通过程序差异的新可视化理解触发动作程序

荣誉提名
自动机器学习(AutoML)界面交互式数据可视化

文献标题

Understanding Trigger-Action Programs Through Novel Visualizations of Program Differences

文献信息

  • 主题领域: 人机交互与用户界面设计
  • 关键词: Trigger-action programs, end-user programming, differences visualization, debugging, semantic analysis

研究背景与问题

  • 发现了哪些问题或挑战?

    1. Trigger-action programming (TAP) 本质上通过“if-this-then-that”规则简化了非技术用户对智能设备和服务的自动化操作,但用户在编制和维护 TAP 程序时会因理解错误而面临诸多问题。
    2. 常见问题包括:由于程序较长或规则复杂,用户难以确定自己的修改是否符合预期行为目标,尤其是在多个变体之间做选择时。
    3. 传统的差异对比界面(如 GitHub 的“split diff”)主要基于语法层面对程序文本的比对,无法直观展现程序在实际情境中的行为或高层次属性差异。
  • 为什么这个问题很重要?

    1. 增强用户理解 TAP 程序的能力是减少资源浪费、错误行为及安全隐患的关键。
    2. 精确地评估程序修改对行为的影响,将提升用户的满意度并促进智能家居等领域的普及。
  • 研究动机与相关工作

    • 以往研究聚焦于帮助用户理解 TAP 的规则功能、预测行为或调试,但未充分支持用户比较不同变体的行为差异。
    • 作者提出通过语义化分析程序行为的差异,从而缩小用户意图与程序功能之间的差距。

解决方案

  • 提出了哪些方法或解决方案?

    • 设计了三种语义化差异(semantic-diff)界面:
      1. Outcome-Diff: Flowcharts: 使用流程图直观展示类似程序在具体情境下的不同结果。
      2. Outcome-Diff: Questions: 提供用户交互形式的检查表,根据用户选择的期望结果对比程序行为。
      3. Property-Diff: 展示高层次安全属性(如“某状态是否始终为真/假”),以便用户理解抽象行为差异。
  • 解决方案的创新之处

    1. 结合形式化方法,算法化地提取 TAP 程序的语义差异,超越单纯的语法比较。
    2. 通过多维度设计(行为、结果、属性)捕捉 TAP 程序在不同层次上的差异,满足用户的多样化需求。
    3. 实现便捷且高效的用户界面,帮助用户理解复杂的、多变体的系统。
  • 实施步骤与关键技术

    1. 建模: 将 TAP 程序及智能家居环境表示为有限状态机(transition system)。
    2. 算法设计:
      • Outcome-Diff: 通过对比状态机中的边,检测导致不同结果的情境。
      • Property-Diff: 利用不可达节点生成安全属性。
    3. 界面集成: 提供不同粒度的交互界面,结合用户实验验证其效果。

研究成果

  • 具体成果

    • 开发并验证了专注于语义差异的用户界面,显著改善了用户在比较 TAP 程序中的理解能力。
    • 通过用户实验确认了不同界面的特点及适用场景:
      • Outcome-Diff: Flowcharts: 适合分析少量且复杂的变体。
      • Outcome-Diff: Questions: 对任务负担较轻(如大规模变体对比)表现更出色。
      • Property-Diff: 针对高层次和抽象需求的用户效果最佳。
  • 相对于现有方案的优势

    • 准确率:用户在任务中正确选择程序变体的概率显著提升,尤其当程序规则复杂时。
    • 用户负担:任务感知难度降低,部分界面有效减少用户的认知负担。
  • 实验或评估结果

    1. 用户实验(107 名参与者)表明,语义化界面在复杂任务上的表现显著优于传统界面。
    2. 参与者对 Outcome-Diff: Questions 给出的任务评价更为“轻松”,特别是在需要比较 27 个变体的场景中表现出色。
    3. 任务完成时间在界面间整体无显著差异,但语义化界面带来的正确率更高。
  • 局限性与未来方向

    • 局限性:
      1. 部分参与者未能完全理解较高层次的差异信息(如安全属性)。
      2. 实验模拟了特定任务,尚未检验界面在真实用户长期使用中的效果。
    • 未来方向:
      1. 自动化选择最适合用户当前上下文的界面。
      2. 优化属性差异接口,加强与实际规则的关联性。
      3. 探索在其他领域(如约束编程)中的潜在应用。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/47609/2021

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3411764.3445567
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2021
emoji_events
奖项
荣誉提名
group
作者
6 位作者
sell
研究子方向
自动机器学习(AutoML)界面、交互式数据可视化
work
职业/产业
—
article
内容状态
已索引正文
hub
相关论文
0 篇相关论文