混合现实会议中的虚拟形象：一项关于真实面部形象与卡通面部形象对沟通、任务满意度、沉浸感及情感感知影响的纵向实地研究

《International Journal of Human-Computer Studies》：Avatars in mixed-reality meetings: A longitudinal field study of realistic versus cartoon facial likeness effects on communication, task satisfaction, presence, and emotional perception

本研究通过8场工作坊与56名开发者互动，探索AI代码补全工具（CCTs）的用户心理模型，提出需支持自定义触发时机、显示位置、建议粒度和解释内容的交互设计指南，并开发了原型ATHENA验证可行性，旨在提升开发者效率与信任度。

　　### 人工智能代码补全工具的交互设计：开发者心理模型与个性化需求的探索

随着人工智能技术的迅猛发展，集成开发环境（IDEs）中越来越多地引入了AI驱动的代码补全工具（CCTs）。这些工具旨在提升开发者的效率、准确性和生产力，通过减少重复代码的输入负担和加快整体编码流程。然而，尽管AI技术在代码生成方面展现出巨大潜力，但其在实际使用中仍面临诸多挑战，尤其是在人机交互方面。这些挑战主要源于开发者对AI工具的心理模型与工具行为之间的不匹配，以及AI生成建议的不可预测性。目前，关于这一领域的人机交互研究仍显不足，亟需深入探索如何设计出符合开发者心理模型的CCTs。

本文通过开展一项用户心理模型的提取研究，结合8次协同设计工作坊，共邀请了56名开发者参与，深入了解他们与AI代码补全工具的交互方式、期望和个性化需求。研究结果表明，开发者对CCTs的触发时机、显示方式、建议的详细程度和解释内容等方面存在显著差异。例如，部分开发者倾向于在需要时手动触发建议，而另一些则更偏好AI自动建议。此外，开发者对于建议的显示位置（如内联、侧边栏、弹窗或聊天机器人界面）也有各自偏好的方式。因此，研究提出了针对CCTs的可操作设计指南，强调了个性化和自适应设计的重要性，以更好地匹配开发者的需求和心理预期。

#### 一、研究背景与意义

AI代码补全工具正逐渐成为现代软件开发的重要组成部分。这些工具利用AI的强大能力，通过实时辅助、语法自动补全和预测编码模式，帮助开发者提高效率，降低认知负担，并简化编码过程。然而，AI的广泛使用也带来了一些风险，如代码的不可控性、功能和非功能需求的不匹配，以及可能导致开发者技能退化的问题。为了缓解这些问题，一项新兴的研究领域——以人为中心的人工智能（HCAI）——正在迅速发展。HCAI的目标是开发出更可靠、安全和可信的AI系统，这些系统不仅提供高度的自动化，同时也确保用户在需要时拥有足够的控制权，从而避免过度依赖AI带来的负面影响。

在代码补全工具的设计中，系统可以采用“全自动化”或“全增强”两种策略，或者介于两者之间的混合模式。全自动化模式虽然能提高效率，但也可能带来误操作和代码质量下降的风险。而全增强模式则允许用户在需要时主动获取建议，但往往不如自动化模式高效。因此，本文强调在保持系统自动化的同时，也要关注用户的心理模型，确保开发者能够灵活地掌控工具，从而实现更高效的代码生成和理解。

#### 二、用户心理模型的探索

用户心理模型是理解其与系统交互方式的关键因素。它是指用户对系统功能和行为的内在认知，包括他们的期望、行为和问题解决方式。通过深入分析现有文献和市场上的代码补全工具，我们发现，开发者对AI代码补全工具的使用方式和心理预期存在显著差异。这些差异不仅影响他们对工具的接受程度，还决定了他们如何与AI进行交互，以及如何评估其建议的准确性和实用性。

在工作坊中，参与者被引导思考代码补全工具在不同情境下的使用方式，包括建议的触发时机、显示位置、内容和格式，以及解释的呈现方式和时机。通过这些讨论，我们识别出几个关键主题，例如：

- **建议的触发时机**：开发者希望在特定情境下触发建议，如遇到编码瓶颈时，或在需要时手动激活工具。
- **建议的显示方式**：多数参与者倾向于在IDE的侧边栏或弹窗中显示建议，以避免干扰主代码编辑区域。
- **建议的详细程度**：开发者希望获得不同粒度的建议，从简单的单个代码片段到完整的函数或类。
- **解释的呈现方式**：开发者需要对建议进行解释，以了解其背后的逻辑和用途，但希望这些解释能够灵活控制，如通过点击图标或使用聊天机器人获取更详细的说明。

