A model of novice and expert navigation performance in constrained-input interfaces
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Many interactive systems require users to navigate through large sets of data and commands using constrained input devices—such as scroll rings, rocker switches, or specialized keypads—that provide less power and flexibility than traditional input devices like mice or touch screens. While performance with more traditional devices has been extensively studied in human-computer interaction, there has been relatively little investigation of human performance with constrained input. As a result, there is little understanding of what factors govern performance in these situations, and how interfaces should be designed to optimize interface actions such as navigation and selection. Since constrained input is now common in a wide variety of interactive systems (such as mobile phones, audio players, in-car navigation systems, and kiosk displays), it is important for designers to understand what factors affect performance. To aid in this understanding, we present the Constrained Input Navigation (CIN) model, a predictive model that allows accurate determination of human navigation and selection performance in constrained-input scenarios. CIN identifies three factors that underlie user efficiency: the performance of the interface type for single-level item selection (where interface type depends on the input and output devices, the interactive behavior, and the data organization), the hierarchical structure of the information space, and the user's experience with the items to be selected. We show through experiments that, after empirical calibration, the model's predictions fit empirical data well, and discuss why and how each of the factors affects performance. Models like CIN can provide valuable theoretical and practical benefits to designers of constrained-input systems, allowing them to explore and compare a much wider variety of alternate interface designs without the need for extensive user studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle