Shannon's Index of Difficulty ($SID$), a logarithmic relation between movement-amplitude and target-width, is reputable for modelling movement-time in pointing tasks. However, it cannot resolve the inherent speed-accuracy trade-off, where emphasizing accuracy compromises speed and vice versa. Effective target-width is considered as spatial adjustment, compensating for accuracy. However, for compensating speed, no significant adjustment exists in the literature. Real-life pointing tasks are both spatially and temporally unconstrained. Spatial adjustment alone is insufficient for modelling these tasks due to several human factors. To resolve this, we propose $ANTASID$ (A Novel Temporal Adjustment to $SID$) formulation with detailed performance analysis. We hypothesized temporal efficiency of interaction as a potential temporal adjustment factor ($t$), compensating for speed. Considering spatial and/or temporal adjustments to $SID$, we conducted regression analyses using our own and benchmark datasets in both controlled and uncontrolled scenarios. The $ANTASID$ formulation showed significantly superior fitness values and throughput in all the scenarios.


翻译:Shannon的“困难指数”(SID$)是运动点与目标点之间的对数关系,对于在点点任务中模拟运动时间是值得称道的。然而,它无法解决强调精确度折合速度和反之亦然的内在速度-准确性权衡。有效的目标点边被视为空间调整,以补偿准确性。然而,为了补偿速度,文献中不存在重大调整。真实生命点任务在空间和时间上都是不受限制的。由于若干人为因素,空间调整本身不足以模拟这些任务。为了解决这个问题,我们提议用详细的业绩分析来制订$ANTASID(以美元为新时差调整)的公式。我们假设互动的时间效率是可能的时值调整系数(美元),以补偿速度。考虑到空间和/或时间调整以美元为美元,我们利用我们自己的和基准数据集在受控制和不受控制的情景中进行了回归分析。美元(ANTASID$)的公式显示在所有情景中都大大高于健康值和吞吐量。

0
下载
关闭预览

相关内容

专知会员服务
56+阅读 · 2021年4月12日
最新《Transformers模型》教程,64页ppt
专知会员服务
305+阅读 · 2020年11月26日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
最新国内大学毕业论文LaTex模板集合(持续更新中)
人工智能前沿讲习班
54+阅读 · 2019年3月1日
已删除
将门创投
8+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Arxiv
0+阅读 · 2021年10月28日
Share-a-ride problems: Models and Solution Algorithms
Arxiv
0+阅读 · 2021年10月28日
Arxiv
5+阅读 · 2018年4月13日
VIP会员
相关VIP内容
专知会员服务
56+阅读 · 2021年4月12日
最新《Transformers模型》教程,64页ppt
专知会员服务
305+阅读 · 2020年11月26日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
最新国内大学毕业论文LaTex模板集合(持续更新中)
人工智能前沿讲习班
54+阅读 · 2019年3月1日
已删除
将门创投
8+阅读 · 2019年1月4日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
【推荐】ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
机器学习研究会
20+阅读 · 2017年12月17日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
【计算机类】期刊专刊/国际会议截稿信息6条
Call4Papers
3+阅读 · 2017年10月13日
Top
微信扫码咨询专知VIP会员