Manual Text Input: Experiments, Models, and Systems

Abstract

Kirjoitustaito on vanhaa kulttuuriperintöä jonka tekniikoissa ja välineissä ei suinkaan aina ole ollut jännittävää tutkittavaa muille kuin historian tutkijoille. Viime vuosisadan lopulla alkanut tietokoneiden käyttö on muuttanut kirjoitusvälineet ja -tavat. Väitöskirja käsittelee tietokoneilla kirjoittamisen osa-aluetta jota kutsutaan tekstinsyötöksi. Tekstinsyöttötutkimuksen tavoitteena on kehittää menetelmiä, joilla tietokoneiden käyttäjät voivat mahdollisimman tehokkaasti siirtää tekstiä aivoistaan tietokoneen muistiin.

Vakiintuneet kirjoitusmenetelmät eivät yleisesti ottaen toimi hyvin pienten mukana kannettavien tietokoneiden kuten matkapuhelinten kanssa. Näppäimistö ei mahdu mukaan tai jos mahtuukin, se on liian pieni. Kynällä taas on vaikea kirjoittaa selvästi muun muassa siksi, että kirjoituskättä ei voi tukea mihinkään. Niinpä uusien pienten tietokoneiden lähtökohdista kehitettyjen tekstinsyöttömenetelmien kaupallinen kehittäminen ja tieteellinen tutkiminen onkin nykyään laajalti harjoitettua.

Väitöskirjatyössä on tutkittu joitakin uusia ja pääasiassa mobiililaitteisiin tarkoitettuja tekstinsyöttömenetelmiä konstruktiivisin ja kokeellisin keinoin. Monessa tapauksessa tuloksena on ollut ensimmäinen kuvaus tutkitun menetelmän suorituskyvystä. Vaikka suorituskykyä onkin mitattu laboratorio-oloissa, antavat tulokset usein osviittaa menetelmien toimivuudesta todellisessa käyttötilanteessa.

Kokeet ja niiden tulkinta perustuvat usein teoreettiseen malliin tekstinsyöttömentelmän suorituskyvystä. Toinen työn keskeinen osa onkin tällaisten mallien kehittäminen ja niiden tarkkuuden arviointi. Kolmas keskeinen tulos on uusi ohjelmistoarkkitehtuuri käyttäjäkohtaisten tekstinsyöttömenetelmien käytön helpottamiseksi.

Uusien tekstinsyöttömenetelmien keksiminen on ollut ja tulee kaiketi jatkossakin olemaan varsin helppoa. On mahdollista, että jotkut näistä uusista menetelmistä ovat niin hyviä että ne kannattaisi ottaa yleiseen käyttöön. Näiden hyvien menetelmien löytäminen on vaativa tehtävä, johon tämä väitöskija pyrkii antaamaan eväitä.

Despite the emergence of speech controlled computers and direct manipulation that both have diminished the need to operate computers with textual commands, manual text entry remains one of the dominant forms of human-computer interaction. This is because textual communication is one of the main reasons for using computers.

Mobile and pervasive computing have been popular research areas recently. Thus, these issues have a major part in the thesis at hand. Most of the text entry methods that are discussed are for mobile computers. One of the three main contributions of the work is architecture for a middleware system intended to support personalized text entry in an environment permeated with mobile and non-mobile computers.

The two other main contributions in this thesis are experimental work on text entry methods and models of user performance in text entry tasks. The text entry methods tested in experiments were the minimal device independent text entry method (MDITIM), two methods for entering numbers using a touchpad, Quikwriting in a multi-device environment, and a menu-augmented soft-keyboard. MDITIM was found to be relatively device independent, but not very efficient. The numeric entry experiment showed that the clock metaphor works with a touchpad, but with a high error rate. An improved "hybrid" system exhibited a lower error rate. Quikwriting was tested to evaluate the claims on its performance made in the original publication and to see if it works with input devices other than the stylus. The performance claims were found to be exaggerated, but Quikwriting worked well with the three tested input devices (stylus, game controller, and a keyboard). The menu augmented soft keyboard was compared to a traditional QWERTY soft keyboard to verify modeling results that show significant performance advantages. No performance advantage was observed during the 20-session experiment. However, extrapolations of the learning curves cross suggesting that with enough practice the users might be able to write faster with the menu augmented keyboard.

The results of the modeling part are two-fold. First, the explanatory power of a simple model for unistroke writing time was measured. The model accounted for about 70% of the variation when applied carefully, and about 60% on first exposure. This sets the level of accuracy that more complex models must achieve in order to be useful. Second, a model that combines two previously known models for text entry rate development was constructed. This model improves the accuracy of text entry rate predictions between measured early learning curve and the theoretical upper limit.