Summary
Questo protocollo delinea l'impostazione tecnica di un'applicazione di realtà mista sviluppata che viene utilizzata per l'analisi immersiva. Sulla base di ciò, vengono presentate le misure, che sono state utilizzate in uno studio per ottenere informazioni sugli aspetti di usabilità della soluzione tecnica sviluppata.
Abstract
In medicina o nell'industria, l'analisi di set di dati ad alta dimensione è sempre più richiesta. Tuttavia, le soluzioni tecniche disponibili sono spesso complesse da utilizzare. Pertanto, nuovi approcci come l'analisi immersiva sono i benvenuti. L'analisi immersiva promette di sperimentare set di dati ad alta dimensione in modo conveniente per vari gruppi di utenti e set di dati. Tecnicamente, i dispositivi di realtà virtuale vengono utilizzati per consentire l'analisi immersiva. Nell'Industria 4.0, ad esempio, scenari come l'identificazione di valori anomali o anomalie in set di dati ad alta dimensione sono obiettivi perseguiti di analisi immersiva. In questo contesto, due domande importanti dovrebbero essere affrontate per qualsiasi soluzione tecnica sviluppata sull'analisi immersiva: in primo luogo, le soluzioni tecniche sono utili o no? In secondo luogo, l'esperienza corporea della soluzione tecnica è positiva o negativa? La prima domanda mira alla fattibilità generale di una soluzione tecnica, mentre la seconda mira al comfort di indossamento. Gli studi e i protocolli esistenti, che affrontano sistematicamente queste domande sono ancora rari. In questo lavoro viene presentato un protocollo di studio, che indaga principalmente l'usabilità per l'analisi immersiva negli scenari dell'Industria 4.0. Nello specifico, il protocollo si basa su quattro pilastri. Innanzitutto, classifica gli utenti in base alle esperienze precedenti. In secondo luogo, vengono presentati i compiti, che possono essere utilizzati per valutare la fattibilità della soluzione tecnica. In terzo luogo, vengono presentate misure che quantificano l'effetto di apprendimento di un utente. In quarto luogo, un questionario valuta il livello di stress durante l'esecuzione di compiti. Sulla base di questi pilastri, è stata implementata un'impostazione tecnica che utilizza smartglasses di realtà mista per applicare il protocollo di studio. I risultati dello studio condotto mostrano l'applicabilità del protocollo da un lato e la fattibilità dell'immersive analytics negli scenari Industry 4.0 dall'altro. Il protocollo presentato include una discussione sulle limitazioni scoperte.
Introduction
Le soluzioni di realtà virtuale (soluzioni VR) sono sempre più importanti in diversi campi. Spesso, con le soluzioni VR (tra cui realtà virtuale, realtà mista e realtà aumentata), l'esecuzione di molte attività e procedure quotidiane deve essere facilitata. Ad esempio, nel settore automobilistico, la procedura di configurazione di un'auto può essere supportata dall'uso della realtà virtuale1 (VR). Ricercatori e professionisti hanno studiato e sviluppato una moltitudine di approcci e soluzioni in questo contesto. Tuttavia, gli studi che indagano gli aspetti di usabilità sono ancora rari. In generale, gli aspetti dovrebbero essere considerati alla luce di due questioni principali. In primo luogo, bisogna valutare se una soluzione VR supera effettivamente un approccio che non fa uso di tecniche VR. In secondo luogo, poiché le soluzioni VR si basano principalmente su dispositivi hardware pesanti e complessi, parametri come il comfort e lo sforzo mentale dovrebbero essere studiati in modo più approfondito. Inoltre, gli aspetti menzionati dovrebbero sempre essere esaminati rispetto al campo di applicazione in questione. Sebbene molti approcci esistenti vedano la necessità di indagare su queste domande2, esistono meno studi che hanno presentato risultati.
Un argomento di ricerca nel campo della VR, che è attualmente importante, è indicato con l'analisi immersiva. Deriva dal campo di ricerca dell'analisi visiva, che cerca di includere la percezione umana nelle attività di analisi. Questo processo è noto anche come visual data mining4. L'analisi immersiva include argomenti nei campi della visualizzazione dei dati, dell'analisi visiva, della realtà virtuale, della computer grafica e dell'interazione uomo-computer5. I recenti vantaggi nei display montati sulla testa (HMD) hanno portato a migliori possibilità di esplorare i dati in modo immersivo. Lungo queste tendenze, emergono nuove sfide e domande di ricerca, come lo sviluppo di nuovi sistemi di interazione, la necessità di indagare la fatica dell'utente o lo sviluppo di sofisticate visualizzazioni 3D6. In una precedente pubblicazione6, vengono discussi importanti principi dell'analisi immersiva. Alla luce dei big data, metodi come l'analisi immersiva sono sempre più necessari per consentire una migliore analisi di pool di dati complessi. Esistono solo pochi studi che indagano gli aspetti di usabilità delle soluzioni di analisi immersiva. Inoltre, anche il dominio o il campo in questione dovrebbero essere presi in considerazione in tali studi. In questo lavoro, è stato sviluppato un prototipo di analisi immersiva e, basato su questo, un protocollo, che indaga la soluzione sviluppata per gli scenari di Industria 4.0. Il protocollo sfrutta così il metodo dell'esperienza2, che si basa su aspetti soggettivi, prestazionali e fisiologici. Nel protocollo in questione, gli aspetti soggettivi sono misurati attraverso lo stress percepito degli utenti dello studio. Le prestazioni, a loro volta, vengono misurate in base al tempo richiesto e agli errori commessi per eseguire le attività di analisi. Infine, un sensore di conduttanza cutanea ha misurato i parametri fisiologici. Le prime due misure saranno presentate in questo lavoro, mentre la conduttanza cutanea misurata richiede ulteriori sforzi per essere valutata.
Lo studio presentato coinvolge diversi campi di ricerca, in particolare tra cui aspetti neuroscientifici e sistemi informativi. È interessante notare che le considerazioni sugli aspetti neuroscientifici dei sistemi informativi hanno recentemente attirato l'attenzione di diversi gruppi di ricerca7,8, mostrando la necessità di esplorare l'uso dei sistemi IT anche da un punto di vista cognitivo. Un altro campo rilevante per questo lavoro è l'indagine dei fattori umani dei sistemi informativi 9,10,11. Nel campo dell'interazione uomo-macchina, esistono strumenti per indagare l'usabilità di una soluzione. Si noti che la scala di usabilità del sistema viene utilizzata principalmente in questo contesto12. I protocolli Thinking Aloud13 sono un'altra tecnica di studio ampiamente utilizzata per saperne di più sull'uso dei sistemi informativi. Sebbene esistano molti approcci per misurare gli aspetti di usabilità dei sistemi informativi, e alcuni di essi siano stati presentati molto tempo fa14, emergono ancora domande che richiedono di indagare nuove misure o metodi di studio. Pertanto, la ricerca in questo campo è molto attiva12,15,16.
