41、语音控制设备：年轻与年长用户的学习性、使用情况对比分析

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 61平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄3年

关注

原创最新推荐文章于 2026-03-01 00:10:23 发布 61 阅读 AI 写同款· GEO 优化 ›

科技如何赋能银发族专栏收录该内容

¥69.90 ¥499.90

75篇文章

订阅专栏

超级会员免费看

语音控制设备：年轻与年长用户的学习性、使用情况对比分析

语音助手学习性问题研究

在当今科技发展的浪潮中，语音控制设备（VCDs）如语音助手（VAs）正逐渐走进人们的生活。然而，不同年龄段的用户在学习和使用这些设备时面临着不同的挑战。

年长用户的学习性问题
- SUS研究结果 ：通过SUS（系统可用性量表）研究的综合得分，明确发现年长用户在学习使用语音助手时确实存在学习性问题。这一结果与其他相关研究的发现一致。
- 定性调查发现 ：定性调查识别出了主要的采用障碍类型，包括初始设置困难以及难以记住应用学习性理念等问题。年长用户在初次接触和使用语音助手时，往往会在这些方面遇到阻碍。
SUS量表的适用性探讨
- 存在的问题 ：在深入分析SUS量表的可靠性时，发现了一些问题。例如，观察到几个弱负荷，且只有3个特征值大于1。语音助手需要考虑声音质量等独特因素，而SUS量表是为图形用户界面设计的，语音助手的导航主要基于语音，很少或没有图形交互。
- 量表的优势 ：尽管存在上述问题，但SUS作为一个成熟的量表，因其简单性和易于评估整体可用性而受到赞誉。
年长用户采用语音助手的问题
- 常见问

了解本专栏

订阅专栏解锁全文

超级会员免费看

收录于

当前文章被以下社区和专栏收录：

标签

#语音控制设备 # 语音助手 # 年轻用户

相关推荐

2026年WorkBuddy橙皮书.pdf

《WorkBuddy橙皮书》是腾讯出品的全场景AI办公工作台WorkBuddy的非官方使用指南，核心定位是：AI工具正从"帮你回答问题"转向"帮你交付成果"——WorkBuddy就像坐在你电脑里的"AI同事"，能拆解任务、操作文件、生成文档/PPT、分析数据并定时执行。书中系统介绍了其核心能力体系：三种工作模式（Craft直接执行/Plan先规划/Ask只问答）、Skills技能包（让AI从"会说"变"会做"）、100+领域Experts专家（虚拟团队协作）、Automations自动化定时任务、MCP连接器（对接腾讯文档、企业微信、GitHub等外部服务），以及云记忆+用户记忆+项目记忆的三层记忆系统。同时给出了与Codex、Cursor、Claude Code的对比（编程场景用前三者，办公全场景用WorkBuddy，最佳策略是组合使用），并通过"明确需求→选模式→输入任务→审查计划→执行验收"的标准工作流和六个实战案例（每日简报、数据报表、PPT、知识库、竞品追踪、文件整理），帮助零基础用户到进阶者把WorkBuddy接入真实工作场景。

政府科技管理者如何提升科技成果评估的准确性与透明度？.docx

政府科技管理者如何提升科技成果评估的准确性与透明度？

物联网模块充电电路设计 -.zip

树莓派物联网项目开发实战

鼎捷查询SQL，里面是2年的开发和查询bug程序

HP ILO6 固件适用于Gen11-1.78

agent-browser 实战资源包：给 AI Agent 装上浏览器（open/snapshot/click 最小复现 + smoke 脚本 + 中文README）

agent-browser（Vercel Labs 开源、Apache-2.0）实战配套包。本包全部脚本与示例页为作者自写（MIT），不含浏览器二进制、不含任何账号密码。内容包含： - 中文 README：环境要求、安装、open→snapshot→click 循环讲解、安全注意、许可声明 - scripts/smoke.sh：对本地 samples/ 示例页离线跑通「打开→快照→点击→核对→关闭」，附 out/smoke-output.txt 实测留档 - scripts/demo-csdn.sh：真实站点（优快云首页）最小演示，ref 动态解析 - package.json + package-lock.json：锁定 agent-browser 0.41.2，便于复现（Node >= 24）实测环境：agent-browser 0.41.2 / Chrome for Testing 157 / Linux x86_64 / Node 24。 Chrome 需使用者自行 agent-browser install 下载（约 190MB，本包不代分发）。关联博客：https://blog.youkuaiyun.com/mtl1994/article/details/170340810

