【人机交互 复习】第8章 交互设计模型与理论

2024-06-20 14:28

本文主要是介绍【人机交互 复习】第8章 交互设计模型与理论,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一、引文

1.模型:

有的人成功了,他把这一路的经验中可以供其他人参考的部分总结了出来,然后让别人套用。

2.本章模型

(1)计算用户完成任务的时间:KLM

(2)描述交互过程中系统状态的变化:动态转移网

(3)探讨任务的执行方法等:GOMS

二、GOMS模型

 最著名的预测模型

1.关于人类如何执行 认知—动作型任务 以及 如何与系统交互 的理论模型。

(1)采用“分而治之”的思想,将一个任务进行多层次的细化

(2)把每个操作的时间相加就可以得到一项任务的时间

2.全称

(1)Goal-目标

(2)Operator-操作

a.任务、方法执行的底层行为,不能分解,如点击鼠标

b.操作时间与上下文无关

c.操作种类:分为外部操作和心理操作

(3)Method-方法

a.是完成目标的过程

b.如使用鼠标单击输入域,输入关键字,再单击“查找”按钮

c.目标对应的方法不唯一

(4)Selection rule-选择规则

a.选择规则是用户要遵守的判定规则,以确定在特定环境下所使用的方法

b.GOMS认为方法的选择不是随机的

c.例如:对用户Sam在一般情况下从不使用ALT+F4来关闭窗口,但在玩游戏时需要使用鼠标,而鼠标不便于关闭窗口,所以就需要使用ALT+F4方法:

3.GOMS方法步骤

(1)选出最高层的用户目标

(2)写出具体的完成目标的方法,即激活子目标

当所有子目标实现以后,对应的最高层的用户目标就得以实现。

(3)写出子目标的方法

(4)举例:使用GOMS模型描述在Word中删除文本的过程

4.优点

能容易地对不同的界面或系统进行比较分析,并已经成功地应用比较。

5.局限性

(1)因为是假设用户完全按正确的方式进行人机交互,缺乏对错误处理过程的清晰描述。只针对那些不犯任何错误的专家用户,没有考虑初学者和偶尔犯错误的中间用户。

(2)忽略了用户间的个体差异

(3)只能预测可预测的行为

(4)对任务之间的关系描述过于简单

(5)把所有的任务都看作是面向目标的。

三、击键层次模型(KLM)

1.属于GOMS模型,但与GOMS模型不同,KLM对用户执行情况进行量化预测。

2.用途:

(1)预测无错误情况下,专家用户在输入前提下完成任务的时间。

(2)便于比较不同系统,确定何种方案能最有效地支持特定任务。

3.KLM组成:KLM模型由操作符、编码方式、放置M操作符的启发规则组成。

4.操作符

(1)这个时间是研究总结平均时间,实际上是因人而异,产生误差的。

(2)举例:DOS环境下执行“ipconfig”命令

M K[i] K[p] K[c] K[o] K[n] K[f] K[i] K[g] K[回车]

Texecute=1.35+9*0.20=3.15s

这个K[i]就是敲击键盘上的i一次

四、Fitts定律

1.内容:

(1)描述了人类运动系统的信息量。

(2)如果一个任务的困难程度可等价于“信息”,那么用户完成任务的速率即可等价于人类信息处理系统的“信息量”

(3)即,如果我们知道一个动作的难度和执行该动作的速率,通过计算(难度/速率)来得到表示人类执行能力的值。

(4) 人机交互中,根据目标大小及至目标的距离,计算指向该目标的时间

2.三个指标(了解即可):

(1)困难指数ID (Index of Difficulty) = log2(A/W +1) (bits)

对任务困难程度的量化,ID与宽度和距离有关

设备当前位置和目标位置的距离(A)。

目标的大小(W)。

(2)运动时间MT (Movement Time) = a + b*ID (secs)

在ID基础上对任务完成时间的量化

(3)性能指数IP (Index of Performance) = ID/MT (bits/sec)

也称吞吐量(TP)

3.Fitts定律应用

(1)缩短当前位置到目标区域的距离,如右键菜单技术。

(2)扩大操作区域的面积,w越大,ID越小。

(3)无限大的四角与四边,由公式可以推导出,屏幕四周是屏幕上用户最容易进行定位的地方,A越小,ID越小

这篇关于【人机交互 复习】第8章 交互设计模型与理论的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1078385

相关文章

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

SpringBoot快速接入OpenAI大模型的方法(JDK8)

《SpringBoot快速接入OpenAI大模型的方法(JDK8)》本文介绍了如何使用AI4J快速接入OpenAI大模型,并展示了如何实现流式与非流式的输出,以及对函数调用的使用,AI4J支持JDK8... 目录使用AI4J快速接入OpenAI大模型介绍AI4J-github快速使用创建SpringBoot

0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型的操作流程

《0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeekR1模型的操作流程》DeepSeekR1模型凭借其强大的自然语言处理能力,在未来具有广阔的应用前景,有望在多个领域发... 目录0基础租个硬件玩deepseek,蓝耘元生代智算云|本地部署DeepSeek R1模型,3步搞定一个应

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录(一)pom.XML文件:(二)application.yml配置文件(一)pom.xml文件:首

如何在本地部署 DeepSeek Janus Pro 文生图大模型

《如何在本地部署DeepSeekJanusPro文生图大模型》DeepSeekJanusPro模型在本地成功部署,支持图片理解和文生图功能,通过Gradio界面进行交互,展示了其强大的多模态处... 目录什么是 Janus Pro1. 安装 conda2. 创建 python 虚拟环境3. 克隆 janus

本地私有化部署DeepSeek模型的详细教程

《本地私有化部署DeepSeek模型的详细教程》DeepSeek模型是一种强大的语言模型,本地私有化部署可以让用户在自己的环境中安全、高效地使用该模型,避免数据传输到外部带来的安全风险,同时也能根据自... 目录一、引言二、环境准备(一)硬件要求(二)软件要求(三)创建虚拟环境三、安装依赖库四、获取 Dee

DeepSeek模型本地部署的详细教程

《DeepSeek模型本地部署的详细教程》DeepSeek作为一款开源且性能强大的大语言模型,提供了灵活的本地部署方案,让用户能够在本地环境中高效运行模型,同时保护数据隐私,在本地成功部署DeepSe... 目录一、环境准备(一)硬件需求(二)软件依赖二、安装Ollama三、下载并部署DeepSeek模型选

Golang的CSP模型简介(最新推荐)

《Golang的CSP模型简介(最新推荐)》Golang采用了CSP(CommunicatingSequentialProcesses,通信顺序进程)并发模型,通过goroutine和channe... 目录前言一、介绍1. 什么是 CSP 模型2. Goroutine3. Channel4. Channe

基于WinForm+Halcon实现图像缩放与交互功能

《基于WinForm+Halcon实现图像缩放与交互功能》本文主要讲述在WinForm中结合Halcon实现图像缩放、平移及实时显示灰度值等交互功能,包括初始化窗口的不同方式,以及通过特定事件添加相应... 目录前言初始化窗口添加图像缩放功能添加图像平移功能添加实时显示灰度值功能示例代码总结最后前言本文将