冲击2025CHI笔记

---

---

前言

---

IMWUT2023

在AR环境中选择小型3D虚拟对象的自适应操作

*	#
链接	link.
题目	FocalPoint: Adaptive Direct Manipulation for Selecting Small 3D
Virtual Objects
关键字	滚雪球法
来源	IMWUT2023

先前的工作[41,70]已经发现，人们经常用他们的非惯用手握住他们的智能手机进行屏幕上的交互，而让另一只手自由地进行其他任务。自然，在智能手机AR的上下文中，惯用手变得可用于执行徒手直接操作以及其他3D手交互[73]。这种bimanual interaction modality 在研究文献[30,49,74]和商业产品[36,60]中都被广泛采用和研究。通过将交互手从智能手机屏幕上移开，这种双目方法绕过了传统2D触摸交互带来的许多问题，例如屏幕遮挡、屏幕尺寸小以及2D输入对3D交互的固有限制[73]。此外，双模态还为交互的手提供了新的交互可能性，例如握笔进行物体操作[65]和携带微型屏幕进行半空绘画[51]

他们首先进行了一个Preliminary formal research 招募用户通过观察自由形式选择任务期间的自然参与者行为，以告知我们的技术设计，随后进行：

1. 实证观察Empirical Observations
2. 行为分析Behavior Analysis
3. 设计考虑Design considerations

其中一些设计元素可以由研究人员经验确定（determined empirically）。

总的来说，焦点在我们的评估中平均达到了70%的准确率。尽管未来肯定还有改进的空间，但我们认为，当与选择小目标或拥挤目标的其他选择技术放在一起时，70%是一个合理的准确率。首先，焦点的准确率几乎是基线技术的三倍，基线技术是一种改进的直接操作方法，已经结合了文献中广泛使用的技术，包括排名、阈值和消歧机制，如第6.1.1节所述。

关于baseline方法的选择

基线条件。如相关工作中所述并在表1中所示，现有技术不适合直接用于基线比较，因为它们要么不是为智能手机双元设置[6,16,22,31]开发的，要么被设计为仅处理大对象[8,10,24]，要么不支持徒手直接操作[39,45,63]。因此，为了评估Focus alPoint在多大程度上改善了小对象（R1）的徒手直接操作选择体验，我们整合了现有的广泛使用的解决方案来构建基线技术。具体来说，我们添加了一种类似于IDS和Smart Ray[22,45]的排序机制，通过对象到用户交互手的距离来对对象进行评分。排名最高的对象用3D绿色轮廓突出显示。阈值，在许多直接操作技术[8,24,49]中发现的一种常见机制，也用于在手捏和触摸目标的手指数量超过设定阈值（在我们的例子中为3个）时触发选择。对于选择消歧，如果多个对象被指骨相交，则选择具有最多骨头的对象。
基线的另一种形式是单手体积射线投射方法，其中选择几何形状从屏幕投射，但另一只手不用于选择过程。在这种技术中，需要eparate步骤来确认选择，例如旋转[15,33]或按下从中投射选择几何形状的输入控制器[10]。我们的智能手机设置中的一个等效步骤是在屏幕上旋转或敲击。在实践中，这可以加快选择速度，并导致更快的任务完成时间，因为旋转或敲击比捏更快地执行。先前的研究还表明，光线投射通常比徒手操作执行得更快[50,68]。另一方面，这个额外的步骤可能会引入轻微的屏幕移动，从而动摇选择几何形状，对小物体的选择精度产生负面影响。
我们没有将Focus alPoint与体积光线投射技术进行比较，原因有两个。首先，由于我们的目标是改善在智能手机上选择小物体的直接操作体验，将焦点与徒手直接操作技术（即我们构建的基线）进行比较，而不是体积光线投射，有助于我们更好地研究R1。其次，体积光线投射技术中使用的基于距离的排名算法[10,15,33]考虑了中心光线和虚拟物体之间的距离，这类似于我们基线中使用的排名算法。总之，我们的基线更适合帮助我们调查我们的研究问题，同时结合了体积光线投射技术的某些优势。

射线选择技术Ray Casting Selection Techniques

该篇文章针对的是超小物体¹

他的技术类型从用户的手或输入设备投射一条射线，以选择与该射线相交的对象[15,33,42]。当目标很小，位于一定距离，或者靠近或被其他对象遮挡时，它可能会变得缓慢和不准确[31,54,61]。具体来说，选择预期的对象很困难，因为小的运动沿着射线被放大。当对象密集时，遮挡也增加了定位和消除目标对象歧义的难度[54,61]。为了解决这些问题，一些方法修改射线本身，使其向目标弯曲[10,14]，或者对射线可以相交的位置增加限制[2]。在那边[58]通过在多个射线之间进行三角测量来识别目标位置。聚光灯技术[33]引入了体积光线投射，投射一个圆锥体而不是光线来减轻突然运动的影响。Forsberg等人[15]通过添加控制来调整选择圆锥体的大小和方向，进一步发展了它。有时光线投射与直接操纵相结合，以改善用户的选择体验。Go-Go技术[48]允许用户"甩开"虚拟的手到达远处的物体。HOMER技术[69]使用光线投射进行选择，并使用手的交互进行操纵。然而，这些作品并没有探索选择密密麻麻的小物体的问题，而这正是Focus alPoint的重点。

行为驱动的选择技术Behavior-Driven Selection Techniques

其他技术采用行为线索来提高选择精度（表1）。Hook[43]跟踪用户光标跟随移动对象的时间，以预测潜在目标。类似地，Smart Ray[22]计算光线在时间上在对象附近停留的时间，以确定目标对象。SenseShapes[42]结合手势和语音输入，Zhang et. al[75]使用时间模式，如敲击或眨眼，Esteves et.al[13]采用运动匹配来根据输入模态动态改变选择逻辑。意图驱动选择（IDS）技术[45]将选择球体连接到用户的手上，并使用动作效率[7,20]和动作持久性[37]等线索来选择距离其邻居1毫米的小至6毫米宽的对象。然而，在较小的遮挡对象上使用IDS会导致选择速度变慢，因为用户很难看到哪些对象与选择球相交。在概念上类似，我们考虑行为模式，并使用先前选择对象的屏幕位置来连续自适应地更新选择几何的大小和位置

