論文の概要: A method of generating bespoke optimised keyboard layouts that significantly reduce typing effort for Twitter users

• arxiv url: http://arxiv.org/abs/2310.01858v1
• Date: Tue, 3 Oct 2023 07:48:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 17:06:35.175837
• Title: A method of generating bespoke optimised keyboard layouts that significantly reduce typing effort for Twitter users
• Title（参考訳）: Twitter利用者のタイピング作業を大幅に削減するベスポーク最適化キーボードレイアウト生成手法
• Authors: E. Elson
• Abstract要約: 本研究では,スマートフォン上でのシングルフィンガータイピングのためのキーボードレイアウトを最適化する問題に対処する。 Twitterユーザーには、より少ない労力と時間を要するツィートタイピング体験を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This study addresses the problem of generating an optimised keyboard layout for single-finger typing on a smartphone. It offers Twitter users a tweet-typing experience that requires less effort and time. Bodies of tweet text for 85 popular Twitter users are used. While existing studies have produced optimisations that may generally benefit a variety of users, this study is unique in the sense that a bespoke optimised keyboard layout is generated for each Twitter user based on their own tweets, thereby uniquely benefiting them more than other users. The optimisation process is based on moving only six letter keys from their positions on the QWERTY keyboard, and therefore strikes an effective balance between the typing efficiency improvements offered by an optimised keyboard layout and the effort required to learn to use it. It is shown that a Twitter user will enjoy a reduction in typing effort of at least 13.4%. The typical user will benefit from a 15.8% reduction, while the highest typing effort reduction is nearly 25%. The method presented in this study could therefore be used in practical ways to offer any Twitter user a uniquely-improved tweeting experience.
• Abstract（参考訳）: 本研究は,スマートフォン上でのシングルフィンガータイピングのための最適化キーボードレイアウト作成の問題に対処する。 twitterユーザーには、時間と労力の少ないツイートタイピング体験を提供する。 人気のTwitterユーザー85人のツイートテキストが使用されている。 既存の研究は、概して様々なユーザーに利益をもたらす最適化を生み出してきたが、この研究は、twitterユーザーごとに自分のツイートに基づいて、独自に最適化されたキーボードレイアウトが生成されるという意味でユニークなものである。 最適化プロセスは、QWERTYキーボード上の位置から6文字キーだけを移動させることに基づいており、最適化されたキーボードレイアウトによって提供されるタイピング効率の改善と、それを学ぶのに必要な労力とを効果的にバランスさせる。 Twitterユーザーは少なくとも13.4%のタイピングの労力を減らすことが示されている。 一般的なユーザーは15.8%の削減の恩恵を受けるが、最も高いタイピング労力の削減は25%近くである。 この研究で示された方法は、任意のTwitterユーザーに独自のツイート体験を提供するために、実用的な方法で利用することができる。

