N 元高斯模型：使用自动化多高斯建模管道模拟跨任务场景的点指不确定性Zhang 等人提出 N 元高斯模型自动预测点指任务终点分布，采用 BIC 模型选择，首次整合跨设备、输入模态和时间约束因素，验证于 7 个数据集。2026HZHao Zhang et al.Chinese Academy of Sciences优化交互系统CHI
PANDA：帕金森驾驶辅助和通知系统Wen 等人开发PANDA多模式警报系统，通过9名帕金森病患者参与式设计验证，该系统可实时监测驾驶行为并提供及时警报，提高患者驾驶安全性。2025TWTianyang Wen et al.Institude of Software, Chinese Academy of Sciences车内触觉、声音、多模态反馈运动障碍辅助输入技术原型设计与用户测试CHI
情感挑战性游戏可以满足老年人的心理需求：从实证研究到设计指南Zhou 等人通过两项研究发现情感挑战游戏可满足老年人自主性、能力和关联性基本心理需求，并根据结果提出五项设计指南用于EC游戏开发。2025MZMin Zhou et al.Institute of Software, Chinese老年人友好技术设计严肃游戏与功能游戏CHI
TutorCraftEase: 使用大型语言模型提升教学问题设计Kang 等人开发 TutorCraftEase 系统，利用 LLM 交互式生成教学问题，39名用户研究表明其问题质量与资深教师相当，显著降低工作量与时间成本。2025WKWenhui Kang et al.University of Chinese Academy of Sciences; Institute of Software, Chinese Academy of Sciences, Beijing Key Laboratory of Human-Computer Interaction大语言模型（LLM）的人机协作在线学习与 MOOC 平台智能辅导系统与学习分析CHI
在VR中探索多用户移动时主动用户和被动用户之间的体验差距Luo 等人系统研究 VR 中主动用户与被动用户的生理心理体验差距，分析行走、飞行、瞬移等场景，划定了可接受的体验差异以指导舒适度设计。2024TLTianren Luo et al.Institute of Software, College of Computer Science and TechnologyVR 中的社交与协作沉浸感与临场感研究CHI
MathAssist：手写数学表达式自动补全技术Kang 等人提出MathAssist手写数学表达式自动补全技术，通过树形形式化表示公式结构匹配用户输入，在任务完成时间上比SRD和InkEqu分别减少37.14%和37.58%，准确率提高32.78%和10.55%。2024WKWenhui Kang et al.生成式AI（文本、图像、音乐、视频）编程教育与计算思维原型设计与用户测试IUI
ChallengeDetect: 从生理测量中探究检测游戏挑战体验的潜力彭等人利用机器学习分析32名玩家的生理信号，实现约80%准确率检测游戏中的感知挑战体验，为实时游戏体验评估提供客观方法。2023XPXiaolan Peng et al.Institute of software,Chinese Academy of SciencesAI 辅助决策与自动化系统游戏用户体验与玩家行为CHI
干扰因素对交叉互动的影响Tu 等人研究笔式界面中干扰物对穿越任务的影响，开发六个定量模型，发现间距小于11.27mm时干扰任务可视为指向任务，为穿越UI设计提供实用指导。2021HTHuawei Tu et al.La Trobe University用户研究方法（访谈、调查、观察）原型设计与用户测试CHI
抓紧：使用轻便笔评估VR输入的握姿手势Li 等人研究笔作为VR输入设备，发现三指握笔方式允许最大动作范围，且通过戳和光线投射进行目标选择时表现优于传统手腕输入方式。2020NLNianlong Li et al.Institute of Software, Chinese Academy of Sciences & University of Chinese Academy of Sciences全身交互与体感输入VR 中的社交与协作CHI
深化情感的调色板：探索虚拟现实游戏中的情感挑战Peng 等人通过VR与PC对比实验，发现情感挑战在VR中引发更广泛情感反应，显著提升玩家沉浸感与临场感，为VR游戏设计提供新方向。2020XPXiaolan Peng et al.Chinese Academy of Sciences & University of Chinese Academy of Sciences沉浸感与临场感研究游戏用户体验与玩家行为CHI
基于交叉的移动目标选择中的终点不确定性建模Huang 等人提出四元高斯模型建模穿越任务终点不确定性，实验验证R²达0.883和0.920，可有效预测移动目标选择错误率。2020JHJin Huang et al.Institute of Software, Chinese Academy of Sciences & University of Chinese Academy of Sciences眼动追踪与注视交互环境感知与上下文计算CHI
2D移动目标选择的不确定性建模Huang 等人提出2D三元高斯模型描述移动目标选择不确定性，将选择速度提升56.7%、精度提升78.8%，误差预测R²达0.94。2019JHJin Huang et al.可视化感知与认知计算方法在HCI中的应用UIST
SmartEye：通过将用户偏好与深度视图提案网络集成辅助即时摄影Ma 等人提出 SmartEye 移动系统，融合深度学习视图建议网络与交互式个性化模块，实时生成高质量构图，显著优于非个性化方案。2019SMShuai Ma et al.Institute of Software, Chinese Academy of Sciences & University of Chinese Academy of Sciences生成式AI（文本、图像、音乐、视频）平面设计与排版工具CHI
理解一维单向移动目标选择中的不确定性Huang 等人提出三元高斯模型预测1D移动目标选择终点分布，R²达0.95和0.94，错误率预测误差仅2.7%，指针准确性提升33%2018JHJin Huang et al.Institute of Software, Chinese Academy of Sciences, University of Chinese Academy of Sciences手部手势识别语音用户界面（VUI）设计游戏用户体验与玩家行为CHI