XiaoMi-AI文件搜索系统
World File Search System随意的
人机交互中的用户建模调查 - aircc
3 孟加拉国陆军科技大学计算机科学与工程系，孟加拉国尼尔帕马里 摘要 近年来，用户建模已成为人机交互中的一个重要研究领域。该领域已经进行了大量的研究，其中展示了不同的用户建模方法。在本文中，我们概述了用户建模领域，并描述了不同的用户模型，即 GOMS 模型系列、认知架构、基于语法的模型和特定于应用的模型。我们讨论了每个类别中用户模型的几个示例。本文还讨论了该研究领域的未来挑战。索引词——用户模型、人机交互 (HCI)、GOMS 模型、认知模型、基于语法的模型。1.引言 从用户体验和细致的研究来看，我们发现计算机系统并不容易学习，而且一旦学会，很容易忘记。软件行业定期更新其软件，提供不同的界面功能，这有时甚至会给学过的用户带来困难。用户对不同软件系统的看法和熟练程度会发生变化，这是另一个问题。用户所需的技能、知识和偏好范围意味着，任何提供固定界面的计算机系统都会更适合某些用户，而不是其他用户。不同类型的用户以不同的方式使用计算机系统，他们的观点也不同。为新手用户处理系统复杂性的有效方法是提供功能简单的系统。间歇性或随意的计算机用户必须根据需要掌握不同的应用程序包，并且很少真正选择管理层决定的软件的购买、选择或使用条件。随意用户是一个特别重要的类别，因为他们通常需要被鼓励使用系统，并且通常会受益于易于使用、直观且功能简单的界面。另一个常见的用户类别是专注的或所谓的“专家”用户，他们可能会选择使用不同的软件包进行不同的活动。由于能力范围广泛，任务、先验知识和情况也各不相同，因此满足各种各样的用户的需求对设计师来说始终是一个挑战。用户模型是用户知识和偏好的表示 [Benyon & Murray, 1993]。它不是强制性的部分
研究声明
数据集对于统计学习理论的发展和模型的发展至关重要。现代机器学习在复杂任务中的新兴成功依赖于大量数据集的巨大增长（参见Donoho [12]），例如ImageNet [11]，Superglue [16]和Laion-5b [15]。但是，这种进化破坏了标准的统计学习假设和工具。我的研究通过开发新的理论工具和研究非常规模型来围绕现代数据集的复杂性。由{（x i，y i）} n i = 1组成的传统数据集的研究产生了文本统计学习理论的丰富而成熟的理论，例如经验风险最小化，见证了著名模型的发展（例如em算法和随机森林），它们在随意的推断和保形预测中不断发挥至关重要的作用。近年来，真正的惊人是现代数据集的爆炸性出现。他们推动了统计机器学习模型的开发，并在计算机视觉和人工智能等综合任务中做出了难以想象的准确预测，从而利用了革命性模型的力量，包括深神经网络，深度神经网络，从人类反馈（RLHF）（RLHF）和大语言模型（LLM）（LLM）的强化学习。我们应该如何考虑将这些模型超越传统智慧？我们可以利用哪些数学基础来做更多？我的目标是在我未来的职业生涯中深入研究我当前的重点领域，并扩展到这些领域。现代数据集具有很大的功能，经常打破古典理论和模型的教科书假设 - 这些数据可能没有单个标签，例如{（x i，y i）} n i = 1，功能x i可能是高维或缺失的元素，可能是基本的分布x可能会从与学习相互作用等相互作用中转移。因此，我的研究目标是通过揭开现代数据集复杂性的奥秘来研究现代ML和开创性模型的成功 - 更确切地说，我旨在开发统计理论来解释现代ML，品牌和测试数据集和方法的异常行为，并在数据集和方法中进行模型行为，并预测我们可以将学习方法进行流式学习方法的模型行为。i通过解决传统模型和理论不熟悉的一些出色方面，经历了理解现代数据集的博士学位之旅 - 我既获得独特的直觉，又获得了开发的新颖理论工具，这些工具有助于揭示现代数据集的力量。我也意识到，这些角度只是刮擦现代数据集的表面，还有其他问题使我感兴趣，例如在线学习和分解模型。我当前的研究涵盖了以下主题，由选定的代表作品强调。