触摸屏交互中年龄和性别的影响

### 触摸屏交互中年龄和性别的影响 在日常生活中，我们常常能通过观察对方的声音语调、姿势等，感知其是否处于压力、疲惫状态，或者正在经历某种特定情绪。近年来的研究发现，我们与键盘、鼠标等科技设备的交互方式也存在类似的规律。此前已有研究关注年龄、性别对按键和鼠标操作动态的影响，以及情绪对这些操作特征和文本输入的影响。同时，也有研究者开始探索触摸屏交互中的类似现象，例如分析压力对智能手机交互的影响，以及通过监测人机交互来预测和监测抑郁状态等。 本文采用了一种不同的研究方法，聚焦于触摸屏交互本身，即触摸的力学机制。这种方法不仅考虑行为因素，还涉及物理因素，具有多模态的特点，更适合对触摸屏交互进行建模。 #### 定义交互模型 在研究中，我们关注用户每次触摸屏幕的具体特征。如今，大多数智能手机的屏幕触摸操作在触摸期间会产生多个交互事件。当手指首次触碰屏幕时会触发第一个事件，只要手指仍与屏幕接触，就会持续产生其他事件。 每个触摸事件的产生频率在很大程度上取决于硬件。这些事件能提供丰富的信息，包括触摸强度、手指与屏幕的接触面积以及事件发生的时间戳等。基于这些信息，我们提出了一个包含 11 个特征的交互模型，用于描述用户与设备的交互方式： 1. **触摸持续时间**：每次触摸屏幕的时长。 2. **触摸强度**：每次触摸时手指施加在屏幕上的强度的平均值、最小值和最大值。 3. **触摸面积**：每次触摸时手指在屏幕上占据的面积的平均值、最小值和最大值。 4. **强度值**：从手指首次触碰屏幕到离开屏幕期间，每次触摸产生的强度值序列。 5. **面积值**：从手指首次触碰屏幕到离开屏幕期间，每次触摸时手指与屏幕的不同接触面积。 6. **动作类型**：屏幕上的动作可进一步细分，例如触摸活动控件与触摸布局中的非活动元素。 7. **触摸模式**：模拟触摸过程中触摸强度随时间的变化。通过对数据拟合二次函数来建模每个用户的触摸模式，所得二次函数的系数用于描述触摸的“总体形状”。 从不同用户的触摸模式示例中可以看出，年长用户的触摸似乎更长且更强烈。这个交互模型提供了以往此类应用中未被考虑的新型信息，我们将通过它来研究年龄、性别等社会人口学变量对交互模式的影响。 #### 案例研究 为了评估上述方法的有效性，并确定性别和年龄是否会影响人们与智能手机的交互，我们进行了一项案例研究。研究共涉及 32 名参与者，其中男性和女性各 16 名。参与者的平均年龄为 34.91 岁（最小 10 岁，最大 67 岁），男女的年龄分布相似，男性平均年龄为 35.44 岁（最小 16 岁，最大 67 岁），女性平均年龄为 34.38 岁（最小 10 岁，最大 60 岁）。 数据收集使用了一个先前开发的用于记忆刺激的游戏类应用程序。具体操作步骤如下： 1. **创建任务**：在应用中创建一个新任务，包含记忆任务和回忆任务。记忆任务要求用户探索和导航一个由 29 张静态图片组成的虚拟场景（分布在 2 个不同的虚拟房间中），并尝试记住特定方面。在其中两张图片中添加了特定的视觉刺激，用于回忆任务。 2. **培训阶段**：用户可以在培训阶段与应用程序进行交互，以熟悉任务。 3. **任务执行**：研究人员启动记忆任务，用户完成后立即进行回忆任务。回忆任务包含 7 种不同类型的问题，并使用了 11 个与记忆任务相关的视觉刺激。 4. **数据收集**：在记忆任务和回忆任务期间收集数据。记忆任务有时间限制，但没有最短时间要求。如果用户认为已经记住了所有必要细节，可以提前进入回忆任务。 平均而言，每个用户与应用程序交互的时间为 5.16 分钟，为完成两个任务触摸屏幕 79.22 次，最终形成了一个包含 2535 次触摸的数据集。 #### 初步数据分析 本阶段分析的目的是确定年龄和性别等因素是否会导致显著的交互差异。我们重点关注差异较为显著的特征。 在性别方面，区分男性和女性用户的两个关键变量是决策间隔时间和触摸持续时间。从统计结果来看，女性参与者在这两个变量上的值往往更高，且差异具有统计学意义。 对于年龄因素，我们将参与者分为年轻组（35 岁及以下，共 17 人）和老年组（其余 15 人）。总体而言，老年参与者的交互速度较慢。具体数据如下表所示： | 年龄组 | 触摸持续时间（td） | | | 决策间隔时间（tbd） | | | | ---- | ---- | ---- | ---- | ---- | ---- | ---- | | | $\overline{x}$ | $\Delta x$ | $\sigma$ | $\overline{x}$ | $\Delta x$ | $\sigma$ | | 年轻组 | 89.45 | 89.45 | 35.36 | 1.58 | 1.26 | 1.06 | | 老年组 | 110.1 | 97.5 | 54.22 | 4.12 | 2.87 | 3.34 | 可以看出，老年组的触摸持续时间平均比年轻组长 20.65 毫秒，决策间隔时间平均慢 2.54 秒，且两组之间的差异具有统计学意义。 