Ueberblick
CHI 2025 Paper ueber generative and malleable user interfaces auf Basis von Nutzeraufgaben. Die Autorinnen und Autoren entwerfen ein task-driven data model, in dem LLMs Prompts interpretieren, UI-Spezifikationen erzeugen und diese auf konkrete Interfaces abbilden. Experimente zeigen dynamische Elemente wie Formulare und Visualisierungen sowie natuerlichsprachliche Nachbearbeitung.
Zusammenfassung
Task-driven UI Generation:
1. Kernidee: Malleable Interfaces, die Nutzer per natuerlicher Sprache umformen koennen
2. Datenmodell: Task-driven Architektur, in der LLMs Intentionen lesen und UI Specs generieren
3. Dynamische Elemente: Unterstuetzt Formulare, Visualisierungen und interaktive Komponenten
4. Natuerliche Sprache: Nutzer koennen Interfaces iterativ ueber Konversation verfeinern
5. Spec Mapping: Abstrakte UI Specs werden auf konkrete Implementierungen gemappt
Innovation: Schlaegt eine Bruecke zwischen Nutzerintention und realisierter Oberflaeche
1. Kernidee: Malleable Interfaces, die Nutzer per natuerlicher Sprache umformen koennen
2. Datenmodell: Task-driven Architektur, in der LLMs Intentionen lesen und UI Specs generieren
3. Dynamische Elemente: Unterstuetzt Formulare, Visualisierungen und interaktive Komponenten
4. Natuerliche Sprache: Nutzer koennen Interfaces iterativ ueber Konversation verfeinern
5. Spec Mapping: Abstrakte UI Specs werden auf konkrete Implementierungen gemappt
Innovation: Schlaegt eine Bruecke zwischen Nutzerintention und realisierter Oberflaeche
Tags
chi-2025malleable-uitask-drivenllm