Waiting
Login-Verarbeitung ...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Engineering
Click here for the English version

Engineering

उद्योग 4.0 परिदृश्यों में इमर्सिव एनालिटिक्स के लिए मिश्रित वास्तविकता समाधान के प्रयोज्य पहलुओं का मूल्यांकन

Published: October 6, 2020 doi: 10.3791/61349
Automatic Translation
1, 2, 1, 3, 1, 4, 1, 1, 5, 6, 7
1Institute of Databases and Information Systems, Ulm University, 2Department for Psychotherapy and Biopsychosocial Health, Danube University Krems, 3Department of Psychiatry and Psychotherapy, University of Regensburg, 4Faculty of Computer Science, Otto von Guericke University Magdeburg, 5Department of Pediatrics and Adolescent Medicine, Medical University of Vienna, 6Department of Child and Adolescent Psychiatry, Medical University of Vienna, 7Institute of Clinical Epidemiology and Biometry, University of Würzburg

Summary

यह प्रोटोकॉल एक विकसित मिश्रित वास्तविकता अनुप्रयोग की तकनीकी सेटिंग को चित्रित करता है जिसका उपयोग इमर्सिव एनालिटिक्स के लिए किया जाता है। इसके आधार पर, उपाय प्रस्तुत किए जाते हैं, जिनका उपयोग विकसित तकनीकी समाधान के प्रयोज्य पहलुओं में अंतर्दृष्टि प्राप्त करने के लिए एक अध्ययन में किया गया था।

Abstract

चिकित्सा या उद्योग में, उच्च आयामी डेटा सेट का विश्लेषण तेजी से आवश्यक है। हालांकि, उपलब्ध तकनीकी समाधान अक्सर उपयोग करने के लिए जटिल होते हैं। इसलिए, इमर्सिव एनालिटिक्स जैसे नए दृष्टिकोणों का स्वागत है। इमर्सिव एनालिटिक्स विभिन्न उपयोगकर्ता समूहों और डेटा सेटों के लिए सुविधाजनक तरीके से उच्च आयामी डेटा सेट का अनुभव करने का वादा करता है। तकनीकी रूप से, वर्चुअल-रियलिटी उपकरणों का उपयोग इमर्सिव एनालिटिक्स को सक्षम करने के लिए किया जाता है। उदाहरण के लिए, उद्योग 4.0 में, उच्च आयामी डेटा सेट में आउटलायर्स या विसंगतियों की पहचान जैसे परिदृश्यों को इमर्सिव एनालिटिक्स के लक्ष्यों का पीछा किया जाता है। इस संदर्भ में, इमर्सिव एनालिटिक्स पर किसी भी विकसित तकनीकी समाधान के लिए दो महत्वपूर्ण प्रश्नों को संबोधित किया जाना चाहिए: सबसे पहले, तकनीकी समाधान सहायक हो रहे हैं या नहीं? दूसरा, तकनीकी समाधान का शारीरिक अनुभव सकारात्मक या नकारात्मक है? पहला प्रश्न एक तकनीकी समाधान की सामान्य व्यवहार्यता पर लक्षित है, जबकि दूसरे का उद्देश्य पहनने के आराम को लक्षित करना है। मौजूदा अध्ययन और प्रोटोकॉल, जो व्यवस्थित रूप से इन सवालों को संबोधित करते हैं, अभी भी दुर्लभ हैं। इस काम में, एक अध्ययन प्रोटोकॉल प्रस्तुत किया गया है, जो मुख्य रूप से उद्योग 4.0 परिदृश्यों में इमर्सिव एनालिटिक्स के लिए प्रयोज्यता की जांच करता है। विशेष रूप से, प्रोटोकॉल चार स्तंभों पर आधारित है। सबसे पहले, यह पिछले अनुभवों के आधार पर उपयोगकर्ताओं को वर्गीकृत करता है। दूसरा, कार्य प्रस्तुत किए जाते हैं, जिनका उपयोग तकनीकी समाधान की व्यवहार्यता का मूल्यांकन करने के लिए किया जा सकता है। तीसरा, उपाय प्रस्तुत किए जाते हैं, जो उपयोगकर्ता के सीखने के प्रभाव को निर्धारित करते हैं। चौथा, एक प्रश्नावली कार्य करते समय तनाव के स्तर का मूल्यांकन करती है। इन स्तंभों के आधार पर, एक तकनीकी सेटिंग लागू की गई थी जो अध्ययन प्रोटोकॉल को लागू करने के लिए मिश्रित वास्तविकता स्मार्टग्लास का उपयोग करती है। आयोजित अध्ययन के परिणाम एक तरफ प्रोटोकॉल की प्रयोज्यता और दूसरी ओर उद्योग 4.0 परिदृश्यों में इमर्सिव एनालिटिक्स की व्यवहार्यता दिखाते हैं। प्रस्तुत प्रोटोकॉल में खोजी गई सीमाओं की चर्चा शामिल है।

Introduction

वर्चुअल-रियलिटी समाधान (वीआर समाधान) विभिन्न क्षेत्रों में तेजी से महत्वपूर्ण हैं। अक्सर, वीआर समाधान (आभासी वास्तविकता, मिश्रित वास्तविकता और संवर्धित वास्तविकता सहित) के साथ, कई दैनिक कार्यों और प्रक्रियाओं की उपलब्धि को आसान बनाया जाएगा। उदाहरण के लिए, मोटर वाहन डोमेन में, वर्चुअल रियलिटी1 (वीआर) के उपयोग से कार की कॉन्फ़िगरेशन प्रक्रिया का समर्थन किया जा सकता है। शोधकर्ताओं और चिकित्सकों ने इस संदर्भ में कई दृष्टिकोणों और समाधानों की जांच और विकास किया है। हालांकि, प्रयोज्य पहलुओं की जांच करने वाले अध्ययन अभी भी दुर्लभ हैं। सामान्य तौर पर, पहलुओं को दो प्रमुख प्रश्नों के प्रकाश में माना जाना चाहिए। सबसे पहले, यह मूल्यांकन किया जाना चाहिए कि क्या वीआर समाधान वास्तव में एक दृष्टिकोण से बेहतर है जो वीआर तकनीकों का उपयोग नहीं करता है। दूसरा, चूंकि वीआर समाधान मुख्य रूप से भारी और जटिल हार्डवेयर उपकरणों पर निर्भर हैं, पहनने के आराम और मानसिक प्रयास जैसे मापदंडों की अधिक गहराई से जांच की जानी चाहिए। इसके अलावा, उल्लिखित पहलुओं को हमेशा प्रश्न में आवेदन क्षेत्र के संबंध में जांच की जानी चाहिए। यद्यपि कई मौजूदा दृष्टिकोण इन प्रश्नों की जांच करने की आवश्यकता को देखते हैं2, कम अध्ययन मौजूद हैं जिन्होंने परिणाम प्रस्तुत किए हैं।

वीआर के क्षेत्र में एक शोध विषय, जो वर्तमान में महत्वपूर्ण है, को इमर्सिव एनालिटिक्स के साथ निरूपित किया जाता है। यह दृश्य विश्लेषिकी के अनुसंधान क्षेत्र से लिया गया है, जो विश्लेषिकी कार्यों में मानव धारणा को शामिल करने की कोशिश करता है। इस प्रक्रिया को दृश्य डेटा खनन4 के रूप में भी जाना जाता है। इमर्सिव एनालिटिक्स में डेटा विज़ुअलाइज़ेशन, विज़ुअल एनालिटिक्स, वर्चुअल रियलिटी, कंप्यूटर ग्राफिक्स और मानव-कंप्यूटर इंटरैक्शन के क्षेत्र के विषय शामिलहैं। हेड-माउंटेड डिस्प्ले (एचएमडी) में हाल के फायदों ने एक इमर्सिव तरीके से डेटा की खोज के लिए बेहतर संभावनाओं को जन्म दिया। इन रुझानों के साथ, नई चुनौतियां और शोध प्रश्न उभरते हैं, जैसे कि नई इंटरैक्शन सिस्टम का विकास, उपयोगकर्ता थकान की जांच करने की आवश्यकता, या परिष्कृत 3 डी विज़ुअलाइज़ेशन6 का विकास। पिछले प्रकाशन6 में, इमर्सिव एनालिटिक्स के महत्वपूर्ण सिद्धांतों पर चर्चा की गई है। बड़े डेटा के प्रकाश में, जटिल डेटा पूल के बेहतर विश्लेषण को सक्षम करने के लिए इमर्सिव एनालिटिक्स जैसे तरीकों की अधिक से अधिक आवश्यकता होती है। केवल कुछ अध्ययन मौजूद हैं जो इमर्सिव एनालिटिक्स समाधानों के प्रयोज्य पहलुओं की जांच करते हैं। इसके अलावा, ऐसे अध्ययनों में प्रश्न में डोमेन या क्षेत्र पर भी विचार किया जाना चाहिए। इस काम में, एक इमर्सिव एनालिटिक्स प्रोटोटाइप विकसित किया गया था, और उसके आधार पर, एक प्रोटोकॉल, जो उद्योग 4.0 परिदृश्यों के लिए विकसित समाधान की जांच करता है। प्रोटोकॉल इस प्रकार अनुभव विधि2 का फायदा उठाता है, जो व्यक्तिपरक, प्रदर्शन और शारीरिक पहलुओं पर आधारित है। हाथ में प्रोटोकॉल में, व्यक्तिपरक पहलुओं को अध्ययन उपयोगकर्ताओं के कथित तनाव के माध्यम से मापा जाता है। प्रदर्शन, बदले में, आवश्यक समय और त्रुटियों के माध्यम से मापा जाता है जो विश्लेषण कार्यों को पूरा करने के लिए किए जाते हैं। अंत में, एक त्वचा चालकता सेंसर ने शारीरिक मापदंडों को मापा। इस काम में पहले दो उपाय प्रस्तुत किए जाएंगे, जबकि मापा त्वचा चालकता का मूल्यांकन करने के लिए आगे के प्रयासों की आवश्यकता होती है।

प्रस्तुत अध्ययन में कई शोध क्षेत्र शामिल हैं, विशेष रूप से तंत्रिका विज्ञान पहलुओं और सूचना प्रणालियों सहित। दिलचस्प बात यह है कि सूचना प्रणालियों के तंत्रिका विज्ञान पहलुओं पर विचार ने हाल ही में कई शोध समूहों 7,8 का ध्यान आकर्षित किया है, जो संज्ञानात्मक दृष्टिकोण से भी आईटी सिस्टम के उपयोग का पता लगाने की मांग दिखाता है। एक अन्य क्षेत्र जो इस काम के लिए प्रासंगिक है, वह सूचना प्रणाली 9,10,11 के मानव कारकों की जांच का गठन करता है। मानव-कंप्यूटर इंटरैक्शन के क्षेत्र में, एक समाधान की प्रयोज्यता की जांच करने के लिए उपकरण मौजूद हैं। ध्यान दें कि सिस्टम प्रयोज्य स्केल मुख्य रूप से इस संदर्भ12 में उपयोग किया जाता है। थिंकिंग अलाउड प्रोटोकॉल13 सूचना प्रणालियों के उपयोग के बारे में अधिक जानने के लिए एक और व्यापक रूप से उपयोग की जाने वाली अध्ययन तकनीक है। यद्यपि सूचना प्रणालियों के प्रयोज्य पहलुओं को मापने के लिए कई दृष्टिकोण मौजूद हैं, और उनमें से कुछको बहुत पहले प्रस्तुत किया गया है, फिर भी ऐसे प्रश्न उभरते हैं जिन्हें नए उपायों या अध्ययन विधियों की जांच करने की आवश्यकता होती है। इसलिए, इस क्षेत्र में अनुसंधान बहुत सक्रियहै 12,15,16.

