思维 aloud 计算：支持丰富且低努力的知识捕获

文献标题

Think-Aloud Computing: Supporting Rich and Low-Effort Knowledge Capture

文献信息

• 主题领域: 人机交互与计算辅助工具设计
• 关键词: Think-aloud, 知识捕捉, 文档记录, 进程记录, 人机交互, 自然语言处理, 原型开发, 实验评估, 可用性研究

研究背景与问题

发现的问题或挑战

• 用户在使用软件完成任务时，许多关于目标、知识和设计意图的信息没有被有效记录下来。这种信息会在任务完成后丢失，从而导致未来的合作者或用户难以理解设计决策背后的原因。
• 现有的传统文档记录方式，如代码注释或幻灯片备注，需要额外的努力，且无法捕捉全部有用的信息。这些方式的效率较低且价值有限。

重要性

• 没有充分捕获知识的结果包括多余的工作、误解设计选择以及增加学习曲线的难度。
• 捕获设计过程中的丰富信息，有助于增强协作、减少错误以及高效延续工作。

研究动机与相关工作

• 作者受到传统“Think-Aloud Protocol”（通常用于可用性研究）的启发，提出将这一方法应用于日常计算任务中，以捕获用户在完成任务时的动机与过程。
• 相关研究包括设计文档处理、上下文捕捉与实时语音技术，但这些方法未能将实时语音、语音分类、上下文信息整合到一个全面的系统中。

解决方案

提出的方法或解决方案

• 提出了一种名为 "Think-Aloud Computing" 的系统，采用实时语音记录来捕获用户在计算任务中的知识、目标和过程信息。该方法设计为：
  1. 用提示组件激励用户在完成任务时描述其思想。
  2. 提供工具以分类和上下文化语音输入。
  3. 将捕获的信息存档以供未来使用。

创新之处

• 将“Think-Aloud Protocol”从传统的实验室可用性研究拓展到日常计算任务。
• 集成实时语音捕捉、语音内容分类和任务上下文捕获以全面支持知识记录。
• 提供用户界面引导，帮助用户高效记录与回顾信息。

实施步骤与使用的关键技术

1. 激励用户表达：通过小型视觉控件（如一个带有实时更新的图表）轻微提醒用户分享其关于设计意图、问题、以及任务清单的内容。
2. 捕获与上下文化：使用自然语言处理技术辅助讲话内容分类并关联软件操作上下文信息。
3. 展示结果：通过可搜索的文本转录、嵌入式注释和分类标签，使捕获的信息易于在未来任务中回顾和使用。
4. 技术实现：
   • 使用 Microsoft Azure 的语音转文本技术进行实时语音转录。
   • 提供用户修改和完善实时语音转录内容的界面。

研究成果

具体成果

• 系统原型开发：设计并实现了一个支持提示、上下文捕捉与实时知识分类的“Think-Aloud Computing”原型。
• 实验评估：
  • 信息质量：该系统在实验中捕获了传统文档记录方式所未能捕获的五类重要信息：包括问题解决步骤、额外上下文、设计选择与替代方案、检查点以及无意识设计决策。
  • 工作负担：尽管捕获的信息量增加，用户报告“Think-Aloud”的努力与传统文档方法相当。

优势

• 与传统文档记录方法相比，Think-Aloud Computing 能捕获更多潜在有价值但易被忽略的知识。
• 能帮助用户降低未来查看或延续工作时的学习或切换成本。
• 无缝集成语音输入与任务上下文，减少操作模式切换的成本。

局限性与未来方向

• 局限性：
  • 当前实验未验证捕获信息对实际消费者（如未来的同事或用户）的具体效用。
  • 对语音识别和分类的准确率仍有较高依赖，错误可能增加用户的复查成本。
• 未来方向：
  • 加入更高级的自然语言处理算法，提高语音分类与上下文分析的智能化程度。
  • 针对不同任务和用户场景定制捕获与呈现方式，例如在协作与反馈场景中优化交互与整合。
  • 扩展到计算机以外的其他领域，如团队合作、物理作业或教学任务，以捕捉更广泛的任务知识。