歧义消除Selection Disambiguation

选择消歧的主要目的是从一组可能的候选对象中确定用户的预期目标。在此过程中使用的一种常见机制是渐进式细化。首先由Kopper等人[31]提出，它将每个选择任务划分为更简单的子任务，直到选择目标[11]。正如Weise等人[67]所分类的那样，渐进式细化可以进一步分为离散和连续的类别。
虽然离散渐进细化可以非常准确，但由于多步骤过程和对用户在细化过程中的错误的低容忍度，选择通常不太流畅[54]。在这些步骤中去除环境和空间上下文进一步降低了沉浸感，并使目标获取更加困难[45]

CHI2024

吃东西的时候增加音效提高趣味性

*	#
链接	link.
题目	GustosonicSense: Towards understanding the design of playful gustosonic eating experiences
关键字	滚雪球法
来源	CHI2024

滚雪球法 snowball method 招募被试

滚雪球法是一种用于研究的参与者招募技术

它包括最初招募少数符合特定标准的参与者，然后要求这些参与者推荐其他也符合标准的潜在参与者。

这种方法产生了连锁反应，最初的参与者推荐其他人，导致研究的样本量不断增加。

在这篇研究论文的背景下，滚雪球法与方便抽样相结合，招募了一项关于GustosonicSense用户体验的野外研究的参与者。

通过利用滚雪球方法，研究人员可以接触到更广泛的参与者，这些参与者可能不容易通过传统的招募方法获得，从而提高研究样本的多样性和代表性。

方便抽样 Convenience Sampling

便利抽样是一种非概率抽样技术，研究人员根据参与者的易用性和可用性来选择他们。

在方便抽样中，选择参与者是因为他们很方便接触，例如研究人员很容易接触到他们，或者符合使他们易于用于研究的特定标准。

当时间、资源或物流限制使实施更复杂的采样技术具有挑战性时，通常会使用这种方法。

在研究论文中，将方便抽样与滚雪球法相结合，招募参与者参与GustosonicSense的用户体验研究。

虽然方便抽样可能缺乏概率抽样方法的随机性和代表性，但它仍然可以提供有价值的见解，特别是在探索性研究或特定人群感兴趣时。

研究人员应该谨慎地将研究结果从方便样本推广到更大的群体中去。

主题分析 inductive thematic analysis

We used NVivo [ 57] to undertake an inductive thematic analysis[ 63 ]. 我们将每个问题和每个参与者的答案结合起来，并将它们视为定性数据的一个单元。总共有183个数据单元。两名研究人员阅读了三次成绩单以熟悉数据，然后独立编码。他们的编码帮助团队识别和分组数据单元最有趣的特征。在第一轮主题分析中，我们开发了12个代码标签。在第二轮中，两名研究人员讨论并重新检查代码以合并相似的代码并降低复杂性。然后在一名高级研究人员的帮助下，这些标签被迭代地聚类成三个更高级别的主题。

公共场景可视化

*	#
链接	link.
题目	Make Interaction Situated: Designing User Acceptable Interaction for Situated Visualization in Public Environments
关键字	5W1Hs, the formative study
来源	CHI2024

形成性研究

5W1Hs

By formulating requirements based on the 5W1Hs design space, which stands for Who, What, Where, When, Why, and How, researchers aim to gather comprehensive information about user needs and preferences in situated visualization.
谁、什么、在哪里、何时、为什么和如何
The 5W1Hs design space helps in identifying the specific tasks users undertake in different scenarios, their preferences for interacting with situated visualization, the preferred locations for displaying data, and the methods for activating situated visualization in public settings.

CHI2023

给自动驾驶车装上眼睛提供交互性

*	#
链接	link.
题目	A Field Study on Pedestrians’ Thoughts toward a Car with Gazing Eyes
关键字	绿野仙踪法，李克量表，采访
来源	CHI2023

绿野仙踪法（The Wizard of OZ）。

”绿野仙踪法“，这个童话故事原名叫《奥兹国的魔法师》（The Wizard of OZ），讲的是小女孩被一阵龙卷风吹到奥兹国，听说要找到法力无边的法师奥兹才能帮助她回家。但是当她终于找到奥兹时，只是一个通过躲在幕后扮演巫师的小魔术师。

绿野仙踪法，强调的就是这个幕布后的小魔术师。

在这种原型测试中，交互设计师就扮演幕后的魔术师的角色。设计师不需要做有交互的动态原型，只需要做静态原型就可以。测试用户操作系统界面时，实验者（交互设计师）通过各种手段来模拟出系统效果。²

用户可以 learning-by-doing*来学习一些基础教程

设置

这些问题旨在收集与汽车与行人互动中最重要的问题相关的信息，包括安全感、信任感和沟通有效性。Q1 到 Q5 是 5 个量表的李克特问题，后面是“为什么”问题。我们强调“为什么”很重要，并要求参与者尽可能多地写下他们的想法。我们收到了李克特量表的答案，包括原因（为什么问题）。

问卷

4,2 问卷的主题（归纳）分析
这些问题旨在收集与汽车与行人互动中最重要的问题相关的信息，包括安全感、信任感和沟通有效性。Q1 到 Q5 是 5 个量表的李克特问题，后面是“为什么”问题。我们强调“为什么”很重要，并要求参与者尽可能多地写下他们的想法。我们收到了李克特量表的答案，包括原因（为什么问题）。一位研究人员仔细研究了所有回复并得出了主题。第二位研究人员随后加入，进行主题讨论，回顾和总结行人对有眼睛的自动驾驶汽车的想法的主要发现。问题是：
Q1：眼睛能告诉你这辆车是不是自动驾驶吗？为什么？
Q2：眼睛能帮你了解汽车的驾驶意图吗？为什么？
Q3：眼睛能让你更信任这辆车吗？为什么？
Q4：眼睛能让你感觉到汽车在注意到你吗？为什么？
Q5：眼睛能帮你增强安全感吗？为什么？
Q6：请用一个词来形容你的眼睛看着你时的感受？
提出引导性问题可能会使结果产生偏差。我们继续以这种方式提出问题，以向他们强调他们应该只根据他们对眼睛的感觉来回答这些问题。

