SalienTrack：通过模型解释提供显著信息的半自动化自我追踪反馈
人机交互
2022-02-17 v3 人工智能
摘要
自我追踪能够提升人们对其不健康行为的意识，并支持反思以指导行为改变。新技术日益使追踪变得更容易，从而产生大量追踪数据。然而，其中许多信息对于反思和自我意识并不显著。为应对这一反思负担，我们创建了 SalienTrack 框架，旨在：1) 识别显著的追踪事件，2) 选取这些事件的显著细节，3) 解释其为何具有信息量，以及 4) 将这些细节作为人工引出或自动显示的反馈呈现。我们在营养追踪场景下实现了 SalienTrack。为此，我们首先开展了一项田野研究，收集为期 1 至 5 周的基于照片的移动食物追踪数据。随后我们报告了如何利用该数据训练一个可解释 AI 的显著性模型。最后，我们创建了呈现显著信息的界面，并开展了一项形成性用户研究，以洞察 SalienTrack 如何被整合进用于反思的界面中。我们的主要贡献包括 SalienTrack 框架、其在重要且具挑战性的自我追踪场景中用于半自动化反馈的实现演示，以及对该框架更广泛应用前景的讨论。
引用
@article{arxiv.2109.10231,
title = {SalienTrack: providing salient information for semi-automated self-tracking feedback with model explanations},
author = {Yunlong Wang and Jiaying Liu and Homin Park and Jordan Schultz-McArdle and Stephanie Rosenthal and Judy Kay and Brian Y. Lim},
journal= {arXiv preprint arXiv:2109.10231},
year = {2022}
}