面向多参与者的决策科学与导航实验的网络化桌面虚拟现实设置
August 26th, 2018
本文介绍了一种利用网络化计算机实验室进行多用户决策和导航实验的方法。
这种方法可以帮助回答决策科学和空间认知领域的关键问题，例如如何使用桌面虚拟现实与多个参与者进行寻路研究。该技术的主要优点是实验方案可以被其他研究人员改编和应用，以建立一个网络桌面虚拟现实实验室。这项技术的影响延伸到行为科学和空间认知，因为实验者可以有效地监控同时沉浸在桌面虚拟环境中的参与者的行为。
一般来说，刚接触这种方法的人会很挣扎，因为这样的实验室需要维护和严格的协议才能在受控环境中收集数据。这种方法的视觉演示至关重要，因为存在与多用户桌面虚拟现实实验相关的困难，例如设置实验和管理参与者。演示此程序的是我们实验室的技术人员 Alvaro Ingold。
首先打开实验室控制室的服务器和灯。根据所需的参与者人数设置测试室。将可执行 Experiment 程序及其相应的配置文件复制到网络驱动器上。
然后在 Windows 桌面上打开 PowerShell 集成脚本环境。在 PowerShell 控制台中，指定计算机名称数组以创建客户端池对象。键入 Start-Pool pool 以启动客户端计算机，键入 Register-Pool pool 以将服务器连接到客户端计算机。
接下来，在启动程序之前准备客户端的计算机。键入 Invoke-Pool Mount-NetworkShare path}以指示计算机输入正确的文件夹路径。然后，通过在 Start-GameServer 中键入并在客户端的计算机上键入 Invoke-Pool Start-GameClient}指定服务器的 IP 地址作为函数的参数，在服务器上执行准备好的函数。
等待服务器监视器上显示指示连接成功的消息。最后，在每个隔间分发同意书和笔。洗牌指示参与者座位安排的座位卡。
在正式开始时间前 5 分钟，开始检查每个参与者的 ID，以确保他们与已注册参与者的列表相匹配。然后让参与者选择一张显示其座位号的卡片。让参与者走到相应的隔间，阅读并签署同意书。
在进行实验之前拿起这些。使用麦克风向所有参与者广播说明。告知他们基本规则，包括不得与其他参与者通信，以及不允许使用个人电子设备。
如果参与者对实验有任何疑问，请他们举手。通过提供人口统计调查问卷开始实验。部署培训场景，教参与者如何在虚拟环境中作，并通过查看所有计算机的屏幕截图来监控进度，直到所有参与者都完成培训课程。
训练结束后，开始实验的测试阶段。确保在每次试用前有较短的等待时间，以便加载下一个场景并允许参与者阅读说明。从服务器计算机上的鸟瞰界面观察参与者的行为。
实验完成后，通过在 PowerShell 控制台中键入 Stop-GameClient 和 Stop-GameServer 来关闭服务器和客户端程序。然后，要求参与者保持坐姿，直到通过麦克风叫到他们的号码。从文件分数中提取参与者的最终分数。
txt 添加到服务器计算机上的 Project 文件夹中，并将他们的分数转换为货币付款。将实验数据从服务器复制并保存到外部磁盘，以备将来分析。然后，逐个拨打隔间号码，并在接待处与每位参与者会面。
感谢参与者并给他们相应的付款。最后，检查空隔间并收集任何剩余的笔或表格。在这里，最大和最小时间是每次试验中最快和最慢的参与者到达目的地所需的时间。
这些描述性统计量表明了参与者在试验中熟悉环境的程度。获得的数据还允许可视化试验 1 和试验 16 中生成的轨迹，但虚拟人群除外。然后，可以使用空间统计来分析试验中轨迹的变化。
在尝试此程序时，请务必记住始终遵循设计实验的严格步骤，因为每个实验会话都会产生相关成本。
View the full transcript and gain access to thousands of scientific videos
概览
本文描述了一种在网络计算机实验室中进行多用户决策制定和导航实验的方法。该技术允许研究人员有效地监控沉浸在桌面虚拟环境中的参与者。
关键研究组成部分
科学领域
- 决策科学
- 空间认知
- 行为科学
背景
- 多用户桌面虚拟现实实验提出了独特的挑战。
- 保持严格的协议对于数据收集至关重要。
- 视觉演示对于理解该方法至关重要。
- 可以在受控环境中同时监控参与者。
研究目的
- 开发一个与多个参与者进行寻路研究的协议。
- 适应实验设置以供其他研究人员使用。
- 探索对行为科学和空间认知的影响。
使用的方法
- 网络计算机实验室设置。
- 用于沉浸式体验的桌面虚拟现实。
- 监控实验期间参与者的行为。
- 视觉演示以帮助理解该方法。
主要结果
- 实验协议成功适应多用户设置。
- 加深了对决策制定和导航过程的理解。
- 识别了在虚拟环境中管理参与者的挑战。
- 证明了该方法在行为研究中的适用性。
结论
- 该方法为决策科学研究人员提供了一个宝贵的工具。
- 它促进了在受控环境中对空间认知的研究。
- 未来的研究可以在此协议基础上进行各种应用。
常见问题
Executive Industry Relevance
Multi-user virtual reality platforms enable controlled investigation of emergent decision-making and spatial navigation behaviors under standardized conditions. This approach supports mechanistic de-risking in early discovery by quantifying how contextual variables influence collective behavior in disease-relevant systems. The method provides predictive value for target validation through reproducible, high-throughput behavioral phenotyping.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of therapeutic hypotheses through standardized measurement of navigation and decision trajectories in multi-agent systems.
- Operational Value: Supports biological de-risking by isolating independent variables such as stress or cooperative incentives in controlled virtual environments.
- Predictive Value: Generates quantitative dependent variables (e.g., traversal time, path deviation) that correlate with cognitive load and inform target confidence.
