Summary
Denne protokollen beskriver den tekniske innstillingen for et utviklet program for blandet virkelighet som brukes til oppslukende analyser. Basert på dette presenteres tiltak som ble brukt i en studie for å få innsikt i brukervennlighetsaspekter ved den utviklede tekniske løsningen.
Abstract
I medisin eller industri er analyse av høydimensjonale datasett i økende grad nødvendig. Tilgjengelige tekniske løsninger er imidlertid ofte komplekse å bruke. Derfor er nye tilnærminger som immersive analytics velkomne. Immersive analytics lover å oppleve høydimensjonale datasett på en praktisk måte for ulike brukergrupper og datasett. Teknisk sett brukes virtuelle virkelighetsenheter for å muliggjøre oppslukende analyser. I Industri 4.0 forfølges for eksempel scenarier som identifisering av avvik eller avvik i høydimensjonale datasett med mål om engasjerende analyse. I denne sammenheng bør to viktige spørsmål tas opp for enhver utviklet teknisk løsning på immersive analytics: For det første, er de tekniske løsningene nyttige eller ikke? For det andre: Er den kroppslige opplevelsen av den tekniske løsningen positiv eller negativ? Det første spørsmålet tar sikte på den generelle gjennomførbarheten av en teknisk løsning, mens den andre tar sikte på bærekomforten. Eksisterende studier og protokoller, som systematisk adresserer disse spørsmålene, er fortsatt sjeldne. I dette arbeidet presenteres en studieprotokoll som hovedsakelig undersøker brukervennligheten for oppslukende analyser i Industry 4.0-scenarier. Nærmere bestemt er protokollen basert på fire pilarer. For det første kategoriserer den brukere basert på tidligere erfaringer. For det andre presenteres oppgaver, som kan brukes til å vurdere gjennomførbarheten av den tekniske løsningen. For det tredje presenteres tiltak som kvantifiserer læringseffekten til en bruker. For det fjerde evaluerer et spørreskjema stressnivået når du utfører oppgaver. Basert på disse pilarene ble det implementert en teknisk innstilling som bruker smartbriller med blandet virkelighet for å anvende studieprotokollen. Resultatene av den gjennomførte studien viser anvendeligheten av protokollen på den ene siden og muligheten for oppslukende analyse i Industry 4.0-scenarier på den andre. Den presenterte protokollen inneholder en drøfting av oppdagede begrensninger.
Introduction
Virtual-reality-løsninger (VR-løsninger) blir stadig viktigere på ulike felt. Ofte, med VR-løsninger (inkludert Virtual Reality, Mixed Reality og Augmented Reality), skal gjennomføringen av mange daglige oppgaver og prosedyrer lettes. For eksempel, i bildomenet, kan konfigurasjonsprosedyren til en bil støttes ved bruk av Virtual Reality1 (VR). Forskere og praktikere har undersøkt og utviklet et mangfold av tilnærminger og løsninger i denne sammenhengen. Imidlertid er studier som undersøker brukervennlighetsaspekter fortsatt sjeldne. Generelt bør aspektene vurderes i lys av to hovedspørsmål. Først må det vurderes om en VR-løsning faktisk utkonkurrerer en tilnærming som ikke benytter VR-teknikker. For det andre, ettersom VR-løsninger hovedsakelig er avhengige av tunge og komplekse maskinvareenheter, bør parametere som bærekomfort og mental innsats undersøkes mer grundig. I tillegg bør de nevnte aspektene alltid undersøkes med hensyn til det aktuelle applikasjonsområdet. Selv om mange eksisterende tilnærminger ser behovet for å undersøke disse spørsmålene2, finnes det færre studier som har presentert resultater.
Et forskningsemne innen VR, som for tiden er viktig, er betegnet med nedsenkende analyser. Det er avledet fra forskningsfeltet visuell analyse, som prøver å inkludere den menneskelige oppfatningen i analyseoppgaver. Denne prosessen er også kjent som visual data mining4. Immersive analytics inkluderer emner fra feltene datavisualisering, visuell analyse, virtuell virkelighet, datagrafikk og menneske-datamaskin-interaksjon5. Nylige fordeler med hodemonterte skjermer (HMD) førte til forbedrede muligheter for å utforske data på en oppslukende måte. Langs disse trendene dukker det opp nye utfordringer og forskningsspørsmål, som utvikling av nye interaksjonssystemer, behovet for å undersøke brukertretthet eller utvikling av sofistikerte 3D-visualiseringer6. I en tidligere publikasjon6 diskuteres viktige prinsipper for immersive analytics. I lys av store data er metoder som immersive analytics mer og mer nødvendig for å muliggjøre en bedre analyse av komplekse datapooler. Det finnes bare noen få studier som undersøker brukervennlighetsaspekter ved oppslukende analyseløsninger. Videre bør det aktuelle domenet eller feltet også vurderes i slike studier. I dette arbeidet ble det utviklet en oppslukende analyseprototype, og basert på det, en protokoll som undersøker den utviklede løsningen for Industry 4.0-scenarier. Protokollen utnytter dermed erfaringsmetode2, som er basert på subjektive, prestasjonsmessige og fysiologiske aspekter. I den aktuelle protokollen måles de subjektive aspektene gjennom opplevd stress hos studiebrukerne. Ytelse måles i sin tur gjennom den nødvendige tiden og feilene som er gjort for å utføre analyseoppgaver. Til slutt målte en hudkonduktanssensor fysiologiske parametere. De to første tiltakene vil bli presentert i dette arbeidet, mens den målte hudkonduktansen krever ytterligere innsats for å bli evaluert.