科技中介服务机构在开展技术需求挖掘时，如何提升服务效率与精准度？.docx

科技中介服务机构在开展技术需求挖掘时，如何提升服务效率与精准度？

省区经理三季度述职报告：业绩达成、团队建设、四季度打法.pptx

省区经理三季度述职报告：业绩达成、团队建设、四季度打法

双闭环PWM整流器VOC控制 +SVPWM调制仿真（Simulink仿真实现）

内容概要：本文详细介绍了基于Simulink平台构建的双闭环PWM整流器VOC（虚拟磁链定向控制）与SVPWM（空间矢量脉宽调制）相结合的仿真模型，系统阐述了三相电压型PWM整流器在电压定向控制策略下的建模方法与控制实现。通过设计外环直流电压控制与内环电流控制的双闭环结构，实现了对整流器的高功率因数运行、能量双向流动及动态性能优化的精确调控。结合SVPWM调制技术，有效提升了直流侧电压利用率并显著降低输出电流谐波含量，增强了系统的整体效率与稳定性。该仿真模型适用于新能源发电、电动汽车充电系统、微电网等高性能电能变换应用场景，文档还配套提供了丰富的学习资源与技术支持渠道，便于深入研究与工程实践。; 适合人群：面向电气工程、自动化、电力电子及相关专业的高校学生、科研人员以及从事新能源、智能电网、电力传动等领域研发工作的工程师；尤其适合已具备自动控制理论、电力电子变换技术和MATLAB/Simulink仿真基础的专业人士进一步深化学习与应用。; 使用场景及目标：①深入理解PWM整流器的工作机理及其双闭环控制系统的架构设计；②掌握VOC控制与SVPWM调制的协同工作机制，提升系统动静态响应性能；③支撑科研课题、课程设计、毕业设计或实际工程项目中的整流器控制系统开发与验证；④作为高级电能变换技术的学习范例，促进对现代电力电子系统控制策略的综合理解与创新能力培养。; 阅读建议：建议结合文中提供的百度网盘链接与公众号资源，下载完整的Simulink仿真模型进行实操演练，在MATLAB环境中调整控制器参数并观察仿真结果，深入剖析控制逻辑与系统响应特性；同时可参考同系列资源如PI双闭环控制、电网不平衡工况下的控制策略等案例，开展对比分析与拓展研究，全面提升系统建模与控制设计的综合能力。

两路半桥LLC谐振变换器软开关Simulink仿真（模拟谐振参数不同、分裂电容）

内容概要：本文围绕两路半桥LLC谐振变换器的软开关技术展开，基于Simulink平台构建了详细的仿真模型，重点研究了不同谐振参数（如谐振电感、谐振电容）以及分裂电容结构对系统性能的影响。通过开环与闭环控制策略的对比分析，探讨了变换器在启动过程中的动态响应特性与稳定性，并实现了软启动设计，有效降低了启动冲击。仿真内容涵盖谐振腔的工作模态、ZVS（零电压开关）与ZCS（零电流开关）的实现条件，以及分裂电容对电压均衡和效率的优化作用，全面展示了LLC变换器在高频高效电源中的应用潜力。; 适合人群：电力电子、电气工程及相关专业的高校研究生、科研人员及从事开关电源设计的工程技术人员。; 使用场景及目标：①用于深入理解LLC谐振变换器的工作原理与软开关实现机制；②为高频高效率DC-DC变换器的研发提供仿真验证平台；③支撑科研项目中的拓扑优化与控制算法设计，尤其适用于需要分裂电容结构提升性能的场合。; 阅读建议：建议结合电力电子基础理论，先掌握LLC谐振变换器的基本工作模态，再逐步深入仿真模型细节，重点关注参数扫描与闭环动态响应的仿真结果，以实现理论与实践的有效结合。