---

在社交场合利用VR给视障人士提供眼神交流

*	#
链接	link.
题目	VR, Gaze, and Visual Impairment: An Exploratory Study of the Perception of Eye Contact across different Sensory Modalities for People with Visual Impairments in Virtual Reality
关键字	李克量表，采访
来源	CHI2023

问卷

在原型测试之前，有八名参与者（P3-P11，P5除外）进行了45分钟的小组讨论。五个一般问题按以下顺序被问到：（1）你如何看待社交信号？，（2）眼神交流对你有多重要？，（3）眼神交流对你来说意味着什么？，（4）你是否曾经因为在谈话或情境中无法感知凝视而感到处于不利地位？（5）你是如何意识到眼神交流的？对于个人VR设置，使用了HTC Vive Pro Eye，并使用游戏引擎Unity实施了该研究。参与者坐在桌子前的椅子上，首先被问及人口统计信息及其诊断。随后，我们向参与者提出了以下问题：（1）小组讨论中的第二个问题，（2）你是否总是试图直视你的谈话对象的眼睛？（3）小组讨论中的第四个问题。提出相同问题的原因是，参与者可能不太愿意在更大的小组环境中发表意见。之后，参与者戴上VR护目镜并拿起控制器。VR场景被嵌入到一个定制的类似咖啡馆的设置中，里面有休息室和桌子（图1a）。

将头部凝视和头部手势分开成两种输入模式³

*	#
链接	link.
题目	Classifying Head Movements to Separate Head-Gaze and Head Gestures as Distinct Modes of Input
关键字	实验
来源	CHI2023

实验

我们在这项工作中的主要目的是将头部运动分为头部凝视和头部手势，以便将它们用作不同的输入模式。之前的一项研究，BimodalGaze，探索了头部手势对凝视输入的细化，并提出了一种在凝视模式和头部模式之间切换的启发式方法，以避免与初始凝视转移相关的头部运动产生的意外输入[46]。这项工作展示了将头部凝视与头部手势分开的复杂性。当头部支撑凝视时，它的移动速度比眼睛慢，大部分头部运动通常发生在注视已经瞄准目标时。当头部追赶时，眼睛会补偿头部运动以注视目标。在头部手势中观察到头部和眼睛的相同相对运动，其中眼睛补偿头部运动以稳定视力，因此很难区分手势和凝视驱动的行为。为了克服启发式方法观察到的局限性，我们探索了机器学习对头部凝视与头部手势进行分类。

数据收集本身是与18名参与者一起进行的，并产生了超过100万个带有时间戳的头部位置、头部方向、头部方向和世界之眼方向的样本作为分类的输入。

别的论文中关于头部和凝视协作的研究

我们认识到，协作是微妙的微观行为的结果，例如学习者的身体姿势、手势、头部方向、视觉注意力和话语。这些行为是复杂的、交织在一起的，并导致了丰富的行为编排，从而创造了复杂的社会互动。这些模式提供了用户凝视或身体姿势的“原始测量”。然后，这些数据用于捕获特定的“可观察行为”，例如联合视觉注意力 （JVA） 或身体相似性。我们可以将这些行为用作“理论结构”（Wise et al. this volume）的代理，例如，一个群体的共同点的质量（Clark and Brennan 1991）或群体成员相互模仿的程度（Chartrand and Bargh 1999）。原始测量、可观察行为和结构可用于预测感兴趣的结果（例如，小组的协作情况）、模拟协作过程（例如，社交互动如何随时间变化）、解释它们（例如，有助于协作理论）或支持协作（例如，设计使用传感器数据支持学习的干预措施）。

CITE

@article{schneider2021gesture,
title={Gesture and gaze: Multimodal data in dyadic interactions},
author={Schneider, Bertrand and Worsley, Marcelo and Martinez-Maldonado, Roberto},
journal={International handbook of computer-supported collaborative learning},
pages={625–641},
year={2021},
publisher={Springer}
}

从参与式研讨会中获取的自动驾驶汽车的整体 HMI 设计

*	#
链接	link.
题目	Exploring Holistic HMI Design for Automated Vehicles: Insights from a Participatory Workshop to Bridge In-Vehicle and External Communication
关键字	参与式设计
来源	CHI2023

参与式设计

12名与会者出席了研讨会，他们都是人机交互（HCI）和人为因素或技术咨询方面的研究人员或从业人员。他们的经验各不相同，从初级研究人员/博士生到经验丰富的教授或行业专业人士。他们的研究重点在于汽车用户界面（iHMI、eHMI和/或一般汽车人为因素），这些界面由抵达时分发的彩色徽章表示。
研讨会首先介绍了目标、时间表和预期成果。两位受邀的主讲人，专门研究iHMI和eHMI，然后概述了各自领域的技术进展。随后是第一轮全体讨论，与会者平等地表达了他们的想法、关注点或愿景，以形成对自动驾驶汽车整体HMI设计的共识。
然后将参与者分为三组进行促进小组活动。每个小组由四名成员组成，根据彩色徽章，他们的研究重点不同。在小组活动中，每个小组的任务是协作开发一个涉及多个交通参与者的交互场景，从而为整体HMI设置用例。研讨会结束时，每个小组都展示了他们的方案，然后是最后的全体会议讨论，反映了整体HMI设计方法。车间概况如图1所示。

拍摄了三个小组制定的三种方案的照片。此外，在参与者的口头同意下，所有小组活动和讨论都通过视频和音频记录进行记录。研讨会结束后，每个小组的主持人总结了讨论和创建的场景。他们通过审查和注释录音来实现这一目标，这种方法受到定性研究中“直接分析”概念的影响[25,26]。 为了确保我们数据的可靠性，我们指派了第二位审稿人——来自不同小组的主持人——来验证注释。随后，作者对所开发的场景进行了协作分析和编码，从而提取了关键见解。

最终结论包含场景说明Scenario Description和讨论要点Discussion Highlights。⁴

Empathy map 同理心地图

为了帮助参与者创建考虑多个用户视角的场景，我们利用了参与式研讨会技术和一套工具包，包括详细说明和物理令牌[29]。这些说明将场景分解为四个关键组件：用户、车辆、环境设置和交互。为了定义这些组件中的每一个，我们提供了四个指导性问题
用户。考虑了两种类型的用户：车内用户和行人。定义每个用户的问题的灵感来自同理心地图[11]，这是设计思维中常用的工具：
•你是谁？（例如，年龄、性别、工作）
•你在干什么？
•你在感知/听到/看到/闻到什么？
•你的心态是怎样的？