Den presenterte studien involverer flere forskningsfelt, spesielt inkludert nevrovitenskapelige aspekter og informasjonssystemer. Interessant nok har betraktninger om nevrovitenskapelige aspekter ved informasjonssystemer nylig fått oppmerksomhet fra flere forskningsgrupper7,8, som viser etterspørselen etter å utforske bruken av IT-systemer også fra et kognitivt synspunkt. Et annet felt som er relevant for dette arbeidet utgjør undersøkelsen av menneskelige faktorer i informasjonssystemer 9,10,11. Innen interaksjon mellom mennesker og datamaskiner eksisterer instrumenter for å undersøke brukbarheten til en løsning. Merk at System Usability Scale hovedsakelig brukes i denne sammenhengen12. Thinking Aloud Protocols13 er en annen mye brukt studieteknikk for å lære mer om bruken av informasjonssystemer. Selv om det finnes mange tilnærminger for å måle brukervennlighetsaspekter ved informasjonssystemer, og noen av dem har blitt presentert for lenge siden14, dukker det fortsatt opp spørsmål som krever å undersøke nye tiltak eller studiemetoder. Derfor er forskningen på dette feltet veldig aktiv12,15,16.
I det følgende drøftes årsakene til at to sterkt brukte metoder ikke er vurdert i det aktuelle arbeidet. For det første ble System Usability Scale ikke brukt. Skalaen er basert på ti spørsmål17 og bruken finnes også i flere andre VR-studier18. Siden denne studien hovedsakelig tar sikte på måling av stress19, var et stressrelatert spørreskjema mer passende. For det andre ble ingen Thinking Aloud Protocol20 brukt. Selv om denne protokolltypen har vist sin nytte generelt13, ble den ikke brukt her, da stressnivået til studiebrukere kan øke bare på grunn av at tenk høyt-økten må oppnås parallelt med bruken av en tung og kompleks VR-enhet. Selv om disse to teknikkene ikke har blitt brukt, har resultater fra andre nyere studier blitt innlemmet i den aktuelle studien. For eksempel, i tidligere arbeider21,22, skiller forfatterne mellom nybegynnere og eksperter i sine studier. Basert på det vellykkede resultatet av disse studiene, benytter protokollen for hånden denne presenterte separasjonen av studiebrukere. Stressmålingen er i sin tur basert på ideer fra følgende arbeider 15,19,21,22.
Først, for å gjennomføre studien, må man finne et passende Industri 4.0-scenario for å utføre analytiske oppgaver. Inspirert av et annet arbeid av forfatterne23, har to scenarier (dvs. analyseoppgavene) blitt identifisert, (1) Deteksjon av uteliggere og (2) Anerkjennelse av klynger. Begge scenariene er utfordrende, og er svært relevante i forbindelse med vedlikehold av produksjonsmaskiner med høy gjennomstrømning. Basert på denne beslutningen har seks hovedhensyn drevet studieprotokollen som presenteres i dette arbeidet:
- Løsningen utviklet for studien vil være teknisk basert på smartbriller med blandet virkelighet (se materialtabell) og vil bli utviklet som en blandet virkelighetsapplikasjon.
- En passende test må utvikles, som er i stand til å skille nybegynnere fra avanserte brukere.
- Resultatmålinger bør ta hensyn til tid og feil.
- En skrivebordsapplikasjon må utvikles, som kan sammenlignes med den oppslukende analyseløsningen.
- Et mål må brukes for å evaluere opplevd stressnivå.
- I tillegg til det siste punktet skal det utvikles funksjoner for å redusere stressnivået mens en bruker utfører prosedyren for de to nevnte analyseoppgavene (dvs. (1) påvisning av uteliggere og (2) gjenkjenning av klynger).
Basert på de seks nevnte punktene inneholder studieprotokollen følgende prosedyre. Oppgaver for avviksdeteksjon og klyngegjenkjenning Analyseoppgaver må utføres på en oppslukende måte ved hjelp av smartbriller med blandet virkelighet (se Materialfortegnelse). Derfor ble det utviklet en ny applikasjon. Romlige lyder skal lette utførelsen av analyseoppgaver uten å øke den mentale innsatsen. En talefunksjon skal lette navigeringen som brukes til den utviklede bruken av smartbrillene for blandet virkelighet (se Materialfortegnelse). En mental rotasjonstest skal være grunnlaget for å skille nybegynnere fra avanserte brukere. Stressnivået måles ut fra et spørreskjema. Ytelsen evalueres i sin tur basert på (1) tiden en bruker krever for analyseoppgavene, og basert på (2) feilene som ble gjort av en bruker for analyseoppgavene. Ytelsen i smartglass med blandet virkelighet sammenlignes med utførelsen av de samme oppgavene i en nyutviklet og sammenlignbar 2D-skrivebordsapplikasjon. I tillegg brukes en hudkonduktansenhet til å måle hudens konduktansnivå som en mulig indikator for stress. Resultatene til denne målingen er gjenstand for videre analyse og vil ikke bli diskutert i dette arbeidet. Forfatterne avslørte i en annen studie med samme enhet at ytterligere hensyn kreves24.