निम्नलिखित में, उन कारणों पर चर्चा की जाएगी कि वर्तमान कार्य में दो प्रचलित रूप से उपयोग की जाने वाली विधियों पर विचार क्यों नहीं किया गया है। सबसे पहले, सिस्टम प्रयोज्य स्केल का उपयोग नहीं किया गया था। पैमाना दसप्रश्नों 17 पर आधारित है और इसका उपयोग कई अन्य वीआरअध्ययनों 18 में भी पाया जा सकता है। जैसा कि इस अध्ययन का उद्देश्य मुख्य रूप से तनाव19 का माप करना है, तनाव से संबंधित प्रश्नावली अधिक उपयुक्त थी। दूसरा, कोई थिंकिंग अलाउड प्रोटोकॉल20 का उपयोग नहीं किया गया था। यद्यपि इस प्रोटोकॉल प्रकार ने सामान्य13 में अपनी उपयोगिता दिखाई है, इसका उपयोग यहां नहीं किया गया था क्योंकि अध्ययन उपयोगकर्ताओं का तनाव स्तर केवल इस तथ्य के कारण बढ़ सकता है कि थिंक अलाउड सत्र को भारी और जटिल वीआर डिवाइस के उपयोग के समानांतर पूरा किया जाना चाहिए। हालांकि इन दो तकनीकों का उपयोग नहीं किया गया है, लेकिन अन्य हालिया अध्ययनों के परिणामों को अध्ययन में शामिल किया गया है। उदाहरण के लिए, पिछलेकार्यों 21,22 में, लेखक अपने अध्ययन में नौसिखियों और विशेषज्ञों के बीच अंतर करते हैं। इन अध्ययनों के सफल परिणाम के आधार पर, प्रोटोकॉल अध्ययन उपयोगकर्ताओं के इस प्रस्तुत पृथक्करण का उपयोग करता है। तनाव माप, बदले में, निम्नलिखित कार्यों15,19,21,22 के विचारों पर आधारित है।

सबसे पहले, अध्ययन करने के लिए, विश्लेषणात्मक कार्यों को पूरा करने के लिए एक उपयुक्त उद्योग 4.0 परिदृश्य पाया जाना चाहिए। लेखकों के एक अन्य काम से प्रेरित होकर, दो परिदृश्यों (यानी, विश्लेषण कार्यों) की पहचान की गई है, (1) आउटलायर्स का पता लगाना, और (2) क्लस्टर की पहचान। दोनों परिदृश्य चुनौतीपूर्ण हैं, और उच्च-थ्रूपुट उत्पादन मशीनों के रखरखाव के संदर्भ में अत्यधिक प्रासंगिक हैं। इस निर्णय के आधार पर, छह प्रमुख विचारों ने इस काम में प्रस्तुत अध्ययन प्रोटोकॉल को प्रेरित किया है:

  1. अध्ययन के लिए विकसित समाधान तकनीकी रूप से मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) पर आधारित होगा और इसे मिश्रित वास्तविकता अनुप्रयोग के रूप में विकसित किया जाएगा।
  2. एक उपयुक्त परीक्षण विकसित किया जाना चाहिए, जो नौसिखियों को उन्नत उपयोगकर्ताओं से अलग करने में सक्षम है।
  3. प्रदर्शन उपायों को समय और त्रुटियों पर विचार करना चाहिए।
  4. एक डेस्कटॉप एप्लिकेशन विकसित किया जाना चाहिए, जिसकी तुलना इमर्सिव एनालिटिक्स समाधान से की जा सकती है।
  5. कथित तनाव स्तर का मूल्यांकन करने के लिए एक उपाय लागू किया जाना चाहिए।
  6. बाद के बिंदु के अलावा, तनाव स्तर को कम करने के लिए सुविधाओं को विकसित किया जाएगा, जबकि एक उपयोगकर्ता दो उल्लिखित विश्लेषण कार्यों की प्रक्रिया को पूरा करता है (यानी, (1) आउटलायर्स का पता लगाना, और (2) क्लस्टर की मान्यता)।

छह उल्लिखित बिंदुओं के आधार पर, अध्ययन प्रोटोकॉल में निम्नलिखित प्रक्रिया शामिल है। आउटलायर डिटेक्शन और क्लस्टर रिकग्निशन विश्लेषण कार्यों को मिश्रित वास्तविकता स्मार्टग्लास का उपयोग करके इमर्सिव तरीके से पूरा किया जाना है (सामग्री की तालिका देखें)। इसलिए, एक नया एप्लिकेशन विकसित किया गया था। स्थानिक ध्वनियां मानसिक प्रयास को बढ़ाए बिना विश्लेषण कार्यों के प्रदर्शन को आसान बना देंगी। एक आवाज सुविधा मिश्रित वास्तविकता स्मार्टग्लास के विकसित अनुप्रयोग के लिए उपयोग किए जाने वाले नेविगेशन को आसान बनाएगी (सामग्री की तालिका देखें)। एक मानसिक रोटेशन परीक्षण नौसिखियों को उन्नत उपयोगकर्ताओं से अलग करने का आधार होगा। तनाव का स्तर एक प्रश्नावली के आधार पर मापा जाता है। प्रदर्शन, बदले में, विश्लेषण कार्यों के लिए उपयोगकर्ता द्वारा आवश्यक (1) समय के आधार पर और विश्लेषण कार्यों के लिए उपयोगकर्ता द्वारा की गई (2) त्रुटियों के आधार पर मूल्यांकन किया जाता है। मिश्रित वास्तविकता स्मार्टग्लास में प्रदर्शन की तुलना एक नए विकसित और तुलनीय 2 डी डेस्कटॉप एप्लिकेशन में समान कार्यों की उपलब्धि के साथ की जाती है। इसके अलावा, तनाव के लिए एक संभावित संकेतक के रूप में त्वचा के चालकता स्तर को मापने के लिए एक त्वचा चालकता उपकरण का उपयोग किया जाता है। इस माप के परिणाम आगे के विश्लेषण के अधीन हैं और इस काम में चर्चा नहीं की जाएगी। लेखकों ने उसी उपकरण के साथ एक अन्य अध्ययन में खुलासा किया कि अतिरिक्त विचारों की आवश्यकता है।

इस प्रोटोकॉल के आधार पर, निम्नलिखित पांच शोध प्रश्नों (आरक्यू) को संबोधित किया जाता है:

आरक्यू 1: क्या प्रतिभागियों की स्थानिक कल्पना क्षमताएं कार्यों के प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करती हैं?
आरक्यू 2: क्या समय के साथ कार्य प्रदर्शन में महत्वपूर्ण बदलाव हुआ है?
आरक्यू 3: क्या इमर्सिव एनालिटिक्स समाधान में स्थानिक ध्वनियों का उपयोग करते समय कार्य प्रदर्शन में महत्वपूर्ण परिवर्तन होता है?
आरक्यू 4: क्या विकसित इमर्सिव एनालिटिक्स को उपयोगकर्ताओं द्वारा तनावपूर्ण माना जाता है?
आरक्यू 5: क्या उपयोगकर्ता 2 डी दृष्टिकोण की तुलना में इमर्सिव एनालिटिक्स समाधान का उपयोग करते समय बेहतर प्रदर्शन करते हैं?