Di seguito, verranno discusse le ragioni per cui due metodi prevalentemente utilizzati non sono stati considerati nel presente lavoro. Innanzitutto, la scala di usabilità del sistema non è stata utilizzata. La scala si basa su dieci domande17 e il suo uso può essere trovato anche in diversi altri studi VR18. Poiché questo studio mira principalmente alla misurazione dello stress19, un questionario relativo allo stress era più appropriato. In secondo luogo, non è stato utilizzato il Thinking Aloud Protocol20. Sebbene questo tipo di protocollo abbia dimostrato la sua utilità in generale13, non è stato utilizzato qui poiché il livello di stress degli utenti dello studio potrebbe aumentare solo a causa del fatto che la sessione di pensiero ad alta voce deve essere eseguita in parallelo all'uso di un dispositivo VR pesante e complesso. Sebbene queste due tecniche non siano state utilizzate, i risultati di altri studi recenti sono stati incorporati nello studio in questione. Ad esempio, nelle opere precedenti21,22, gli autori distinguono tra principianti ed esperti nei loro studi. Sulla base del risultato positivo di questi studi, il protocollo in questione utilizza questa separazione presentata degli utenti dello studio. La misurazione delle sollecitazioni, a sua volta, si basa sulle idee dei seguenti lavori 15,19,21,22.
In un primo momento, per condurre lo studio, è necessario trovare uno scenario Industry 4.0 adatto per svolgere attività analitiche. Ispirandosi a un altro lavoro degli autori23, sono stati identificati due scenari (cioè i compiti di analisi), (1) Rilevamento di valori anomali e (2) Riconoscimento dei cluster. Entrambi gli scenari sono impegnativi e sono molto rilevanti nel contesto della manutenzione di macchine di produzione ad alta produttività. Sulla base di questa decisione, sei considerazioni principali hanno guidato il protocollo di studio presentato in questo lavoro:
- La soluzione sviluppata per lo studio sarà tecnicamente basata su smartglasses a realtà mista (vedi Table of Materials) e sarà sviluppata come applicazione di realtà mista.
- Deve essere sviluppato un test adatto, che sia in grado di distinguere i principianti dagli utenti avanzati.
- Le misure di performance dovrebbero considerare il tempo e gli errori.
- È necessario sviluppare un'applicazione desktop, che possa essere paragonata alla soluzione di analisi immersiva.
- È necessario applicare una misura per valutare il livello di stress percepito.
- Oltre a quest'ultimo punto, devono essere sviluppate funzionalità per mitigare il livello di stress mentre un utente esegue la procedura delle due attività di analisi menzionate (vale a dire, (1) rilevamento di valori anomali e (2) riconoscimento di cluster).
Sulla base dei sei punti menzionati, il protocollo di studio incorpora la seguente procedura. Le attività di Outlier Detection e Cluster Recognition Analysis devono essere eseguite in modo immersivo utilizzando smartglasses di realtà mista (vedere Tabella dei materiali). Pertanto, è stata sviluppata una nuova applicazione. I suoni spaziali devono facilitare l'esecuzione dei compiti di analisi senza aumentare lo sforzo mentale. Una funzione vocale faciliterà la navigazione utilizzata per l'applicazione sviluppata degli smartglasses a realtà mista (vedi Tabella dei materiali). Un test di rotazione mentale deve essere la base per distinguere i principianti dagli utenti avanzati. Il livello di stress viene misurato sulla base di un questionario. Le prestazioni, a loro volta, vengono valutate in base al (1) tempo richiesto da un utente per le attività di analisi e in base ai (2) errori commessi da un utente per le attività di analisi. Le prestazioni in smartglass di realtà mista vengono confrontate con l'esecuzione delle stesse attività in un'applicazione desktop 2D di nuova concezione e comparabile. Inoltre, un dispositivo di conduttanza cutanea viene utilizzato per misurare il livello di conduttanza cutanea come possibile indicatore di stress. I risultati di questa misurazione sono soggetti a ulteriori analisi e non saranno discussi in questo lavoro. Gli autori hanno rivelato in un altro studio con lo stesso dispositivo che sono necessarie ulteriori considerazioni24.
Sulla base di questo protocollo, vengono affrontate le seguenti cinque domande di ricerca (RQ):
RQ1: Le capacità di immaginazione spaziale dei partecipanti influenzano significativamente l'esecuzione dei compiti?
RQ2: C'è un cambiamento significativo delle prestazioni delle attività nel tempo?
RQ3: C'è un cambiamento significativo delle prestazioni delle attività quando si utilizzano i suoni spaziali nella soluzione di analisi immersiva?
RQ4: L'analisi immersiva sviluppata è percepita come stressante dagli utenti?
RQ5: Gli utenti ottengono prestazioni migliori quando utilizzano una soluzione di analisi immersiva rispetto a un approccio 2D?
