输入效率和建议准确性影响单词建议的收益和采用
荣誉提名大语言模型(LLM)的人机协作推荐系统用户体验UI/UX 设计师HCI 研究员
文献标题
Typing Efficiency and Suggestion Accuracy Influence the Benefits and Adoption of Word Suggestions
文献信息
- 主题领域: 人机交互(HCI),重点研究文本输入效率与单词建议技术
- 关键词: 文本输入, 单词预测, 打字效率, 建议准确性, 人机交互, 接受度, 自动补全, 提高输入速度, 输入法设计, 屏幕键盘
研究背景与问题
-
发现问题或挑战:
- 尽管单词建议(word suggestions)在文本输入界面中被广泛使用,但其真正带来的性能提升尚存争议,有研究甚至表明其具有负面影响。
- 用户使用单词建议时需要承受一定的认知与感知负担(如从键盘和文本切换注意力到建议上)。
- 当前对单词建议系统在各种输入设备上的使用模式、性能贡献以及准确性需求缺乏系统化的理解。
-
重要性:
- 单词建议应用广泛且影响深远,理解其使用方式与设计优化具有重要学术与产业价值。
- 针对单词建议的深入研究可帮助改进下一代文本输入系统,从而提高用户体验和输入效率。
-
研究动机与相关工作:
- 现有文献显示,单词建议的有效性依赖于文本输入方式的效率、单词建议的准确度以及用户对系统的理解和适应。
- 但关于建议准确度和输入方式之间的交互作用,以及这些因素对使用率和用户满意度的影响尚未有详细研究。
解决方案
-
提出的方法或解决方案:
- 设计并开展了第一个全面探究打字效率与单词建议准确度关系的实验。
- 实验控制变量包括:
- 使用的设备种类(台式机、平板电脑、手机)。
- 提供的单词建议的准确度级别。
- 引入了一种新方法来量化单词建议的准确性,基于理论最大“按键节省率”(Keystroke Saving,KS)。
-
创新之处:
- 创新地将文本输入方式的效率和单词建议的准确性纳入统一分析框架。
- 提供了操作化准确度的定义,并通过建模分析了商业系统中建议的排名动态。
- 系统测试了打字效率对单词建议使用行为和文本输入性能的影响。
-
实施步骤及技术:
- 使用36名参与者对比3种设备(台式、平板、手机)下的输入行为。
- 实现实验软件,模拟真实环境下的单词建议行为。
- 采用文本转录任务,通过修改建议准确度来控制实验条件。
- 记录并分析用户输入行为和主观满意度的数据。
研究成果
-
具体成果:
- 单词建议使用频率:
- 台式机上建议使用率最低,即使准确性很高也难以提升。
- 平板电脑和手机上,建议使用率随准确性提升而明显增加。
- 按键节省率(KS):
- 手机的按键节省效果最好(在高准确度下可节省62%的按键),但台式设备几乎没有节省效果。
- 输入速度较慢的用户更倾向于使用单词建议来提升效率。
- 输入速度:
- 高质量建议通常无法显著提升输入速度,尤其对于快速输入的用户而言。
- 唯有在输入效率较低且准确度极高时,建议技术对输入速度略有帮助。
- 单词建议使用频率:
-
与现有方案相比的优势:
- 提供了对于单词建议技术在不同设备和输入条件下的全面定量评估。
- 明确了输入设备效率是影响建议使用行为的重要因素。
-
实验或评估结果:
- 分析表明单词建议系统的开发不应完全依赖于提高准确性,优化文本输入界面本身的操作效率更为重要。
- 提供了用户满意度与系统实际性能之间的差异化结果提示:高满意度可能不等于高性能。
-
局限性与未来方向:
- 实验对设备打字效率的控制未完全统一,未来可考虑设计更合成化的控制实验。
- 研究仅分析了建议条(suggestion bar)形态的界面,尚需进一步探讨内联建议(inline suggestion)等其他交互方式的表现。
- 尝试分析标准偏差较低的建议精度是否能进一步提高用户的预测利用感知。
- 探讨整句预测(sentence suggestions)这一新兴技术的潜力与使用模式。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
help
研究问题
3- 文字输入效率和词建议精确性如何分别影响用户的使用频率和文本输入性能?分类: 输入性能、误触控制与交互效率同类问题arrow_forward
- 不同设备(如桌面、平板、智能手机)上的词建议技术的性能表现有何差异?分类: 输入性能、误触控制与交互效率同类问题arrow_forward
- 用户的输入速度和词建议的精确性之间的关系如何影响建议功能的接受度?分类: 输入性能、误触控制与交互效率同类问题arrow_forward
lightbulb
现实痛点
1- 用户在使用词建议功能时,容易受到认知负担和性能表现的限制。分类: 输入性能、误触控制与交互效率同类问题arrow_forward
- 75%
面向移动应用中的完整图标标注
CHI '22· 大语言模型(LLM)的人机协作 +1
- 75%
为推荐系统增强知识图谱中的视觉信息
IUI '21· 推荐系统用户体验
- 67%
LLM能否推荐更负责任的提示词?
IUI '25· 大语言模型(LLM)的人机协作 +2
- 60%
使用深度学习预测垂直菜单选择中的人类性能
CHI '18· 推荐系统用户体验 +1
- 60%
从HCI研究中映射机器学习进展以揭示设计创新的起点
CHI '18· 大语言模型(LLM)的人机协作
- 60%
Dziban:通过锚定建议在可视化设计中平衡自主性与自动化
CHI '20· 推荐系统用户体验 +1
- 60%
乐观主义:启用领域特定元启发式优化的协作实现
CHI '23· 生成式AI(文本、图像、音乐、视频) +1
- 60%
使用大型语言模型为UI草图生成自动反馈
CHI '24· 大语言模型(LLM)的人机协作 +1
- 60%
AXNav: 从自然语言重播可访问性测试
CHI '24· 语音可访问性 +1
- 60%
基于LLM的推荐系统用户体验:以音乐推荐为例
CHI '25· 大语言模型(LLM)的人机协作 +1
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3411764.3445725
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2021
emoji_events
奖项
荣誉提名
group
作者
4 位作者
sell
研究子方向
大语言模型(LLM)的人机协作、推荐系统用户体验
work
职业/产业
UI/UX 设计师、HCI 研究员
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文