C-PAK:纠正和补全基于可变长度前缀的缩写击键
提高击键节省是文本输入研究的长期目标。我们开展了一项研究,探索一种名为C-PAK(纠正和补全基于可变长度前缀的缩写击键)的缩写式文本输入设计空间,适用于移动设备文本输入。给定一个可变长度且可能不准确的输入字符串(如"li g t m"),C-PAK的目标是将其扩展为完整短语(如"looks good to me")。我们基于当前最先进的移动键盘开发了C-PAK原型键盘PhraseWriter,包含130万个n元语法和164,000个词汇。使用真实输入文本的大型数据集进行计算模拟发现,与常规单词建议相比,PhraseWriter将最大击键节省率提高了6.7%(从46.3%提高到49.4%),将单词错误率降低了14.7%,且对常见短语特别有利。我们进行了初学者用户行为和性能的实验室研究发现,用户能够快速使用PhraseWriter中实现的C-PAK风格缩写,获得比正向建议更高的击键节省率(25%对16%)。此外,他们能更直觉且更成功地缩写更多常见短语。然而,由于用户使用该系统的经验有限,整体文本输入速度较低(每分钟28.5个词对37.7个词)。我们概述了改进C-PAK的技术方向,并探讨了研究C-PAK系统学习曲线背后感知、认知和身体动作权衡的进一步机会。
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。
- 100%
重新思考交互:从工具性交互到人机合作
CHI '18· 大语言模型(LLM)的人机协作 +1
- 100%
依赖还是不依赖?评估对大型语言模型适当依赖的干预措施
CHI '25· 大语言模型(LLM)的人机协作 +1
- 100%
先计划后执行:一项关于用户信任和团队表现的经验研究,当使用LLM代理作为日常助手时
CHI '25· 大语言模型(LLM)的人机协作 +1
- 100%
通过LLM驱动的魔鬼代言人增强AI辅助群体决策
IUI '24· 大语言模型(LLM)的人机协作 +1
- 67%
使用数字记录员自动化临床文档:理解对医生的影响
CHI '21· 大语言模型(LLM)的人机协作 +1
- 67%
统一对话模型中系统发起的闲聊与任务导向对话之间的转换
CUI '23· 对话式聊天机器人 +2
- 67%
TiiS:交互式机器学习的用户界面设计综述
IUI '19· 大语言模型(LLM)的人机协作 +2
- 67%
通过短言语反应时间诱导多智能体决策交互中的主动态度
IUI '19· 会话代理的人格与拟人化 +2
- 67%
探索机器学习素养干预对普通人依赖机器学习模型的影响
IUI '22· 大语言模型(LLM)的人机协作 +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)