XiaoMi-AI文件搜索系统
World File Search System交互模式
人机交互中的雷达感应
探索新型传感技术以促进新的交互模式仍然是人机交互领域的一个活跃的研究课题。在众多 HCI 会议中，我们可以看到新交互形式的发展，其基础是采用或改编基于声音、光、电场、无线电波、生物信号等测量的传感技术。在商业上，我们看到雷达传感技术在车辆/汽车和军事环境中得到了广泛的工业发展。在超长距离，雷达技术已在天气和飞机跟踪中使用了数十年。在长距离、中距离和短距离，雷达已用于 ACC、EBA、安全扫描仪、行人检测和盲点检测。雷达通常被认为是一种远程传感技术，它全天候工作，提供 3D 位置信息，无需照明，可以穿透表面和物体，因此可以随时运行。在超短距离，雷达已用于脱粘检测、腐蚀检测和泡沫绝缘缺陷识别。此外，研究界已探索雷达技术用于各种用途，例如存在感知和室内用户跟踪 [5]、生命体征监测 [6] 和情绪识别。在这个范围内，雷达被吹捧为解决隐私、遮挡、照明和视野受限等问题，这些问题是视觉方法所面临的，或者用于传统方法无法解决的医疗条件
人机交互的人工智能：一种现代方法
人工智能 (AI) 和人机交互 (HCI) 有着共同的根源，早期的对话代理研究为这两个领域奠定了基础。然而，在随后的几十年里，这两个领域之间最初的紧密联系变得不那么明显了。深度学习的兴起彻底改变了人工智能，并带来了大量实用的方法和工具，这些方法和工具对核心人工智能以外的领域产生了重大影响。特别是，现代人工智能技术现在为机器和人类的互动提供了新的方式。因此，现在是时候研究现代人工智能如何以新的方式推动人机交互研究，以及人机交互研究如何帮助指导人工智能的发展。本次研讨会为研究人员提供了一个论坛，讨论将现代人工智能方法引入人机交互研究的新机遇，确定需要研究的重要问题，展示可以应用的计算和科学方法，并分享已有的数据集和工具或提出应进一步开发的数据集和工具。我们感兴趣的主题包括用于理解和建模人类行为并实现新交互模式的深度学习方法、结合人类和机器智能来解决困难任务的混合智能，以及用于交互数据管理和大规模数据驱动设计的工具和方法。在这些主题的核心，我们希望开始讨论现代人工智能的数据驱动和以数据为中心的方法如何影响 HCI。
从“可解释的人工智能”到“可掌握的人工智能”
自人工智能 (AI) 和机器学习 (ML) 出现以来，研究人员一直在研究智能计算系统如何与用户及其周围环境交互和联系，从而引发了有关偏见的人工智能系统、ML 黑盒、用户信任、用户对系统的控制感知以及系统透明度等问题的争论。所有这些问题都与人类如何通过使用不同交互模式的界面与人工智能或机器学习系统交互有关。先前的研究从各种角度解决了这些问题，从通过伦理和科学技术研究 (STS) 视角理解和构建问题，到为问题找到有效的技术解决方案。但几乎所有这些努力都有一个共同的假设：如果系统能够解释其预测的方式和原因，人们就会有更好的控制感知，因此会更加信任这样的系统，甚至可以纠正它们的缺点。这个研究领域被称为可解释人工智能 (XAI)。在这个工作室中，我们总结了该领域先前的努力；然而，我们专注于使用有形和具身交互 (TEI) 作为理解 ML 的交互方式。我们注意到，物理形式及其行为的可用性不仅可以为 ML 系统的可解释性做出贡献，还可以为批评创造一个开放的环境。这个工作室旨在批评可解释的 ML 术语，并描绘 TEI 可以为 HCI 提供的机会，以设计更可持续、更易掌握和更公正的智能系统。
特性分析 - ACM 数字图书馆