Basert på denne protokollen behandles følgende fem forskningsspørsmål (RQs):
RQ1: Påvirker deltakernes romlige fantasievner utførelsen av oppgaver betydelig?
RQ2: Er det en betydelig endring av oppgaveytelsen over tid?
RQ3: Er det en betydelig endring av oppgaveytelsen ved bruk av romlige lyder i løsningen for engasjerende analyse?
RQ4: Oppleves den utviklede immersive analysen stressende av brukerne?
RQ5: Presterer brukerne bedre når de bruker en engasjerende analyseløsning sammenlignet med en 2D-tilnærming?
Figur 1 oppsummerer den presenterte protokollen med hensyn til to skalaer. Det viser de utviklede og brukte tiltakene og deres nyhet med hensyn til samspillsnivået. Siden interaksjonsnivået utgjør et viktig aspekt når man utvikler funksjoner for en VR-setting, skal figur 1 bedre vise nyheten til hele protokollen utviklet i dette arbeidet. Selv om evalueringen av aspektene innenfor de to brukte skalaene er subjektiv, er deres samlede vurdering basert på det nåværende relaterte arbeidet og følgende hovedhensyn: Et viktig prinsipp utgjør bruk av abstraksjoner av et miljø for en naturlig interaksjon, der brukeren har blitt tilpasset til. Med hensyn til protokollen ved hånden, synes visualiseringen av punktskyer å være intuitiv for brukerne, og gjenkjennelsen av mønstre i slike skyer har blitt anerkjent som en håndterbar oppgave generelt. Et annet viktig prinsipp er å legge over affordances. Herved er bruken av romlige lyder som brukt i protokollen for hånden et eksempel, da de korrelerer med nærheten til et søkt objekt. Forfatterne anbefaler å justere representasjonene på en måte som mest mulig informasjon ligger i mellomsonen, noe som er viktigst for menneskelig oppfatning. Grunnen til at forfatterne ikke inkluderte dette prinsippet var å oppmuntre brukeren til å finne det beste stedet av seg selv, samt å prøve å orientere seg i et datavisualiseringsrom, som er for stort til å vises samtidig. I den presenterte tilnærmingen ble det ikke tatt ytterligere hensyn til egenskapene til 3D-dataene som skal vises. Hvis for eksempel en dimensjon antas å være tidsmessig, kan spredningsplott ha blitt vist. Forfatterne anser denne typen visualisering generelt interessant i sammenheng med Industri 4.0. Det må imidlertid være fokusert på et rimelig lite sett med visualiseringer. Videre fokuserte en tidligere publikasjon allerede på samarbeidsanalyse av data. I dette arbeidet ble dette forskningsspørsmålet ekskludert på grunn av kompleksiteten til de andre temaene i denne studien. I det presenterte oppsettet her kan brukeren utforske det oppslukende rommet ved å gå rundt. Andre tilnærminger tilbyr kontrollere å utforske det virtuelle rommet. I denne studien er fokuset satt på brukervennlighet ved hjelp av System Usability Scale (SUS). En annen tidligere publikasjon har gjennomført en studie for økonomiske eksperter, men med VR-headset. Generelt, og viktigst, klager denne studien på det begrensede synsfeltet for andre enheter som de brukte smartbrillene med blandet virkelighet i dette arbeidet (se Materialfortegnelse). Funnene deres viser at nybegynnere innen VR var i stand til å bruke analyseverktøyet effektivt. Dette samsvarer med erfaringene fra denne studien, selv om nybegynnere i dette arbeidet ikke ble klassifisert for å ha VR- eller spillopplevelser. I motsetning til de fleste VR-løsninger, er blandet virkelighet ikke festet til en posisjon, da det gjør det mulig å spore det virkelige miljøet. VR-tilnærminger som å nevne bruk av spesielle stoler for en 360 ° opplevelse for å frigjøre brukeren fra skrivebordet. Forfatterne av indikerer at persepsjonsproblemer påvirker ytelsen til oppslukende analyser; For eksempel ved å bruke skygger. For den aktuelle studien er dette ikke mulig, da de brukte smartbrillene med blandet virkelighet (se materialtabell) ikke kan vise skygger. En løsning kan være et virtuelt gulv, men et slikt oppsett var utenfor omfanget av denne studien. En undersøkelsesstudie innen immersive analytics identifiserte 3D-scatterplots som en av de vanligste representasjonene av flerdimensjonale data. Alt i alt kan ikke aspektene vist i figur 1 finnes for øyeblikket kompilert til en protokoll som undersøker brukervennlighetsaspekter ved oppslukende analyse for Industry 4.0-scenarier.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle materialer og metoder ble godkjent av etikkomiteen ved Universitetet i Ulm, og ble utført i samsvar med de godkjente retningslinjene. Alle deltakerne ga sitt skriftlige informerte samtykke.
1. Etabler et hensiktsmessig studiemiljø
MERK: Studien ble utført i et kontrollert miljø for å takle den komplekse maskinvareinnstillingen. De brukte smartbrillene for blandet virkelighet (se Materialfortegnelse) og den bærbare datamaskinen for 2D-applikasjonen ble forklart for studiedeltakerne.
- Sjekk den tekniske løsningen før hver deltaker; satt i standardmodus. Forbered spørreskjemaene og plasser ved siden av en deltaker.
- La deltakerne løse oppgaver fra brukstilfellene uteliggerdeteksjon og klyngegjenkjenning i en økt (dvs. gjennomsnittlig tid var 43 min).
