方向盘任务的方差与分布模型

文献标题

Variance and Distribution Models for Steering Tasks

文献信息

• 主题领域: 人机交互（HCI）、行为建模
• 关键词: Steering law, 运动时间分布, 概率建模, HCI, 指引任务, 轨迹建模, 偏态分布, 评估指标, 交互设计, 不确定性量化

研究背景与问题

研究发现的问题或挑战

1. 传统的 Steering Law（指引定律）描述了运动时间（MT）与任务难度指数（ID）的线性关系，但只对 MT 的均值进行了建模，无法捕捉 MT 的方差或整体分布。
2. 只提供 MT 均值的点估计忽略了数据的分散性，未量化预测的不确定性。
3. 当前关于偏态分布（如Gamma和Lognormal分布）及其与运动任务关联的研究较少，特别是 Steering Law（与 Fitts' Law 类似的人机交互任务模型）未能延续基于分布和方差的深入分析。

研究重要性

1. 通过考虑运动时间的方差和分布，可以更全面地理解人的运动行为。
2. 精确预测分布的参数能更好地量化任务的不确定性，为更复杂的人机交互建模（如嵌套菜单选择）奠定了基础。
3. 方差和分布的模型能够帮助设计师和研究者优化交互界面和设备。

研究动机与相关工作

• Steering Law 在HCI领域广泛应用，如虚拟环境导航、触控装置评价等，但目前的模型仅致力于均值预测。
• 与 Fitts' Law 的研究发现一致，有证据表明运动时间的标准差和均值随任务难度指数（ID）增加。
• 本研究旨在提出基于 ID 的运动时间方差模型，并探索运动时间的分布建模。

解决方案

提出的方法或解决方案

1. 二次方差模型：

   • 提出方差为 ID 的二次函数关系： [ \sigma^2 = c + d \cdot ID^2 ] 其中 (c) 和 (d) 是经验确定的参数。
   • 该模型假设运动包含多个子运动，每个子运动的持续时间为随机变量。

2. 运动时间分布建模：

   • 通过结合二次方差模型和 Steering Law，可以预测 MT 的均值和方差。
   • 测试了 6 种概率分布模型，包括正态分布、高斯截断分布、Lognormal 分布、Gamma 分布、Extreme Value 分布，以及 ExpGaussian 分布。
   • 使用 Bayes 后验推断方法（Stan语言）拟合参数。

创新之处

1. 从点估计到分布和方差的预测：
   • 改变了以往只预测均值的局限，提供了更多维度的信息。
2. 引入非正态偏态分布：
   • 发现Gamma和Lognormal分布等偏态分布能更准确地拟合 MT。
3. 验证模型并应用于多类型任务：
   • 对比6种不同的方差模型和31种分布模型，实验全面覆盖。

实施步骤

1. 提取及预处理实验数据，包括 Zhou 和 Ren 提供的触控手写板数据，以及作者自行收集的鼠标控制实验数据。
2. 分别针对 ID 拟合运动时间的均值和方差。
3. 使用包含方差预测的分布模块对 MT 分布进行拟合，并进行模型选择与评估。

研究成果

具体成果

1. 方差建模：

   • 二次方差模型解释了多达 94% 的 MT 方差变化。
   • 模型效果优于其他候选（如线性模型或常数模型）。

2. 分布建模：

   • Gamma 分布、Lognormal 分布和 Extreme Value 分布在拟合 MT 分布上表现优于正态和截断正态分布。
   • 方差和分布的建模能够准确预测 PDF 和 CDF，与真实数据匹配良好。

3. 应用分析：

   • 提供了基于MT分布对特定事件发生概率或任务不确定性进行量化的工具。

与现有解决方案的对比

• 相比单纯基于均值的 Steering Law 模型，量化了分布特征，提高了对运动行为的解释力。
• 在多样任务环境（直线隧道、圆弧隧道等）下，方差和分布模型的预测均保持一致性。

局限性与未来方向

1. 当前模型的局限性：

   • 在 ID 增大时，模型预测对方差的解释能力有所下降。
   • 尚未探明 MT 方差中可能的其他影响因子。

2. 未来研究方向：

   • 扩展现有模型，以捕捉复杂情况下的方差和分布特性。
   • 探索更广泛的运动任务和用户行为动态，例如复杂路径或多模态交互任务。

总结

本文通过提出二次方差模型及其与分布的联合预测，为 Steering Law 建模领域引入了新的方法论，扩展了对人类运动行为的理解，并为复杂交互设计与优化提供了理论支持。