La Figura 1 riassume il protocollo presentato rispetto a due scale. Mostra le misure sviluppate e utilizzate e la loro novità rispetto al livello di interazione. Poiché il livello di interazione costituisce un aspetto importante nello sviluppo di funzionalità per un'impostazione VR, la Figura 1 mostrerà meglio la novità dell'intero protocollo sviluppato in questo lavoro. Sebbene la valutazione degli aspetti all'interno delle due scale utilizzate sia soggettiva, la loro valutazione complessiva si basa sul lavoro correlato corrente e sulle seguenti considerazioni principali: Un principio importante consiste nell'uso di astrazioni di un ambiente per un'interazione naturale, in cui l'utente è entrato in sintonia. Per quanto riguarda il protocollo in questione, la visualizzazione delle nuvole di punti sembra essere intuitiva per gli utenti e il riconoscimento dei modelli in tali nuvole è stato riconosciuto come un compito gestibile in generale. Un altro principio importante consiste nel sovrapporre le affordances. In questo modo, l'uso di suoni spaziali utilizzati nel protocollo in questione è un esempio, in quanto correlati alla vicinanza di un oggetto cercato. Gli autori raccomandano di sintonizzare le rappresentazioni in modo che la maggior parte delle informazioni si trovi nella zona intermedia, che è più importante per la percezione umana. Il motivo per cui gli autori non hanno incluso questo principio è stato quello di incoraggiare l'utente a trovare il posto migliore da solo e di cercare di orientarsi in uno spazio di visualizzazione dei dati, che è troppo grande per essere mostrato in una sola volta. Nell'approccio presentato, non sono state fatte ulteriori considerazioni sulle caratteristiche dei dati 3D da mostrare. Ad esempio, se si assume che una dimensione sia temporale, potrebbero essere stati visualizzati grafici a dispersione. Gli autori considerano questo tipo di visualizzazione generalmente interessante nel contesto dell'Industria 4.0. Tuttavia, deve essere focalizzato su un insieme ragionevolmente piccolo di visualizzazioni. Inoltre, una precedente pubblicazione si concentrava già sull'analisi collaborativa dei dati. In questo lavoro, questa domanda di ricerca è stata esclusa a causa della complessità delle altre questioni affrontate in questo studio. Nella configurazione presentata qui, l'utente è in grado di esplorare lo spazio immersivo camminando. Altri approcci offrono controller per esplorare lo spazio virtuale. In questo studio, l'attenzione è impostata sull'usabilità utilizzando la scala di usabilità del sistema (SUS). Un'altra pubblicazione precedente ha condotto uno studio per esperti economici, ma con cuffie VR. In generale, e soprattutto, questo studio si lamenta del campo visivo limitato per altri dispositivi come gli smartglasses di realtà mista utilizzati in questo lavoro (vedi Tabella dei materiali). I loro risultati mostrano che i principianti nel campo della realtà virtuale sono stati in grado di utilizzare lo strumento analitico in modo efficiente. Questo corrisponde alle esperienze di questo studio, anche se in questo lavoro i principianti non sono stati classificati per avere esperienze VR o di gioco. A differenza della maggior parte delle soluzioni VR, la realtà mista non è fissa in una posizione in quanto consente di tracciare l'ambiente reale. Approcci VR come menzionare l'uso di sedie speciali per un'esperienza a 360 ° per liberare l'utente dal suo desktop. Gli autori di indicano che i problemi di percezione influenzano le prestazioni dell'analisi immersiva; Ad esempio, utilizzando le ombre. Per lo studio in questione, questo non è fattibile, in quanto gli smartglasses di realtà mista utilizzati (vedi tabella dei materiali) non sono in grado di visualizzare ombre. Una soluzione alternativa potrebbe essere un pavimento virtuale, ma una tale configurazione era fuori dallo scopo di questo studio. Uno studio di indagine nel campo dell'analisi immersiva ha identificato i grafici a dispersione 3D come una delle rappresentazioni più comuni di dati multidimensionali. Nel complesso, gli aspetti mostrati nella Figura 1 non possono essere trovati attualmente compilati in un protocollo che esamina gli aspetti di usabilità dell'analisi immersiva per scenari Industry 4.0.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tutti i materiali e i metodi sono stati approvati dal Comitato Etico dell'Università di Ulm e sono stati eseguiti in conformità con le linee guida approvate. Tutti i partecipanti hanno dato il loro consenso informato scritto.
1. Stabilire un ambiente di studio appropriato
NOTA: lo studio è stato condotto in un ambiente controllato per far fronte alla complessa impostazione hardware. Gli smartglasses di realtà mista utilizzati (vedi Tabella dei materiali) e il laptop per l'applicazione 2D sono stati spiegati ai partecipanti allo studio.
- Verificare la soluzione tecnica prima di ogni partecipante; Impostare in modalità predefinita. Preparare i questionari e posizionarli accanto a un partecipante.
- Consenti ai partecipanti di risolvere le attività dal rilevamento dei casi d'uso anomali e dal riconoscimento dei cluster in un'unica sessione (ad esempio, il tempo medio era di 43 minuti).
- Inizia lo studio accogliendo i partecipanti e introducendo l'obiettivo dello studio, nonché la procedura generale.
- I partecipanti che utilizzano il dispositivo di misurazione della conduttanza cutanea (vedi Tabella dei materiali) devono aderire a una breve fase di riposo, per ricevere una misurazione di base. Solo la metà dei partecipanti ha utilizzato questo dispositivo.
- Tutti i partecipanti devono compilare il questionario State-Trait Anxiety Inventory (STAI)31, prima dell'inizio dell'esperimento.
- Successivamente, i partecipanti devono eseguire il test di rotazione mentale (vedi Figura 4, questo test ha valutato le capacità di immaginazione spaziale), che è stata la base per distinguere gli high da low performer (gli high performer sono utenti avanzati, mentre i low performer sono novizi), seguito dal test del suono spaziale per misurare le capacità uditive spaziali di un partecipante.
NOTA: Una divisione mediana dei punteggi del test nel test di rotazione mentale32 è stata utilizzata per distinguere i risultati bassi da quelli alti.
- Successivamente, i partecipanti devono eseguire il test di rotazione mentale (vedi Figura 4, questo test ha valutato le capacità di immaginazione spaziale), che è stata la base per distinguere gli high da low performer (gli high performer sono utenti avanzati, mentre i low performer sono novizi), seguito dal test del suono spaziale per misurare le capacità uditive spaziali di un partecipante.
- Separare casualmente i partecipanti in due gruppi; Iniziare con l'attività sul rilevamento di valori anomali o sul riconoscimento dei cluster, continuando con l'altro caso d'uso in seguito. Per l'attività di riconoscimento dei cluster, metà dei partecipanti ha iniziato con gli smartglasses di realtà mista utilizzati (vedi Tabella dei materiali), quindi ha utilizzato l'applicazione 2D, mentre l'altra metà ha iniziato con l'applicazione 2D e quindi ha utilizzato gli smartglasses di realtà mista (vedi Tabella dei materiali). Per l'attività di rilevamento dei valori anomali, selezionare in modo casuale un gruppo che riceve il supporto audio, mentre l'altra parte del gruppo non riceve alcun supporto audio.
- Conclusa la sessione, i partecipanti devono rispondere nuovamente al questionario State-Trait Anxiety Inventory (STAI)31 , così come l'auto-sviluppato e un questionario demografico.
- Memorizza i dati generati, che sono stati registrati automaticamente da ogni applicazione sviluppata, nella memoria del laptop dopo che la sessione è stata completata.
2. Protocollo di studio per i partecipanti
- Preparare l'esperimento (vedere la Figura 2 per la stanza dell'esperimento) per ogni partecipante. Presenta il PC desktop, gli smartglasses di realtà mista usati e distribuisci i questionari.
- Informare i partecipanti che l'esperimento durerà da 40 a 50 minuti, e che la metà di loro inizia dopo i pretest (vedi Punti 3-6 del Protocollo di Studio) prima con il test di rilevamento anomalo (vedi Punto 7 del Protocollo di Studio), seguito dal test di riconoscimento cluster (vedi Punto 8 del Protocollo di Studio), mentre gli altri compiono questi due test viceversa (cioè, Punto 8 del Protocollo di studio prima del punto 7).
