Fitts’ law has proven to be a stron

Fitts’ law has proven to be a strong predictor of pointing
performance under a wide range of conditions. However, it
has been insufficient in modeling small-target acquisition
with finger-touch based input on screens. We propose a
dual-distribution hypothesis to interpret the distribution of
the endpoints in finger touch input. We hypothesize the
movement endpoint distribution as a sum of two
independent normal distributions. One distribution reflects
the relative precision governed by the speed-accuracy
tradeoff rule in the human motor system, and the other
captures the absolute precision of finger touch independent
of the speed-accuracy tradeoff effect. Based on this
hypothesis, we derived the FFitts model—an expansion of
Fitts’ law for finger touch input. We present three
experiments in 1D target acquisition, 2D target acquisition
and touchscreen keyboard typing tasks respectively. The
results showed that FFitts law is more accurate than Fitts’
law in modeling finger input on touchscreens. At 0.91 or a
greater R
2
value, FFitts’ index of difficulty is able to
account for significantly more variance than conventional
Fitts’ index of difficulty based on either a nominal target
width or an effective target width in all the three
experiments.

Results (Thai) 2:

กฎหมาย Fitts 'ได้พิสูจน์ให้เป็นปัจจัยบ่งชี้ที่แข็งแกร่งของการชี้
ผลการดำเนินงานภายใต้ความหลากหลายของเงื่อนไข อย่างไรก็ตามมัน
ได้รับไม่เพียงพอในการสร้างแบบจำลองการเข้าซื้อกิจการขนาดเล็กเป้าหมาย
ด้วยการป้อนข้อมูลตามนิ้วสัมผัสบนหน้าจอ เราเสนอ
สมมติฐานแบบ dual-กระจายการตีความการกระจายตัวของ
จุดปลายนิ้วป้อนข้อมูลแบบสัมผัส เราตั้งสมมติฐาน
การกระจายปลายทางการเคลื่อนไหวเป็นผลรวมของทั้งสอง
การแจกแจงปกติที่เป็นอิสระ สะท้อนให้เห็นถึงการกระจายตัวหนึ่ง
ที่มีความแม่นยำญาติควบคุมโดยความเร็วความถูกต้อง
ถ่วงดุลอำนาจการปกครองในระบบมอเตอร์มนุษย์และอื่น ๆ
จับความแม่นยำแน่นอนของนิ้วสัมผัสอิสระ
ของความเร็วความถูกต้องของผลการถ่วงดุลอำนาจ ตามนี้
สมมติฐานที่เราได้มาจากการขยายตัว FFitts รูปแบบของ
กฎหมาย Fitts สำหรับนิ้วป้อนข้อมูลแบบสัมผัส เรานำเสนอสาม
การทดลองในการซื้อเป้าหมาย 1D ซื้อเป้าหมาย 2D
และการพิมพ์แป้นพิมพ์หน้าจอสัมผัสงานตามลำดับ
ผลการศึกษาพบว่ากฎหมาย FFitts มีความถูกต้องมากกว่า Fitts '
กฎหมายในการป้อนข้อมูลลายนิ้วมือแบบจำลองบนทัชสกรีน ที่ 0.91 หรือ
มากขึ้น R
2
มูลค่า FFitts 'ดัชนีของความยากลำบากจะสามารถ
บัญชีสำหรับความแตกต่างอย่างมีนัยสำคัญมากขึ้นกว่าเดิม
Fitts 'ดัชนีของความยากลำบากขึ้นอยู่กับเป้าหมายทั้งระบุ
ความกว้างหรือความกว้างของเป้าหมายที่มีประสิทธิภาพในทุกสาม
การทดลอง

Results (Thai) 3:

กฎหมาย Fitts ได้พิสูจน์แล้วว่าเป็นการทำนายที่แข็งแกร่งของชี้
ประสิทธิภาพภายใต้หลากหลายของเงื่อนไข แต่มันมีไม่เพียงพอในการสร้างโมเดลเล็ก

ด้วยนิ้วสัมผัสเป้าหมายการป้อนข้อมูลบนหน้าจอหลัก เราเสนอการตีความสองสมมติฐาน

ช่วยในการใส่นิ้วสัมผัส เราพบ
เคลื่อนไหวรัวกระจายเป็นจำนวนสอง
การแจกแจงแบบปกติที่เป็นอิสระ การกระจายสัมพัทธ์หนึ่งสะท้อน
แม่นยำควบคุมโดยความเร็วความถูกต้อง
ข้อเสียกฎในระบบมอเตอร์ของมนุษย์ และความสมบูรณ์ของตัวอื่น

นิ้วสัมผัสอิสระของความเร็วความถูกต้องแลกเปลี่ยนผล ตามสมมติฐานนี้
เรานำรูปแบบการขยายตัวของ ffitts
กฎหมาย Fitts สำหรับใส่นิ้วสัมผัส เรานำเสนอ 3
การทดลองในเป้าหมายการซื้อ 1D , 2D และสัมผัส
เป้าหมายการพัฒนาทักษะการพิมพ์งานตามแป้นพิมพ์
ผลการศึกษาพบว่า กฎหมาย ffitts ถูกต้องมากขึ้นกว่ากฎหมาย Fitts
นางแบบใส่นิ้วกับ touchscreens . ที่ 3 หรือมากกว่า R
2

ค่า ffitts ' ดัชนีความยากสามารถบัญชีสำหรับความแปรปรวนอย่างมีนัยสำคัญมากกว่า

ปกติFitts ดัชนีความยากง่ายขึ้นอยู่กับทั้งเป้าหมาย
ชื่อกว้างหรือกว้างที่มีเป้าหมายในทั้งสาม
การทดลอง