चित्रा 1 दो पैमानों के संबंध में प्रस्तुत प्रोटोकॉल को सारांशित करता है। यह बातचीत के स्तर के संबंध में विकसित और उपयोग किए गए उपायों और उनकी नवीनता को दर्शाता है। चूंकि वीआर सेटिंग के लिए सुविधाओं को विकसित करते समय इंटरैक्शन स्तर एक महत्वपूर्ण पहलू का गठन करता है, इसलिए चित्रा 1 इस काम में विकसित पूरे प्रोटोकॉल की नवीनता को बेहतर ढंग से दिखाएगा। यद्यपि दो उपयोग किए गए पैमानों के भीतर पहलुओं का मूल्यांकन व्यक्तिपरक है, उनका समग्र मूल्यांकन वर्तमान संबंधित कार्य और निम्नलिखित प्रमुख विचारों पर आधारित है: एक महत्वपूर्ण सिद्धांत प्राकृतिक बातचीत के लिए एक पर्यावरण की अमूर्तता के उपयोग का गठन करता है, जिसमें उपयोगकर्ता अभ्यस्त हो गया है। हाथ में प्रोटोकॉल के संबंध में, बिंदु बादलों का विज़ुअलाइज़ेशन उपयोगकर्ताओं के लिए सहज प्रतीत होता है और ऐसे बादलों में पैटर्न की पहचान को सामान्य रूप से एक प्रबंधनीय कार्य के रूप में मान्यता दी गई है। एक अन्य महत्वपूर्ण सिद्धांत उपभोग को ओवरले करना है। इसके द्वारा, हाथ में प्रोटोकॉल में उपयोग की जाने वाली स्थानिक ध्वनियों का उपयोग एक उदाहरण है, क्योंकि वे खोजी गई वस्तु की निकटता के साथ सहसंबंधित हैं। लेखक प्रतिनिधित्व को इस तरह से ट्यून करने की सलाह देते हैं कि अधिकांश जानकारी मध्यवर्ती क्षेत्र में स्थित है, जो मानव धारणा के लिए सबसे महत्वपूर्ण है। लेखकों ने इस सिद्धांत को शामिल नहीं करने का कारण उपयोगकर्ता को स्वयं द्वारा सबसे अच्छा स्थान खोजने के साथ-साथ डेटा विज़ुअलाइज़ेशन स्पेस में खुद को उन्मुख करने की कोशिश करने के लिए प्रोत्साहित करना था, जो एक बार में दिखाए जाने के लिए बहुत बड़ा है। प्रस्तुत दृष्टिकोण में, दिखाए जाने वाले 3 डी डेटा की विशेषताओं का कोई और विचार नहीं किया गया था। उदाहरण के लिए, यदि किसी आयाम को अस्थायी माना जाता है, तो स्कैटरप्लॉट दिखाए जा सकते थे। लेखक इस तरह के विज़ुअलाइज़ेशन को आम तौर पर उद्योग 4.0 के संदर्भ में दिलचस्प मानते हैं। हालांकि, इसे विज़ुअलाइज़ेशन के एक यथोचित छोटे सेट पर केंद्रित किया जाना चाहिए। इसके अलावा, एक पिछला प्रकाशन पहले से ही डेटा के सहयोगी विश्लेषण पर केंद्रित था। इस काम में, इस अध्ययन में अन्य संबोधित मुद्दों की जटिलता के कारण इस शोध प्रश्न को बाहर रखा गया था। यहां प्रस्तुत सेटअप में, उपयोगकर्ता चारों ओर घूमकर इमर्सिव स्पेस का पता लगाने में सक्षम है। अन्य दृष्टिकोण नियंत्रकों को आभासी स्थान का पता लगाने की पेशकश करते हैं। इस अध्ययन में, सिस्टम प्रयोज्य पैमाने (एसयूएस) का उपयोग करके प्रयोज्यता पर ध्यान केंद्रित किया गया है। एक अन्य पिछले प्रकाशन ने आर्थिक विशेषज्ञों के लिए एक अध्ययन किया है, लेकिन वीआर हेडसेट के साथ। सामान्य तौर पर, और सबसे महत्वपूर्ण बात, यह अध्ययन इस काम में उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास जैसे अन्य उपकरणों के लिए सीमित क्षेत्र के बारे में शिकायत करता है (सामग्री की तालिका देखें)। उनके निष्कर्ष बताते हैं कि वीआर के क्षेत्र में शुरुआती विश्लेषणात्मक उपकरण का कुशलतापूर्वक उपयोग करने में सक्षम थे। यह इस अध्ययन के अनुभवों से मेल खाता है, हालांकि इस काम में शुरुआती लोगों को वीआर या गेमिंग अनुभवों के लिए वर्गीकृत नहीं किया गया था। अधिकांश वीआर समाधानों के विपरीत, मिश्रित वास्तविकता एक स्थिति के लिए तय नहीं है क्योंकि यह वास्तविक वातावरण को ट्रैक करने की अनुमति देता है। वीआर दृष्टिकोण जैसे उपयोगकर्ता को अपने डेस्कटॉप से मुक्त करने के लिए 360 ° अनुभव के लिए विशेष कुर्सियों के उपयोग का उल्लेख करना। लेखकों ने संकेत दिया कि धारणा के मुद्दे इमर्सिव एनालिटिक्स के प्रदर्शन को प्रभावित करते हैं; उदाहरण के लिए, छाया का उपयोग करके। हाथ में अध्ययन के लिए, यह संभव नहीं है, क्योंकि उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास (सामग्री की तालिका देखें) छाया प्रदर्शित करने में सक्षम नहीं हैं। एक वर्कअराउंड एक आभासी मंजिल हो सकता है, लेकिन ऐसा सेटअप इस अध्ययन के दायरे से बाहर था। इमर्सिव एनालिटिक्स के क्षेत्र में एक सर्वेक्षण अध्ययन ने 3 डी स्कैटरप्लॉट्स को बहु-आयामी डेटा के सबसे आम प्रतिनिधित्वों में से एक के रूप में पहचाना। कुल मिलाकर, चित्रा 1 में दिखाए गए पहलुओं को वर्तमान में एक प्रोटोकॉल के लिए संकलित नहीं किया जा सकता है जो उद्योग 4.0 परिदृश्यों के लिए इमर्सिव एनालिटिक्स के प्रयोज्य पहलुओं की जांच करता है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

सभी सामग्रियों और विधियों को उल्म विश्वविद्यालय की आचार समिति द्वारा अनुमोदित किया गया था, और अनुमोदित दिशानिर्देशों के अनुसार किया गया था। सभी प्रतिभागियों ने अपनी लिखित सूचित सहमति दी।

1. उपयुक्त अध्ययन वातावरण स्थापित करना

नोट: अध्ययन जटिल हार्डवेयर सेटिंग से निपटने के लिए एक नियंत्रित वातावरण में आयोजित किया गया था। उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) और 2 डी एप्लिकेशन के लिए लैपटॉप अध्ययन प्रतिभागियों को समझाया गया था।

  1. प्रत्येक प्रतिभागी से पहले तकनीकी समाधान की जांच करें; डिफ़ॉल्ट मोड में सेट करें. प्रश्नावली तैयार करें और एक प्रतिभागी के बगल में रखें।
  2. प्रतिभागियों को एक सत्र में आउटलायर डिटेक्शन और क्लस्टर पहचान के उपयोग से कार्यों को हल करने दें (यानी, औसत समय 43 मिनट था)।
  3. प्रतिभागियों का स्वागत करके और अध्ययन के लक्ष्य, साथ ही समग्र प्रक्रिया का परिचय देकर अध्ययन शुरू करें।
  4. त्वचा चालकता माप उपकरण का उपयोग करने वाले प्रतिभागियों ( सामग्री की तालिका देखें) को बेसलाइन माप प्राप्त करने के लिए एक छोटे आराम चरण का पालन करना होगा। प्रतिभागियों में से केवल आधे ने इस डिवाइस का उपयोग किया।
  5. प्रयोग की शुरुआत से पहले सभी प्रतिभागियों को स्टेट-ट्रेट एंग्जाइटी इन्वेंट्री (एसटीएआई) प्रश्नावली31 भरनी होगी।
    1. इसके बाद, प्रतिभागियों को मानसिक रोटेशन परीक्षण करना होगा ( चित्रा 4 देखें, इस परीक्षण ने स्थानिक कल्पना क्षमताओं का मूल्यांकन किया), जो कम प्रदर्शन करने वालों से उच्च को अलग करने का आधार था (उच्च प्रदर्शन करने वाले उन्नत उपयोगकर्ता हैं, जबकि कम कलाकार नौसिखिए हैं), इसके बाद प्रतिभागी की स्थानिक श्रवण क्षमताओं को मापने के लिए स्थानिक ध्वनि परीक्षण किया गया।
      नोट: मानसिक रोटेशन टेस्ट32 में टेस्ट स्कोर का एक औसत विभाजन कम प्रदर्शन करने वालों से कम को अलग करने के लिए उपयोग किया गया था।
  6. यादृच्छिक रूप से प्रतिभागियों को दो समूहों में विभाजित करें; या तो आउटलायर डिटेक्शन या क्लस्टर पहचान पर कार्य से शुरू करें, जबकि बाद में अन्य उपयोग मामले के साथ जारी रखें। क्लस्टर पहचान कार्य के लिए, आधे प्रतिभागियों ने पहले उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) के साथ शुरुआत की, और फिर 2 डी एप्लिकेशन का उपयोग किया, जबकि दूसरे आधे ने पहले 2 डी एप्लिकेशन के साथ शुरुआत की, और फिर मिश्रित वास्तविकता स्मार्टग्लास का उपयोग किया ( सामग्री की तालिका देखें)। आउटलायर डिटेक्शन कार्य के लिए, यादृच्छिक रूप से एक समूह का चयन करें जो ध्वनि समर्थन प्राप्त करता है, जबकि समूह के दूसरे हिस्से को कोई ध्वनि समर्थन नहीं मिलता है।
  7. सत्र का समापन करते हुए, प्रतिभागियों को राज्य-विशेषता चिंता सूची (एसटीएआई) प्रश्नावली31 का फिर से जवाब देना होगा, साथ ही साथ स्व-विकसित, और एक जनसांख्यिकीय प्रश्नावली भी।
  8. सत्र पूरा होने के बाद लैपटॉप के भंडारण पर उत्पन्न डेटा स्टोर करें, जो प्रत्येक विकसित एप्लिकेशन द्वारा स्वचालित रूप से रिकॉर्ड किया गया था।