- Decidi in modo casuale se viene eseguita una misurazione della conduttanza cutanea. In caso affermativo, preparare il dispositivo di misurazione della conduttanza cutanea33 e informare il partecipante di indossare il dispositivo. Richiedi una breve fase di riposo ai partecipanti per ricevere una misurazione di base per il loro livello di stress.
- Richiedere ai partecipanti di compilare il questionario State-Trait Anxiety Inventory (STAI)31 e informarli che misura lo stress percepito corrente prima dell'esperimento.
- Condurre un test di rotazione mentale.
- Informare i partecipanti che le loro capacità di rotazione mentale sono valutate e introdurli davanti a un computer desktop. Informare i partecipanti sulla procedura di prova. Si noti che hanno dovuto identificare oggetti simili che avevano posizioni diverse in uno spazio 3D simulato.
- Informare i partecipanti che solo due dei cinque oggetti mostrati sono simili e che avranno 2 minuti per l'intero test. Informare i partecipanti che sette attività potrebbero essere eseguite entro i 2 minuti indicati e dire loro che le misure delle prestazioni sono registrate per ogni attività completata.
- Valutare le capacità sonore spaziali.
- Informare i partecipanti che le loro capacità sonore spaziali sono valutate e accompagnarli davanti a un computer desktop. Informare i partecipanti sulla procedura di prova. Spiegare ai partecipanti che devono essere rilevati sei campioni sonori, che verranno riprodotti per 13 secondi ciascuno.
- Informare i partecipanti che devono rilevare la direzione (analogamente alle quattro direzioni della bussola) da cui proviene il suono.
- Valutare le capacità di rilevamento dei valori anomali.
- Richiedi ai partecipanti di indossare gli smartglasses di realtà mista. Spiega loro che i valori anomali devono essere trovati all'interno del mondo creato per gli smartglass di realtà mista.
- Inoltre, informali che un valore anomalo è un punto contrassegnato in rosso, tutti gli altri punti sono contrassegnati in bianco. Spiega loro allora che devono dirigere lo sguardo verso il punto di colore rosso per rilevarlo.
- Informare ulteriormente i partecipanti che non viene fornito solo un aiuto visivo, ma anche i suoni ambientali li supportano a trovare valori anomali. Fornire le informazioni ai partecipanti che devono svolgere 8 compiti anomali, il che significa che 8 volte all'interno del mondo virtuale, il punto di colore rosso deve essere trovato. Per ogni partecipante, 4 attività sono supportate dal suono, mentre 4 attività non sono supportate dal suono. Per ogni partecipante, viene selezionato in modo casuale se iniziare un'attività supportata dal suono o meno. Quindi, a seconda del primo compito, cambia da un'attività all'altra, indipendentemente dal fatto che venga fornito o meno un valido supporto.
- Indica ai partecipanti quali informazioni verranno registrate: tempo richiesto per ogni attività, lunghezza della camminata e come appare la loro posizione di movimento finale in relazione alla loro posizione di partenza. Infine, dire ai partecipanti che il punto contrassegnato in rosso diventa verde se è stato rilevato (vedere la Figura 3).
- Valutare le capacità di riconoscimento dei cluster.
- Decidi in modo casuale per il partecipante se utilizzare prima gli smartglasses di realtà mista o introdurre il partecipante a un computer desktop. Di seguito viene descritta solo la procedura per l'impostazione della realtà mista. Se un partecipante inizia per la prima volta con il computer desktop, la procedura è la stessa in ordine modificato e, ad eccezione dei comandi vocali, vengono forniti solo quando si utilizza la soluzione di realtà mista.
- Per i partecipanti che utilizzano la realtà mista: richiedi ai partecipanti di indossare gli smartglasses per la realtà mista. Informare i partecipanti su come trovare cluster all'interno del mondo creati con gli smartglasses di realtà mista utilizzati. Sottolinea ai partecipanti che dovevano distinguere tra cluster sovrapposti muovendosi intorno a loro.
- Per i partecipanti che utilizzano la realtà mista: spiegare ai partecipanti che possono navigare nel mondo virtuale e nei cluster utilizzando i comandi vocali. Infine, dire ai partecipanti che dovevano rilevare sei cluster.
- Per i partecipanti che utilizzano la realtà mista: richiedi ai partecipanti di rimuovere gli smartglasses di realtà mista usati. Introduci i partecipanti a un computer desktop e chiedi loro di utilizzare il software mostrato sullo schermo del computer desktop. Informarli che lo stesso tipo di cluster mostrato negli smartglasses di realtà mista utilizzati doveva essere rilevato utilizzando il software sul computer desktop (vedere la Figura 7 e la Figura 8).
- Richiedere ai partecipanti di compilare tre questionari, vale a dire il questionario State-Trait Anxiety Inventory (STAI)31, un questionario auto-sviluppato per raccogliere feedback soggettivi e un questionario demografico per raccogliere informazioni su di loro.
- Richiedere ai partecipanti di rimuovere il dispositivo di misurazione della conduttanza cutanea33 se all'inizio è stato richiesto loro di indossarlo.
- Solleva i partecipanti dall'esperimento ringraziando per la partecipazione.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Impostazione delle misure per l'esperimento
Per l'attività di rilevamento dei valori anomali, sono state definite le seguenti misure delle prestazioni: tempo, percorso e angolo. Vedere la Figura 6 per le misurazioni.
Il tempo è stato registrato fino a quando non è stato trovato un punto contrassegnato in rosso (cioè l'anomalia). Questa misura delle prestazioni indica quanto tempo un partecipante ha avuto bisogno di trovare il punto contrassegnato in rosso. Il tempo è indicato come la variabile "tempo" (in millisecondi) nei risultati.
Mentre i partecipanti cercavano di trovare il punto segnato in rosso, è stata determinata la lunghezza del loro percorso a piedi. La base di questo calcolo era che gli smartglasses di realtà mista utilizzati (vedi Tabella dei materiali) raccolgono la posizione corrente come vettore 3D relativamente alla posizione iniziale a un frame rate di 60 fotogrammi al secondo. Sulla base di questo, è stato possibile calcolare la lunghezza del percorso che un partecipante aveva percorso. Questa misura delle prestazioni indica se i partecipanti hanno camminato molto o meno. Path è indicato come PathLength nei risultati. In base a PathLength, sono state derivate altre tre misure delle prestazioni: PathMean, PathVariance e BoundingBox. PathMean indica la velocità media dei partecipanti in metro per fotogramma, PathVariance l'irregolarità di un movimento e BoundingBox indica se i partecipanti hanno usato intensamente il proprio riquadro di delimitazione. Quest'ultimo è determinato in base alle posizioni massime e minime di tutti i movimenti (ad esempio, i partecipanti che cambiano spesso la loro posizione di camminata hanno rivelato valori BoundingBox più alti).