双Buck电路并联VDCM下垂控制（Simulink仿真实现）

内容概要：本文提供了一个基于Plecs软件的全桥LLC谐振变换器高精度仿真模型，旨在通过系统化建模与仿真手段深入剖析LLC谐振变换器的工作原理、动态响应特性及关键参数设计方法。该模型完整涵盖主电路拓扑结构、软开关实现机制、谐振参数配置与闭环控制策略等核心内容，支持对变换器的效率优化、电压调节能力、谐波抑制性能及瞬态响应等关键指标进行全面评估，适用于电力电子领域的科研分析、工程设计与教学实践。; 适合人群：具备电力电子技术基础及相关仿真经验的高校研究生、科研机构研究人员以及从事高频开关电源、DC-DC变换器开发的工程技术人员。; 使用场景及目标：①深入理解全桥LLC谐振变换器的软开关实现机理与谐振腔参数（如Lr、Cr、Lm）的设计方法；②验证并优化电压/频率闭环控制策略，提升系统动态性能与稳定性；③作为高校课程或培训项目的教学案例，帮助学生掌握高频谐振变换器的建模、仿真与分析流程。; 其他说明：该仿真模型可与MATLAB/Simulink等工具联合使用，便于进行控制系统算法开发与系统级协同仿真；建议使用者结合理论计算、仿真调试与实验验证，形成“设计-仿真-验证”的完整闭环，以全面提升对LLC变换器系统级理解与工程应用能力。

【大模型智能体】高频面试题解析：核心技术与多场景应用系统设计

内容概要：本文档是一份大模型与智能体领域的高频面试题集，系统梳理了从Python基础、数据结构与算法、机器学习、深度学习、NLP到大模型核心技术（如Transformer、LayerNorm、LoRA、RAG、Agent）的完整知识体系。文档通过23个实战项目（如智能客服、商品图谱、RAG问答系统等）串联理论，涵盖项目周期、技术架构、实现流程、核心模块与技术细节，深入探讨了分布式训练、模型微调、函数调用、记忆管理等前沿技术，旨在帮助开发者掌握大模型应用开发与面试应对的综合能力。; 适合人群：具备一定编程基础，工作1-3年的研发人员。; 使用场景及目标：①系统掌握大模型与智能体的核心技术栈，为求职面试做准备；②学习如何将理论知识应用于实际项目，如构建智能客服、RAG系统和多智能体协作平台。; 阅读建议：此资源以开发简化版Spring学习其原理和内核，不仅是代码编写实现也更注重内容上的需求分析和方案设计，所以在学习的过程要结合这些内容一起来实践，并调试对应的代码。

产业园区运营负责人如何解决入驻企业技术需求与本地优质科研资源对接不畅的问题？.docx

科易网基于AI模型+行业大数据，在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，推出科技创新领域的AI+工具与数智化解决方案，推动科技创新与产业创新智能化发展。

【Linux系统】Linux rm命令详解

内容概要：本文详细介绍了Linux系统中的rm命令，包括其基本语法、常用选项及其功能，强调了该命令在删除文件或目录时的高效性与高风险性。文章指出rm命令会永久删除数据且难以恢复，特别警示使用-rf等参数时的危险性，并列举了rm -rf /可能带来的灾难性后果。同时，提供了多个使用示例，涵盖普通文件删除、交互式确认、递归删除目录及处理特殊命名文件等情况。此外，文章还介绍了误删后的数据恢复方法，如通过lsof查找未释放的文件句柄或使用extundelete、TestDisk等工具尝试恢复，并对比了rm与unlink命令的区别。最后，提出了多项安全使用建议，如设置别名、使用trash-cli替代rm、定期备份等，旨在帮助用户安全、规范地使用rm命令。; 适合人群：Linux系统管理员、运维工程师及具备基础Linux操作能力的开发者；尤其适用于需要频繁进行文件管理与清理工作的技术人员；使用场景及目标：①掌握rm命令的核心用法与常见选项组合；②理解其潜在风险并学习如何避免误操作导致的数据丢失；③在实际工作中应用安全策略，提升系统操作的安全性与可靠性；阅读建议：此资源不仅讲解命令本身，更侧重于安全意识培养与最佳实践指导，建议结合实验环境动手练习，重点理解-i、-r、-f等关键选项的影响，并配置alias和trash-cli等防护措施，强化操作前的确认流程。