信息访问系统正变得越来越复杂，我们对用户在信息搜索过程中的行为的理解主要来自于定性方法，比如观察性研究或调查。利用传感技术的进步，我们的研究旨在用生理信号来表征用户行为，特别是与认知负荷、情感唤醒和效价有关的行为。我们对 26 名参与者进行了一项受控实验室研究，并收集了包括皮电活动、光电容积图、脑电图和瞳孔反应在内的数据。本研究从四个阶段探讨了信息搜索：信息需求 (IN) 的实现、查询公式 (QF)、查询提交 (QS) 和相关性判断 (RJ)。我们还包括不同的交互模式来表示现代系统，例如通过文本输入或口头表达的 QS，以及通过文本或音频信息的 RJ。我们分析了这些阶段的生理信号，并报告了成对非参数重复测量统计检验的结果。结果表明，参与者在 IN 时会经历明显更高的认知负荷，并且警觉性略有增加，而 QF 需要更高的注意力。QS 比 QF 需要更高的认知负荷。RJ 时的情感反应比 QS 或 IN 更明显，这表明在知识差距得到解决后，兴趣和参与度会更高。据我们所知，这是第一项采用更细致入微的生理信号定量分析来探索搜索过程中用户行为的研究。我们的研究结果为用户在信息搜索过程中的行为和情绪反应提供了宝贵的见解。我们相信，我们提出的方法可以为更复杂过程的特征提供信息，例如对话式信息搜索。
理解多模态脑网络数据
了解人脑需要结合功能交互模式，这些模式取决于各种特征，如实验设置、定向连接强度或多个个体或群体之间的变异性。除了这些外部因素外，大脑网络还具有内部属性，例如连接的时间传播或仅在信号的不同频率范围内发生的连接模式。可视化涵盖所有必要信息的检测到的网络是一个很大的问题，这主要是因为必须在自然空间环境中的同一视图中集成大量特征。为了解决这个问题，我们提出了一种新工具，可将网络转移到虚拟视觉分析实验室中按解剖学排列的起点-终点视图中。这为用户提供了评估连接模式时间演变的机会，并提供了一种通过虚拟现实 (VR) 中的导航和交互来探索相应特征的直观且激励性的方式。该方法在一项用户研究中进行了评估，其中包括具有神经科学背景的参与者以及在计算机科学领域工作的人员。作为第一个概念验证试验，我们使用了由视觉刺激引起的脑电图记录时间序列衍生的功能性大脑网络。所有参与者都给出了积极的总体反馈，特别是他们认为使用 VR 视图比比较的 2D 桌面版本更有优势。这表明我们的应用程序成功填补了高维大脑网络可视化的空白，值得进一步跟踪和增强所提出的表示方法。© 2022 Elsevier Ltd. 保留所有权利。
面向量子多方会话类型
1 简介 量子协议涉及 (量子) 网络中多方之间的 (量子) 信息交换，从而产生复杂的交互模式，并与量子态的操纵交织在一起。这就需要工具和技术来指定、分析和验证此类协议。事实上，目前尚不存在一种主流的形式化方式来描述量子协议，著名的量子协议库 Quantum Protocol Zoo [ The Quantum Protocol Zoo 2024 ] 依赖于自然语言（因此具有歧义）描述，并搭配 Python 实现。文献中现有的量子协议形式化包括命令式语言，如 LanQ [ Mlnarık 2006 ] 和 QMCLANG [ Davidson et al. 2012 ; Papanikolaou 2009 ]，以及过程演算，如 CQP [ Gay and Nagarajan 2005 ]、CCS q [ Ardeshir-Larijani et al. 2018 ] 和 lqCCS [ Ceragioli et al. 2024 ]。然而，这些系统仅有基本的值类型系统，无法对量子协议进行抽象描述或规范，也无法为通信提供足够的安全保障。[ Gay and Nagarajan 2005 ] 在分析其 CQP 方法的缺点时报告称：“通道的激增是由于我们的类型系统将每个通道与唯一类型关联起来。引入会话类型将允许使用单个通道来处理整个协议”。根据 [ Gay and Nagarajan 2005 ] 中的这一提示，我们建议使用会话类型来描述量子协议。具体来说，我们从多方会话类型 (MPST) 开始 [ Honda et al. 2016 ; Hüttel et al. 2016 ]，并提出了它们的量子扩展，称为量子 MPST（QMPST），作为一种正式的会话类型语言来描述