L'ultimo valore misurato è indicato con AngleMean e costituisce un valore derivato dell'angolo, che è indicato con AngleMean. Quest'ultimo indica la rotazione tra la posizione corrente e la posizione iniziale di un partecipante a un frame rate di 60 al secondo. Sulla base di ciò, è stata calcolata la velocità di rotazione media in gradi per fotogramma. Derivato su questo valore, è stata calcolata l'irregolarità della rotazione utilizzando la varianza, che è indicata come AngleVariance.
Per riepilogare gli scopi del percorso calcolato e dei valori dell'angolo, il percorso indica se gli utenti camminano molto o meno. Se non camminano molto, potrebbe indicare la loro mancanza di orientamento. L'angolo, a sua volta, dovrebbe indicare se i partecipanti fanno movimenti rapidi o improvvisi della testa. Se stanno facendo movimenti improvvisi della testa in più momenti, questo potrebbe indicare di nuovo una mancanza di orientamento.
Per l'attività di rilevamento del cluster, sono state definite le seguenti misure delle prestazioni: tempo ed errori. Il tempo è stato registrato fino al momento in cui i partecipanti hanno riferito quanti cluster hanno rilevato. Questa misura delle prestazioni indica per quanto tempo i partecipanti hanno avuto bisogno di trovare i cluster. Il tempo è indicato come Tempo (in millisecondi). Gli errori sono identificati nel senso di una decisione binaria (vero/falso). Il numero di cluster segnalati era corretto (vero) o non corretto (falso). Gli errori sono indicati con errori.
La versione statale del questionario State-Trait Anxiety Inventory (STAI)31 è stata utilizzata per misurare l'ansia di stato, un costrutto simile allo stress di stato. Il questionario comprende 20 voci ed è stato distribuito prima dell'inizio dello studio, nonché successivamente per valutare i cambiamenti nello stato di ansia. Per la valutazione di questo questionario, tutti gli attributi positivi sono stati capovolti (ad esempio, una risposta '4' diventa un '1'), e tutte le risposte sono sommate in un punteggio STAI finale. La conduttanza cutanea è stata misurata per 30 partecipanti selezionati a caso utilizzando il dispositivo di misurazione della conduttanza cutanea (vedi Tabella dei materiali)33.
Dopo che i due tipi di attività sono stati completati, un questionario auto-sviluppato è stato distribuito alla fine dello studio per chiedere il feedback del partecipante. Il questionario è riportato nella tabella 1. Inoltre, un questionario demografico ha chiesto il sesso, l'età e l'istruzione di tutti i partecipanti.
Procedura generale dello studio e informazioni sullo studio
La procedura complessiva di studio condotta è illustrata nella Figura 9. 60 partecipanti hanno aderito allo studio. I partecipanti sono stati per lo più reclutati presso l'Università di Ulm e le società di software di Ulm. Gli studenti partecipanti provenivano principalmente dai campi dell'informatica, della psicologia e della fisica. Dieci erano femmine e 50 erano maschi.
Sulla base del pretest della rotazione mentale, 31 sono stati classificati come low performer, mentre 29 sono stati classificati come high performer. In particolare, 7 femmine e 24 maschi sono stati classificati come low performer, mentre 3 femmine e 26 maschi sono stati classificati come high performer. Per le valutazioni statistiche sono stati utilizzati 3 strumenti software (vedi Tabella dei Materiali).
Frequenze, percentuali, medie e deviazioni standard sono state calcolate come statistiche descrittive. I soggetti con prestazioni basse e alte sono stati confrontati nelle variabili demografiche di base utilizzando i test esatti di Fisher e i test t per campioni indipendenti. Per RQ1 -RQ5, sono stati eseguiti modelli lineari multilivello con la stima completa della massima verosimiglianza. Sono stati inclusi due livelli, in cui il livello uno rappresenta le valutazioni ripetute (nel rilevamento di valori anomali o nel riconoscimento dei cluster) e il livello due i partecipanti. Le misure delle prestazioni (ad eccezione degli errori) erano le variabili dipendenti in questi modelli. In RQ 1, sono stati utilizzati anche i test esatti di Fisher per le probabilità di errore. In RQ3, sono state studiate le prestazioni nel tempo nei suoni spaziali rispetto a nessun suono (suono vs nessun suono è stato incluso come predittore nei modelli). I punteggi STAI sono stati valutati utilizzando t-Test per campioni dipendenti per RQ4. In RQ5, è stato studiato l'effetto dell'applicazione 2D rispetto agli smartglasses di realtà mista utilizzati (vedi tabella dei materiali), utilizzando il test di McNemar per la probabilità di errore. Tutti i test statistici sono stati eseguiti a due code; il valore di significatività è stato impostato su P<.05.
I risultati della conduttanza cutanea non sono stati analizzati e sono soggetti a lavori futuri. È importante sottolineare che gli autori hanno rivelato in un altro studio con lo stesso dispositivo che sono necessarie ulteriori considerazioni24.
Per il test di rotazione mentale, le differenze dei risultati del test di rotazione mentale tra i partecipanti sono state utilizzate per distinguere i risultati bassi da quelli alti. Per il test di abilità spaziale, tutti i partecipanti hanno mostrato buoni punteggi e quindi sono stati tutti classificati come persone ad alto rendimento rispetto alle loro abilità spaziali.
All'inizio, vengono riassunti importanti risultati dei partecipanti: i risultati bassi e alti nella rotazione mentale non hanno mostrato differenze nelle loro variabili di base (sesso, età e istruzione). Descrittivamente, i low performer avevano una percentuale più alta di partecipanti di sesso femminile rispetto ai low performer e gli high performer erano più giovani dei low performer. La tabella 2 riassume le caratteristiche dei partecipanti.
Per quanto riguarda i risultati per RQ1, per l'attività di riconoscimento dei cluster, i risultati bassi e alti non differivano significativamente per l'applicazione 2D (4 errori per i bassi e 2 errori per gli high performer) e l'approccio 3D (8 errori per i low performer e 2 errori per gli high performer). Per l'attività di rilevamento dell'outlier, gli high performer erano significativamente più veloci di quelli low performer. Inoltre, le alte prestazioni richiedevano una distanza a piedi più breve per risolvere i compiti. Per il compito dell'outlier, la tabella 3 riassume i risultati dettagliati.
Per quanto riguarda i risultati per RQ2, sono emersi risultati significativi solo per il compito di rilevamento dell'outlier. BoundingBox, PathLength, PathVariance, PathMean, Angle-Variance e AngleMean aumentavano significativamente da un'attività all'altra (vedere la tabella 4). Il tempo registrato, a sua volta, non è cambiato in modo significativo da un'attività all'altra utilizzando gli smartglasses a realtà mista (vedi Tabella dei materiali).