- Start studien ved å ønske deltakerne velkommen og introdusere målet med studien, samt den overordnede prosedyren.
- Deltakere som bruker hudkonduktansmålingsenheten (se materialfortegnelse) må følge en kort hvilefase for å få en basismåling. Bare halvparten av deltakerne brukte denne enheten.
- Alle deltakerne må fylle ut spørreskjemaet State-Trait Anxiety Inventory (STAI)31, før eksperimentet starter.
- Deretter må deltakerne utføre den mentale rotasjonstesten (se figur 4, denne testen evaluerte romlige fantasievner), som var grunnlaget for å skille høyt fra lavt utøvere (høye utøvere er avanserte brukere, mens lave utøvere er nybegynnere), etterfulgt av romlig lydtest for å måle romlige høreevner hos en deltaker.
MERK: En median splitt av testresultatene i den mentale rotasjonstesten32 ble brukt til å skille lav fra høy utøver.
- Deretter må deltakerne utføre den mentale rotasjonstesten (se figur 4, denne testen evaluerte romlige fantasievner), som var grunnlaget for å skille høyt fra lavt utøvere (høye utøvere er avanserte brukere, mens lave utøvere er nybegynnere), etterfulgt av romlig lydtest for å måle romlige høreevner hos en deltaker.
- Tilfeldig skille deltakerne i to grupper; Start enten med oppgaven med uteliggerdeteksjon eller klyngegjenkjenning, mens du fortsetter med det andre brukstilfellet etterpå. For klyngegjenkjenningsoppgaven startet halvparten av deltakerne først med de brukte smartbrillene for blandet virkelighet (se Materialfortegnelse), og brukte deretter 2D-applikasjonen, mens den andre halvparten først startet med 2D-applikasjonen, og brukte deretter smartbrillene for blandet virkelighet (se Materialfortegnelse). For uteliggerdeteksjonsoppgaven velger du tilfeldig en gruppe som mottar lydstøtte, mens den andre delen av gruppen ikke får lydstøtte.
- Avslutt økten, deltakerne må svare på State-Trait Anxiety Inventory (STAI) spørreskjema31 igjen, samt det selvutviklede og et demografisk spørreskjema.
- Lagre de genererte dataene, som automatisk ble registrert av hvert utviklet program, på den bærbare datamaskinens lagring etter at økten var fullført.
2. Studieprotokoll for deltakere
- Forbered eksperimentet (se figur 2 for eksperimentets rom) for hver deltaker. Presenter den stasjonære PC-en, de brukte smartbrillene for blandet virkelighet, og del ut spørreskjemaene.
- Informer deltakerne om at eksperimentet vil ta 40 til 50 minutter, og at halvparten av dem starter etter pretestene (se punkt 3-6 i studieprotokollen) først med utliggerdeteksjonstesten (se punkt 7 i studieprotokollen), etterfulgt av klyngegjenkjenningstesten (se punkt 8 i studieprotokollen), mens de andre oppnår disse to testene omvendt (dvs. punkt 8 i studieprotokollen foran punkt 7).
- Avgjør tilfeldig om en hudkonduktansmåling skal utføres. Hvis ja, klargjør du hudkonduktansmålingsenheten33 og informerer deltakeren om å sette på enheten. Be om en kort hvilefase fra deltakerne for å få en basismåling for deres stressnivå.
- Be deltakerne om å fylle ut spørreskjemaet State-Trait Anxiety Inventory (STAI)31 og informere dem om at det måler det nåværende oppfattede stresset før eksperimentet.
- Utfør en mental rotasjonstest.
- Informer deltakerne om at deres mentale rotasjonsevner blir evaluert, og før dem foran en stasjonær datamaskin. Informer deltakerne om testprosedyren. Merk at de måtte identifisere lignende objekter som hadde forskjellige posisjoner i et simulert 3D-rom.
- Informer deltakerne om at bare to av de fem viste objektene er like, og at de vil ha 2 minutter for hele testen. Informer deltakerne om at syv oppgaver kan utføres i løpet av de gitte 2 minuttene, og fortell dem at ytelsesmål registreres for hver fullførte oppgave.
- Evaluere romlige lydevner.
- Informer deltakerne om at deres romlige lydevner blir evaluert, og løft dem foran en stasjonær datamaskin. Informer deltakerne om testprosedyren. Forklar deltakerne at seks lydprøver må oppdages, som vil bli spilt i 13 sekunder hver.
- Informer deltakerne om at de må oppdage retningen (analogt til de fire kompassretningene) som lyden kommer fra.
- Evaluer outlier deteksjon ferdigheter.
- Be deltakerne om å ta på seg smartbrillene for blandet virkelighet. Forklar dem at uteliggere må finnes i verden som er skapt for smartbrillene med blandet virkelighet.
- Informer dem videre om at en uteliggere er et rødmerket punkt, alle andre punkter er hvitmerket. Forklar dem da at de må rette blikket mot det rødfargede punktet for å oppdage det.
- Videre informere deltakerne om at ikke bare visuell hjelp er gitt, også miljølyder støtter dem til å finne uteliggere. Gi informasjonen til deltakerne om at de må utføre 8 utliggeroppgaver, noe som betyr at 8 ganger i den virtuelle verden må det rødfargede punktet bli funnet. For hver deltaker er 4 oppgaver lydstøttet, mens 4 oppgaver er lyd-ikke-støttet. For hver deltaker er det tilfeldig valgt om de starter en oppgave lydstøttet eller ikke. Deretter, avhengig av den første oppgaven, endres det fra oppgave til oppgave om lydstøtte gis eller ikke.