2. प्रतिभागियों के लिए अध्ययन प्रोटोकॉल

  1. प्रत्येक प्रतिभागी के लिए प्रयोग तैयार करें (प्रयोग के कमरे के लिए चित्रा 2 देखें)। डेस्कटॉप पीसी, इस्तेमाल किए गए मिश्रित वास्तविकता स्मार्टग्लास प्रस्तुत करें, और प्रश्नावली सौंपें।
  2. प्रतिभागियों को सूचित करें कि प्रयोग में 40 से 50 मिनट लगेंगे, और उनमें से आधे प्रीटेस्ट (अध्ययन प्रोटोकॉल के बिंदु 3-6 देखें) के बाद शुरू होते हैं, पहले आउटलायर डिटेक्शन टेस्ट (अध्ययन प्रोटोकॉल के बिंदु 7 देखें), इसके बाद क्लस्टर मान्यता परीक्षण (अध्ययन प्रोटोकॉल का बिंदु 8 देखें) के साथ शुरू होते हैं, जबकि अन्य इन दो परीक्षणों को पूरा करते हैं । बिंदु 7 से पहले अध्ययन प्रोटोकॉल का बिंदु 8)।
  3. यादृच्छिक रूप से तय करें कि क्या त्वचा चालकता माप किया गया है। हां के मामले में, त्वचा चालकता माप उपकरण33 तैयार करें और प्रतिभागी को डिवाइस पर रखने के लिए सूचित करें। प्रतिभागियों से उनके तनाव स्तर के लिए आधारभूत माप प्राप्त करने के लिए एक छोटे आराम चरण का अनुरोध करें।
  4. प्रतिभागियों से अनुरोध करें कि वे स्टेट-ट्रेट एंग्जाइटी इन्वेंट्री (एसटीएआई) प्रश्नावली31 भरें और उन्हें सूचित करें कि यह प्रयोग से पहले वर्तमान कथित तनाव को मापता है।
  5. एक मानसिक रोटेशन परीक्षा आयोजित करें।
    1. प्रतिभागियों को सूचित करें कि उनकी मानसिक रोटेशन क्षमताओं का मूल्यांकन किया जाता है और उन्हें डेस्कटॉप कंप्यूटर के सामने पेश किया जाता है। प्रतिभागियों को परीक्षण प्रक्रिया के बारे में सूचित करें। ध्यान दें कि उन्हें समान वस्तुओं की पहचान करनी थी जिनके पास सिम्युलेटेड 3 डी स्पेस में अलग-अलग स्थिति थी।
    2. प्रतिभागियों को सूचित करें कि दिखाए गए पांच ऑब्जेक्ट्स में से केवल दो समान हैं और उनके पास पूरे परीक्षण के लिए 2 मिनट होंगे। प्रतिभागियों को सूचित करें कि दिए गए 2 मिनट के भीतर सात कार्य पूरे किए जा सकते हैं और उन्हें बताएं कि प्रत्येक पूर्ण कार्य के लिए प्रदर्शन उपाय दर्ज किए जाते हैं।
  6. स्थानिक ध्वनि क्षमताओं का मूल्यांकन करें।
    1. प्रतिभागियों को सूचित करें कि उनकी स्थानिक ध्वनि क्षमताओं का मूल्यांकन किया जाता है और उन्हें डेस्कटॉप कंप्यूटर के सामने पेश किया जाता है। प्रतिभागियों को परीक्षण प्रक्रिया के बारे में सूचित करें। प्रतिभागियों को समझाएं कि छह ध्वनि नमूनों का पता लगाया जाना चाहिए, जो प्रत्येक 13 सेकंड के लिए बजाया जाएगा।
    2. प्रतिभागियों को सूचित करें कि उन्हें उस दिशा (चार कम्पास दिशाओं के अनुरूप) का पता लगाना होगा जिसमें से ध्वनि आ रही है।
  7. आउटलायर डिटेक्शन कौशल का मूल्यांकन करें।
    1. प्रतिभागियों से मिश्रित वास्तविकता स्मार्टग्लास पहनने का अनुरोध करें। उन्हें समझाएं कि मिश्रित वास्तविकता स्मार्टग्लास के लिए बनाई गई दुनिया के भीतर आउटलायर्स पाए जाने चाहिए।
    2. आगे उन्हें सूचित करें कि एक आउटलायर एक लाल-चिह्नित बिंदु है, अन्य सभी बिंदु सफेद-चिह्नित हैं। फिर उन्हें समझाएं कि उन्हें इसका पता लगाने के लिए अपनी दृष्टि को लाल रंग के बिंदु पर निर्देशित करना होगा।
    3. प्रतिभागियों को आगे बताएं कि न केवल दृश्य सहायता प्रदान की जाती है, बल्कि पर्यावरणीय ध्वनियां भी आउटलायर्स का पता लगाने में उनकी सहायता करती हैं। प्रतिभागियों को जानकारी प्रदान करें कि उन्हें 8 आउटलायर कार्यों को पूरा करना है, जिसका अर्थ है कि आभासी दुनिया के भीतर 8 बार, लाल रंग का बिंदु खोजना होगा। प्रत्येक प्रतिभागी के लिए, 4 कार्य ध्वनि-समर्थित हैं, जबकि 4 कार्य ध्वनि-असमर्थित हैं। प्रत्येक प्रतिभागी के लिए, यह यादृच्छिक रूप से चुना जाता है कि वे कार्य ध्वनि-समर्थित शुरू करते हैं या नहीं। फिर, पहले कार्य से निर्भर, यह कार्य से कार्य में बदलता है चाहे ध्वनि समर्थन प्रदान किया गया हो या नहीं।
    4. प्रतिभागियों को बताएं कि कौन सी जानकारी दर्ज की जाएगी: प्रत्येक कार्य के लिए आवश्यक समय, चलने की लंबाई, और उनकी अंतिम चलती स्थिति उनकी शुरुआती स्थिति से संबंधित कैसी दिख रही है। अंत में प्रतिभागियों को बताएं कि लाल-चिह्नित बिंदु हरे रंग में बदल जाता है यदि इसका पता लगाया गया था ( चित्रा 3 देखें)।
  8. क्लस्टर मान्यता कौशल का मूल्यांकन करें।
    1. प्रतिभागी के लिए यादृच्छिक रूप से निर्णय लें कि क्या पहले मिश्रित वास्तविकता स्मार्टग्लास का उपयोग करना है या प्रतिभागी को डेस्कटॉप कंप्यूटर पर ले जाना है। निम्नलिखित में, केवल मिश्रित वास्तविकता सेटिंग के लिए प्रक्रिया का वर्णन किया गया है। यदि कोई प्रतिभागी पहले डेस्कटॉप कंप्यूटर से शुरू होता है, तो प्रक्रिया बदले हुए क्रम में समान होती है और वॉयस कमांड को छोड़कर, वे केवल मिश्रित वास्तविकता समाधान का उपयोग करते समय प्रदान किए जाते हैं।
    2. मिश्रित वास्तविकता का उपयोग करने वाले प्रतिभागियों के लिए: प्रतिभागियों से मिश्रित वास्तविकता स्मार्टग्लास लगाने का अनुरोध करें। प्रतिभागियों को सूचित करें कि उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास के साथ बनाई गई दुनिया के भीतर क्लस्टर कैसे खोजें। प्रतिभागियों को जोर दें कि उन्हें अपने चारों ओर घूमकर अतिव्यापी समूहों के बीच अंतर करना था।
    3. मिश्रित वास्तविकता का उपयोग करने वाले प्रतिभागियों के लिए: प्रतिभागियों को समझाएं कि वे वॉयस कमांड का उपयोग करके आभासी दुनिया में और क्लस्टर के आसपास नेविगेट कर सकते हैं। अंत में प्रतिभागियों को बताएं कि उन्हें छह समूहों का पता लगाना था।
    4. मिश्रित वास्तविकता का उपयोग करने वाले प्रतिभागियों के लिए: प्रतिभागियों से उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास को हटाने का अनुरोध करें। प्रतिभागियों को डेस्कटॉप कंप्यूटर पर ले जाएं और उन्हें डेस्कटॉप कंप्यूटर की स्क्रीन पर दिखाए गए सॉफ़्टवेयर का उपयोग करने के लिए कहें। उन्हें सूचित करें कि उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास में दिखाए गए समान प्रकार के क्लस्टर को डेस्कटॉप कंप्यूटर पर सॉफ्टवेयर का उपयोग करके पता लगाया जाना था ( चित्रा 7 और चित्रा 8 देखें)।
  9. प्रतिभागियों से तीन प्रश्नावली भरने का अनुरोध करें, अर्थात् राज्य-विशेषता चिंता सूची (एसटीएआई) प्रश्नावली31, व्यक्तिपरक प्रतिक्रिया इकट्ठा करने के लिए एक स्व-विकसित प्रश्नावली, और उनके बारे में जानकारी इकट्ठा करने के लिए एक जनसांख्यिकीय प्रश्नावली।
  10. प्रतिभागियों से त्वचा चालकता माप उपकरण33 को हटाने का अनुरोध करें यदि उन्हें इसे लगाने के लिए शुरुआत में अनुरोध किया गया था।
  11. भागीदारी के लिए धन्यवाद कहकर प्रतिभागियों को प्रयोग से राहत दें।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

प्रयोग के लिए उपाय स्थापित करना
आउटलायर डिटेक्शन कार्य के लिए, निम्न प्रदर्शन उपायों को परिभाषित किया गया था: समय, पथ और कोण। माप के लिए चित्र 6 देखें।

समय तब तक दर्ज किया गया था जब तक कि एक लाल-चिह्नित बिंदु (यानी, आउटलायर) नहीं मिला। यह प्रदर्शन माप इंगित करता है कि एक प्रतिभागी को लाल-चिह्नित बिंदु खोजने के लिए कितने समय की आवश्यकता है। परिणामों में समय को चर "समय" (मिलीसेकंड में) के रूप में निरूपित किया जाता है।

जबकि प्रतिभागियों ने लाल-चिह्नित बिंदु को खोजने की कोशिश की, उनके चलने के रास्ते की लंबाई निर्धारित की गई थी। इस गणना का आधार यह था कि उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) 60 फ्रेम प्रति सेकंड की फ्रेम दर पर शुरुआती स्थिति के लिए अपेक्षाकृत 3 डी वेक्टर के रूप में वर्तमान स्थिति एकत्र करते हैं। इसके आधार पर, एक प्रतिभागी द्वारा चलने वाले पथ की लंबाई की गणना की जा सकती है। यह प्रदर्शन माप इंगित करता है कि प्रतिभागी बहुत चले या नहीं। पथ को परिणामों में पथ लंबाई के रूप में निरूपित किया जाता है। पथ लंबाई के आधार पर, तीन और प्रदर्शन उपाय प्राप्त किए गए थे: PathMean, PathVariance, और बाउंडिंगबॉक्स। PathMean मीटर प्रति फ्रेम में प्रतिभागियों की औसत गति को दर्शाता है, PathVariance एक आंदोलन की अनियमितता को दर्शाता है, और बाउंडिंगबॉक्स दर्शाता है कि प्रतिभागियों ने अपने बाउंडिंग बॉक्स का गहन उपयोग किया था या नहीं। उत्तरार्द्ध सभी आंदोलनों की अधिकतम और न्यूनतम स्थितियों के आधार पर निर्धारित किया जाता है (यानी, प्रतिभागी जो अक्सर अपनी चलने की स्थिति बदलते हैं, वे उच्च बाउंडिंगबॉक्स मूल्यों का खुलासा करते हैं)।