Per quanto riguarda i risultati per RQ3, basati sui suoni spaziali, i partecipanti sono stati in grado di risolvere i compiti nel caso di rilevamento outlier più velocemente che senza utilizzare suoni spaziali (vedi Tabella 5).
Per quanto riguarda i risultati per RQ4, alla pre-valutazione, lo stato medio sui punteggi STAI era M = 44,58 (SD = 4,67). Al momento della valutazione, era M = 45,72 (SD = 4,43). Questo cambiamento non ha raggiunto la significatività statistica (p = .175). Le statistiche descrittive delle risposte nel questionario auto-sviluppato sono presentate nella Figura 10.
Per quanto riguarda i risultati per RQ5, l'approccio degli smartglasses a realtà mista (vedi Tabella dei materiali) indica tempi di riconoscimento dei cluster significativamente più rapidi rispetto all'utilizzo di un computer desktop (vedi Table 6). Tuttavia, il vantaggio di velocità quando si utilizzano gli smartglasses a realtà mista (vedi Tabella dei materiali) era piuttosto piccolo (cioè in un intervallo di millisecondi).
Infine, si noti che i dati di questo studio possono essere trovati a36.
Figura 1: Aspetti indagati sulla scala Interazione versus Novità. La figura mostra le misure utilizzate e la loro novità rispetto al livello di interazione. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 2: Immagini della sala studio. Vengono presentate due immagini della sala studio. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 3: Outlier rilevato. Lo screenshot mostra un valore anomalo rilevato. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 4: Esempio del test di rotazione mentale. Lo screenshot mostra gli oggetti 3D con cui i partecipanti si sono confrontati; cioè, due oggetti su cinque in posizioni diverse con la stessa struttura dell'oggetto dovevano scommettere rilevati. Questa cifra è stata modificata sulla base di questo lavoro35. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 5: Impostazione per il test di abilità spaziale. In (A) viene mostrata la configurazione audio per l'attività Indietro, mentre in (B) viene mostrata l'interfaccia utente schematica del test. Questa cifra è stata modificata sulla base di questo lavoro35. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 6: Illustrazione dell'impostazione per il rilevamento dell'outlier dell'attività. Vengono mostrati tre aspetti principali. Innanzitutto, vengono illustrati i valori anomali. In secondo luogo, vengono mostrate le misure di performance. In terzo luogo, viene mostrato il modo in cui è stato calcolato il supporto sonoro. Questa cifra è stata modificata sulla base di questo lavoro35. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 7: Illustrazione dell'impostazione per il riconoscimento del cluster di attività. Considera gli scenari A-C per una migliore impressione, i partecipanti hanno dovuto cambiare lo sguardo per identificare correttamente i cluster. Questa cifra è stata modificata sulla base di questo lavoro35. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 8: Illustrazione dell'impostazione per il riconoscimento del cluster di attività in Matlab. La figura illustra i cluster forniti in Matlab, che è stata la base per l'applicazione desktop 2D. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 9: Panoramica della procedura complessiva di studio. Questa figura presenta i passi che i partecipanti hanno dovuto compiere, nel loro ordine cronologico. Questa cifra è stata modificata sulla base di questo lavoro35. Fare clic qui per visualizzare una versione ingrandita di questa figura.
Figura 10: Risultati del questionario autoelaborato (cfr. tabella 1). I risultati vengono visualizzati utilizzando i box plot. Questa cifra è stata modificata sulla base di questo lavoro35. Fare clic qui per visualizzare una versione ingrandita di questa figura.
| #Question | Domanda | Bersaglio | Scala | Significato |
| 1 | Quanto sei stato stressante indossare gli occhiali? | Indossando | 1-10 | 10 significa alto, 1 significa basso |
| 2 | Quanto è stato stressante il compito dell'outlier? | Outlier | 1-10 | 10 significa alto, 1 significa basso |
| 3 | Quanto sei stato stressante per i suoni spaziali? | Suono | 1-10 | 10 significa alto, 1 significa basso |
| 4 | Quanto è stato stressante trovare cluster in Mixed Reality? | Cluster MR | 1-10 | 10 significa alto, 1 significa basso |
| 5 | Quanto è stato stressante l'individuazione dei cluster nell'approccio desktop? | Cluster DT | 1-10 | 10 significa alto, 1 significa basso |
| 6 | Quanto è stato stressante l'uso dei comandi vocali? | Voce | 1-10 | 10 significa alto, 1 significa basso |
| 7 | Ti sei sentito supportato dai suoni spaziali? | Suono | 1-10 | 10 significa alto, 1 significa basso |
Tabella 1: Questionario auto-sviluppato per il feedback degli utenti. Comprende 7 domande. Per ogni domanda, i partecipanti dovevano determinare un valore all'interno di una scala da 1 a 10, dove 1 significa un valore basso (cioè un feedback negativo) e 10 un valore alto (cioè un feedback molto buono).
| Variabile | Prestazioni ridotte (n=31) | Prestazioni elevate | Valore P |
| (n=31) | (n=29) | ||
| Genere, n(%) | |||
| Femmina | 7 (23%) | 3 (10%) | |
| Maschio | 24 (77%) | 26 (90%) | .302 (a) |
| Categoria di età, n(%) | |||
| <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) |
| Istruzione più alta, n(%) | |||
| Liceo | 3 (10%) | 5 (17%) | |
| Laurea | 7 (23%) | 6 (21%) | |
| Padrone | 21 (68%) | 18 (62%) | .692 (a) |
| Test di rotazione mentale, media (DS) | |||
| Risposte corrette | 3.03 (1.40) | 5.31 (0.76) | .001 (b) |
| Risposte sbagliate | 2.19 (1.47) | 1.21 (0.56) | .000 (b) |
| Test dell'udito spaziale, media (DS) © | |||
| Risposte corrette | 4.39 (1.09) | 4.31 (1.00) | .467 b) |
| Risposte sbagliate | 1.61 (1.09) | 1.69 (1.00) | .940 (b) |
| a:Test esatto di Fisher | |||
| b:Test t a due campioni | |||
| c: Deviazione standard SD | |||
Tabella 2: Descrizione del campione dei partecipanti e confronto tra prestazioni basse e alte nelle variabili di base. La tabella mostra i dati delle tre domande demografiche su sesso, età e istruzione. Inoltre, vengono presentati i risultati dei due pretest.