- Fortell deltakerne hvilken informasjon som skal registreres: nødvendig tid for hver oppgave, lengden på gange og hvordan deres endelige bevegelige posisjon ser ut som relatert til startposisjonen. Fortell til slutt deltakerne at det rødmerkede punktet endres til grønt hvis det ble oppdaget (se figur 3).
- Evaluer klyngegjenkjenningsferdigheter.
- Tilfeldig bestemme for deltakeren om først å bruke mixed reality smartbriller eller å lede deltakeren til en stasjonær datamaskin. I det følgende beskrives bare prosedyren for innstillingen for blandet virkelighet. Hvis en deltaker først starter med den stasjonære datamaskinen, er prosedyren den samme i endret rekkefølge, og bortsett fra talekommandoene, blir de bare gitt når du bruker løsningen for blandet virkelighet.
- For deltakere som bruker blandet virkelighet: Be deltakerne om å ta på seg smartbrillene for blandet virkelighet. Informer deltakerne om hvordan de finner klynger i verden som er opprettet med de brukte smartbrillene for blandet virkelighet. Understrek for deltakerne at de måtte skille mellom overlappende klynger ved å bevege seg rundt dem.
- For deltakere som bruker blandet virkelighet: Forklar deltakerne at de kan navigere i den virtuelle verden og rundt i klyngene ved hjelp av talekommandoer. Fortell til slutt deltakerne at de måtte oppdage seks klynger.
- For deltakere som bruker blandet virkelighet: Be deltakerne om å fjerne de brukte smartbrillene for blandet virkelighet. Føre deltakerne til en stasjonær datamaskin og be dem om å bruke programvaren som vises på skjermen på den stasjonære datamaskinen. Informer dem om at samme type klynger som vist i de brukte smartbrillene med blandet virkelighet måtte oppdages ved hjelp av programvaren på den stasjonære datamaskinen (se figur 7 og figur 8).
- Be deltakerne om å fylle ut tre spørreskjemaer, nemlig State-Trait Anxiety Inventory (STAI) spørreskjema31, et selvutviklet spørreskjema for å samle subjektiv tilbakemelding og et demografisk spørreskjema for å samle informasjon om dem.
- Be deltakerne om å fjerne hudkonduktansmåleenheten33 hvis de i begynnelsen ble bedt om å ta den på.
- Avlast deltakerne fra eksperimentet ved å si takk for deltakelsen.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Definere tiltak for eksperimentet
For uteliggerdeteksjonsoppgaven ble følgende ytelsesmål definert: tid, bane og vinkel. Se figur 6 for målingene.
Tiden ble registrert til et rødmerket punkt (dvs. uteliggeren) ble funnet. Dette resultatmålet angir hvor lang tid en deltaker trengte for å finne det rødmerkede punktet. Tid betegnes som variabelen "tid" (i millisekunder) i resultatene.
Mens deltakerne forsøkte å finne det rødmerkede punktet, ble lengden på turstien bestemt. Grunnlaget for denne beregningen var at de brukte smartbrillene for blandet virkelighet (se materialtabell) samler gjeldende posisjon som en 3D-vektor relativt til startposisjonen med en bildefrekvens på 60 bilder per sekund. Basert på dette kunne lengden på stien en deltaker hadde gått, beregnes. Dette resultatmålet indikerer om deltakerne gikk mye eller ikke. Bane betegnes som Banelengde i resultatene. Basert på PathLength ble ytterligere tre ytelsesmål utledet: PathMean, PathVariance og BoundingBox. PathMean angir gjennomsnittshastigheten til deltakerne i meter per ramme, PathVariance uberegneligheten til en bevegelse, og BoundingBox angir om deltakerne intensivt hadde brukt markeringsrammen. Sistnevnte bestemmes basert på maksimums- og minimumsposisjonene for alle bevegelser (dvs. deltakere som ofte endrer gangstilling avslørte høyere BoundingBox-verdier).
Den siste verdien som ble målt, er betegnet med AngleMean og utgjør en avledet verdi av vinkelen, som er betegnet med AngleMean. Sistnevnte angir rotasjonen mellom gjeldende posisjon og startposisjonen til en deltaker med en bildefrekvens på 60 per sekund. Basert på dette ble gjennomsnittlig rotasjonshastighet i grader per ramme beregnet. Avledet på denne verdien ble rotasjonens uberegnelighet ved hjelp av variansen beregnet, som betegnes som AngleVariance.
For å oppsummere formålet med de beregnede bane- og vinkelverdiene angir banen om brukerne går mye eller ikke. Hvis de ikke går mye, kan det tyde på deres mangel på orientering. Vinkelen skal i sin tur indikere om deltakerne gjør raske eller plutselige hodebevegelser. Hvis de gjør plutselige hodebevegelser flere ganger, kan dette igjen tyde på mangel på orientering.
For klyngedeteksjonsoppgaven ble følgende ytelsesmål definert: tid og feil. Tiden ble registrert til det tidspunktet hvor deltakerne rapporterte hvor mange klynger de har oppdaget. Dette resultatmålet indikerer hvor lang tid deltakerne trengte for å finne klynger. Tid betegnes som Tid (i millisekunder). Feil identifiseres i betydningen en binær beslutning (sant/usant). Enten var antall rapporterte klynger korrekt (sant) eller ikke riktig (usant). Feil er betegnet med feil.
