AI-Powered Evaluation Approaches for Human-Computer Interaction Systems

Abstract

The evaluation of Human-Computer Interaction (HCI) systems has traditionally relied on user feedback and heuristic methods. However, recent advancements in Artificial Intelligence (AI) offer promising new approaches to enhance these evaluations. This master thesis investigates the integration of AI technologies in HCI system evaluation, focusing on how AI can improve the accuracy, depth, and efficiency of user experience (UX) assessments. Through a comprehensive review of current advancements, this study explores various AI-driven techniques, such as machine learning, XAI, and their potential to complement traditional evaluation methods. These AI tools can provide more comprehensive insights into user interactions and system performance, leading to more informed design and development decisions. In conclusion, while AI introduces valuable opportunities for enhancing HCI evaluations, its integration should be managed carefully to ensure it works alongside traditional methods, rather than replacing them. This study offers key insights into the current state of AI in HCI evaluations and outlines future research directions to further develop this intersection. ***

L’évaluation des systèmes d’interaction homme-machine (IHM) s’est traditionnellement appuyée sur les retours des utilisateurs et des méthodes heuristiques. Cependant, les récents progrès de l’intelligence artificielle (IA) offrent de nouvelles approches prometteuses pour améliorer ces évaluations. Ce mémoire de master étudie l’intégration des technologies de l’IA dans l’évaluation des systèmes IHM, en se concentrant sur la manière dont l’IA peut améliorer la précision, la profondeur et l’efficacité des évaluations de l’expérience utilisateur (UX). À travers un examen complet des avancées actuelles, cette étude explore diverses techniques basées sur l’IA, telles que l’apprentissage automatique, l’IA explicable (XAI), et leur potentiel à compléter les méthodes d’évaluation traditionnelles. Ces outils d’IA peuvent fournir des informations plus complètes sur les interactions des utilisateurs et les performances des systèmes, conduisant à des décisions de conception et de développement mieux informées. En conclusion, bien que l’IA introduise des opportunités précieuses pour améliorer les évaluations des systèmes IHM, son intégration doit être soigneusement gérée pour s’assurer qu’elle fonctionne en complément des méthodes traditionnelles, plutôt qu’en les remplaçant. Cette étude apporte des perspectives clés sur l’état actuel de l’IA dans les évaluations IHM et propose des directions de recherche futures pour approfondir cette intersection.