从量子安全单向函数构建量子公钥加密的简单方法
量子公钥加密由 Gottesman [ 11 ] 和 Kawachi 等人 [ 14 ] 提出，作为标准公钥加密概念的推广，允许公钥成为量子态。更具体地说，此原语允许 Alice 在本地生成状态 | pk ⟩ 的（多份）副本并将其上传到某个证书颁发机构。稍后，Bob 可以查询证书颁发机构以获取 | pk ⟩ 的副本并使用它来向 Alice 发送私人消息。与经典设置类似，量子 PKE 假设证书颁发机构向 Bob 提供了正确的信息（在本例中为状态 | pk ⟩ ），但不对证书颁发机构的行为做任何假设，证书颁发机构可以尝试以任意方式获取 Alice 的密钥。然而，与经典情况相反，由于量子态通常无法复制，如果 Alice 想要与多方建立安全通道，就必须假设她上传了 | pk ⟩ 的多份副本。尽管存在这一局限性，量子 PKE 仍然是一个有趣的研究对象：（i）由于使用了量子信息，量子 PKE 可能只需要比标准（经典）PKE 更弱的计算假设即可实现，甚至可以无条件实现。（ii）与需要更多交互的量子密钥分发 (QKD) 协议 [ 2 ] 相比，量子 PKE 保留了经典 PKE 的交互模式，从而可以实现轮次最优安全通信。然而，量子 PKE 的现状留下了许多关于构建此原语所需最小假设的问题。现有提案 [ 14 ] 依赖于临时假设，这些假设对于经典 PKE 来说似乎不够，但没有给出此原语的清晰复杂性理论表征。甚至还有关于无条件安全的量子 PKE [ 11 ] 的提案，尽管没有安全性证明。我们注意到，推测量子 PKE 的无条件安全性至少是合理的——毕竟，QKD 确实实现了信息论安全性（假设经过认证的通道）。
社论：脑机接口在非临床（家庭、体育、艺术、娱乐、教育、健康）领域的应用
近十年来，脑机接口 (BCI) 技术已进入非临床应用的主流人机交互 (HCI) 研究。BCI 已成为多模式交互研究的一部分，作为技术系统用户的附加交互模式。BCI 还成为研究的一部分，其中神经生理数据为系统提供有关用户情感和心理状态的信息，从而可以在线调整系统、任务和交互以适应特定用户（Fairclough，2022 年）。目前，市场上需要廉价的脑电图 (EEG) 设备和软件包，它们可以捕捉自愿和非自愿引起的大脑活动，并将这种活动转化为环境和设备的控制和通信命令。此外，最近对深度网络在 BCI 应用中的使用的研究有所增加，并有望提高 BCI 系统的准确性（Craik 等人，2019 年）。总体而言，低成本非侵入式神经技术的可用性在医疗和消费者神经技术的交叉领域带来了一些伦理和监管挑战。尽管基于 EEG 的 BCI 在稳健性和带宽方面受到限制，但它们仍然是迄今为止最容易获得的 BCI 类型，可用于探索其在游戏、娱乐、教育和艺术等领域的潜在用途。虽然临床上的大部分 BCI 研究越来越依赖于侵入式记录，但这种方法距离非医疗应用很可能还有几十年的时间。HCI 研究人员对 BCI 的兴趣日益增加，因为技术行业正在扩展到效率不是主要关注目标的应用领域。家庭或公共空间使用信息和通信技术提高了人们对情感、舒适度、家庭、社区或娱乐性的重要性的认识，而不是效率。因此，除了需要效率和精度的非临床 BCI 应用外，本研究主题还涉及 BCI 在各种类型的家庭、娱乐、教育、体育和健康应用中的使用。这些应用程序可以与单个用户以及多个合作或竞争用户相关。我们还看到艺术家们对利用此类设备设计交互式艺术装置的兴趣重新燃起，这些装置可以了解单个用户或集体大脑的大脑活动
社论：脑机接口在非临床（家庭、体育、艺术、娱乐、教育、健康）领域的应用
