XiaoMi-AI文件搜索系统
World File Search Systeminteraction
第 29 章：交互设计
界面实现技术，例如 Java 的 Swing 类（Elliott 等，2002 年）或 XHTML（Musciano 和 Kennedy，2002 年），他们开发的界面通常没有吸引力，不适合目标用户。因此，我关注的是交互的设计过程，而不是实现支持该交互的用户界面的软件。由于篇幅限制，我只考虑使用图形用户界面的交互。我不讨论需要特殊（可能非常简单）显示器的界面，例如移动电话、音乐播放器、DVD 播放器、电视和打印机。当然，我只能在这里介绍这个主题，我推荐 Dix 等人（Dix ，et al.，2004）、Weiss（Weiss，2002）和 Shneiderman（Shneiderman，1998）等人撰写的文本，以获取有关该主题的更多信息。
流体结构相互作用国际研讨会
编辑 Prof. Dr.-Ing. Stefan Hartmann 固体力学分部 应用力学研究所 数学/计算机科学和机械工程学院 克劳斯塔尔理工大学 教授 Dr. rer. nat. Andreas Meister 分析和应用数学工作组 卡塞尔大学数学系 教授 Dr. rer. nat. Michael Schäfer 机械工程数值方法研究所 达姆施塔特工业大学机械工程系 教授 Dr. rer. nat. Stefan Turek 应用数学研究所 多特蒙德工业大学数学学院 德国国家图书馆发布的书目信息 德国国家图书馆将此出版物列在德国国家书目中；详细的书目数据可在互联网上查阅，网址为 http://dnb.d-nb.de。 ISBN 印刷版：978-3-89958-666-4 ISBN 在线版：978-3-89958-667-1 URN：urn:nbn:de:0002-6673 © 2009，卡塞尔大学出版社有限公司，卡塞尔 www.upress.uni-kassel.de 封面布局：Jörg Batschi Grafik Design，卡塞尔 印刷：docupoint,马格德堡 德国印刷
人机交互 - CiteSeerX
人机交互 (HRI) 最近受到了学术界、实验室、科技公司和媒体的广泛关注。鉴于这种关注，有必要对 HRI 进行综述，以便为该领域以外的人提供指导，并促进该领域内对 HRI 统一愿景的讨论。本综述的目标是对 HRI 相关问题进行统一处理，确定关键主题，并讨论可能在不久的将来影响该领域的挑战性问题。尽管本综述遵循综述结构，但呈现 HRI 连贯“故事”的目标是意味着必然有一些写得好、有趣且有影响力的论文未被引用。我们不会试图综述每篇论文，而是从多个角度描述 HRI 的故事，以期确定跨应用的主题。这项调查试图纳入代表大学、政府努力、行业实验室和对 HRI 做出贡献的国家的公平横截面的论文，以及对该领域做出贡献的学科的横截面，例如人类、因素、机器人、认知心理学和设计。
人机交互中的用户表示
摘要 光标、头像、虚拟手或工具以及其他渲染的图形对象使用户能够与计算机（如 PC、游戏机或虚拟现实系统）进行交互。我们从用户的角度分析了这些不同对象在“用户表征”统一概念下的作用。这些表征是虚拟对象，它们人为地扩展了用户的身体，使他们能够通过执行不断映射到其用户表征的运动动作来操纵虚拟环境。在本文中，我们确定了一组与不同用户表征相关的概念，并对用户表征的控制和主观体验背后的多感官和认知因素进行了多学科回顾。这些概念包括视觉外观、多模态反馈、代理感、输入法、近体空间、视觉视角和身体所有权。我们进一步为这些概念提出了研究议程，这可以引导人机交互社区以更广泛的视角来了解用户如何通过他们的用户表征进行感知和交互。
智能车载交互技术
特斯拉、宝马、戴姆勒等汽车制造商，以及谷歌的 Waymo 和 Apple Car 等大型科技巨头都在向全自动驾驶目标迈进。根据 SAE J3016 自动驾驶分类法 [1]，自动驾驶系统分为六个级别，从 0 级（完全手动）到 5 级（全自动驾驶 [FSD]），这些系统有望在所有地理位置、所有天气条件和所有条件下运行。智能汽车的好处包括减少道路事故、提高安全性、缓解交通拥堵、有效利用通勤时间，以及更重要的是提供愉快舒适的乘坐体验。随着自主性的提高，驾驶员也扮演着乘客的角色，从事非驾驶活动，无法参与交通互动。这会增加混合自动驾驶交通环境的复杂性，因为与行人和骑车人的互动是基于驾驶员的视觉提示。因此，智能汽车还需要自主地与其他交通参与者（如行人、骑车人和其他车辆）进行互动。人车交互 (HVI) 与人机交互 (HRI) 领域密切相关。它涉及理解和塑造人车之间交互动态的问题。具体而言，交互领域涉及感觉、知觉、信息交换、推理和
人类计算机的互动和信息可视化
首先检查了从关键字搜索确定的设计方法，以将重复的方法组合在一起。这包括将基本相同但以不同命名的方法分组在一起。例如，卡排序有时被称为卡片排序。由于它们本质上是相同的方法 - 涉及将卡片分类以获取目标用户的信息 - 他们将其分组在一起。接下来，他们被过滤以建立至少两个来源中识别的方法列表。在某些情况下，即使在至少两个来源中识别出该方法，也没有考虑一种方法。仅提供了两种来自设计委员会（N.D.A）和设计委员会（N.D.B）的来源的方法，因为在两个网站中提供的描述都非常相似，因此也省略了。因此，省略的方法是：选择样本，集群和投票，比较笔记，驱动因素和障碍，希望和恐惧，项目空间，涂鸦 - say say slap头脑风暴和讲习班工具包。
学习药物-靶标相互作用词汇
基于序列的药物-靶标相互作用预测有可能通过补充实验筛选来加速药物发现。这种计算预测需要具有通用性和可扩展性，同时还要对输入的细微变化保持敏感。然而，目前的计算技术无法同时满足这些目标，往往以牺牲一个目标的性能来实现其他目标。我们开发了一种深度学习模型 ConPLex，成功地利用了预训练蛋白质语言模型（“PLex”）的进步，并采用了一种新颖的蛋白质锚定对比共嵌入（“Con”），其性能超越了最先进的方法。ConPLex 实现了高精度、对未知数据的广泛适应性以及对诱饵化合物的特异性。它根据学习到的表示之间的距离来预测结合，从而能够在海量化合物库和人类蛋白质组的规模上进行预测。此外，ConPLex 是可解释的，这使我们能够可视化药物靶标词典并使用嵌入来描述人类细胞表面蛋白的功能。我们预计 ConPLex 将通过在基因组规模上实现高度灵敏且可解释的计算机药物筛选来促进新药发现。ConPLex 可在 https://github.com/samsledje/ConPLex 上开源获取。
人类计算机相互作用主题区域
HCI 2023是第25届人力计算机互动国际会议（HCI国际2023年）的主题领域。This Thematic Area addresses challenging and innovative topics in Human-Computer Interaction theory, methodology and practice, including, for example, novel theoretical approaches to interaction, novel user interface concepts and technologies, novel interaction devices, UI development methods, environments and tools, multimodal user interfaces, emotions in HCI, aesthetic issues, HCI and children, evaluation methods and tools, and many others.hci是一个需要重大创新和突破性的领域，以实现截然不同的新形式的互动形式。我们鼓励参与HCI主题领域，作为人力计算机互动中科学研究与创新论坛。