मापा गया अंतिम मान एंगलमीन के साथ निरूपित किया जाता है और कोण के व्युत्पन्न मूल्य का गठन करता है, जिसे एंगलमीन के साथ निरूपित किया जाता है। उत्तरार्द्ध 60 प्रति सेकंड की फ्रेम दर पर वर्तमान स्थिति और एक प्रतिभागी की प्रारंभिक स्थिति के बीच रोटेशन को दर्शाता है। इसके आधार पर, डिग्री प्रति फ्रेम में औसत रोटेशन गति की गणना की गई थी। इस मान पर व्युत्पन्न, विचरण का उपयोग करके रोटेशन की अनियमितता की गणना की गई थी, जिसे एंगलवेरिएंस के रूप में निरूपित किया गया है।

परिकलित पथ और कोण मानों के उद्देश्यों को संक्षेप में प्रस्तुत करने के लिए, पथ इंगित करता है कि उपयोगकर्ता बहुत चलते हैं या नहीं। यदि वे ज्यादा नहीं चल रहे हैं, तो यह उनके अभिविन्यास की कमी का संकेत दे सकता है। कोण, बदले में, यह इंगित करना चाहिए कि प्रतिभागी त्वरित या अचानक सिर आंदोलन करते हैं या नहीं। यदि वे कई बार अचानक सिर की गति कर रहे हैं, तो यह फिर से अभिविन्यास की कमी का संकेत दे सकता है।

क्लस्टर डिटेक्शन कार्य के लिए, निम्न प्रदर्शन उपाय निर्धारित किए गए थे: समय और त्रुटियाँ। समय उस बिंदु तक दर्ज किया गया था जिस पर प्रतिभागियों ने बताया कि उन्होंने कितने समूहों का पता लगाया है। यह प्रदर्शन उपाय इंगित करता है कि प्रतिभागियों को क्लस्टर खोजने के लिए कितने समय की आवश्यकता है। समय को समय (मिलीसेकंड में) के रूप में निरूपित किया जाता है। त्रुटियों को द्विआधारी निर्णय (सही / गलत) के अर्थ में पहचाना जाता है। या तो रिपोर्ट किए गए समूहों की संख्या सही (सही) थी या सही (गलत) नहीं थी। त्रुटियों को त्रुटियों के साथ निरूपित किया जाता है।

स्टेट-ट्रेट एंग्जाइटी इन्वेंट्री (एसटीएआई) प्रश्नावली31 के राज्य संस्करण का उपयोग राज्य चिंता को मापने के लिए किया गया था, जो राज्य तनाव के समान एक निर्माण था। प्रश्नावली में 20 आइटम शामिल हैं और अध्ययन शुरू होने से पहले, साथ ही बाद में राज्य की चिंता में परिवर्तन का मूल्यांकन करने के लिए सौंप दिया गया था। इस प्रश्नावली के मूल्यांकन के लिए, सभी सकारात्मक विशेषताओं को फ़्लिप किया गया था (उदाहरण के लिए, एक उत्तर '4' '1' बन जाता है), और सभी उत्तरों को अंतिम एसटीएआई स्कोर तक अभिव्यक्त किया जाता है। त्वचा चालकता माप उपकरण ( सामग्री की तालिका देखें) 33 का उपयोग करके 30 यादृच्छिक रूप से चयनित प्रतिभागियों के लिए त्वचा चालकता को मापा गया था।

दो कार्य प्रकारों को पूरा करने के बाद, प्रतिभागी की प्रतिक्रिया मांगने के लिए अध्ययन के अंत में एक स्व-विकसित प्रश्नावली सौंपी गई थी। प्रश्नावली तालिका 1 में दिखाया गया है। इसके अलावा, एक जनसांख्यिकीय प्रश्नावली ने सभी प्रतिभागियों के लिंग, आयु और शिक्षा के बारे में पूछा।

समग्र अध्ययन प्रक्रिया और अध्ययन जानकारी
समग्र आयोजित अध्ययन प्रक्रिया चित्रा 9 में चित्रित की गई है। अध्ययन में 60 प्रतिभागी शामिल हुए। प्रतिभागियों को ज्यादातर उल्म विश्वविद्यालय और उल्म से सॉफ्टवेयर कंपनियों में भर्ती किया गया था। भाग लेने वाले छात्र मुख्य रूप से कंप्यूटर विज्ञान, मनोविज्ञान और भौतिकी के क्षेत्र से थे। इनमें 10 महिलाएं और 50 पुरुष थे।

मानसिक रोटेशन प्रीटेस्ट के आधार पर, 31 को कम प्रदर्शन करने वालों के रूप में वर्गीकृत किया गया था, जबकि 29 को उच्च प्रदर्शन करने वालों के रूप में वर्गीकृत किया गया था। विशेष रूप से, 7 महिलाओं और 24 पुरुषों को कम प्रदर्शन करने वालों के रूप में वर्गीकृत किया गया था, जबकि 3 महिलाओं और 26 पुरुषों को उच्च प्रदर्शन करने वालों के रूप में वर्गीकृत किया गया था। सांख्यिकीय मूल्यांकन के लिए, 3 सॉफ्टवेयर उपकरणों का उपयोग किया गया था ( सामग्री की तालिका देखें)।

आवृत्तियों, प्रतिशत, साधन और मानक विचलन की गणना वर्णनात्मक आंकड़ों के रूप में की गई थी। फिशर के सटीक परीक्षणों और स्वतंत्र नमूनों के लिए टी-टेस्ट का उपयोग करके बेसलाइन जनसांख्यिकीय चर में कम और उच्च प्रदर्शन करने वालों की तुलना की गई थी। RQ1-RQ5 के लिए, पूर्ण अधिकतम संभावना अनुमान के साथ रैखिक बहुस्तरीय मॉडल किए गए थे। दो स्तरों को शामिल किया गया था, जहां स्तर एक बार-बार मूल्यांकन (या तो आउटलायर डिटेक्शन या क्लस्टर मान्यता में) का प्रतिनिधित्व करता है, और स्तर दो प्रतिभागियों का प्रतिनिधित्व करता है। प्रदर्शन उपाय (त्रुटियों को छोड़कर) इन मॉडलों में निर्भर चर थे। आरक्यू 1 में, त्रुटि संभावनाओं के लिए फिशर के सटीक परीक्षणों का भी उपयोग किया गया था। आरक्यू 3 में, स्थानिक ध्वनियों बनाम कोई ध्वनि नहीं में समय में प्रदर्शन की जांच की गई (मॉडल में भविष्यवक्ता के रूप में ध्वनि बनाम नो-साउंड को शामिल किया गया था)। एसटीएआई स्कोर का मूल्यांकन आरक्यू 4 के लिए निर्भर नमूनों के लिए टी-टेस्ट का उपयोग करके किया गया था। आरक्यू 5 में, त्रुटि संभावना के लिए मैकनेमर के परीक्षण का उपयोग करते हुए, 2 डी एप्लिकेशन बनाम उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास (सामग्री की तालिका देखें) के प्रभाव की जांच की गई थी। सभी सांख्यिकीय परीक्षण दो पूंछ वाले किए गए थे; महत्व मान P<.05 पर सेट किया गया था।

त्वचा चालकता परिणामों का विश्लेषण नहीं किया गया है और भविष्य के काम के अधीन हैं। महत्वपूर्ण रूप से, लेखकों ने उसी उपकरण के साथ एक अन्य अध्ययन में खुलासा किया कि अतिरिक्त विचारोंकी आवश्यकता है।

मानसिक रोटेशन परीक्षण के लिए, प्रतिभागियों के बीच मानसिक रोटेशन परीक्षण के परिणामों के अंतर का उपयोग उच्च प्रदर्शन करने वालों से कम को अलग करने के लिए किया गया था। स्थानिक क्षमता परीक्षण के लिए, सभी प्रतिभागियों ने अच्छे स्कोर दिखाए और इसलिए सभी को उनकी स्थानिक क्षमताओं के संबंध में उच्च प्रदर्शन करने वालों के लिए वर्गीकृत किया गया था।

सबसे पहले, प्रतिभागियों के महत्वपूर्ण परिणामों को संक्षेप में प्रस्तुत किया गया है: मानसिक रोटेशन में कम और उच्च प्रदर्शन करने वालों ने अपने बेसलाइन चर (लिंग, आयु और शिक्षा) में कोई अंतर नहीं दिखाया। वर्णनात्मक रूप से, कम प्रदर्शन करने वालों में उच्च प्रदर्शन करने वालों की तुलना में महिला प्रतिभागियों का प्रतिशत अधिक था और उच्च कलाकार कम प्रदर्शन करने वालों की तुलना में छोटे थे। तालिका 2 प्रतिभागियों के बारे में विशेषताओं को सारांशित करती है।

आरक्यू 1 के परिणामों के संबंध में, क्लस्टर मान्यता कार्य के लिए, 2 डी एप्लिकेशन (कम प्रदर्शन के लिए 4 त्रुटियां और उच्च प्रदर्शन करने वालों के लिए 2 त्रुटियां) और 3 डी दृष्टिकोण (कम के लिए 8 त्रुटियां और उच्च प्रदर्शन करने वालों के लिए 2 त्रुटियां) के लिए कम और उच्च प्रदर्शन करने वालों के लिए 2 त्रुटियां महत्वपूर्ण रूप से भिन्न नहीं थीं। आउटलायर डिटेक्शन टास्क के लिए, उच्च प्रदर्शन करने वाले कम प्रदर्शन करने वालों की तुलना में काफी तेज थे। इसके अलावा, उच्च प्रदर्शन करने वालों को कार्यों को हल करने के लिए कम पैदल दूरी की आवश्यकता होती है। आउटलायर के कार्य के लिए, तालिका 3 विस्तृत परिणामों को सारांशित करती है।

आरक्यू 2 के परिणामों के बारे में, केवल आउटलायर के डिटेक्शन कार्य के लिए महत्वपूर्ण परिणाम सामने आए। बाउंडिंगबॉक्स, पाथलेंथ, पाथवेरिएंस, पाथमीन, एंगल-वेरिएंस और एंगलमीन कार्य से कार्य तक काफी बढ़ गए ( तालिका 4 देखें)। रिकॉर्ड किए गए समय, बदले में, मिश्रित वास्तविकता स्मार्टग्लास का उपयोग करके कार्य से कार्य में महत्वपूर्ण रूप से नहीं बदला ( सामग्री की तालिका देखें)।

स्थानिक ध्वनियों के आधार पर आरक्यू 3 के परिणामों के बारे में, प्रतिभागी स्थानिक ध्वनियों का उपयोग किए बिना आउटलायर डिटेक्शन केस में कार्यों को जल्दी से हल करने में सक्षम थे ( तालिका 5 देखें)।