近十年来，脑机接口 (BCI) 技术已进入非临床应用的主流人机交互 (HCI) 研究。BCI 已成为多模式交互研究的一部分，作为技术系统用户的附加交互模式。BCI 还成为研究的一部分，其中神经生理数据为系统提供有关用户情感和心理状态的信息，从而可以在线调整系统、任务和交互以适应特定用户（Fairclough，2022 年）。目前，市场上需要廉价的脑电图 (EEG) 设备和软件包，它们可以捕捉自愿和非自愿引起的大脑活动，并将这种活动转化为环境和设备的控制和通信命令。此外，最近对深度网络在 BCI 应用中的使用的研究有所增加，并有望提高 BCI 系统的准确性（Craik 等人，2019 年）。总体而言，低成本非侵入式神经技术的可用性在医疗和消费者神经技术的交叉领域带来了一些伦理和监管挑战。尽管基于 EEG 的 BCI 在稳健性和带宽方面受到限制，但它们仍然是迄今为止最容易获得的 BCI 类型，可用于探索其在游戏、娱乐、教育和艺术等领域的潜在用途。虽然临床上的大部分 BCI 研究越来越依赖于侵入式记录，但这种方法距离非医疗应用很可能还有几十年的时间。HCI 研究人员对 BCI 的兴趣日益增加，因为技术行业正在扩展到效率不是主要关注目标的应用领域。家庭或公共空间使用信息和通信技术提高了人们对情感、舒适度、家庭、社区或娱乐性的重要性的认识，而不是效率。因此，除了需要效率和精度的非临床 BCI 应用外，本研究主题还涉及 BCI 在各种类型的家庭、娱乐、教育、体育和健康应用中的使用。这些应用程序可以与单个用户以及多个合作或竞争用户相关。我们还看到艺术家们对利用此类设备设计交互式艺术装置的兴趣重新燃起，这些装置可以了解单个用户或集体大脑的大脑活动
利用人工智能发展...
doi no：10.36713/epra19806摘要人工智能（AI）在教育技术中的整合具有变革性的潜力，尤其是对于残疾学生而言。本研究探讨了针对满足残疾学习者独特需求的AI驱动的自适应学习系统的开发和评估。采用实验方法，研究表明了AI如何增强可访问性，参与度和学习成果。的发现表明，AI系统在个性化教育经验方面大大优于传统方法，这表明了包容性教育的有希望的指示。关键字：AI，自适应学习，残疾，教育技术，包容性介绍教育技术的发展改变了学习环境，实现了个性化的教学和改善的访问。但是，传统系统通常无法满足残疾学生的各种需求，这些学生需要量身定制的方法来克服身体，感觉和认知障碍。人工智能（AI）具有实时数据分析和动态适应性的能力，提供了一种新颖的解决方案。残疾学生面临诸如获得资源的机会有限，住宿不足以及在传统学习环境中缺乏包容性等挑战。由AI提供支持的自适应学习系统可以动态调整教学材料，步伐和交付方法，以满足每个学习者的独特需求。这种能力不仅可以增强学习成果，还可以培养更具包容性和公平的教育经验。本研究调查了AI驱动的自适应学习技术在教育中弥合可访问性差距的潜力。通过利用机器学习算法和用户反馈循环，这些系统可以提供个性化的学习途径，从而确保包容性。主要目标是评估AI在解决残疾学生面临的挑战和培养公平教育方面的挑战。文献评论2.1自适应学习技术自适应学习系统根据学习者的表现和偏好调整内容交付。这些系统使用算法来分析数据，例如测试分数，交互模式以及在创建个性化学习体验的任务上花费的时间。当前的平台，例如可汗学院和Coursera，采用基本算法来量身定制体验。但是，由于对可访问性需求的考虑不足，他们对残疾用户的功效仍然有限。研究表明，尽管这些平台可以增强参与度和性能，但它们缺乏关键特征，例如视觉上或听力受损的辅助技术。有效的自适应系统必须集成强大的可访问性工具，以确保所有学生都能从其潜力中受益。2.2 AI在教育AI中的AI应用程序范围从智能辅导系统到预测分析。 智能辅导系统使用AI模拟一对一的交互，提供个性化的反馈和建议。 预测分析可以识别出高风险的学生，从而实现早期干预。2.2 AI在教育AI中的AI应用程序范围从智能辅导系统到预测分析。智能辅导系统使用AI模拟一对一的交互，提供个性化的反馈和建议。预测分析可以识别出高风险的学生，从而实现早期干预。