StreetComplete中关于厕所可访问性问题的技术解析
问题背景
在StreetComplete应用中,当用户调查咖啡馆等场所时,系统会询问"这里的厕所是否适合轮椅使用者?"这个问题。然而,当该场所根本没有厕所时,这个提问方式会导致用户困惑和潜在的标签错误。
问题分析
该问题源于以下几个技术细节:
-
问题表述的歧义性:原问题"这里的厕所是否适合轮椅使用者?"隐含了"该场所有厕所"的前提条件,这在没有厕所的场所会造成用户困惑。
-
用户界面设计:虽然应用中提供了"这里没有厕所"的选项,但它被隐藏在"其他答案"菜单中,许多用户可能不会发现这个选项。
-
标签逻辑缺陷:当用户选择"否"时,系统会错误地标记"toilets=yes",而实际上用户可能只是想表达"这里没有厕所"。
解决方案探讨
开发团队讨论了多种可能的解决方案:
-
调整问题表述:将问题改为"这里有厕所且适合轮椅使用者吗?",但这样仍无法解决用户选择"否"时的歧义问题。
-
优化用户界面:将"这里没有厕所"选项从"其他答案"菜单提升为主要选项之一,使其更显眼。
-
改进标签逻辑:当用户选择"否"时,可以标记"toilets=unknown"而非"toilets=yes",因为用户并未确认厕所是否存在。
-
增加前置问题:在询问轮椅可访问性之前,先询问"这里有厕所吗?",但这可能会在某些地区造成过多的重复提问。
最终解决方案
经过讨论,开发团队决定:
-
调整标签逻辑:当用户回答"否"时,不再自动标记"toilets=yes",而是采用更保守的标记方式。
-
优化问题流程:考虑在某些特定国家/地区增加专门的厕所存在性调查问题,前提是经过充分研究确认这些地区确实存在大量没有厕所的场所。
技术启示
这个案例展示了在开发地图数据收集应用时需要考虑的几个重要方面:
-
问题设计的精确性:避免隐含假设,确保问题表述清晰无歧义。
-
用户界面的友好性:确保所有可能的答案选项都易于发现和使用。
-
标签逻辑的严谨性:避免从用户回答中得出超出其本意的结论。
-
地区差异性考虑:不同地区的法规和实际情况可能大不相同,需要针对性地设计调查流程。
通过这次问题的讨论和解决,StreetComplete应用在数据收集的准确性和用户体验方面都得到了提升。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0134
let_datasetLET数据集 基于全尺寸人形机器人 Kuavo 4 Pro 采集,涵盖多场景、多类型操作的真实世界多任务数据。面向机器人操作、移动与交互任务,支持真实环境下的可扩展机器人学习00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
AgentCPM-ReportAgentCPM-Report是由THUNLP、中国人民大学RUCBM和ModelBest联合开发的开源大语言模型智能体。它基于MiniCPM4.1 80亿参数基座模型构建,接收用户指令作为输入,可自主生成长篇报告。Python00