[论文解读] A Concise Guide to Elicitation Methodology

Adam S. Williams, Francisco R. Ortega|arXiv (Cornell University)|May 26, 2021

Interactive and Immersive Displays参考文献 49被引用 4

一句话总结

本指南提出了一套结构化的方法，用于提取自然用户界面手势，尤其针对新兴的AR/VR系统，强调通过引导、生成和协作式提取技术减少传统习惯偏差。该研究贡献了一个实用框架，用于在多模态人机交互研究中设计符合人体工程学、可发现性高且情境恰当的交互技术。

ABSTRACT

One of the open questions in the field of interaction design is "what inputs or interaction techniques should be used with augmented reality devices?" The transition from a touchpad and a keyboard to a multi-touch device was relatively small. The transition from a multi-touch device to an HMD with no controllers or clear surface to interact with is more complicated. This book is a guide for how to figure out what interaction techniques and modalities people prefer when interacting with those devices. The name of the technique covered here is Elicitation. Elicitation is a form of participatory design, meaning design with direct end-user involvement. By running an elicitation study researchers can observe unconstrained human interactions with emerging technologies to help guide input design.

研究动机与目标

• 解决在现有交互范式不足以应对新兴AR/VR系统时，设计高效、自然交互技术的挑战。
• 识别并缓解手势提取中的传统习惯偏差，即参与者默认采用熟悉但往往不理想的前代技术手势。
• 为研究人员提供实用、基于证据的方法——引导、生成和协作式提取——以提升所提取交互方案的多样性与创新性。
• 支持在沉浸式和立体视觉环境中开发符合人体工程学、可发现性高且情境恰当的交互技术。
• 为多模态及自然用户交互研究中的提取研究提供标准化、可访问的方法论，尤其适用于学术与应用环境。

提出的方法

• 采用引导技术——如身体活动（例如，原地跳跃）或认知提示——以改变参与者的心理状态，鼓励提出更具创新性的全身手势。
• 通过生成法实施，要求参与者为每个交互任务提出多个（通常为N+1个）手势方案，以耗尽传统习惯偏差，促进创造性替代方案的产生。
• 采用协作式提取，将参与者分组为两人或小组，以激发协同创意生成，提升方案多样性。
• 在受控的提取研究中应用这些方法，以比较不同手势集合，并评估其人体工程学潜力与可发现性。
• 结合迭代设计与评估，针对特定应用领域（如医疗AR或沉浸式分析）进一步优化交互方案。
• 使用结构化的提取协议，包含清晰的任务描述和参照术语（例如，“缩放放大”、“选择”），以确保参与者之间的一致性与可比性。

实验结果

研究问题

• RQ1 研究人员如何在新兴AR/VR交互系统的手势提取研究中减少传统习惯偏差？
• RQ2 引导、生成和协作式提取方法在多大程度上提升了手势方案的多样性与创新性？
• RQ3 传统手势（熟悉但可能不匹配）与新颖手势（更符合情境但记忆性较差）之间的权衡是什么？
• RQ4 在如麻醉机控制等高风险领域，专家用户的手势方案与新手有何不同？
• RQ5 哪些方法论实践能更有效地提升沉浸式、立体视觉环境中的交互技术的人体工程学与可发现性？

主要发现

• 传统手势——如两指捏合缩放——因与触摸屏设备的熟悉度而被频繁提出，即使在空中或AR交互场景中并不合适。
• 尽管麻醉专家经验丰富，其提出的手势仍模仿现有设备上的物理旋钮和开关，表明存在强烈的传统习惯偏差。
• 缺乏对物理麻醉机接触经验的医学生，其提出的手势方案更具多样性，且潜在可发现性更高，优于专家。
• 生成法虽有帮助，但在高度熟悉交互任务中对减少传统习惯偏差的效果有限，表明其单独使用不足以解决问题。
• 协作式提取与引导技术被发现可提升手势多样性，但其在减少传统习惯偏差方面的实际影响在所引用研究中未系统测量。
• 演化型手势——即对传统手势进行轻微修改以适应新环境——在记忆性与环境适配性之间提供了有前景的折中方案。