同理心地图可以用于设计者捕捉最终用户态度和行为

移情图象限
说 — 特定用户说的话。这可以是用户研究访谈的直接引用，也可以是用户可以想象说的话。
思考 — 用户可能有的想法，尤其是在整个体验过程中。用户可能认为他们没有用语言表达什么？
执行 — 用户演示的行为以及用户在体验期间执行的操作。这可能是观察到用户正在做的事情，也可能是用户可以想象做的事情。
感觉 — 用户体验到的情绪。用户遇到什么导致他们有这种感觉？
某些版本的移情图包括一个额外的部分，称为“痛苦和收获”，允许更集中地列出用户的挫折和愿望。

戴夫·格雷（Dave Gray）是同理心地图的创始人，他创建了同理心地图的更新版本，以便团队可以以更明确的目标开始练习。在这个新版本中，移情映射从回答以下问题开始：
“我们想了解的人是谁？”
“他们处于什么境地？”
“他们需要做什么？”
“我们怎么知道他们成功了？”

CITE:

@article{dam2018empathy,
title={Empathy map–Why and how to Use It},
author={Dam, R and Siang, T},
journal={Interaction Design website https://www. interactiondesign. org/literature/article/empathy-map-why-andhow-to-use-it. Published},
year={2018}
}

---

【29】[https://www.researchgate.net/publication/262851486_Probes_toolkits_and_prototypes_Three_approaches_to_making_in_codesigning]{https://www.researchgate.net/publication/262851486_Probes_toolkits_and_prototypes_Three_approaches_to_making_in_codesigning}

两种不同的思维模式：为设计和与设计。它们分别对应于图2中所示的“作为主体的用户”和“作为合作伙伴的用户”的观点。在这里，我们可以看到，从专家驱动的思维模式中产生的探针，举例说明了为方法而设计，并涵盖了预设计和生成组件。生成工具包tooltiks来自参与式思维模式，主要在生成阶段使用设计方法。另一方面，原型设计可以从为设计或以思维模式设计中进行，正如本期特刊中的一些论文将展示的那样。探针、工具包和原型之间的重叠区域经过精心布置，以反映我们对当前制造方法状态的看法。随着不断探索新的方法和工具，重叠领域将来可能会变得更大。

CHI2022

通过自然的注视移位和人水平注视位移最大范围的差值来解决midas问题

*	#
链接	link.
题目	Kuiper Belt: Utilizing the “Out-of-natural Angle” Region in the Eye-gaze Interaction for Virtual Reality
关键字	Midas 触摸问题，within-participant design.
来源	CHI2022

水平人眼运动的最大物理范围约为 45°。然而，在自然的注视移位中，相对于头部正面方向的注视方向的差异很少超过 25°。我们将这个25°-45°的区域命名为眼睛-凝视相互作用中的“柯伊伯带”。我们尝试利用这个区域来解决 Midas 触摸问题，以启用搜索任务，同时减少虚拟现实环境中的错误输入。在这项工作中，我们进行了两项研究，以弄清楚我们如何将菜单项放置在柯伊伯带中作为眼球凝视运动的“非自然角度”区域的设计原则，并确定基于柯伊伯带的方法的有效性和工作量。

Midas问题

The eye-gaze interface is one of the promising input methods because it is fast and the eye-tracker can be naturally mounted onto the HMD. However, monomodal gaze input has a problem called the “Midas touch problem” [ 23 ]眼睛凝视界面是有前途的输入方法之一，因为它速度快，眼睛跟踪器可以自然安装到头盔显示器上。然而，单模凝视输入有一个叫做“迈达斯触摸问题”的问题[23]因此，由于无法区分出于选择或检查目的的凝视fxation，从而违背用户的意图选择目标。研究人员提出了解决这个问题的技术，例如停留时间调整[32,37,42,59]、凝视笔画手势[7,22]和平滑追求[46,58]。相比之下，这些研究降低了基于标准停留时间的眼睛-凝视界面中的误差率（Midas touch）；然而，有一些缺点，如更低的错误率、更长的停留时间和/或任务完成时间。我们还通过在眼睛-凝视交互研究中利用一个称为“柯伊伯带”的新区域来解决这个问题，以实现更低的误差率和更低的停留时间.

通过结合眼睛-凝视输入和其他模式进行选择。

解决迈达斯触摸问题的一种流行方法是将凝视与其他模式相结合。用户可以通过在另一种模式中执行决策触发器时使用凝视来指示目标来避免无意的选择。其他模式包括点击鼠标[65]、做出脚手势[16]、通过牙齿开关点击[67]和使用面部肌电开关[55]。多模态交互中的显式触发器易于理解和使用。类似地，已经提出了在虚拟现实和磁共振中结合凝视和其他输入界面的各种方法，特别是基于头部运动和凝视的结合[49]。眼睛和头部运动的组合作为一种输入方法适用于虚拟现实和磁共振，因为眼睛和头部运动都可以很容易地与HMD同时跟踪，并且用户可以在不使用任何一只手的情况下指向和选择目标

使用停留时间的选择方法。

在单模凝视界面中，最常见的方法是当凝视停留在目标上一定时间时选择目标。当停留时间设置为150毫秒时，凝视输入比鼠标[47]实现了更快的目标选择。另一方面，缩短停留时间导致频繁的错误输入，因此每次研究眼睛打字[34]的停留时间都设置为450毫秒到1000毫秒之间。由于停留时间越长，运动时间越长，以解决迈达斯触摸问题并减少停留时间

目标和标签的分离。

这些研究采用了外部任务，其中要选择的目标要么清晰突出显示，要么像打眼键盘一样在视觉和位置上进行固定。然而，对于复杂但实际的任务，用户必须在各种对象中视觉搜索所需的和位置上未固定的目标对象；我们将此目标选择任务称为“视觉搜索任务”。张等人认为复杂的视觉搜索增加了所需的停留时间[66]。实验任务是从七个候选目标中选择一个带有特定标签的目标，每个目标内部都写有标签。当视觉搜索困难且停留时间为1100毫秒时，该实验的错误率为16.9%。Pfeufer等人还认为，1000毫秒的停留时间对于视觉搜索任务来说是不够的（错误率为9.72%），2000毫秒的停留时间更可取[40]。因此，当任务难度很大时，设置较长的停留时间不足以解决点石成金的触摸问题

实验

We used a within-participant design.