Statsversjonen av State-Trait Anxiety Inventory (STAI) spørreskjema31 ble brukt til å måle tilstandsangst, en konstruksjon som ligner på tilstandsstress. Spørreskjemaet består av 20 punkter og ble delt ut før studien startet, samt etterpå for å evaluere endringene i tilstandsangsten. For evalueringen av dette spørreskjemaet ble alle positive attributter snudd (f.eks. blir et svar '4' en '1'), og alle svarene summeres opp til en endelig STAI-poengsum. Hudkonduktansen ble målt for 30 tilfeldig utvalgte deltakere ved hjelp av hudkonduktansmålingsenheten (se materialtabell)33.
Etter at de to oppgavetypene er gjennomført, ble det på slutten av studien delt ut et egenutviklet spørreskjema for å be om tilbakemelding fra deltakerne. Spørreskjemaet er vist i tabell 1. Videre spurte et demografisk spørreskjema om kjønn, alder og utdanning av alle deltakerne.
Samlet studieprosedyre og studieinformasjon
Den overordnede gjennomførte studieprosedyren er illustrert i figur 9. 60 deltakere ble med i studien. Deltakerne var for det meste rekruttert ved Ulm University og programvareselskaper fra Ulm. De deltakende studentene var hovedsakelig fra feltene informatikk, psykologi og fysikk. Ti var kvinner og 50 var menn.
Basert på pretesten for mental rotasjon ble 31 kategorisert som lavpresterende spillere, mens 29 ble kategorisert som høytpresterende spillere. Spesielt ble 7 kvinner og 24 menn kategorisert som lavpresterende menn, mens 3 kvinner og 26 menn ble kategorisert som høytytende. Til de statistiske evalueringene ble det brukt 3 programvareverktøy (se Materialfortegnelse).
Frekvenser, prosenter, gjennomsnitt og standardavvik ble beregnet som deskriptiv statistikk. Lav- og høytytende pasienter ble sammenlignet i demografiske variabler ved baseline ved hjelp av Fishers eksakte tester og t-tester for uavhengige utvalg. For RQ1 -RQ5 ble det utført lineære flernivåmodeller med full maksimal sannsynlighetsestimering. To nivåer ble inkludert, der nivå én representerer de gjentatte vurderingene (enten i uteliggerdeteksjon eller klyngegjenkjenning), og nivå to representerer deltakerne. Ytelsesmålene (unntatt feil) var de avhengige variablene i disse modellene. I RQ 1 ble også Fishers eksakte tester for feilsannsynlighetene brukt. I RQ3 ble ytelse i tid i romlige lyder versus ingen lyder undersøkt (lyd vs. ingen lyd ble inkludert som prediktor i modellene). STAI-skårene ble evaluert med t-tester for avhengige prøver for RQ4. I RQ5 ble effekten av 2D-applikasjonen versus de brukte smartbrillene for blandet virkelighet (se materialtabell) undersøkt, ved hjelp av McNemars test for feilsannsynligheten. Alle statistiske tester ble utført med to haler; signifikansverdien ble satt til P<,05.
Hudledningsresultatene er ikke analysert og er gjenstand for fremtidig arbeid. Det er viktig at forfatterne avslørte i en annen studie med samme enhet at ytterligere hensyn kreves24.
For den mentale rotasjonstesten ble forskjellene i resultatene fra den mentale rotasjonstesten mellom deltakerne brukt til å skille lave fra høytytende. For romlig evnetest viste alle deltakerne gode poeng og ble derfor alle kategorisert til høytytende med hensyn til deres romlige evner.
Først oppsummeres viktige resultater fra deltakerne: Lav- og høypresterende i mental rotasjon viste ingen forskjeller i basisvariablene (kjønn, alder og utdanning). Beskrivende nok hadde de lavest presterende en høyere andel kvinnelige deltakere enn de som presterte høyt, og de som presterte dårligere enn de som presterte dårlig. Tabell 2 oppsummerer kjennetegn ved deltakerne.
Når det gjelder resultater for RQ1, for klyngegjenkjenningsoppgaven, skilte ikke lave og høye utøvere seg signifikant for 2D-applikasjonen (4 feil for lave og 2 feil for høytytende) og 3D-tilnærmingen (8 feil for lave og 2 feil for høytytende). For uteliggerens deteksjonsoppgave var høytytende betydelig raskere enn lavpresterende utøvere. I tillegg krevde høytytende personer kortere gangavstand for å løse oppgavene. For uteliggerens oppgave oppsummerer tabell 3 de detaljerte resultatene.
Når det gjelder resultater for RQ2, fremkom signifikante resultater bare for uteliggerens deteksjonsoppgave. Markeringsrammen, PathLength, PathVariance, PathMean, Angle-variance og AngleMean økte betydelig fra aktivitet til aktivitet (se tabell 4). Den registrerte tiden endret seg i sin tur ikke vesentlig fra oppgave til oppgave ved hjelp av smartbrillene for blandet virkelighet (se Materialfortegnelse).
Når det gjelder resultater for RQ3, basert på de romlige lydene, var deltakerne i stand til å løse oppgavene i utliggerdeteksjonssaken raskere enn uten å bruke romlige lyder (se tabell 5).