【互联网技术】常用术语解析：TPS/QPS/PV/UV等核心指标在ToB/ToC业务中的应用与实例说明

双向全桥CLLC拓扑变频控制仿真模型（Simulink仿真实现）

内容概要：本文档围绕“双向全桥CLLC拓扑变频控制仿真模型”的Simulink仿真实现展开，系统介绍了该谐振变换器的闭环控制设计、变频与移相混合控制策略、关键参数设计及系统建模方法。文档不仅聚焦于CLLC拓扑的核心技术细节，如高频软开关、双闭环控制架构、谐振元件优化配置与动态响应性能分析，还整合了丰富的电力电子变换器仿真资源，包括全桥/半桥LLC、双有源桥DAB、图腾柱PFC、Buck-Boost、三相PWM整流器等多种典型拓扑的仿真模型与设计资料。配套提供仿真文件、设计报告、PPT说明及参考文献，适用于高效率、高功率密度电能变换系统的科研与工程开发。; 适合人群：具备电力电子与电力传动基础知识，从事新能源发电、电动汽车、储能系统、智能电网或开关电源设计等相关领域的研究生、科研人员及具有1-5年工作经验的工程技术人员。; 使用场景及目标：① 深入理解双向全桥CLLC变换器在变频控制下的工作机理与仿真建模流程；② 掌握LLC类谐振变换器的关键参数设计方法、软启动策略与闭环控制系统实现；③ 利用所提供的Simulink模型进行科研复现、课程设计、毕业课题或实际工程项目开发，提升系统仿真能力与优化设计水平。; 阅读建议：建议结合文档目录顺序系统学习，先夯实LLC谐振变换器的基本原理，再逐步过渡到CLLC拓扑与复杂的混合控制策略；推荐同步运行仿真模型，动手调试参数并观察动态响应，结合设计报告与参考资料深化理论认知，实现“学-仿-调-优”一体化实践。

状态估计【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究（Matlab代码实现）

内容概要：本文系统性地探讨了状态估计领域中的三种关键非线性滤波算法——无迹卡尔曼滤波（UKF）、扩展卡尔曼滤波（EKF）和粒子滤波（PF），深入剖析其理论基础、数学推导及在非线性、非高斯系统环境下的适用性差异。通过Matlab编程实现，详尽展示了各算法的核心步骤与仿真流程，并结合无人机姿态估计、轨迹跟踪等典型应用场景进行性能对比分析，验证了不同滤波方法在精度、稳定性和计算复杂度方面的表现。文中提供完整的代码实例与技术解析，涵盖状态预测、协方差更新、观测修正等关键环节，强化了理论与实践的结合，具有较高的科研参考价值与工程指导意义。; 适合人群：具备信号处理、控制理论或状态估计基础知识的研究生、科研人员，以及从事导航、自动化、机器人、航空航天等相关领域的工程技术人员。; 使用场景及目标：① 深入理解UKF、EKF与PF的算法原理及其在非线性系统中的实现机制；② 在目标跟踪、多传感器融合、惯性导航等实际项目中开展算法选型、仿真验证与性能优化；③ 支持科研论文复现、算法改进及工程原型开发。; 阅读建议：建议结合Matlab代码同步运行与调试，重点理解各滤波器的状态更新逻辑与误差协方差传播机制，尝试在不同噪声水平与系统非线性程度下对比算法鲁棒性，以深化对滤波器内在特性的掌握。