आरक्यू 4 के परिणामों के बारे में, पूर्व-मूल्यांकन में, एसटीएआई स्कोर पर औसत स्थिति एम = 44.58 (एसडी = 4.67) थी। मूल्यांकन के बाद, यह एम = 45.72 (एसडी = 4.43) था। इस परिवर्तन ने सांख्यिकीय महत्व प्राप्त नहीं किया (पी = .175)। स्व-विकसित प्रश्नावली में उत्तरों के वर्णनात्मक आंकड़े चित्रा 10 में प्रस्तुत किए गए हैं।

RQ5 के परिणामों के बारे में, मिश्रित वास्तविकता स्मार्टग्लासेस ( सामग्री की तालिका देखें) दृष्टिकोण डेस्कटॉप कंप्यूटर का उपयोग करने की तुलना में काफी तेज़ क्लस्टर पहचान समय को इंगित करता है (देखें Table 6)। हालांकि, मिश्रित वास्तविकता स्मार्टग्लास का उपयोग करते समय गति लाभ ( सामग्री की तालिका देखें) अपेक्षाकृत छोटा था (यानी, मिलीसेकंड रेंज में)।

अंत में, ध्यान दें कि इस अध्ययन का डेटा36 पर पाया जा सकता है।

Figure 1
चित्रा 1: पैमाने पर इंटरैक्शन बनाम नवीनता पर जांच किए गए पहलू। आंकड़ा बातचीत के स्तर के संबंध में उपयोग किए गए उपायों और उनकी नवीनता को दर्शाता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 2
चित्र 2: अध्ययन कक्ष के चित्र। अध्ययन कक्ष के दो चित्र प्रस्तुत किए गए हैं। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 3
चित्र 3: पता लगाया गया आउटलायर। स्क्रीनशॉट एक पता लगाया गया आउटलायर दिखाता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 4
चित्रा 4: मानसिक रोटेशन परीक्षण का उदाहरण। स्क्रीनशॉट से पता चलता है कि प्रतिभागियों को 3 डी-ऑब्जेक्ट्स का सामना करना पड़ा; यानी, एक ही ऑब्जेक्ट संरचना के साथ अलग-अलग स्थितियों में पांच में से दो वस्तुओं का पता लगाना पड़ा। इस कार्य के आधार पर इस आंकड़े को संशोधित किया गयाहै। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 5
चित्रा 5: स्थानिक क्षमता परीक्षण के लिए सेटिंग। (ए) में, कार्य के लिए ऑडियो कॉन्फ़िगरेशन वापस दिखाया गया है, जबकि, (बी) में, परीक्षण का योजनाबद्ध उपयोगकर्ता इंटरफ़ेस दिखाया गया है। इस कार्य के आधार पर इस आंकड़े को संशोधित किया गयाहै। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 6
चित्रा 6: टास्क आउटलायर डिटेक्शन के लिए सेटिंग का चित्रण। तीन प्रमुख पहलुओं को दिखाया गया है। सबसे पहले, आउटलायर्स को चित्रित किया गया है। दूसरा, प्रदर्शन उपाय दिखाए गए हैं। तीसरा, जिस तरह से ध्वनि समर्थन की गणना की गई थी, उसे दिखाया गया है। इस कार्य के आधार पर इस आंकड़े को संशोधित किया गयाहै। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 7
चित्रा 7: कार्य क्लस्टर पहचान के लिए सेटिंग का चित्रण। बेहतर प्रभाव के लिए परिदृश्य ए-सी पर विचार करें, प्रतिभागियों को समूहों को सही ढंग से पहचानने के लिए अपनी दृष्टि बदलनी पड़ी। इस कार्य के आधार पर इस आंकड़े को संशोधित किया गयाहै। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 8
चित्रा 8: Matlab में कार्य क्लस्टर पहचान के लिए सेटिंग का चित्रण। आंकड़ा मैटलैब में प्रदान किए गए समूहों को दर्शाता है, जो 2 डी डेस्कटॉप एप्लिकेशन के लिए आधार था। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 9
चित्र 9: एक नज़र में समग्र अध्ययन प्रक्रिया। यह आंकड़ा उन चरणों को प्रस्तुत करता है जिन्हें प्रतिभागियों को अपने कालानुक्रमिक क्रम में पूरा करना था। इस कार्य के आधार पर इस आंकड़े को संशोधित किया गयाहै। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

Figure 10
चित्र 10: स्व-विकसित प्रश्नावली के परिणाम (तालिका 1 देखें)। परिणाम बॉक्स प्लॉट का उपयोग करके दिखाए जाते हैं। इस कार्य के आधार पर इस आंकड़े को संशोधित किया गयाहै। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहां क्लिक करें।

#Question प्रश्न लक्ष्य पैमाना मतलब
1 चश्मा पहनने से आपको कितना तनावपूर्ण अनुभव हुआ? पहनने का 1-10 10 का मतलब है उच्च, 1 का अर्थ है निम्न
2 आउटलायर का कार्य कितना तनावपूर्ण था? आउटलायर्स 1-10 10 का मतलब है उच्च, 1 का अर्थ है निम्न
3 जैसा कि आपने स्थानिक ध्वनियों का अनुभव किया? ध्वनि 1-10 10 का मतलब है उच्च, 1 का अर्थ है निम्न
4 मिश्रित वास्तविकता में समूहों को खोजने का कार्य कितना तनावपूर्ण था? क्लस्टर MR 1-10 10 का मतलब है उच्च, 1 का अर्थ है निम्न
5 डेस्कटॉप दृष्टिकोण में क्लस्टर खोजने का कार्य कितना तनावपूर्ण था? क्लस्टर DT 1-10 10 का मतलब है उच्च, 1 का अर्थ है निम्न
6 वॉयस कमांड का उपयोग कितना तनावपूर्ण था? आवाज़ 1-10 10 का मतलब है उच्च, 1 का अर्थ है निम्न
7 क्या आप स्थानिक ध्वनियों द्वारा समर्थित महसूस करते हैं? ध्वनि 1-10 10 का मतलब है उच्च, 1 का अर्थ है निम्न

तालिका 1: उपयोगकर्ता प्रतिक्रिया के लिए स्व-विकसित प्रश्नावली। इसमें 7 प्रश्न शामिल हैं। प्रत्येक प्रश्न के लिए, प्रतिभागियों को 1-10 से एक पैमाने के भीतर एक मूल्य निर्धारित करना था, जिससे 1 का अर्थ है कम मूल्य (यानी, खराब प्रतिक्रिया), और 10 एक उच्च मूल्य (यानी, एक बहुत अच्छी प्रतिक्रिया)।

परिवर्तनशील कम प्रदर्शन करने वाला (एन = 31) उच्च प्रदर्शन P मान
(n = 31) (n = 29)
लिंग, एन (%)
मादा 7 (23%) 3 (10%)
नर 24 (77%) 26 (90%) .302 (a)
आयु श्रेणी, एन (%)
<25 1 (3%) 5 (17%)
25-35 27 (87%) 21 (72%)
36-45 0 (0%) 2 (7%)
46-55 1 (3%) 0 (0%)
>55 2 (6%) 1 (3%) .099 (a)
उच्चतम शिक्षा, एन (%)
उच्च विद्यालय 3 (10%) 5 (17%)
अविवाहित पुरुष 7 (23%) 6 (21%)
गुरू 21 (68%) 18 (62%) .692 (a)
मानसिक रोटेशन टेस्ट, मीन (एसडी)
सही जवाब 3.03 (1.40) 5.31 (0.76) .001 (b)
गलत जवाब 2.19 (1.47) 1.21 (0.56) .000 (b)
स्थानिक श्रवण परीक्षण, माध्य (एसडी) ©
सही जवाब 4.39 (1.09) 4.31 (1.00) .467 (b)
गलत जवाब 1.61 (1.09) 1.69 (1.00) .940 (b)
ए: फिशर का सटीक परीक्षण
बी: दो-नमूना टी-परीक्षण
ग: एसडी मानक विचलन

तालिका 2: प्रतिभागी नमूना विवरण और बेसलाइन चर में कम और उच्च प्रदर्शन करने वालों के बीच तुलना। तालिका लिंग, आयु और शिक्षा पर तीन जनसांख्यिकीय प्रश्नों के लिए डेटा दिखाती है। इसके अलावा, दो प्रीटेस्ट के परिणाम प्रस्तुत किए जाते हैं।

परिवर्तनशील अनुमान एसई (ए) परिणाम
कार्यों में कम प्रदर्शन करने वाले के लिए बाउंडिंग बॉक्स 2,224 .438 t(60.00) = 5.08; p<.001
कार्यों में उच्च प्रदर्शन करने वाले के लिए बाउंडिंगबॉक्स का परिवर्तन +.131 .630 t(60.00) = .21; p=.836
कार्यों में कम प्रदर्शन करने के लिए समय 20,919 1,045 t(60.00) = 20.02; p<.001
कार्यों में उच्च प्रदर्शन करने वाले के लिए समय में परिवर्तन -3,863 1,503 t(60.00) = -2.57; p=.013
कार्यों में कम प्रदर्शन करने के लिए पथ लंबाई 5,637 .613 t(60.00) = 9.19; p<.001
कार्यों में उच्च प्रदर्शन करने के लिए पथ लंबाई में परिवर्तन -1,624 .882 t(60.00) = -1.84; p=.071
कार्यों में कम प्रदर्शन करने वाले के लिए पथ भिन्नता 4.3E-4 4.7E-5 टी (65.15) = 9.25; p<.001
कार्यों में उच्च प्रदर्शन करने वाले के लिए पथ भिन्नता में परिवर्तन +4.3E-6 6.7E-5 t(65.15) = .063; p=.950
कार्यों में कम प्रदर्शन के लिए PathMean .0047 5.3E-4 t(60.00) = 8.697; p<.001
कार्यों में उच्च प्रदर्शन के लिए पाथ मीन का परिवर्तन +3.8E-5 7.7E-4 t(60.00) = .05; p=.960
कार्यों में कम प्रदर्शन करने वाले के लिए कोण भिन्नता .0012 7.3E-5 टी (85.70) = 16.15; p<.001
कार्यों में उच्च प्रदर्शन करने वाले के लिए कोण भिन्नता में परिवर्तन -2.7E-5 1.0E-4 t(85.70) = -.26; p=.796
टास्क में कम परफॉर्मर के लिए एंगल मीन .015 .001 t(60.00) = 14.27; p<.001
कार्यों में उच्च प्रदर्शन के लिए एंगल मीन का परिवर्तन -3.0E-4 1.5E-3 t(60.00) = -.20; p=.842
(a) SE = मानक त्रुटि