参与者设计 within-participant design

在心理学和实验设计领域，“within-participant design” 是一种实验设计，其中每位参与者都参与所有的实验条件或处理条件。与之相对的是"between-participant design"，在这种设计中，参与者被分配到不同的处理条件下，以便比较它们之间的差异。

在"within-participant design"中，每个参与者都会经历不同的实验条件，通常是在不同的时间点或不同的情境下。通过在同一参与者身上收集数据，这种设计可以减少参与者间的变异性，从而提高实验的统计功效。

举例来说，如果研究人员想要测试一种新的记忆训练方法，他们可能会使用"within-participant design"，其中每位参与者都会接受这种训练方法和标准训练方法。这样，研究人员可以比较同一参与者在不同训练方法下的表现，而不必担心个体差异对结果的影响。

错误率、身体舒适度、精神舒适度和美国航天局-TLX问卷项目

因变量是错误率、身体舒适度、精神舒适度和美国航天局-TLX问卷项目。如果选择了不正确的菜单项或试验时间超过5.0秒，则该试验被认为是错误的。身体和心理舒适度问卷量化了用户的舒适度（身体和精神）在iRelance和iDirection的每个组合中的变化，参考[62]。为了收集数据，在精神和身体舒适度方面使用了5分量表（从1“强烈同意”到5“强烈不同意”）（“我在指向任务完成后感到精神或身体疲劳。”）。最后，我们使用了美国航天局任务负载指数（美国航天局-TLX）[15]问卷来评估每个iRelance的工作量。

NASA_TLX:https://www.wjx.cn/m/75064257.aspx

![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/5bf24f97aee44d6db8d60408afa09e5c.png

过程和任务

首先，我们欢迎参与者，然后向他们简要介绍了这项研究。所有参与者都提供了书面和知情同意。我们使用图形图像提供了详细的任务说明。参与者对HTC Vive Pro Eye上最初安装的程序进行了5点眼动追踪校准。所有参与者在主要课程之前都进行了练习；练习课程使用了不同的参数（iRelance=10°）。

划重点：他们不仅定义了这个KB这个环，还找到了环内设置点击按钮更好的位置Idirection/大小Idistence。比较2SS，HG和KB三个界面。设计了三个usecase

---

CHI2021

凝视辅助触摸选择

*	#
链接	link.
题目	GazeBar: Exploiting the Midas Touch in Gaze Interaction
关键字	Midas 触摸问题
来源	CHI2021

还没看这篇论文

CHI2020

使用移动刺激方法的轮廓高亮提示来解决遮挡问题

*	#
链接	link.
题目	Outline Pursuits: Gaze-assisted Selection of Occluded Objects in Virtual Reality
关键字	使用移动刺激方法的轮廓高亮提示来解决遮挡问题 眼动
来源	CHI2020

还没有看但是很重要

Intro: 不考虑模态，遮挡是VR环境中选择的主要问题。根据用户的观点，在不同深度渲染的对象可能会出现重叠，甚至完全遮挡。这减少了指向的目标区域并增加了选择模糊性，因为输入准确性受到用户运动技能（例如手抖[47]、眼睛fxations[26]中的自然抖动）以及传感设备的f-快感和精度的限制。缓解策略是让用户改变他们的位置以改善他们对预期目标的看法。然而，这增加了工作量，当用户坐下时是一个有限的选择，并且对于仅跟踪头部旋转运动但不跟踪空间平移的便携式VR系统（例如Oculus Go和FOVE）是不可能的。
概念是显示位于用户指向的方向上的对象的轮廓，并在每个轮廓周围产生不同的运动。然后，用户可以通过用眼睛跟随他们预期目标周围的运动来消除选择的歧义。轮廓追踪利用用户看着他们想要选择的对象，人类很自然地跟随显示的运动，相应的平滑套装眼球运动。以前的工作表明，平滑追逐对选择非常有效，因为这是一种自然的闭环行为，我们的眼睛只有在受到移动刺激时才会表现出来[28,43]。平滑追逐可以被稳健地检测到，因为它不同于扫视眼球运动，相关目标可以通过运动相关性推断[40]。追踪技术不需要将眼睛注视与显示坐标进行任何校准，因为它基于用户的注视与目标的相对运动进行匹配[43]，并且出于同样的原因，也与目标的大小无关[10]
轮廓追踪可以与任何指向模式相结合。我们介绍了两种特殊技术，一种用于免提选择，另一种用于用控制器增强指向。在免提轮廓追踪中，潜在目标通过头部指向识别，然后平滑地追踪生成的轮廓之一。在这种技术中，轮廓追踪不仅消除了目标的歧义，还用于最终选择确认。这有一个优点，即用户可以自由地将手用于其他任务或休息它们（例如避免gorilla arm（*大猩猩手臂”是指使用垂直或站立式触摸屏的人感到疲劳或手臂开始受伤，因为需要笨拙且不太符合人体工程学的定位。*）[13]），同时解决免提替代方案的可用性问题，例如选择的不自然停留时间。

ECSCW

用参与式设计来帮助老年人融入数字化的社区

*	#
链接	link.
题目	Making online participatory design work: Understanding the digital ecologies of older adults
关键字	参与式设计
来源	CCFB

参与式设计Participatory Design与访谈

关于采访在论文中的记录示例(研究人员的表情也可以记录)

在介绍这项任务时，我们鼓励老年人自己在米罗导航，因为在最后一次汇报中，他们表示希望在我们的研讨会期间能够自主地完成更多任务；此外，这也符合项目的总体目标（支持老年人在数字工具方面变得更加自主）。

别的文章中参与式设计实验方法（Heuristics任务诱导）

*	#
链接	link.
题目	User-defined gesture interaction for in-vehicle information systems
关键字	参与式设计，手势诱导
来源	Multimedia Tools and Applications （CCFB）

