通过观察错误率调整终点变异参数以获得更好的指向失误预测精度

文献标题

Tuning Endpoint-variability Parameters by Observed Error Rates to Obtain Better Prediction Accuracy of Pointing Misses

文献信息

• 主题领域: 人机交互 (HCI)、性能建模、误差率预测
• 关键词: 人类运动性能, 误差率预测, 终点分布, 数据分析, 超参数优化, UI设计, 非线性回归, 静态目标选择, 人机界面

研究背景与问题

• 关键问题或挑战:

  • 静态目标点击任务的误差率模型通常分两个步骤进行：预测点击终点的变异性（标准差𝜎）和计算点击落在目标外的概率。这种方法间接以准确预测𝜎为中心，忽略了误差率 (ER) 的直接预测。
  • 传统方法在误差率预测方面精确性不足，特别是在新的目标条件下。

• 问题重要性:

  • 准确的误差率模型能帮助界面设计者优化按钮大小及布局，从而提升用户体验。
  • 理论可以用于推导最高输入速度上限并优化UI布局，例如基于Fitts定律和蚁群算法。

• 研究动机与相关工作:

  • 现有研究利用非线性回归直接优化𝜎预测对误差率的准确性，但未对其与传统SD方法进行详细对比。
  • 学术界注重理解人类运动行为，但更高精度的预测模型对应用设计尤为重要。

解决方案

• 提出的解决方法:

  • "误差率优化方法" (ER-based method)，直接以优化预测误差率的精确性为目标，调整点击终点变异性参数。
  • 借助机器学习领域的超参数优化工具（Hyperparameter Optimization, HPO）解决传统非线性回归中参数初始值设置不当的问题。

• 创新点:

  • 提出一种直接优化误差率预测的新方法，并深入比较传统"标准差方法" (SD-based method) 与"误差率优化方法"的优劣。
  • 证明通过HPO，可以实现在各种实验条件下均具有更优预测性能的误差率模型。

• 实施步骤与关键技术:

  1. 数据中的𝜎模型回归，通过已有公式对目标大小等参数进行拟合。
  2. 使用HPO自动调整回归初始值，找到优化参数。
  3. 重新分析8组实验数据，比较不同方法的预测性能（包括所有数据集和交叉验证的结果）。
  4. 使用不同指标评估预测精确性：R²、均绝对误差 (MAE) 和均方根误差 (RMSE)。

研究成果

• 具体成果:

  • 在评估8组实验数据时，ER-based方法始终优于SD-based方法，尤其在使用HPO优化参数后，其预测精度显著提高。
  • 无论是目标形状、输入设备还是实验环境，ER-based方法的表现均优异且稳定。
  • 实验证明，即使传统SD方法能准确预测𝜎，误差率的直接优化仍能显著提高预测精度。

• 与现有解决方案的比较优势:

  • ER-based方法可避免SD方法中两个独立步骤可能带来的误差叠加问题。
  • HPO确保了非线性回归过程中的参数搜索范围得到合理约束，避免局部最优问题。

• 实验或评估结果:

  • 使用HPO的ER-based方法在所有8组实验中表现出更高R²、更低MAE和RMSE。
  • LOOCV (Leave-one-out Cross-Validation) 表明ER-based方法对新目标条件更具预测稳定性。

• 局限性与未来方向:

  • 当前分析仅覆盖静态目标选择，对动态目标、虚拟现实等复杂场景的适用性仍需进一步验证。
  • ER-based方法对参数解释性较低，虽适用于UI设计，但可能无法充分支持理解人类运动行为的研究。
  • 超参数优化方法可能需时间成本，未来可关注优化搜索效率的新方法，例如稀疏恢复或搜索交互性调整。