論文の概要: Predicting Human Performance in Vertical Hierarchical Menu Selection in
Immersive AR Using Hand-gesture and Head-gaze
- arxiv url: http://arxiv.org/abs/2206.09480v1
- Date: Sun, 19 Jun 2022 20:13:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 16:19:30.339347
- Title: Predicting Human Performance in Vertical Hierarchical Menu Selection in
Immersive AR Using Hand-gesture and Head-gaze
- Title（参考訳）: 没入型ARにおける垂直的階層型メニュー選択における人的パフォーマンス予測
- Authors: Majid Pourmemar, Yashas Joshi, Charalambos Poullis
- Abstract要約: 本稿では,ユーザ研究への参加者の関与を伴わずに,対象UIのユーザパフォーマンスを推定する予測モデルを提案する。
このモデルは、階層的なドロップダウンメニューを使用して、消費持続時間(CE)やポインティング時間(PT)などの客観的なパフォーマンス対策に対する参加者の反応に基づいて訓練される。
本稿では,認知能力の異なるユーザの階層的メニュー上でのCE予測において,提案した予測モデルが高精度に達成可能であることを示すユーザスタディの結果を示す。
- 参考スコア（独自算出の注目度）: 5.317624228510748
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: There are currently limited guidelines on designing user interfaces (UI) for
immersive augmented reality (AR) applications. Designers must reflect on their
experience designing UI for desktop and mobile applications and conjecture how
a UI will influence AR users' performance. In this work, we introduce a
predictive model for determining users' performance for a target UI without the
subsequent involvement of participants in user studies. The model is trained on
participants' responses to objective performance measures such as consumed
endurance (CE) and pointing time (PT) using hierarchical drop-down menus. Large
variability in the depth and context of the menus is ensured by randomly and
dynamically creating the hierarchical drop-down menus and associated user tasks
from words contained in the lexical database WordNet. Subjective performance
bias is reduced by incorporating the users' non-verbal standard performance
WAIS-IV during the model training. The semantic information of the menu is
encoded using the Universal Sentence Encoder. We present the results of a user
study that demonstrates that the proposed predictive model achieves high
accuracy in predicting the CE on hierarchical menus of users with various
cognitive abilities. To the best of our knowledge, this is the first work on
predicting CE in designing UI for immersive AR applications.
- Abstract（参考訳）: 現在、没入型拡張現実(AR)アプリケーションのためのユーザーインターフェイス(UI)の設計に関するガイドラインが限定されている。
デザイナーは、デスクトップおよびモバイルアプリケーションのUI設計の経験を反映し、UIがARユーザーのパフォーマンスにどのように影響するかを推測する必要がある。
本研究では,ユーザ研究への参加者の関与を伴わずに,対象UIのユーザパフォーマンスを推定する予測モデルを提案する。
モデルは、階層的なドロップダウンメニューを使用して、消費持続時間(CE)やポインティング時間(PT)などの客観的パフォーマンス対策に対する参加者の反応に基づいて訓練される。
語彙データベースWordNetに含まれる単語から階層的なドロップダウンメニューと関連するユーザタスクをランダムに動的に生成することにより、メニューの深さとコンテキストに大きなばらつきが保証される。
モデルトレーニング中にユーザの非言語標準パフォーマンスwais-ivを組み込むことで、主観的パフォーマンスバイアスを低減する。
メニューの意味情報はUniversal Sentence Encoderを使って符号化される。
本稿では,認知能力の異なるユーザの階層的メニュー上でのCE予測において,提案した予測モデルが高精度であることを示すユーザスタディの結果を示す。
私たちの知る限りでは、没入型ARアプリケーション用のUIを設計する上で、CEを予測する最初の作業です。
関連論文リスト
- Optimized Feature Generation for Tabular Data via LLMs with Decision Tree Reasoning [53.241569810013836]
本稿では,大規模言語モデル(LLM)を用いて,効率的な特徴生成ルールを同定するフレームワークを提案する。