Screening & Assay Development
- Assay Readiness: Prepares validated biological surrogates (human decision-making networks) for compound screening by establishing baseline behavioral outputs.
- Reproducibility: Ensures standardized data collection across sessions via strict protocols, enabling reliable compound evaluation in phenotypic screening.
- Scalability: Accommodates up to 36 simultaneous participants, supporting platform reuse for dose-response or genetic variant screening.
Translational & Preclinical Research
- Translational Continuity: Bridges discovery and preclinical work by aligning virtual navigation metrics with real-world spatial cognition endpoints.
- Risk-Adjusted Advancement: Provides trajectory and hesitation data to inform go/no-go decisions based on behavioral consistency across trials.
- Biomarker Alignment: Enables extraction of spatial statistics (e.g., path entropy, dwell time) as translational biomarkers for neuropsychiatric target validation.
Pipeline & Workflow Integration
The method integrates into the discovery continuum from hypothesis generation through lead identification by providing quantifiable behavioral readouts that support mechanistic de-risking.
- Discovery Biology: Facilitates pathway clarification by monitoring how environmental manipulations alter group decision patterns in real time.
- Screening: Delivers assay-ready outputs including final scores and trajectory visualizations for compound effect comparison.
- Analytics: Yields descriptive statistics (min/max completion times) and spatial analytics to quantify learning curves and behavioral adaptation.
- Translational Research: Connects to preclinical validation through transferable navigation metrics that reflect hippocampal-dependent spatial processing.
- Enterprise Reuse: Functions as a reusable capability for longitudinal behavioral monitoring across multiple experimental campaigns.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in target validation by reducing ambiguity in social decision-making mechanisms.
- Operational Value: Ensures reproducibility through standardized setup, PowerShell-driven orchestration, and centralized data extraction.
- Strategic Value: Improves capital efficiency by enabling high-n behavioral assays without field-based logistics.
- Portfolio Impact: Supports risk-adjusted prioritization via objective thresholds (e.g., time-to-target, path consistency) for go/no-go decisions.
Implementation Considerations
- Requires expertise in network configuration, virtual environment scripting, and behavioral experiment design.
- Depends on Windows-based infrastructure, PowerShell automation, and synchronized client-server communication.
- Necessitates cross-team standardization of consent procedures, seating protocols, and instruction delivery to minimize confounding.
- Involves adaptation considerations when transferring scenarios (e.g., evacuation, search tasks) to disease-model contexts.
- Limited by the need for controlled laboratory settings and strict adherence to temporal protocols to ensure data integrity.