这些发现表明，开发者对代码补全工具的心理模型是复杂且多样的，因此，工具的设计必须具备高度的自适应性和可定制性，以满足不同用户的需求。

#### 三、代码补全工具的可操作设计指南

基于研究结果，我们提出了以下可操作的设计指南，以帮助开发人员更好地与AI代码补全工具互动：

1. **灵活的建议触发机制**：CCTs应允许用户根据个人偏好和任务需求，选择自动触发、手动触发或混合触发模式。这不仅能提高工具的可用性，还能减少对用户编码流程的干扰。
2. **自适应的建议显示方式**：工具应根据建议的长度和复杂度，动态调整显示方式。例如，短小的建议可以在内联模式下显示，而较长或复杂的建议则适合在侧边栏或弹窗中展示。
3. **个性化的建议粒度控制**：开发者应能够根据需要调整建议的详细程度，例如通过滑动条或设置选项，选择从最小粒度到最大粒度的建议内容。
4. **定制化的解释机制**：CCTs应允许用户选择解释的呈现方式和时机，如通过点击图标或使用聊天机器人获取详细解释。同时，解释应具备足够的上下文信息，以帮助开发者理解建议的用途和逻辑。
5. **与用户编码风格和项目要求的匹配**：工具应能够根据用户的编码风格和项目需求进行自适应调整，例如通过分析用户的历史代码或项目中的编码规范，提供更符合其工作习惯的建议。

这些设计指南不仅有助于提高CCTs的可用性和接受度，还能增强开发者对工具的信任感和控制感，从而促进其在日常开发中的广泛应用。

#### 四、ATHENA原型的开发与验证

为了验证上述设计指南的可行性，我们开发了一个名为ATHENA的原型代码补全工具。ATHENA是一个基于Visual Studio Code的扩展，旨在实现动态适应用户编码偏好和环境的代码补全功能。通过ATHENA，开发者可以灵活地配置建议的触发时机、显示方式、粒度和解释内容，从而更好地匹配自己的工作流程和需求。

ATHENA的核心功能包括：

- **高度可配置的建议触发机制**：用户可以选择自动触发、手动触发或混合触发模式，以适应不同的编码场景。
- **自适应的建议显示方式**：根据建议的长度和复杂度，ATHENA自动选择最佳的显示方式，如内联、侧边栏或弹窗。
- **个性化的建议粒度控制**：用户可以通过滑动条或设置选项，调整建议的详细程度，从而获得最适合自己的代码补全内容。
- **定制化的解释机制**：ATHENA支持多种解释方式，如简要说明、详细解释和聊天机器人互动，以满足不同用户的需求。
- **与用户编码风格的匹配**：ATHENA能够根据用户的编码风格和项目要求，动态调整建议的内容和格式，以提高代码生成的准确性和实用性。

ATHENA的开发和测试表明，基于用户心理模型的CCTs设计能够显著提升工具的可用性和接受度。通过ATHENA，开发者可以更灵活地控制工具的行为，从而在编码过程中保持更高的效率和满意度。

#### 五、研究的局限性与未来方向

尽管本研究提供了关于开发者心理模型和CCTs设计的深入见解，但仍然存在一些局限性。首先，研究对象主要是意大利两所大学的计算机科学学生，这可能限制了研究结果在专业开发人员中的适用性。其次，参与者以男性为主，且缺乏丰富的行业经验，这可能影响他们对工具设计的期望和建议的全面性。此外，工作坊的讨论可能受到某些主导性参与者的影响，从而引入偏见。

未来的研究可以考虑扩大样本范围，包括更多来自不同国家、不同行业背景和不同技能水平的开发者。同时，可以采用更多样化的研究方法，如个别访谈、实地部署和使用日志分析，以更全面地了解开发者与AI代码补全工具的交互行为和心理模型。此外，研究还可以探索不同大小的大型语言模型（LLMs）在代码补全工具中的应用，以找到最适合不同开发场景的模型。

总之，AI代码补全工具的交互设计必须充分考虑开发者心理模型和个性化需求，以确保工具的可用性、信任度和适应性。ATHENA原型的开发为这一领域提供了重要的实践参考，未来的研究将继续探索如何进一步优化这些工具，以更好地服务于开发者的需求。