我々は、自然言語で容易に表現できるため、この推論情報を伝達するために決定木を使用します。
OCTreeは様々なベンチマークで様々な予測モデルの性能を継続的に向上させる。
論文 参考訳（メタデータ） (2024-06-12T08:31:34Z) - UIClip: A Data-driven Model for Assessing User Interface Design [20.66914084220734]
ユーザインタフェースの設計品質と視覚的関連性を評価するための機械学習モデルUIClipを開発した。
UIClipがUI設計品質の即時評価に依存するダウンストリームアプリケーションをどのように促進するかを示す。
論文 参考訳（メタデータ） (2024-04-18T20:43:08Z) - Faceptor: A Generalist Model for Face Perception [52.8066001012464]
Faceptorは、よく設計されたシングルエンコーダのデュアルデコーダアーキテクチャを採用するために提案されている。
Faceptorへのレイヤアテンションにより、モデルが最適なレイヤから機能を適応的に選択して、望ましいタスクを実行することができる。
我々のトレーニングフレームワークは補助的な教師付き学習にも適用でき、年齢推定や表現認識といったデータスパースタスクの性能を大幅に向上させることができる。
論文 参考訳（メタデータ） (2024-03-14T15:42:31Z) - Instruct and Extract: Instruction Tuning for On-Demand Information
Extraction [86.29491354355356]
On-Demand Information extractは、現実世界のユーザのパーソナライズされた要求を満たすことを目的としている。
InstructIEというベンチマークを、自動生成したトレーニングデータと、人手による注釈付きテストセットの両方を含む形で提示する。
InstructIE 上に構築した On-Demand Information Extractor, ODIE をさらに発展させる。
論文 参考訳（メタデータ） (2023-10-24T17:54:25Z) - Attention Weighted Mixture of Experts with Contrastive Learning for
Personalized Ranking in E-commerce [21.7796124109]
本稿では,個人格付けのためのコントラスト学習を伴うAW-MoE(Attention Weighted Mixture of Experts)を提案する。
AW-MoEはJDのeコマース検索エンジンでうまく展開されている。
論文 参考訳（メタデータ） (2023-06-08T07:59:08Z) - Measuring User Experience of Adaptive User Interfaces using EEG: A
Replication Study [3.724862061593192]
本研究では,脳波信号と参加者の嗜好などのユーザ体験評価との相関性について検討した。
異なる構造とフォントタイプを持つグラフィカルメニューは、ユーザーの脳反応により多くの違いをもたらす。
色を使うメニューは ユーザーの脳反応に 似通っている
論文 参考訳（メタデータ） (2023-06-06T09:19:02Z) - Latent User Intent Modeling for Sequential Recommenders [92.66888409973495]
逐次リコメンデータモデルは、プラットフォーム上での氏のインタラクション履歴に基づいて、ユーザが次に対話する可能性のあるアイテムを予測することを学習する。
しかし、ほとんどのシーケンシャルなレコメンデータは、ユーザの意図に対する高いレベルの理解を欠いている。
したがって、インテントモデリングはユーザー理解と長期ユーザーエクスペリエンスの最適化に不可欠である。
論文 参考訳（メタデータ） (2022-11-17T19:00:24Z) - PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。
従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。
その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
論文 参考訳（メタデータ） (2022-05-09T18:26:51Z) - Predicting and Explaining Mobile UI Tappability with Vision Modeling and
Saliency Analysis [15.509241935245585]
モバイルUIのスクリーンショットに選択された要素が、ユーザがタップ可能なものとして認識するかどうかを予測するために、ディープラーニングベースのアプローチを使用します。
また、モデルの出力を説明するのにMLの解釈可能性技術を使用します。
論文 参考訳（メタデータ） (2022-04-05T18:51:32Z) - ActionBert: Leveraging User Actions for Semantic Understanding of User
Interfaces [12.52699475631247]
ActionBertと呼ばれる新しいトレーニング済みのUI表現モデルを紹介します。
本手法は,ユーザインタラクショントレースにおける視覚的,言語的,ドメイン特有の特徴を活用し,uiとそのコンポーネントの汎用的な特徴表現を事前学習するように設計されている。
実験により、提案するactionbertモデルは、下流タスク全体のマルチモーダルベースラインを最大15.5%上回ることがわかった。
論文 参考訳（メタデータ） (2020-12-22T20:49:52Z) - User-Guided Domain Adaptation for Rapid Annotation from User
Interactions: A Study on Pathological Liver Segmentation [49.96706092808873]
マスクベースの医用画像のアノテーション、特に3Dデータは、信頼できる機械学習モデルを開発する上でボトルネックとなる。
ユーザガイド付きドメイン適応(UGDA)フレームワークを提案する。このフレームワークは,UIとマスクの複合分布をモデル化するために,予測に基づくドメイン適応(PADA)を利用する。
UGDAは、利用可能なUIのごく一部しか見ていない場合でも、最先端のパフォーマンスを維持することができる。
論文 参考訳（メタデータ） (2020-09-05T04:24:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。