तालिका 3: आरक्यू 1 के लिए बहुस्तरीय मॉडल के परिणाम (स्मार्टग्लास का उपयोग करके आउटलायर डिटेक्शन)। तालिका आउटलायर के पहचान कार्य (सभी प्रदर्शन उपायों के लिए) के लिए आरक्यू 1 के सांख्यिकीय परिणाम दिखाती है।

परिवर्तनशील अनुमान एसई (ए) परिणाम
पहले कार्य में बाउंडिंगबॉक्स .984 .392 t(138.12) = 2.51; p=.013
कार्य से कार्य में बाउंडिंगबॉक्स का परिवर्तन +.373 .067 t(420.00) = 5.59; p<.001
पहले कार्य में समय 19,431 1,283 t(302.08) = 15.11; p<.001
कार्य से कार्य तक समय का परिवर्तन -.108 .286 t(420.00) = -.37; p=.709
पहले कार्य में पथ लंबाई 3,903 .646 t(214.81) = 6.05; p<.001
कार्य से कार्य तक पथ लंबाई का परिवर्तन +.271 .131 t(420.00) = 2.06; p=.040
पहले कार्य में पथ भिन्नता 3.1E-4 3.7E-5 t(117.77) = 8.43; p<.001
कार्य से कार्य में पथ भिन्नता का परिवर्तन +3.5E-5 4.5E-6 t(455.00) = 7.90; p<.001
पहले कार्य में PathMean .0033 4.2E-4 t(88.98) = 7.66; p<.001
कार्य से कार्य तक पथ का परिवर्तन +4.1E-4 5.2E-5 t(420.00) = 7.81; p<.001
पहले कार्य में कोण भिन्नता .001 5.7E-5 टी (129.86) = 17.92; p<.001
कार्य से कार्य में कोण भिन्नता का परिवर्तन +4.1E-5 6.5E-6 t(541.75) = 6.34; p<.001
पहले टास्क में एंगल मीन .0127 8.1E-4 टी (82.17) = 15.52; p<.001
कार्य से कार्य तक कोण का परिवर्तन +6.1E-4 9.0E-5 t(420.00) = 6.86; p<.001
(a) SE = मानक त्रुटि

तालिका 4: आरक्यू 2 के लिए बहुस्तरीय मॉडल के परिणाम (स्मार्टग्लास का उपयोग करके आउटलायर डिटेक्शन)। तालिका आउटलायर के पहचान कार्य (सभी प्रदर्शन उपायों के लिए) के लिए आरक्यू 2 के सांख्यिकीय परिणाम दिखाती है।

परिवर्तनशील अनुमान एसई (ए) परिणाम
कार्यों में ध्वनि के बिना बाउंडिंगबॉक्स 2,459 .352 t(93.26) = 6.98; p<.001
कार्यों में ध्वनि के साथ बाउंडिंगबॉक्स का परिवर्तन -.344 .316 t(420.00) = -1.09; p=.277
कार्यों में ध्वनि के बिना समय 20,550 1,030 टी (161.17) = 19.94; p<.001
कार्यों में ध्वनि के साथ समय का परिवर्तन -2,996 1,319 t(420.00) = -2.27; p=.024
कार्यों में ध्वनि के बिना पथ लंबाई 5,193 .545 टी (121.81) = 9.54; p<.001
कार्यों में ध्वनि के साथ पथ लंबाई में परिवर्तन -.682 .604 t(420.00) = -1.13; p=.260
कार्यों में ध्वनि के बिना पथ भिन्नता .0004 3.5E-5 टी (79.74) = 12.110; p<.001
कार्यों में ध्वनि के साथ पथ भिन्नता का परिवर्तन +1.3E-5 2.2E-5 t(429.20) = .592; p=.554
कार्यों में ध्वनि के बिना PathMean .005 4.0E-4 t(73.66) = 11.35; p<.001
कार्यों में ध्वनि के साथ पाथमीन का परिवर्तन +1.4E-4 2.5E-4 t(420.00) = .56; p=.575
कार्यों में ध्वनि के बिना कोण भिन्नता .0012 5.4E-5 t(101.32) = 21.00; p<.001
कार्यों में ध्वनि के साथ कोण भिन्नता का परिवर्तन +3.3E-5 3.1E-5 t(648.56) = 1.07; p=.284
कार्यों में ध्वनि के बिना कोण का अर्थ .0145 7.8E-4 टी (70.17) = 18.51; p<.001
कार्यों में ध्वनि के साथ एंगल मीन का परिवर्तन +6.0E-4 4.3E-4 t(420.00) = 1.39; p=.166
(a) SE = मानक त्रुटि

तालिका 5: आरक्यू 3 के लिए बहुस्तरीय मॉडल के परिणाम (स्मार्टग्लास का उपयोग करके आउटलायर डिटेक्शन)। तालिका आउटलायर के पहचान कार्य (सभी प्रदर्शन उपायों के लिए) के लिए आरक्यू 3 के सांख्यिकीय परिणाम दिखाती है।

परिवर्तनशील अनुमान एसई (ए) परिणाम
कार्यों में डेस्कटॉप के साथ समय 10,536 .228 टी (156.43) = 46.120; p<.001
कार्यों में होलोलेन के साथ समय का परिवर्तन -.631 .286 t(660.00) = -2.206; p=.028
(a) SE = मानक त्रुटि

तालिका 6: आरक्यू 5 के लिए बहुस्तरीय मॉडल के परिणाम (स्मार्टग्लासेस का उपयोग करके क्लस्टर मान्यता)। तालिका क्लस्टर पहचान कार्य (सभी प्रदर्शन उपायों के लिए) के लिए RQ5 के सांख्यिकीय परिणाम दिखाती है।

Subscription Required. Please recommend JoVE to your librarian.

Discussion

विकसित मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) आवेदन के बारे में, दो पहलू विशेष रूप से फायदेमंद थे। आउटलायर के पहचान कार्य के लिए स्थानिक ध्वनियों का उपयोग सकारात्मक रूप से एक तरफ माना गया था (आरक्यू 3 के परिणाम देखें)। दूसरी ओर, वॉयस कमांड के उपयोग को भी सकारात्मक रूप से माना गया था ( चित्रा 10 देखें)।

अध्ययन प्रतिभागियों के बारे में, हालांकि भर्ती किए गए प्रतिभागियों की संख्या एक अनुभवजन्य अध्ययन के लिए छोटी थी, लेकिन कई अन्य कार्यों की तुलना में संख्या प्रतिस्पर्धी है। फिर भी, दिखाए गए प्रोटोकॉल के आधार पर एक बड़े पैमाने पर अध्ययन की योजना बनाई गई है। हालांकि, जैसा कि इसने 60 प्रतिभागियों के लिए अपनी व्यवहार्यता दिखाई, अधिक प्रतिभागियों को आगे की चुनौतियों का खुलासा करने की उम्मीद है। यह चर्चा की गई कि प्रतिभागियों का चयन व्यापक हो सकता है (प्रतिभागियों के क्षेत्रों के अर्थ में) और यह कि उच्च और निम्न प्रदर्शन करने वालों के बीच अंतर करने के लिए बेसलाइन चर की संख्या अधिक हो सकती है। दूसरी ओर, यदि इन पहलुओं को उच्च संख्या में बदल दिया जाता है, तो प्रोटोकॉल को गहराई से नहीं बदला जाना चाहिए।

सामान्य तौर पर, प्रकट सीमाएं इस काम में दिखाए गए प्रोटोकॉल के आधार पर एक अध्ययन के चालन को प्रभावित नहीं करती हैं, वे केवल भर्ती और जनसांख्यिकीय प्रश्नावली के लिए उपयोग किए गए प्रश्नों को प्रभावित करती हैं। हालांकि, इस अध्ययन की एक सीमा फिर भी महत्वपूर्ण है: एक प्रतिभागी के लिए प्रयोग को पूरा करने के लिए समग्र आवश्यक समय अधिक है। दूसरी ओर, जैसा कि प्रतिभागियों ने पहनने के आराम के बारे में शिकायत नहीं की, या यह कि परीक्षण उपकरण उन पर बहुत अधिक बोझ डाल रहा है, एक प्रतिभागी के लिए समग्र प्रोटोकॉल आयोजित करने का समय स्वीकार्य माना जा सकता है। अंत में, भविष्य के प्रयोग में, प्रोटोकॉल में कई पहलुओं को जोड़ा जाना है। विशेष रूप से, आउटलायर डिटेक्शन कार्य का मूल्यांकन 2 डी डेस्कटॉप एप्लिकेशन में भी किया जाना चाहिए। इसके अलावा, उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) जैसे अन्य हार्डवेयर उपकरणों का भी मूल्यांकन किया जाना चाहिए। हालांकि, प्रोटोकॉल व्यापक अर्थों में फायदेमंद प्रतीत होता है।

प्रस्तुत प्रोटोकॉल के लिए निम्नलिखित प्रमुख अंतर्दृष्टि प्राप्त की गई थी। सबसे पहले, इसने मिश्रित-वास्तविकता समाधान के लिए इमर्सिव एनालिटिक्स का मूल्यांकन करने के लिए अपनी व्यवहार्यता दिखाई। विशेष रूप से, उपयोग किए गए मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) ने उद्योग 4.0 परिदृश्यों के लिए मिश्रित-वास्तविकता अनुप्रयोग में इमर्सिव एनालिटिक्स का मूल्यांकन करने के लिए अपनी व्यवहार्यता का खुलासा किया। दूसरा, 2 डी डेस्कटॉप एप्लिकेशन के साथ विकसित मिश्रित वास्तविकता स्मार्टग्लास ( सामग्री की तालिका देखें) एप्लिकेशन की तुलना यह जांचने में सहायक थी कि क्या मिश्रित-वास्तविकता समाधान एक ऐसे एप्लिकेशन से बेहतर प्रदर्शन कर सकता है जो वीआर तकनीकों का उपयोग नहीं करता है। तीसरा, ऐसे प्रयोगों में शारीरिक मापदंडों या महत्वपूर्ण संकेतों के माप पर हमेशा विचार किया जाना चाहिए। इस काम में, तनाव को एक प्रश्नावली और एक त्वचा चालकता उपकरण का उपयोग करके मापा गया था। यद्यपि उत्तरार्द्ध ने तकनीकी रूप से ठीक से काम किया, लेखकों ने उसी उपकरण के साथ एक अन्य अध्ययन में खुलासा किया कि अतिरिक्त विचारोंकी आवश्यकता है। चौथा, स्थानिक क्षमता परीक्षण और उच्च और निम्न प्रदर्शन करने वालों का पृथक्करण फायदेमंद था। सारांश में, हालांकि प्रस्तुत प्रोटोकॉल पहली नज़र में जटिल प्रतीत होता है ( चित्रा 9 देखें), इसने तकनीकी रूप से अपनी उपयोगिता दिखाई। परिणामों के बारे में, इसने इसकी उपयोगिता भी प्रकट की।

