探索家长对儿童中心人工智能支持学龄前儿童讲故事和阅读活动的需求Sun 等人通过17名家长访谈发现，现有AI讲故事技术在交互、功能和算法层面存在不足，无法满足家长对儿童发展的期望。2024YSYuling Sun et al.Session 2a: Designing Technology for Parenting and Child DevelopmentCSCW
重新思考复杂医疗决策中的人工智能协作：一项关于败血症诊断的案例研究Zhang等人构建SepsisLab系统支持败血症早期诊断，通过预测未来趋势、可视化不确定性和提出实验室检测建议，经六位临床医生启发式评估证明具有良好人机协作前景。2024SZShao Zhang et al.Northeastern Univerisity可解释人工智能（XAI）AI 辅助决策与自动化系统医疗与科学数据可视化CHI
这是一场公平的游戏”，还是不是？探讨用户在使用基于LLM的对话代理时如何应对披露风险和收益Zhang 等人通过分析ChatGPT对话和访谈19名用户，发现LLM驱动的对话代理用户面临隐私、效用与便利的权衡困境，类似人类的互动风格增加了敏感披露风险，亟需设计指南保护用户隐私。2024ZZZhiping Zhang et al.Khoury College of Computer Sciences会话代理的人格与拟人化大语言模型（LLM）的人机协作AI 伦理、公平与问责CHI
LLMR：使用大型语言模型实时提示交互式世界Torre 等人提出 LLMR 框架，利用大型语言模型实时创建修改混合 Unity 混合现实体验，场景理解和自我调试技术使平均错误率比 GPT-4 降低 4 倍。2024FTFernanda De La Torre et al.MIT, Microsoft混合现实工作空间大语言模型（LLM）的人机协作CHI
StoryBuddy：一种支持灵活家长参与的亲子互动故事讲述的人工智能协作代理Zhang 等人开发 StoryBuddy 人工智能系统，通过支持家长配置问题类型与跟踪儿童进度满足亲子互动讲故事需求，用户研究验证可用性。2022ZZZheng Zhang et al.University of Notre Dame参与式设计（Participatory Design）互动叙事与沉浸式故事CHI
Model LineUpper：在多个层级支持AutoML交互式模型比较Narkar 等人开发 Model LineUpper 系统，通过集成 SHAP 等可解释 AI 与可视化技术，在预测分布、特征重要性等多层级支持 AutoML 用户交互式比较候选模型，帮助数据科学家选择更合理的模型。2021SNShweta Narkar et al.可解释人工智能（XAI）自动机器学习（AutoML）界面交互式数据可视化IUI
交替用户界面中的追溯传输现象Raissi 等人通过访谈和实验发现界面交替时存在逆向迁移，小变化导致先前界面性能显著下降，且下降幅度随交替次数增加而减少。2020RRReyhaneh Raissi et al.Sorbonne Université, CNRS, ISIR用户研究方法（访谈、调查、观察）原型设计与用户测试CHI