15、笔手势感知难度估计与设备人类分辨率研究

笔手势感知难度估计与设备人类分辨率研究

在人机交互领域，笔手势的难度评估以及输入设备的分辨率研究是两个重要的方向。笔手势的难度估计有助于设计更易用的手势集，而输入设备的分辨率研究则能让我们更好地理解设备与人类操作能力之间的关系。

笔手势难度估计

• 贝叶斯规则测试 ：对贝叶斯规则进行测试，将其应用于手势集的每个手势，在18次分类尝试中，该规则在自身数据集上达到了83%的准确率，即15个手势被正确分类到参与者所指示的评级类别。有三个错误发生在删除线、旋转90度和帆船手势上，它们都被误分类到下一个较低的类别。这表明该模型与数据拟合良好。
• 生产时间估计 ：应用基于测量生产时间的规则效果很好，但期望设计师能在不进行正式实验的情况下估计生产时间。使用CLC预测的时间，排名准确率降至67%，评级准确率降至28%；Isokoski虽不预测实际时间，但在相对排名方面的预测准确率达到82%。
• 单人数据收集 ：考虑从单人收集数据的情况，从实验1的数据中，为每个参与者随机选择每个手势20次执行样本中的M次来计算平均生产时间，重复随机选择100次，M从1到20变化。评级的平均准确率在M = 3时接近53%开始趋于平稳，排名准确率也接近91%。
• 多人数据收集 ：改变参与者数量N（1 - 14），每个参与者有M（1、3、5）次手势执行样本。使用所有参与者的数据时，评级的平均准确率从52%提高到77%，排名准确率从88%提高到93%。