関連論文リスト

• TapType: Ten-finger text entry on everyday surfaces via Bayesian inference [32.33746932895968]
  TapTypeは、受動的表面のフルサイズのタイピングのためのモバイルテキスト入力システムである。 バンド内の慣性センサーから、TapTypeは、表面タップと従来のQWERTYキーボードレイアウトをデコードして関連付ける。
  論文  参考訳（メタデータ） (2024-10-08T12:58:31Z)
• Acoustic Side Channel Attack on Keyboards Based on Typing Patterns [0.0]
  キーボードに対するサイドチャネル攻撃は、入力デバイスとしてキーボードを使用する多くのシステムにおけるセキュリティ対策をバイパスすることができる。 本稿では,現実的な環境におけるユーザのタイピングパターンを考慮に入れた適用方法を提案する。 本手法は実世界のシナリオを考慮した場合, ケーススタディ全体で平均43%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-03-13T17:44:15Z)
• OverHear: Headphone based Multi-sensor Keystroke Inference [1.9915929143641455]
  我々は,ヘッドホンの音響および加速度計データを活用するキーストローク推論フレームワークを開発した。 メカニカルキーボードのキー予測精度は,メカニカルキーボードのキー予測精度が約80%,膜キーボードのキー予測精度が約60%である。 その結果,現実シナリオの文脈におけるアプローチの有効性と限界が浮き彫りになった。
  論文  参考訳（メタデータ） (2023-11-04T00:48:20Z)
• ViralBERT: A User Focused BERT-Based Approach to Virality Prediction [11.992815669875924]
  本稿では、コンテンツとユーザベースの機能を用いて、ツイートのバイラル性を予測できるViralBERTを提案する。 ハッシュタグやフォロワー数などの数値的特徴を合成してテキストをツイートし、2つのBERTモジュールを利用する手法を用いる。 ViralBERTをトレーニングするために330kのツイートのデータセットを収集し、この分野での現在の研究からベースラインを使用して、モデルの有効性を検証する。
  論文  参考訳（メタデータ） (2022-05-17T21:40:24Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• Understanding Information Spreading Mechanisms During COVID-19 Pandemic by Analyzing the Impact of Tweet Text and User Features for Retweet Prediction [6.658785818853953]
  新型コロナウイルスは世界の経済や、ほぼすべての人々の日常生活に影響を与えている。 ソーシャルメディアプラットフォームは、情報を共有できる他のユーザーと情報を共有できる。 CNNとRNNをベースとした2つのモデルを提案し、これらのモデルの性能を公開のTweetsCOV19データセットで評価する。
  論文  参考訳（メタデータ） (2021-05-26T15:55:58Z)
• TypeNet: Deep Learning Keystroke Biometrics [77.80092630558305]
  TypeNetは、アイデンティティ毎に適度な数のキーストロークでトレーニングされた、リカレントニューラルネットワークである。 5つのギャラリーシーケンスと長さ50のテストシーケンスにより、TypeNetは最先端のキーストロークバイオメトリック認証性能を実現します。 実験では,最大10,000人の被験者による誤りの程度の増加を実証し,インターネット規模でのTypeNetの運用の可能性を示した。
  論文  参考訳（メタデータ） (2021-01-14T12:49:09Z)
• Writer Identification Using Microblogging Texts for Social Media Forensics [53.180678723280145]
  私たちは、文学的分析に広く使われている人気のあるスタイル的特徴と、URL、ハッシュタグ、返信、引用などの特定のTwitter機能を評価します。 我々は、様々なサイズの著者集合と、著者毎のトレーニング/テストテキストの量をテストする。
  論文  参考訳（メタデータ） (2020-07-31T00:23:18Z)
• Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline [47.434392695347924]
  ACM RecSysが主催するRecSys 2020 Challengeは、このデータセットを使用してTwitterと提携している。 本稿では,ユーザエンゲージメントを予測しようとする研究者や専門家が直面する課題について述べる。
  論文  参考訳（メタデータ） (2020-04-28T23:54:33Z)
• TypeNet: Scaling up Keystroke Biometrics [79.19779718346128]
  まず、リカレントニューラルネットワーク(RNN)を用いて、ユーザ毎のデータ量が不足している場合に、ユーザを認証できる範囲を分析した。 ネットワークのテストに1Kのユーザがいるため、TypeNetのエラー率は4.8%である。 ユーザ毎のデータ量と同じで、テストユーザ数が100Kまでスケールアップされるため、1Kと比較してパフォーマンスは5%以下に低下する。
  論文  参考訳（メタデータ） (2020-04-07T18:05:33Z)
• Forensic Authorship Analysis of Microblogging Texts Using N-Grams and Stylometric Features [63.48764893706088]
  この研究は、280文字に制限されたツイートメッセージの作者を特定することを目的としている。 弊社の実験では、40名のユーザによる、ユーザ毎120から200のつぶやきを自己キャプチャしたデータベースを使っています。 この小さなセットを使った結果は有望であり、異なる特徴は92%から98.5%の分類精度を提供する。
  論文  参考訳（メタデータ） (2020-03-24T19:32:11Z)

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。