A Predictive Model of Human Performance With Scrolling and Hierarchical Lists
Notice bibliographique
Résumé
Many interactive tasks in graphical user interfaces involve finding an item in a list but with the item not currently in sight. The two main ways of bringing the item into view are scrolling of one-dimensional lists and expansion of a level in a hierarchical list. Examples include selecting items in hierarchical menus and navigating through “tree” browsers to find files, folders, commands, or e-mail messages. System designers are often responsible for the structure and layout of these components, yet prior research provides conflicting results on how different structures and layouts affect user performance. For example, empirical research disagrees on whether the time to acquire targets in a scrolling list increases linearly or logarithmically with the length of the list; similarly, experiments have produced conflicting results for the comparative efficacy of “broad and shallow” versus “narrow and deep” hierarchical structures. In this article we continue in the human–computer interaction tradition of bringing theory to the debate, demonstrating that prior results regarding scrolling and hierarchical navigation are theoretically predictable and that the divergent results can be explained by the impact of the dataset's organization and the user's familiarity with the dataset. We argue and demonstrate that when users can anticipate the location of items in the list, the time to acquire them is best modeled by functions that are logarithmic with list length and that linear models arise when anticipation cannot be used. We then propose a formal model of item selection from hierarchical lists, which we validate by comparing its predictions with empirical data from prior studies and from our own. The model also accounts for the transition from novice to expert behavior with different datasets.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».