चूंकि आउटलायर्स का पता लगाना और क्लस्टर की मान्यता उद्योग 4.0 परिदृश्यों में कई उच्च-आयामी डेटा सेटों के मूल्यांकन में विशिष्ट कार्य हैं, इसलिए एक अनुभवजन्य अध्ययन में उनका उपयोग अनुसंधान के इस क्षेत्र के लिए प्रतिनिधि है। प्रोटोकॉल से पता चला कि इन परिदृश्यों को इमर्सिव एनालिटिक्स पर एक प्रयोज्य अध्ययन में अच्छी तरह से एकीकृत किया जा सकता है। इसलिए, इस संदर्भ में अन्य अध्ययनों के लिए प्रयुक्त सेटिंग की सिफारिश की जा सकती है।

जैसा कि दिखाए गए अध्ययन के परिणाम से पता चला है कि उपयोग किए गए स्मार्टग्लास ( सामग्री की तालिका देखें) के आधार पर मिश्रित-वास्तविकता समाधान का उपयोग उद्योग 4.0 परिदृश्यों के लिए इमर्सिव एनालिटिक्स की जांच करने के लिए उपयोगी है, प्रोटोकॉल का उपयोग दिए गए संदर्भ में अन्य प्रयोज्य अध्ययनों के लिए भी किया जा सकता है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

लेखकों के पास खुलासा करने के लिए कुछ भी नहीं है।

Acknowledgments

लेखकों के पास स्वीकार करने के लिए कुछ भी नहीं है।

Materials

Name Company Catalog Number Comments
edaMove movisens
HoloLens Microsoft
Matlab R2017a MathWorks
RPY2 GNU General Public License v2 or later (GPLv2+) (GPLv2+) https://pypi.org/project/rpy2/
SPSS 25.0 IBM

DOWNLOAD MATERIALS LIST

References

  1. Korinth, M., Sommer-Dittrich, T., Reichert, M., Pryss, R. Design and Evaluation of a Virtual Reality-Based Car Configuration Concept. Science and Information Conference. , Springer, Cham. 169-189 (2019).
  2. Whalen, T. E., Noël, S., Stewart, J. Measuring the human side of virtual reality. IEEE International Symposium on Virtual Environments, Human-Computer Interfaces and Measurement Systems, 2003. , IEEE. 8-12 (2003).
  3. Martens, M. A., et al. It feels real: physiological responses to a stressful virtual reality environment and its impact on working memory. Journal of Psychopharmacology. 33 (10), 1264-1273 (2019).
  4. Keim, D. A. Information visualization and visual data mining. IEEE transactions on Visualization and Computer Graphics. 8 (1), 1-8 (2002).
  5. Dwyer, T., et al. Immersive analytics: An introduction. Immersive analytics. , Springer, Cham. 1-23 (2018).
  6. Moloney, J., Spehar, B., Globa, A., Wang, R. The affordance of virtual reality to enable the sensory representation of multi-dimensional data for immersive analytics: from experience to insight. Journal of Big Data. 5 (1), 53 (2018).
  7. Davis, F. D., Riedl, R., Vom Brocke, J., Léger, P. M., Randolph, A. B. Information Systems and Neuroscience. , Springer. (2018).
  8. Huckins, J. F., et al. Fusing mobile phone sensing and brain imaging to assess depression in college students. Frontiers in Neuroscience. 13, 248 (2019).
  9. Preece, J., et al. Human-computer interaction. , Addison-Wesley Longman Ltd. (1994).
  10. Card, S. K. The psychology of human-computer interaction. , CRC Press. (2018).
  11. Pelayo, S., Senathirajah, Y. Human factors and sociotechnical issues. Yearbook of Medical Informatics. 28 (01), 078-080 (2019).
  12. Bangor, A., Kortum, P., Miller, J. Determining what individual SUS scores mean: adding an adjective rating scale. Journal of Usability Studies. 4 (3), 114-123 (2009).
  13. Krahmer, E., Ummelen, N. Thinking about thinking aloud: A comparison of two verbal protocols for usability testing. IEEE Transactions on Professional Communication. 47 (2), 105-117 (2004).
  14. Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
  15. Peppa, V., Lysikatos, S., Metaxas, G. Human-Computer interaction and usability testing: Application adoption on B2C websites. Global Journal of Engineering Education. 14 (1), 112-118 (2012).
  16. Alwashmi, M. F., Hawboldt, J., Davis, E., Fetters, M. D. The iterative convergent design for mobile health usability testing: mixed-methods approach. JMIR mHealth and uHealth. 7 (4), 11656 (2019).
  17. System Usability Scale (SUS). Assistant Secretary for Public Affairs. , Available from: https://www.hhs.gov/about/agencies/aspa/how-to-and-tools/methods/system-usability-scale.html (2013).
  18. Fang, Y. M., Lin, C. The Usability Testing of VR Interface for Tourism Apps. Applied Sciences. 9 (16), 3215 (2019).
  19. Pryss, R., et al. Exploring the Time Trend of Stress Levels While Using the Crowdsensing Mobile Health Platform, TrackYourStress, and the Influence of Perceived Stress Reactivity: Ecological Momentary Assessment Pilot Study. JMIR mHealth and uHealth. 7 (10), 13978 (2019).
  20. Zugal, S., et al. Investigating expressiveness and understandability of hierarchy in declarative business process models. Software & Systems Modeling. 14 (3), 1081-1103 (2015).
  21. Schobel, J., et al. Learnability of a configurator empowering end users to create mobile data collection instruments: usability study. JMIR mHealth and uHealth. 6 (6), 148 (2018).
  22. Schobel, J., Probst, T., Reichert, M., Schickler, M., Pryss, R. Enabling Sophisticated Lifecycle Support for Mobile Healthcare Data Collection Applications. IEEE Access. 7, 61204-61217 (2019).
  23. Hoppenstedt, B., et al. Dimensionality Reduction and Subspace Clustering in Mixed Reality for Condition Monitoring of High-Dimensional Production Data. Sensors. 19 (18), 3903 (2019).
  24. Winter, M., Pryss, R., Probst, T., Reichert, M. Towards the Applicability of Measuring the Electrodermal Activity in the Context of Process Model Comprehension: Feasibility Study. Sensors. 20, 4561 (2020).
  25. Butscher, S., Hubenschmid, S., Müller, J., Fuchs, J., Reiterer, H. Clusters, trends, and outliers: How immersive technologies can facilitate the collaborative analysis of multidimensional data. Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. , 1-12 (2018).
  26. Wagner Filho, J. A., Rey, M. F., Freitas, C. M. D. S., Nedel, L. Immersive analytics of dimensionally-reduced data scatterplots. 2nd Workshop on Immersive Analytics. , (2017).
  27. Batch, A., et al. There is no spoon: Evaluating performance, space use, and presence with expert domain users in immersive analytics. IEEE Transactions on Visualization and Computer Graphics. 26 (1), 536-546 (2019).
  28. Cliquet, G., Perreira, M., Picarougne, F., Prié, Y., Vigier, T. Towards hmd-based immersive analytics. HAL. , Available from: https://hal.archives-ouvertes.fr/hal-01631306 (2017).
  29. Luboschik, M., Berger, P., Staadt, O. On spatial perception issues in augmented reality based immersive analytics. Proceedings of the 2016 ACM Companion on Interactive Surfaces and Spaces. , 47-53 (2016).
  30. Fonnet, A., Prié, Y. Survey of Immersive Analytics. IEEE Transactions on Visualization and Computer. , (2019).
  31. Spielberger, C. D., Gorsuch, R. L., Lushene, R. E. STAI Manual for the Stait-Trait Anxiety Inventory (self-evaluation questionnaire). Consulting Psychologist. 22, Palo Alto, CA, USA. 1-24 (1970).
  32. Vandenberg, S. G., Kuse, A. R. Mental rotations, a group test of three-dimensional spatial visualization. Perceptual Motor Skills. 47 (2), 599-604 (1978).
  33. Härtel, S., Gnam, J. P., Löffler, S., Bös, K. Estimation of energy expenditure using accelerometers and activity-based energy models-Validation of a new device. European Review of Aging and Physical Activity. 8 (2), 109-114 (2011).
  34. Gautier, L. RPY2: A Simple and Efficient Access to R from Python. , Available from: https://sourceforge.net/projects/rpy/ (2020).
  35. Hoppenstedt, B., et al. Applicability of immersive analytics in mixed reality: Usability study. IEEE Access. 7, 71921-71932 (2019).
  36. Hoppenstedt, B. Applicability of Immersive Analytics in Mixed Reality: Usability Study. IEEE Dataport. , (2019).

Tags

इंजीनियरिंग अंक 164 इमर्सिव एनालिटिक्स मिश्रित वास्तविकता स्थानिक ध्वनियाँ दृश्य विश्लेषिकी स्मार्टग्लासेस प्रयोज्यता तनाव स्तर सीखने की क्षमता
उद्योग 4.0 परिदृश्यों में इमर्सिव एनालिटिक्स के लिए मिश्रित वास्तविकता समाधान के प्रयोज्य पहलुओं का मूल्यांकन
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Hoppenstedt, B., Probst, T.,… More

Hoppenstedt, B., Probst, T., Reichert, M., Schlee, W., Kammerer, K., Spiliopoulou, M., Schobel, J., Winter, M., Felnhofer, A., Kothgassner, O. D., Pryss, R. Evaluating Usability Aspects of a Mixed Reality Solution for Immersive Analytics in Industry 4.0 Scenarios. J. Vis. Exp. (164), e61349, doi:10.3791/61349 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter