户在完全“野外”条件下的行为，未来需扩展到更自然的设置中进行验证。
  • 现有的参与度特征依赖于自报告或代理测量（如EEG），需要开发更便捷的捕获方法。
  • 通知类型和时间模式设计未能完全模拟真实环境，未来需添加更多自然变量。

此领域的后继工作可以通过将实验扩展到更多多样化场景、更多通知设计类型以及多设备设置中，进一步推动通知交互系统的发展，同时需注意用户隐私和沉浸体验的权衡。