Acquiring Targets in the Velocity Domain: Toward Predictive Modeling of Virtual Tossing
Notice bibliographique
Résumé
Tossing, throwing, or flicking objects in a user interface or virtual environment can be used as a faster, lower-precision alternative to traditional pointing, however there is currently no predictive model of user performance with tossing. We report experimental measurements of performance in a 1D tossing task from which a predictive model is derived. We consider a simplified form of tossing where a virtual object on a horizontal surface is accelerated and released, and then decelerates under friction, coming to rest at some final po- sition. The distance traveled after release is determined by the release velocity as well as by the friction model used. To abstract away the details of the friction model, our ex- periment measures the ability of users to accelerate and re- lease a virtual object in 1D (using a mouse) with a given tar- get velocity, with target velocities varying from 6.25 cm/s to 1 m/s. Results indicate that there is a linear relationship be- tween the target release velocity and the standard deviation of the release velocity achieved by the user. We also propose an automatic release technique (instead of requiring the user to manually release using a mouse button) that significantly improves precision. The model derived from our experiment predicts that a user should be able to toss at three different target speeds (effectively tossing toward target locations at three different distances) with an error rate under 4%. We also predict that having four or more targets in the same di- rection would cause the error rate to rise above 10%. Design implications for integrating tossing into graphical user inter- faces are discussed.
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 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 | 0,006 | 0,001 |
| 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 | 0,003 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».