通过采用基于模型的强化学习方法，进行保守化自适应策略的制定，避免用户面临更高的成本，并通过预测人机交互模型来评估其效果，比非自适应和基于频率的策略表现更好，这一方法在自适应菜单的案例中得到了实证和模拟结果的支持。

Mar, 2021

我们提出了一种用于最新深度学习为基础的机器人程序优化器的解释用户界面（XUI），它提供了不同的用户体验以应对用户的不同技能水平，同时引入了可解释的人工智能（XAI）功能以促进深度学习方法在实际应用中的应用。为了评估 XUI 对任务性能、用户满意度和认知负荷的影响，我们提出了初步用户调查的结果，并提出了一个大规模后续研究的研究设计。

Apr, 2024

该论文通过对 53 篇出版物的系统调查，介绍了可解释人工智能（XAI）和可解释界面（EI）研究的最新趋势，旨在提高 XAI 系统的可用性、实用性和用户体验设计方面的效果，并为 EI 设计与开发指明了有前途的方向。

Mar, 2024

通过使用 AdaptiX XR 框架，研究人员可以开发和评估共享控制应用程序，以在高分辨率模拟环境中实现用户自主性的目标增加与计算机协助的某个程度的结合。

Oct, 2023

AtomXR 是一种简化、沉浸式、无代码的 XR 原型工具，通过自然语言、眼动和触摸交互，为经验丰富和经验不足的开发人员创建应用程序，提供了显著的速度和用户体验改进。

Nov, 2023

通过离线预训练和在线微调的组合，利用强化学习算法解决噪声命令信号和稀疏奖励的挑战，并通过学习去噪用户命令信号和提供共享自主辅助的方式，使得自适应界面能够成功辅助用户完成任务。

Sep, 2023

本文提出了用户驱动的智能界面的新概念，它应用于各种领域中，如残疾研究，教育，家庭护理，医疗保健等，通过脑机交互等方式，利用多模态增强现实技术，以及通过机器学习等方法，分类实时神经物理反应的即时反馈，以克服当前可用用户界面的局限性，特别是针对功能残疾人群。即使在当前状态下，结合增强现实和脑机交互的接口也能提供高度适应性和个性化的服务。

Apr, 2017

本文提出了一种新颖的建模框架，用于考虑边缘辅助无线网络的扩展现实应用的性能分析，并通过专门为扩展现实应用设计的测试平台收集的实验数据对模型进行验证。此外，我们详细介绍了与性能分析建模相关的挑战，并提出了克服这些挑战的方法。最后，性能评估表明，与现有的分析模型相比，所提出的分析模型可以以高精度分析扩展现实应用的性能。

May, 2024

研究提出了一个综合的混合方法框架，采用不同样本的老年人，包括用户体验，可用性评估和深入访谈，集成可解释人工智能 (XAI) 方法。研究结果显示，XAI 注入的电子健康界面在调查老年人与电子健康界面交互时的偏好方面，扮演了重要角色，并确定了用户友好的人机交互 (HCI) 工具的重要设计因素。此研究的发现对于用户为中心的电子健康技术的设计和开发，旨在提高老年人的整体幸福感具有深远的意义。

Feb, 2024

本文介绍了一种通过不同 iable surrogates 来规避计算时间瓶颈的方法，这种方法可以使现代行为模型在线使用而无需考虑其计算成本，并且在计算时间上可以实现与无法似然推断方法相当的建模能力，最后，我们展示了如何使 AI 助手在先前研究过的菜单搜索任务中计算模型的可行性。

Nov, 2022