Abstract：传统的手势启发研究往往受到手势分歧和遗留偏见问题的困扰，可能无法为目标系统生成最佳手势。本文报告了一个关于用户定义的手势与车载信息系统交互的研究项目。我们研究的主要贡献在于我们提出的三阶段参与式设计方法，该方法比传统的手势激发方法更可靠。使用这种方法，我们为车载信息系统中的次要任务生成了一组用户定义的手势。根据我们的研究，我们制定了一套手绘手势设计的设计指南。我们强调了这项工作对所有手势界面的手势启发的影响。

Intro：尽管许多实证结果表明了手势交互的好处，但在车载信息系统基于手势的手绘交互设计中仍然存在一些未解决的问题和悬而未决的问题。例如，许多系统都是根据专业设计师选择的手势设计的，最终用户几乎没有机会参与设计过程。这种做法可能导致设计者想象的手势和最终用户实际执行的手势之间的手势不一致问题[59]。最近，启发研究（一种从参与式设计领域兴起的方法）已被广泛用于通过让真实用户参与手势设计过程来收集需求和期望。然而，这种方法存在遗留的偏见问题[32]，即最终用户的手势建议往往受到他们自己的偏好或对先前用户界面的体验的偏见，例如WIMP（窗口、图标、菜单、指点设备）界面或基于触摸的用户界面。因此，传统的手势启发研究可能经常被困在局部最小值中，无法发现可能更适合给定目标任务的手势。

Contribution：我们的工作与早期关于手势诱发的努力不同，在考虑在先验阶段推导两个手势，并在传统诱导研究的后验阶段分别为每个目标任务选择前两个手势。实验结果表明，所提方法能够有效缓解手势不一致问题，抵消手势诱导研究中用户遗留的偏差。

[34] The set of gestures in an interface is called the “gesture vocabulary”. 界面中的手势集称为“手势词汇表”。This should not be confused with a general non-verbal communication dictionary. There are several ways of labelling gestures. This paper uses the taxonomy presented by Justine Cassell [1].
重要的是要记住，手势界面应被视为现有界面技术的补充或替代，如旧的桌面范例。其他例子是鼠标的新替代品，如人体工程学轨迹球、鼠标笔和iGesture Pad[9]。它们都可以用鼠标光标在视窗界面上导航，就像鼠标一样或比鼠标更好，而在快速电脑游戏中，如3D射击游戏和飞机模拟器，它们可能或多或少是无用的。开发手势界面时，目标不应该是“制作一个通用的手势界面”。手势界面并不是任何应用程序的最佳界面。目标是为给定的应用程序“开发一个更有效的界面”。手势研究[1]表明，不存在通用手势，因此一个好的手势词汇可能只匹配一个特定的应用程序和用户群。⁵
选择手势有两种方法；基于技术的方法和基于人的方法。选择手势的技术方法是选择一组易于识别的手势。它从一种可以识别某些特定手势的方法的想法开始。就像作者所在部门的一个例子，该方法计算伸出手指的数量。一旦建立了这个手势词汇，下一步就是将它们应用于应用程序。这种技术方法的问题是，一些手势对一些人来说是有压力的或不可能执行的。此外，功能和手势的映射不合逻辑。要问的一个重要问题是文化依赖是否是一个问题。便利的国际界面通常是英语的，但是大多数软件都有可选择的国家语言包，一些国家有不同的键盘布局。在手势界面中，如果徽章[1]对另一种文化来说是不合逻辑的，这可以翻译成可选择的手势集。此外，如果使用文化上依赖的手势，这并不一定意味着其他文化学习它们是完全不合逻辑的。
基于人类的手势方法调查将要使用界面的人。绿野仙踪实验已被证明在手势[10]的开发中很有价值。这些实验通过让一个人对用户命令做出反应来模拟系统的反应。²

寻找手势的方法：在接口开发中，场景已被证明是有价值的，[21]可以定义上下文、功能，并调查用户和问题域⁶。这种方法的一个工具是通过准备脚本来检查这些场景中的人与人之间的非语言交流。受试者将被带到场景中，这样他们就可以像与计算机应用程序交流一样与人交流。第2.1节的九个可用性启发式中的第1点和第2点支持手势必须通过观察自然手势来选择的观点，但也表明受试者必须是指定用户组的一部分。这项调查有两种方法：自下而上和自上而下。自下而上获取功能并找到匹配的手势，而自上而下呈现手势并找到哪些功能在逻辑上与手势匹配。另一个需要的工具是一个基准，通过基于人的方法中重视的原则来衡量手势的优劣⁷



寻找手势的过程：
1.找功能。查找应用程序所需的功能以及手势必须传达的功能。记住标准界面的现有类似应用程序的用户界面。
2.从用户领域收集手势。目标是找到代表步骤1中找到的功能的手势。这是通过对人的实验来完成的，方法是让他们在摄像机监控下经历场景，在这些场景中，他们交流上述功能，否则他们会将这些功能传达给计算机，例如“算子”（即进行实验的人）或另一个考生。重要的是要设计实验，让被测试者以自然的方式使用手势，尤其是在与有技术头脑的人进行测试时。否则，他们仍然有可能从接口和算法的角度思考。如果希望编写一个具有技术接口方面的场景，可以作为绿野仙踪实验[3][10]来执行，该实验不仅测试手势，还测试整个界面的设计，包括来自系统的反馈和接口中的顺序。这项调查所需的人数取决于用户群体的广度以及测试结果的多样性。
3.评估。对视频记录的数据进行评估，以提取受试者在互动中使用的手势。注意并捕捉常用手势的帧，并注意不同受试者使用它们的一致性。参考上面图片的要求。
4.测试。 对选定的手势词汇进行基准测试最后一步是测试由此产生的手势词汇。这可能会导致手势词汇的变化。测试有三个部分。以下内容将在基准测试中进行测试：语义解释、概括、直觉、记忆、学习率和压力。最低的分数是最好的。①测试1：猜测功能给考生一份功能列表。呈现手势，并要求这个人猜测功能。依赖于上下文的手势必须在上下文中呈现。分数=错误除以手势数量②测试2：记忆将手势词汇交给考生，然后考生将尝试手势以确保它们被理解。快速展示功能名称的幻灯片，每个功能2秒。考生必须在显示名称时正确执行它们。顺序应该符合应用程序中的顺序。每次误拍时重新启动幻灯片，并在每次重试之间向考生显示手势词汇。继续，直到它们全部正确。分数=重新启动的次数。③测试3：压力这是对人体工程学的主观评估。给出手势序列的列表。考生必须执行序列X次，其中X乘以手势词汇的大小等于200。在每个手势之间，回到中立的手位置注意它们有多紧张。为注释留出空间，以说明是否是某些手势造成了压力。对每个手势和整个序列使用以下分数列表： 1）没问题。2）轻度疲劳/压力。3）疲劳/压力。4）非常烦人。5）不可能基准可以用来比较两个手势词汇，但是测试2只有在词汇大小相同的情况下才具有可比性。如果测试单个词汇，必须说明合理的成功标准。这些目标取决于手头的手势词汇。请参阅第4节步骤D如何在实践中做到这一点。它也可以用来比较不同的用户配置文件和测试文化依赖。
基于人类的体验测试。首先是确定需要几种功能。为了涵盖有意识和潜意识的自上而下的调查，为用户测试选择了三种场景，下面概述了这三种场景–