幸狐RV1106开发板实战：5分钟搞定Yolo8模型部署（附避坑指南）

本文详细介绍了在幸狐RV1106开发板上快速部署YOLOv8模型的实战流程。通过RKNN-Toolkit2工具链，将ONNX模型转换为RV1106 NPU专用的RKNN格式，并完成交叉编译与上板运行。文章重点分享了环境搭建、模型转换的关键步骤以及常见的避坑指南，帮助开发者高效实现边缘AI目标检测应用。

weixin_28677451的博客 912

Python实战：用Realsense D435和睿尔曼机械臂完成手眼标定的5个关键步骤

本文详细介绍了使用Python、Realsense D435深度相机与睿尔曼机械臂进行手眼标定的完整实战流程。文章将过程拆解为环境搭建、数据采集、核心计算、结果验证和精度优化五个关键步骤，重点剖析了数据采集的黄金法则、常见错误排查以及如何将标定结果集成到视觉抓取程序中，旨在帮助开发者实现毫米级精度的视觉引导机器人系统。

weixin_29103191的博客 320

从 0 到 1：基于深度学习的图像识别系统开发实战

图像识别是指让计算机能够识别和理解图像中的内容，通常是通过计算机视觉技术来实现。深度学习，尤其是卷积神经网络（CNN），已经成为图像识别中最为流行和有效的技术。数据采集和预处理：获取并处理图像数据，使其适合于模型训练。模型训练：使用深度学习算法（如 CNN）训练模型，以学习图像中的特征。模型评估与优化：评估模型的性能，并通过调整超参数、优化算法等方法提高精度。模型部署与应用：将训练好的模型应用于实际的图像识别任务中。本文将带领你通过一个简单的图像分类问题，开发一个深度学习图像识别系统。

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 1217

晶体管的栅极gate 材料选用多晶硅polysilicon，并采用自对准工艺 self-aligned IC后端版图【VLSI】

本文为了解决为什么要使用多晶硅作栅极触点的问题，先介绍了MOS管的工作原理是通过栅极上所加的电压控制漏极与源极之间电流，然后解释了栅极的材料为什么选用多晶硅，然后介绍了晶体管里栅极的自对准工艺（Self-Aligned Gate ）。

Jie_MSD的博客 1万+

基于STM32设计的猪舍养殖的监控系统_325

本课题基于STM32单片机，设计一款能够实时监测猪舍环境的智能监控系统。该系统能够通过温湿度、空气质量、光照强度等传感器实时监测猪舍的环境，并能够通过自动化控制设备（如风扇、照明灯、消毒喷雾等）调节环境参数，确保养殖环境的适宜性。同时，系统还支持通过ESP8266模块实现数据上传与远程控制，使养殖管理者能够通过手机APP或计算机远程监控和控制猪舍环境。

408

C语言试题一之计算并输出n(包括n)以内能被5或9整除的所有自然数的倒数之和

1、题目计算并输出n(包括n)以内能被5或9整除的所有自然数的倒数之和 2、源代码实现 #include <stdio.h> #include <math.h> double fun1(int n) { if (n <= 0) return 0; int i; double sum = 0.0; for (i = 1; i <= n;...

码莎拉蒂 1万+

停车位检测：基于YOLOv5与UI界面的实现

YOLOv5是YOLO（You Only Look Once）系列中的最新版本，它能够在单次前向传播中同时完成多个目标的定位与分类，因此被广泛应用于实时目标检测任务。与之前的版本相比，YOLOv5在精度和速度上得到了很大的优化，适合嵌入到实际的自动驾驶和智能交通系统中。YOLOv5使用了卷积神经网络（CNN）进行特征提取，并通过回归方法预测边界框、类别及置信度。高效的推理速度：YOLOv5采用了优化的模型结构，能够在保证精度的同时提供较快的推理速度。较高的精度。

YOLO 694

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

Probability and Statistics - 4th edition

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

上一篇： 40、基于语音的智能个人助理学习能力评估

下一篇： 15、利用游戏助力学习与消费教育

2026年WorkBuddy橙皮书.pdf

11-09