Når det gjelder resultater for RQ4, ved forhåndsvurderingen, var gjennomsnittlig tilstand på STAI-skårene M = 44,58 (SD = 4,67). Ved ettervurdering var den M = 45,72 (SD = 4,43). Denne endringen oppnådde ikke statistisk signifikans (p = .175). Deskriptiv statistikk over svarene i det egenutviklede spørreskjemaet er presentert i figur 10.
Når det gjelder resultater for RQ5, indikerer mixed reality-smartbrillene (se Materialfortegnelse) betydelig raskere klyngegjenkjenningstider enn å bruke en stasjonær datamaskin (se Table 6). Imidlertid var hastighetsfordelen ved bruk av smartbrillene med blandet virkelighet (se materialfortegnelse) ganske liten (dvs. i et millisekunderområde).
Til slutt, merk at dataene i denne studien kan bli funnet på36.
Figur 1: Undersøkte aspekter på skalaen interaksjon versus nyhet. Figuren viser de brukte tiltakene og deres nyhet med hensyn til samspillsnivået. Klikk her for å se en større versjon av denne figuren.
Figur 2: Bilder av lesesalen. To bilder av lesesalen presenteres. Klikk her for å se en større versjon av denne figuren.
Figur 3: Påvist uteligger. Skjermbildet viser en oppdaget uteligger. Klikk her for å se en større versjon av denne figuren.
Figur 4: Eksempel på mental rotasjonstest. Skjermbildet viser 3D-objektene deltakerne ble konfrontert med; Det vil si at to av fem objekter i forskjellige posisjoner med samme objektstruktur måtte satse på det. Dette tallet er modifisert på bakgrunn av dette arbeidet35. Klikk her for å se en større versjon av denne figuren.
Figur 5: Innstilling for romlig evnetest. I (A) vises lydkonfigurasjonen for oppgaven Tilbake, mens i (B) vises det skjematiske brukergrensesnittet for testen. Dette tallet er modifisert på bakgrunn av dette arbeidet35. Klikk her for å se en større versjon av denne figuren.
Figur 6: Illustrasjon av innstillingen for gjenkjenning av oppgaveavviket. Tre hovedaspekter vises. Først illustreres uteliggerne. For det andre vises resultatmål. For det tredje vises måten hvordan lydstøtten ble beregnet. Dette tallet er modifisert på bakgrunn av dette arbeidet35. Klikk her for å se en større versjon av denne figuren.
Figur 7: Illustrasjon av innstillingen for gjenkjenning av oppgaveklynger. Tenk på scenariene A-C For et bedre inntrykk måtte deltakerne endre blikket for å identifisere klynger riktig. Dette tallet er modifisert på bakgrunn av dette arbeidet35. Klikk her for å se en større versjon av denne figuren.
Figur 8: Illustrasjon av innstillingen for oppgaveklyngegjenkjenning i Matlab. Figuren illustrerer klynger i Matlab, som var grunnlaget for skrivebordsprogrammet 2D. Klikk her for å se en større versjon av denne figuren.
Figur 9: Oversikt over den samlede studieprosedyren. Denne figuren presenterer trinnene deltakerne måtte utføre, i kronologisk rekkefølge. Dette tallet er modifisert på bakgrunn av dette arbeidet35. Klikk her for å se en større versjon av denne figuren.
Figur 10: Resultater av det egenutviklede spørreskjemaet (se tabell 1). Resultatene vises ved hjelp av boksplott. Dette tallet er modifisert på bakgrunn av dette arbeidet35. Klikk her for å se en større versjon av denne figuren.
| #Question | Spørsmål | Mål | Skala | Betydning |
| 1 | Som hvor stressende opplevde du å bruke brillene? | Iført | 1-10 | 10 betyr høy, 1 betyr lav |
| 2 | Hvor stressende var uteliggerens oppgave? | Outliers | 1-10 | 10 betyr høy, 1 betyr lav |
| 3 | Som hvor stressende opplevde du de romlige lydene? | Lyd | 1-10 | 10 betyr høy, 1 betyr lav |
| 4 | Hvor stressende var oppgaven med å finne klynger i blandet virkelighet? | Klynge MR | 1-10 | 10 betyr høy, 1 betyr lav |
| 5 | Hvor stressende var oppgaven med å finne klynger i skrivebordstilnærmingen? | Klynge DT | 1-10 | 10 betyr høy, 1 betyr lav |
| 6 | Hvor stressende var bruken av talekommandoene? | Stemme | 1-10 | 10 betyr høy, 1 betyr lav |
| 7 | Følte du deg støttet av de romlige lydene? | Lyd | 1-10 | 10 betyr høy, 1 betyr lav |
Tabell 1: Egenutviklet spørreskjema for tilbakemeldinger fra brukere. Den består av 7 spørsmål. For hvert spørsmål måtte deltakerne bestemme en verdi innenfor en skala fra 1-10, der 1 betyr en lav verdi (dvs. dårlig tilbakemelding) og 10 en høy verdi (dvs. en veldig god tilbakemelding).