| Variabile | Valutare | SE (a) | Risultato |
| BoundingBox per prestazioni ridotte tra le attività | 2,224 | .438 | t(60,00) = 5,08; S<.001 |
| Modifica di BoundingBox per prestazioni elevate tra le attività | +.131 | .630 | t(60,00) = 0,21; p=.836 |
| Tempo per prestazioni ridotte tra le attività | 20,919 | 1,045 | t(60,00) = 20,02; S<.001 |
| Alterazione del tempo per prestazioni elevate in tutte le attività | -3,863 | 1,503 | t(60,00) = -2,57; p=.013 |
| Lunghezza del percorso per prestazioni ridotte tra le attività | 5,637 | .613 | t(60,00) = 9,19; S<.001 |
| Modifica della lunghezza del percorso per prestazioni elevate in tutte le attività | -1,624 | .882 | t(60,00) = -1,84; p=.071 |
| PathVariance per prestazioni ridotte tra le attività | 4.3E-4 | 4.7E-5 | t(65,15) = 9,25; S<.001 |
| Alterazione di PathVariance per prestazioni elevate tra le attività | +4.3E-6 | 6.7E-5 | t(65,15) = 0,063; p=.950 |
| PathMean per prestazioni ridotte in tutte le attività | .0047 | 5.3E-4 | t(60,00) = 8,697; S<.001 |
| Alterazione di PathMean per prestazioni elevate in tutte le attività | +3.8E-5 | 7.7E-4 | t(60,00) = 0,05; p=.960 |
| AngleVariance per prestazioni ridotte tra le attività | .0012 | 7.3E-5 | t(85,70) = 16,15; S<.001 |
| Modifica di AngleVariance per prestazioni elevate tra le attività | -2.7E-5 | 1.0E-4 | t(85,70) = -.26; p=.796 |
| AngleMean per prestazioni ridotte in tutte le attività | .015 | .001 | t(60,00) = 14,27; S<.001 |
| Alterazione di AngleMean per prestazioni elevate in tutte le attività | -3.0E-4 | 1.5E-3 | t(60,00) = -.20; p=.842 |
| (a) SE = Errore standard | |||
Tabella 3: Risultati dei modelli multilivello per RQ1 (rilevamento di valori anomali utilizzando gli smartglasses). La tabella mostra i risultati statistici di RQ1 per l'attività di rilevamento dell'outlier (per tutte le misure delle prestazioni).
| Variabile | Valutare | SE (a) | Risultato |
| BoundingBox alla prima attività | .984 | .392 | t(138,12) = 2,51; p=.013 |
| Modifica di BoundingBox da un'attività all'altra | +.373 | .067 | t(420,00) = 5,59; S<.001 |
| Tempo alla prima attività | 19,431 | 1,283 | t(302,08) = 15,11; S<.001 |
| Alterazione del tempo da un'attività all'altra | -.108 | .286 | t(420,00) = -.37; p=.709 |
| Lunghezza del percorso alla prima attività | 3,903 | .646 | t(214,81) = 6,05; S<.001 |
| Alterazione della lunghezza del percorso da un'attività all'altra | +.271 | .131 | t(420,00) = 2,06; p=.040 |
| PathVariance alla prima attività | 3.1E-4 | 3.7E-5 | t(117,77) = 8,43; S<.001 |
| Alterazione di PathVariance da attività a attività | +3.5E-5 | 4.5E-6 | t(455,00) = 7,90; S<.001 |
| PathMean alla prima attività | .0033 | 4.2E-4 | t(88,98) = 7,66; S<.001 |
| Alterazione di PathMean da un'attività all'altra | +4.1E-4 | 5.2E-5 | t(420,00) = 7,81; S<.001 |
| AngleVariance alla prima attività | .001 | 5.7E-5 | t(129,86) = 17,92; S<.001 |
| Modifica di AngleVariance da attività a attività | +4.1E-5 | 6.5E-6 | t(541,75) = 6,34; S<.001 |
| AngleMean alla prima attività | .0127 | 8.1E-4 | t(82,17) = 15,52; S<.001 |
| Alterazione di AngleMean da un'attività all'altra | +6.1E-4 | 9.0E-5 | t(420,00) = 6,86; S<.001 |
| (a) SE = Errore standard | |||
Tabella 4: Risultati dei modelli multilivello per RQ2 (rilevamento di valori anomali utilizzando gli smartglasses). La tabella mostra i risultati statistici di RQ2 per l'attività di rilevamento dell'outlier (per tutte le misure delle prestazioni).
| Variabile | Valutare | SE (a) | Risultato |
| BoundingBox senza audio tra le attività | 2,459 | .352 | t(93,26) = 6,98; S<.001 |
| Modifica di BoundingBox con audio tra le attività | -.344 | .316 | t(420,00) = -1,09; p=.277 |
| Tempo senza audio tra le attività | 20,550 | 1,030 | t(161,17) = 19,94; S<.001 |
| Alterazione del tempo con il suono tra le attività | -2,996 | 1,319 | t(420,00) = -2,27; p=.024 |
| Lunghezza del percorso senza audio tra le attività | 5,193 | .545 | t(121,81) = 9,54; S<.001 |
| Alterazione della lunghezza del percorso con audio tra le attività | -.682 | .604 | t(420,00) = -1,13; p=.260 |
| PathVariance senza audio tra le attività | .0004 | 3.5E-5 | t(79,74) = 12,110; S<.001 |
| Alterazione di PathVariance con audio tra le attività | +1.3E-5 | 2.2E-5 | t(429,20) = 0,592; p=.554 |
| PathMean senza audio tra le attività | .005 | 4.0E-4 | t(73,66) = 11,35; S<.001 |
| Alterazione di PathMean con audio in tutte le attività | +1.4E-4 | 2.5E-4 | t(420,00) = 0,56; p=.575 |
| AngleVariance senza audio tra le attività | .0012 | 5.4E-5 | t(101,32) = 21,00; S<.001 |
| Alterazione di AngleVariance con suono tra le attività | +3.3E-5 | 3.1E-5 | t(648,56) = 1,07; p=.284 |
| AngleMean senza audio tra le attività | .0145 | 7.8E-4 | t(70,17) = 18,51; S<.001 |
| Alterazione di AngleMean con audio tra le attività | +6.0E-4 | 4.3E-4 | t(420,00) = 1,39; p=.166 |
| (a) SE = Errore standard | |||
Tabella 5: Risultati dei modelli multilivello per RQ3 (rilevamento di valori anomali utilizzando gli smartglasses). La tabella mostra i risultati statistici di RQ3 per l'attività di rilevamento dell'outlier (per tutte le misure di performance).
| Variabile | Valutare | SE (a) | Risultato |
| Tempo con il desktop tra le attività | 10,536 | .228 | t(156,43) = 46,120; S<.001 |
| Alterazione del tempo con Hololens tra le attività | -.631 | .286 | t(660,00) = -2,206; p=.028 |
| (a) SE = Errore standard | |||
Tabella 6: Risultati dei modelli multilivello per RQ5 (riconoscimento cluster utilizzando gli smartglasses). La tabella mostra i risultati statistici di RQ5 per l'attività di riconoscimento del cluster (per tutte le misure di performance).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Per quanto riguarda l'applicazione degli smartglasses a realtà mista sviluppati (vedi Tabella dei materiali), due aspetti sono stati particolarmente vantaggiosi. L'uso di suoni spaziali per il compito di rilevamento dell'outlier è stato percepito positivamente da un lato (vedere i risultati di RQ3). Dall'altro, anche l'uso dei comandi vocali è stato percepito positivamente (cfr . figura 10).