此外，触摸强度和触摸面积的平均值也受年龄影响，尽管影响程度相对较小。一般来说，老年用户的触摸强度更大，手指与屏幕的接触面积也更大，这些差异同样具有统计学意义。 综上所述，性别和年龄都对交互模式产生了显著影响。接下来，我们将利用这些差异训练一个分类器，以区分年轻用户和老年用户。 ```mermaid graph LR A[开始] --> B[确定研究目的] B --> C[定义交互模型] C --> D[进行案例研究] D --> E[收集交互数据] E --> F[初步数据分析] F --> G[确定交互差异] G --> H[训练分类器] H --> I[结束] ``` 以上结果表明，我们的研究方法在揭示触摸屏交互中年龄和性别的影响方面具有一定的有效性。后续我们将进一步扩大研究范围，纳入具有特殊特征的人群，以深入研究他们的交互模式，并探索这些模式在监测健康状况方面的应用潜力。 ### 触摸屏交互中年龄和性别的影响 #### 模型训练与结果 在初步数据分析发现不同年龄组在交互变量上存在显著差异后，我们着手训练一个能够区分年轻和老年用户的模型。这里采用了基于决策树集成的梯度提升模型。该算法的原理是通过逐步改进一系列弱预测模型（即决策树），在训练过程中不断进行更精确的近似。每个决策树都是在部分实例和变量上进行训练，因此单个决策树的预测能力较弱，但多个决策树组合起来通常能得到一个具有良好泛化能力的模型。在分类任务中，模型的输出是所有决策树中出现最频繁的结果。 训练模型使用的数据集包含每次触摸的实例，涉及以下 9 个变量： 1. **最大、最小和平均触摸面积**：分别表示触摸的最大、最小和平均面积。 2. **最大、最小和平均触摸强度**：分别表示触摸的最大、最小和平均强度。 3. **决策间隔时间**：自上次触摸后所花费的时间。 4. **触摸持续时间**：每次触摸的时长。 5. **年龄分组**：手动添加的目标变量，用于标识执行触摸的用户所属的年龄组（年轻或老年）。 训练模型的具体步骤如下： 1. **模型构建**：构建一个包含 30 棵树的二项式分类模型，每棵树的最大深度为 6 层。 2. **数据采样**：每棵树使用数据集 80% 的行和 70% 的特征进行随机子集训练。 3. **交叉验证**：采用 5 折交叉验证的方法进行模型训练。 训练结果显示，该模型对年轻用户的正确分类率为 82.03%，对老年用户的正确分类率为 66.37%，总体正确分类率达到 76.08%，各项评估指标如下： | 评估指标 | 值 | | ---- | ---- | | 精度（Precision） | 0.6936 | | 召回率（Recall） | 0.6637 | | F1 分数（F1 Score） | 0.6783 | | 曲线下面积（AUC） | 0.82 | ROC 曲线展示了模型的性能，同时训练过程中的误差指标也显示出模型在不断优化。 ```mermaid graph LR A[准备数据集] --> B[构建梯度提升模型] B --> C[随机子集训练树] C --> D[5 折交叉验证] D --> E[评估模型性能] E --> F[输出分类结果] ``` #### 总结与展望 这项研究提出了一种基于行为和物理特征的多模态方法来刻画触摸屏交互。通过案例研究，我们发现不同性别和年龄组的用户在触摸屏交互模式上存在显著差异。利用这些差异训练的模型能够以较高的准确率区分年轻和老年用户。 这些结果不仅具有理论意义，还具有实际应用价值。由于数据收集过程成本较低，这种方法可以用于研究大规模人群的交互模式。更重要的是，它为研究具有特殊特征人群（如患有精神或身体残疾的人）的交互模式提供了可能。在当今社会，我们与电子设备的交互无处不在，这些交互模式可能成为监测健康状况的重要指标，例如反映某些认知或身体损伤的出现。 未来，我们计划继续收集数据，扩大研究人群，并纳入具有特殊特征的受试者。通过研究他们的特定交互模式，进一步验证这一假设，为开发基于交互模式的健康监测系统提供支持。同时，这也有助于我们更好地理解人类与技术之间的交互机制，为设计更符合用户需求的界面和应用程序提供依据。 综上所述，我们的研究为触摸屏交互领域带来了新的视角和方法，有望在多个领域产生积极的影响。 列表总结： - 研究方法：基于行为和物理特征的多模态方法。 - 研究发现：性别和年龄对触摸屏交互模式有显著影响。 - 模型效果：能以较高准确率区分年轻和老年用户。 - 未来计划：扩大研究人群，纳入特殊特征受试者，研究其交互模式。