量化主动和反应性按钮输入

文献标题

Quantifying Proactive and Reactive Button Input

文献信息

• 主题领域: 人机交互（HCI）、用户行为建模
• 关键词: 按钮输入, 反应性, 主动性, 时间分点, 用户性能, 人机界面设计

研究背景与问题

• 问题与挑战: 在人机交互中，用户按钮输入的策略通常分为两类：反应性（reactive）和主动性（proactive）。目前缺乏量化用户按钮输入策略的技术，而这对于设计高效的接口和理解用户行为至关重要。
• 研究重要性: 通过量化用户的反应性和主动性，可以帮助设计师优化交互界面，并从用户行为中预测交互效果。例如，动画过渡是否真的帮助用户规划和执行输入，或如何通过视觉设计影响游戏玩家的表现。
• 研究动机与相关工作: 传统的用户界面评估多依赖于预测模型或日志分析，但较少关注用户低层级的按钮输入。本文提出利用输入日志与屏幕录像量化用户按钮输入策略的新方法。

解决方案

• 提出的方法:

  • 开发了一种基于统计学的技术，结合屏幕录像与输入日志分析用户按钮输入的反应性和主动性。
  • 按钮输入行为的输入到输出时间间隔分布（IOI）被建模为两类分布：反应性分布（通常为指数修饰高斯）与主动性分布（通常为高斯）。
  • 结合最大似然估计（MLE）与期望-最大化算法（EM），推断输入输出对的分布归属及参数。
  • 提供了一种去除噪声（如非相关输出或用户触发的输出）的方法以提高模型准确性。

• 创新之处:

  • 提出了一种针对屏幕和输入日志的无仪器化方法，仅需视频和按钮日志即可量化复杂用户行为。
  • 同时量化用户的按钮输入策略及其性能（质量），可扩展至不同交互场景。

• 实施步骤与技术:

  1. 数据获取：按键输入记录和屏幕录像（视频分辨率缩放）。
  2. 输入过滤：提取用户主动输入事件时间戳。
  3. 输出过滤：从视频中检测重要视觉事件。
  4. IOI提取：计算每个视觉事件与用户输入时间的差异。
  5. 模型拟合：利用EM算法量化反应性、主动性及其分布参数。

研究成果

• 具体成果:

  • 成功量化了用户按钮输入策略（反应性和主动性）以及性能参数。
  • 通过两个实证研究验证了技术的有效性：
    1. 用户玩实时节奏游戏，分析反应性和主动性如何影响游戏得分。
    2. 用户针对自扩展目标的指向任务，分析目标扩展设计如何影响用户反应性、主动性及试验完成时间。

• 优势:

  • 该方法不依赖额外传感器，与传统基于高层交互事件的分析相比，提供了对用户低级动作行为的深入分析。
  • 实现了实时交互中的定量评价，有助于理解用户与界面交互的细节。

• 实验与评估结果:

  • 在节奏游戏中，用户的分布参数与游戏得分相关性高（R²=0.52~0.70），表明该技术能够提供预测用户性能的重要特征。
  • 针对自扩展目标设计，发现扩展模式（如"In"）比其他模式更能引导用户的主动性行为，而预估错误率和完成时间也受到设计影响。

• 局限性与未来方向:

  • 当前技术未与其他定量方法（如主观问卷或眼动跟踪）进行比较验证，将来需要探索一致性评估。
  • 对复杂交互场景（如电竞游戏）应用尚未验证，要求进一步研究提升通用性。
  • 分析计算成本较高（30分钟数据需要约10小时），需要优化算法性能。
  • 交互场景扩展性有限，目前仅验证了简单按钮输入情境。

总结

本文提出了一种量化用户按钮输入反应性及主动性的技术，为了解用户低级交互行为提供了新的视角。其应用于实时游戏和图形界面的设计优化，证明了在人机交互中，定量模型可以带来重要洞见。但仍需要解决其计算负载、验证广泛应用的可能性，以及结合其他评价方法的能力。