Per quanto riguarda i partecipanti allo studio, sebbene il numero di partecipanti reclutati fosse piuttosto piccolo per uno studio empirico, il numero è competitivo rispetto a molti altri lavori. Tuttavia, è previsto uno studio su larga scala basato sul protocollo mostrato. Tuttavia, poiché ha mostrato la sua fattibilità per 60 partecipanti, ci si aspetta che altri partecipanti non rivelino ulteriori sfide. È stato discusso che la selezione dei partecipanti potrebbe essere più ampia (nel senso dei campi da cui provengono i partecipanti) e che il numero di variabili di base per distinguere tra alte e basse prestazioni potrebbe essere più elevato. Dall'altro, se questi aspetti vengono modificati in numeri più alti, il protocollo stesso non deve essere cambiato profondamente.
In generale, le limitazioni rivelate non influenzano la conduzione di uno studio basato sul protocollo mostrato in questo lavoro, influenzano solo il reclutamento e le domande utilizzate per il questionario demografico. Tuttavia, una limitazione di questo studio è comunque importante: il tempo complessivo richiesto per finire l'esperimento per un partecipante è elevato. D'altra parte, poiché i partecipanti non si sono lamentati del comfort indossabile o del fatto che il dispositivo di test li stia appesantendo troppo, il tempo di condurre il protocollo generale per un partecipante può essere considerato accettabile. Infine, in un futuro esperimento, diversi aspetti devono essere aggiunti al protocollo. In particolare, l'attività di rilevamento dei valori anomali deve essere valutata anche nell'applicazione desktop 2D. Inoltre, devono essere valutati anche altri dispositivi hardware come gli smartglasses di realtà mista usati (vedi Tabella dei materiali). Tuttavia, il protocollo sembra essere vantaggioso in un senso più ampio.
Per il protocollo presentato sono state acquisite le seguenti importanti intuizioni. In primo luogo, ha mostrato la sua fattibilità per valutare l'analisi immersiva per una soluzione di realtà mista. In particolare, gli smartglasses di realtà mista utilizzati (vedi Tabella dei materiali) hanno rivelato la loro fattibilità per valutare l'analisi immersiva in un'applicazione di realtà mista per scenari di Industria 4.0. In secondo luogo, il confronto tra l'applicazione sviluppata per smartglasses a realtà mista (vedi Tabella dei materiali) con un'applicazione desktop 2D è stato utile per verificare se la soluzione di realtà mista può superare un'applicazione che non utilizza tecniche VR. In terzo luogo, la misurazione dei parametri fisiologici o dei segni vitali dovrebbe essere sempre considerata in tali esperimenti. In questo lavoro, lo stress è stato misurato utilizzando un questionario e un dispositivo di conduttanza cutanea. Sebbene quest'ultimo abbia funzionato tecnicamente correttamente, gli autori hanno rivelato in un altro studio con lo stesso dispositivo che sono necessarie ulteriori considerazioni24. In quarto luogo, il test di abilità spaziale e la separazione tra alte e basse prestazioni sono stati vantaggiosi. In sintesi, sebbene il protocollo presentato sembri essere complesso a prima vista (vedi Figura 9), ha mostrato la sua utilità tecnica. Per quanto riguarda i risultati, ha anche rivelato la sua utilità.
Poiché il rilevamento di valori anomali e il riconoscimento dei cluster sono compiti tipici nella valutazione di molti set di dati ad alta dimensione in scenari di Industria 4.0, il loro utilizzo in uno studio empirico è rappresentativo per questo campo di ricerca. Il protocollo ha dimostrato che questi scenari possono essere ben integrati in uno studio di usabilità sull'analisi immersiva. Pertanto, l'impostazione utilizzata può essere raccomandata per altri studi in questo contesto.
Poiché l'esito dello studio mostrato ha dimostrato che l'uso di una soluzione di realtà mista basata sugli smartglasses utilizzati (vedi Tabella dei materiali) è utile per indagare l'analisi immersiva per scenari di Industria 4.0, il protocollo potrebbe essere utilizzato anche per altri studi di usabilità nel contesto dato.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Gli autori non hanno nulla da rivelare.
Acknowledgments
Gli autori non hanno nulla da riconoscere.
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 |
References
- 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).
- 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).
- 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).
- Keim, D. A. Information visualization and visual data mining. IEEE transactions on Visualization and Computer Graphics. 8 (1), 1-8 (2002).
- Dwyer, T., et al. Immersive analytics: An introduction. Immersive analytics. , Springer, Cham. 1-23 (2018).
- 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).
- Davis, F. D., Riedl, R., Vom Brocke, J., Léger, P. M., Randolph, A. B. Information Systems and Neuroscience. , Springer. (2018).
- Huckins, J. F., et al. Fusing mobile phone sensing and brain imaging to assess depression in college students. Frontiers in Neuroscience. 13, 248 (2019).
- Preece, J., et al. Human-computer interaction. , Addison-Wesley Longman Ltd. (1994).
- Card, S. K. The psychology of human-computer interaction. , CRC Press. (2018).
- Pelayo, S., Senathirajah, Y. Human factors and sociotechnical issues. Yearbook of Medical Informatics. 28 (01), 078-080 (2019).
- 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).
- 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).
- Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
- 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).
- 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).
- 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).
- Fang, Y. M., Lin, C. The Usability Testing of VR Interface for Tourism Apps. Applied Sciences. 9 (16), 3215 (2019).
- 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).
- Zugal, S., et al. Investigating expressiveness and understandability of hierarchy in declarative business process models. Software & Systems Modeling. 14 (3), 1081-1103 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Fonnet, A., Prié, Y.
- 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).
- Vandenberg, S. G., Kuse, A. R. Mental rotations, a group test of three-dimensional spatial visualization. Perceptual Motor Skills. 47 (2), 599-604 (1978).
- 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).
- Gautier, L. RPY2: A Simple and Efficient Access to R from Python. , Available from: https://sourceforge.net/projects/rpy/ (2020).
- Hoppenstedt, B., et al. Applicability of immersive analytics in mixed reality: Usability study. IEEE Access. 7, 71921-71932 (2019).
- Hoppenstedt, B. Applicability of Immersive Analytics in Mixed Reality: Usability Study. IEEE Dataport. , (2019).