[34]这篇论文给了一个示例关于引导手势并且评估
@InProceedings{10.1007/978-3-540-24598-8_38,
author="Nielsen, Michael
and St{\"o}rring, Moritz
and Moeslund, Thomas B.
and Granum, Erik",
editor="Camurri, Antonio
and Volpe, Gualtiero",
title="A Procedure for Developing Intuitive and Ergonomic Gesture Interfaces for HCI",
booktitle="Gesture-Based Communication in Human-Computer Interaction",
year="2004",
publisher="Springer Berlin Heidelberg",
address="Berlin, Heidelberg",
pages="409--420",
}

*诱发性研究的局限性有（这一部分体现在研究动机中）

首先，由于启发研究的开放性，来自最终用户的手势建议可能非常多样化，期望最终用户能够直观地为给定的目标任务产生相同的手势是不现实的。这是因为他们的手势建议可能依赖于他们的个人偏好以及对先前界面和技术的经验。
其次，在传统的启发研究中，仍然缺乏关于应考虑的最小手势数量的一般设计指导。在大多数情况下，参与者被要求为给定的目标任务提出一个手势。然而，这种方法经常受到“遗留偏见”问题的困扰，即参与者不一定能回忆起给定目标任务的最佳手势。这可能会导致启发研究陷入局部最小值，并且无法发现一些可能更适合给定目标任务的潜在手势。有时，当参与者看到其他设计师提出的一些手势候选者时，特别是一些高度可教的手势，他们可能更有可能改变主意并使用它们[10,59]。 为了降低在早期设计阶段拒绝有前途的手势候选者的风险，Morris等[32]和Chan等[7]应用启动和生产技术来抵消遗留偏见，其中参与者被要求为给定的目标任务设计至少三个手势。
第三，传统的启发研究采用了Wobbrock等[57]的一致公式，对来自最终用户的相同手势进行分组和排序，然后遵循“赢家通吃”策略，将顶部手势分配给给定的目标任务。通过这种方法，最终生成了一组规范的引出手势。与“赢家通吃”技术相反，Seyed 等[44]通过选择至少三个不同参与者为每个目标任务提出的手势来确定最终的手势集。然而，这些方法面临着在手势设计的早期阶段拒绝一些具有较低一致性分数的潜在流行手势的风险。例如，Choi等[10]进行了一个三阶段实验，发现在第一个实验中得出的一些顶部手势在第二个和第三个实验中很少甚至没有被选中，而在前两个实验中产生的一些独特但高度可教的手势被选为第三个实验中的顶部手势。一般来说，不同实验之间顶部手势的变化率为66%。他们的研究结果表明，手势的频率并不一定保证手势的受欢迎程度
第四，基于手绘手势的交互仍处于起步阶段，目前还没有“标准”设计。因此，对于任何给定的应用域和交互上下文，都没有正确或错误的手势。不同的研究人员在不同的条件下可能会采取不同的策略并产生不同的结果。
为了解决运行手势启发研究和分析其结果（即参与者提出的手势）的问题，目的是优化推荐手势集。我们进行了一个三阶段的用户研究，并提出了以下假设来确定问题：
H1：要求参与者为每个给定任务提出 2 个手势可能会发现一些潜在的流行手势，由于遗留偏见问题，参与者可能无法回忆起这些手势。
H2：使用协议公式[50,57]对手势提案进行分组和排序后，为每个给定任务选择前两个手势，可以缓解手势分歧问题，从而提高参与者之间的共识水平。

车载信息系统徒手手势研究 (论文中可能也需要做相关的手势综述

HCI中基于gesutre的相互作用的启发研究⁸

不幸的是，仍然缺乏一般的设计指南。上面提到的大多数手势都是由HCI专业人员设计的，并且与相应的任务任意关联[61]。此外，最终用户几乎没有机会参与设计和开发过程。因此，此类系统可能无法识别用户自然执行的手势，因此面临系统可用性差和用户接受度低的风险。

为了解决这些问题，一些以用户为中心的设计 （UCD） 方法已被用于调查最终用户的行为。例如，Nielsen等[34]提出了一个四步程序，从以用户为中心的视角推导出HCI的合理手势。在此过程中，最终用户参与了手势设计和生成的手势集的评估。Löcken等[26]扩展了Nielsen等人的工作，并推导出了一组用户定义的手势来控制音乐播放。与Löcken和Nielsen等人的工作相反，Wu等[58]提供了一种以用户为中心的四阶段方法，用于设计基于手势的手绘用户交互，该方法要求最终用户参与整个手势开发生命周期，包括手势定义、手势派生、手势开发和手势评估。实验结果表明，通过让实际终端用户参与到最终系统的实际场景中，可以提高手势识别的准确性和用户满意度。

为了更好地了解最终用户最喜欢哪种类型的手势，一些研究人员进行了手势诱导研究，以探索最终用户偏好和个性化行为的规律。在这种方法下，最终用户会单独看到给定目标任务（也称为参照物）的预期效果，然后需要设计一个手势来实现该效果。因此，从最终用户的所有建议中选择顶部手势，然后分配给相应的目标任务。

