M3BAT：基于多分支对抗训练的多模态移动传感无监督域自适应Meegahapola 等人提出 M3BAT 多分支对抗训练框架，实现多模态移动传感数据在不同域间的无监督自适应迁移，提升了跨域传感器数据的识别准确率。2024LMLakmal Meegahapola et al.环境感知与上下文计算计算方法在HCI中的应用UbiComp
从智能手机数据中了解社会背景：在不同国家和日常生活时刻中的泛化Mäder等人利用5国581人超21.6万份智能手机数据，发现多国模型准确率超90%，但无法泛化到未见国家，强调数据多样性重要性。2024AMAurel Ruben Mäder et al.Idiap Research Institute, EPFL人体姿态与行为识别环境感知与上下文计算普适计算（Ubiquitous Computing）CHI
基于终端用户编程与共享自主性的人机团队协作系统Hagenow等人开发了一种结合终端用户编程与共享自主性的人机协作系统，应用于航空制造打磨任务，使机器人承担体力劳动而人工负责任务规划与反馈。2024MHMichael Hagenow et al.人-机器人协作（HRC）计算方法在HCI中的应用HRI
基于移动感测的情绪推断模型的泛化与个性化：八国大学生分析Meegahapola 等人分析 8 国 678 名学生数据，发现部分个性化国家特定模型在情绪推断表现最佳，AUROC 达 0.78-0.98，揭示模型跨国家泛化挑战2023LMLakmal Meegahapola et al.心理健康应用与在线支持社区环境感知与上下文计算UbiComp
潜望镜：支持远程物理协作的机器人摄像系统Praveena 等人开发了Periscope机器人摄像系统，通过共享摄像头控制模式让远程助手指导本地工人完成组装任务，12对参与者的研究表明该系统可有效支持远程物理协作。2023PPPragathi Praveena et al.Human Robot InteractionCSCW
情境参与式设计：一种与老年人现场设计机器人交互的方法Stegner 等人提出情境参与式设计方法，通过三阶段迭代交互帮助老年人与护理人员设计辅助机器人交互场景，增强老年人在辅具设计中的参与度。2023LSLaura Stegner et al.University of Wisconsin-Madison家用机器人老年居家辅助系统参与式设计（Participatory Design）CHI
量化犬类：从可穿戴设备推断狗的性格Meegahapola 等人开发Patchkeeper可穿戴设备，通过加速度计和陀螺仪数据训练机器学习分类器预测犬类性格，AUC达0.63-0.90。2023LMLakmal Meegahapola et al.Idiap Research Institute, École Polytechnique Fédérale de Lausanne (EPFL)人体姿态与行为识别生物传感器与生理监测CHI
复杂的日常活动、国家层面的多样性以及智能手机感应：一项在丹麦、意大利、蒙古、巴拉圭和英国进行的研究Assi 等人用多模态智能手机传感器在五国637人数据上建立12类活动识别，特定国家方法 AUROC 达0.79-0.89，优于通用方法。2023KALakmal Meegahapola et al.École Polytechnique Fédérale de Lausanne人体姿态与行为识别环境感知与上下文计算CHI
在线约会社交中的声明变量：模仿-差异化机制的混合方法分析Pidoux 等人通过混合方法分析22个约会应用的300余个变量，建立九类变量类型学，揭示变量定义中的双模仿-差异化机制，反映约会市场竞争格局。2021JPJessica Pidoux et al.Connecting and Reaching OutCSCW
我的私人夜生活：通过众包视频理解年轻人的个人空间PHAN 等人通过对301个众包视频的标注分析，揭示年轻人家庭夜生活的空间特征与活动模式，并证明深度学习可有效预测六类氛围（R²: 0.21-0.69）。2019TPThanh-Trung PHAN et al.Youth and ResilienceCSCW