在传统的手势启发研究中，由于手势分歧问题，很难确定最终用户最流行的手势[59]。为了解决这个问题，已经进行了一些研究工作，以衡量最终用户在多大程度上同意为给定目标任务选择的最自然的姿态。例如，Wobbrock等[56,57]提出了一种协议度量，即使用协议分数来分析来自最终用户的手势建议。Findlater等[16]、Morris等[31]和Vatavu等[50,51]进一步扩展了这一协议措施。 通过这种方法，设计人员可以使用协议分数来衡量最终用户为给定任务选择相同手势的可能性：协议分数越高，拥有相同手势的可能性就越大。因此，这些一致性测量方法已被标准启发研究广泛采用。

定性研究 （componental qualitative research ）

https://www.scribbr.com/methodology/qualitative-research/

如何确定你的用户样本量

https://www.woshipm.com/user-research/648261.html

你可以在滚动的基础上去决定你的定性研究的样本量。也可以在调研前就先阐明样本量。

你对滚动或先决样本量的使用将决定你如何解释为什么你终止了数据收集。对于滚动样本，你可以说：“我们在分析之后，发现收集更多的数据将不再出现有价值的样本，因此终止了数据收集。” 如果你使用了先决样本量，你可以说：“在访谈了我们预先决定的数量的受访者之后，我们停止了数据收集，并对收集来的数据进行了充分的分析。”

我们使用先决样本量的时候依然能维持一个严谨的流程，它的发现依然是有效的。数据饱和帮助我们确保了这个结果。在使用先决样本时，为了阐明你已经尽职地完成了确定样本量的调查和达到数据饱和，你需要完成这3个步骤：
在有意义的基础上去决定样本量；
达到数据收集的饱和；
达到数据分析的饱和。

数据饱和是来源于学术调研的一个概念。学者们对饱和的定义也是各执己见。最基础的理念是获取足够的数据来支持你所做的决定，然后穷尽你所需要分析的数据。为了创造一个有意义的问题和推荐你已经详尽无疑的数据分析，你需要获取足够多的数据。达到数据饱和取决于你具体的数据收集手段。访谈通常被用来做为最能保证达到数据饱和的研究手段。

研究人员通常不单独使用样本量作为评估饱和的标准。我支持其中一个双管齐下的定义：数据收集的饱和与数据分析的饱和。在研究当中，你需要满足两者的饱和。你也需要在进行数据收集和分析的同时，了解你在调研结束前是否已经达到饱和。

当你创建了一个问题大纲时，让他人帮你优化和提供反馈，并且事先演练一下数据收集，这样可以帮助你收集到丰富的数据。

关于数据收集的饱和：收集了足够有意义的信息来定义主要问题和做出推荐方案。你从调研结果中有了一个可行的解决方案：建立一个强调透明化和个人联系的初次使用体验。而且它仅仅在你访谈了12个受访者后就得到了。你完成了剩下的3个访谈来验证你已经了解到的东西，并为下一部分的“饱和”储存了更多数据。
关于数据分析的饱和：你需要对你的数据进行提炼（data coding：定性研究中将收集到的信息整理、归纳、分类、概括的数据分析方法。）。你可以归纳性地提炼（基于数据显示的信息），或者演绎性地提炼（预先决定好的提炼方式），试图确定数据中有意义的问题和要点。当你完成了所有数据的提炼和根据提炼的数据确定了问题时，你就让数据分析饱和了。这也是研究员的经验发挥作用的地方了。经验会帮助你更快地确定和提炼有意义的问题，然后将他们转化成可行的推荐方案。

民族志

https://www.scribbr.com/methodology/ethnography/

民族志的核心是从内部观察群体。在沉浸在环境中时，会记录这些观察结果;它们构成了最终书面民族志的基础。它们通常是手写的，但其他解决方案（例如录音）可能是有用的替代方案。

现场笔记记录了所有重要数据：观察到的现象、对话、初步分析。例如，如果你正在研究服务人员如何与客户互动，你应该写下你注意到的关于这些互动的任何信息——肢体语言、反复使用的短语、员工之间的差异和相似之处、客户的反应。

主题研究

https://www.scribbr.com/methodology/thematic-analysis/

---

*	#
链接	link.
题目	Reflexivity of Account, Professional Vision, and Computer-Supported Cooperative Work: Working in the Maritime Domain
关键字	民族志 专题分析
来源	PACM HCI

我使用专题分析方法[57]分析了访谈和观察数据。我的目的不是从经验观察中提取理论见解，而是理解实践的细节，我对采访笔录和观察笔记进行了编码。手工（从2015年开始）。任何可识别的参与者信息都是匿名的。视频分析[40]仅用于解决需要详细审查以构建我的分析账户。如果一个视频脚本特别有趣，我用iMovie来模糊参与者在公开呈现视频之前面对并处理他们的声音（例如，与船东）。船东有可能会认出我在海上跟踪的经营者；然而，因为我的工作是调查所有海洋系统的设计我观察到的工程项目，我选择的视频只解决了我观察到的差异在海上和模拟器室操作员的工作实践之间，这些工作实践，是操作员更大工作实践的片段浓缩成几分钟，所以他们船东用来评估经营者的表现是不合适的。可能识别船上物品，如个人物品、标志、咖啡机和笔，被模糊以进一步保护操作员的匿名性。只有他们的工作实践和他们互动的系统可以观看。

---

---

1. 这篇论文针对超小物体，根据密度尺寸和动作空间做了区分进行对比。 / ↩︎

2. 在我们的手势诱导阶段一也需要用到绿野仙踪 ↩︎ ↩︎

3. 感觉gaze gesture和head gesture也可以作为一个博士课题做下去。在这篇论文中有44.46都是同一个作者做的，应该课题组的大方向是这个【协作是微妙的微观行为的结果，例如学习者的身体姿势、手势、头部方向、视觉注意力和话语。这些行为是复杂的、交织在一起的，并导致了丰富的行为编排，从而创造了复杂的社会互动。】/ ↩︎

4. 8 ↩︎

5. 这一点 我可能也需要在论文里面强调，我们不是想设计一个通用的界面而是目前技术的补充–为特定的场景开发一个有效的界面 ↩︎

6. 在我们的论文中为使用场景定义上下文、功能，并调查用户和问题域是有必要的 ↩︎

7. 需要考虑谁来定义基准？研究人员？还是专业工程师？产品经理？用户完成任务的时间/步骤/评价来完成基准的评估？ ↩︎

8. 这个点也需要在我们的论文related work中也体现 ↩︎