| Variabel | Lav ytelse (n = 31) | Høy ytelse | P-verdi |
| (n=31) | (n=29) | ||
| Kjønn, n(%) | |||
| Kvinnelig | 7 (23%) | 3 (10%) | |
| Mannlig | 24 (77%) | 26 (90%) | .302 (a) |
| Alderskategori, 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) |
| Høyeste utdanning, n(%) | |||
| Videregående skole | 3 (10%) | 5 (17%) | |
| Ungkar | 7 (23%) | 6 (21%) | |
| Mestre | 21 (68%) | 18 (62%) | .692 (a) |
| Mental rotasjonstest, gjennomsnitt (SD) | |||
| Riktige svar | 3.03 (1.40) | 5.31 (0.76) | .001 (b) |
| Feil svar | 2.19 (1.47) | 1.21 (0.56) | .000 (b) |
| Romlig hørselstest, gjennomsnitt (SD) © | |||
| Riktige svar | 4.39 (1.09) | 4.31 (1.00) | .467 (b) |
| Feil svar | 1.61 (1.09) | 1.69 (1.00) | .940 (b) |
| a:Fishers eksakte test | |||
| b:T-test med to utvalg | |||
| c: SD-standardavvik | |||
Tabell 2: Deltakerutvalgsbeskrivelse og sammenligning mellom lav- og høypresterende i basisvariabler. Tabellen viser data til de tre demografiske spørsmålene om kjønn, alder og utdanning. I tillegg presenteres resultatene fra de to pretestene.
| Variabel | Taksere | SE (a) | Resultat |
| BoundingBox for flere oppgaver med lav ytelse | 2,224 | .438 | t(60,00) = 5,08; s<.001 |
| Endring av BoundingBox for høytytende arbeid på tvers av oppgaver | +.131 | .630 | t(60,00) = .21; p=.836 |
| Tid for lavt presterende på tvers av oppgaver | 20,919 | 1,045 | t(60,00) = 20,02; s<.001 |
| Endring av tid for høytytende på tvers av oppgaver | -3,863 | 1,503 | t(60,00) = -2,57; p=.013 |
| Banelengde for lavpresterende på tvers av oppgaver | 5,637 | .613 | t(60,00) = 9,19; s<.001 |
| Endring av banelengde for høytytende på tvers av oppgaver | -1,624 | .882 | t(60,00) = -1,84; p=.071 |
| PathVariance for lavpresterende på tvers av oppgaver | 4.3E-4 | 4.7E-5 | t(65,15) = 9,25; s<.001 |
| Endring av PathVariance for høytytende på tvers av oppgaver | +4.3E-6 | 6.7E-5 | t(65.15) = .063; p=.950 |
| PathMean for lavpresterende på tvers av oppgaver | .0047 | 5.3E-4 | t(60,00) = 8,697; s<.001 |
| Endring av PathMean for høytytende på tvers av oppgaver | +3.8E-5 | 7.7E-4 | t(60,00) = .05; p=.960 |
| AngleVariance for lavpresterende på tvers av oppgaver | .0012 | 7.3E-5 | t(85,70) = 16,15; s<.001 |
| Endring av AngleVariance for høytytende på tvers av oppgaver | -2.7E-5 | 1.0E-4 | t(85,70) = -,26; p=.796 |
| AngleMean for lavpresterende på tvers av oppgaver | .015 | .001 | t(60,00) = 14,27; s<.001 |
| Endring av AngleMean for høytytende på tvers av oppgaver | -3.0E-4 | 1.5E-3 | t(60,00) = -.20; p=.842 |
| (a) SE = Standard feil | |||
Tabell 3: Resultater fra flernivåmodellene for RQ1 (avviksdeteksjon ved bruk av smartbrillene). Tabellen viser statistiske resultater av RQ1 for uteliggerens deteksjonsoppgave (for alle ytelsesmål).
| Variabel | Taksere | SE (a) | Resultat |
| BoundingBox ved første oppgave | .984 | .392 | t(138,12) = 2,51; p=.013 |
| Endring av markeringsramme fra oppgave til oppgave | +.373 | .067 | t(420,00) = 5,59; s<.001 |
| Tid ved første oppgave | 19,431 | 1,283 | t(302.08) = 15.11; s<.001 |
| Endring av tid fra oppgave til oppgave | -.108 | .286 | t(420,00) = -,37; p=.709 |
| Banelengde ved første aktivitet | 3,903 | .646 | t(214,81) = 6,05; s<.001 |
| Endring av banelengde fra aktivitet til oppgave | +.271 | .131 | t(420,00) = 2,06; p=.040 |
| PathVariance ved første aktivitet | 3.1E-4 | 3.7E-5 | t(117,77) = 8,43; s<.001 |
| Endring av PathVariance fra aktivitet til aktivitet | +3.5E-5 | 4.5E-6 | t(455,00) = 7,90; s<.001 |
| PathMean ved første oppgave | .0033 | 4.2E-4 | t(88,98) = 7,66; s<.001 |
| Endring av PathMean fra oppgave til oppgave | +4.1E-4 | 5.2E-5 | t(420,00) = 7,81; s<.001 |
| AngleVariance ved første oppgave | .001 | 5.7E-5 | t(129,86) = 17,92; s<.001 |
| Endring av AngleVariance fra oppgave til oppgave | +4.1E-5 | 6.5E-6 | t(541,75) = 6,34; s<.001 |
| AngleMean ved første oppgave | .0127 | 8.1E-4 | t(82,17) = 15,52; s<.001 |
| Endring av AngleMean fra oppgave til oppgave | +6.1E-4 | 9.0E-5 | t(420,00) = 6,86; s<.001 |
| (a) SE = Standard feil | |||
Tabell 4: Resultater fra flernivåmodellene for RQ2 (avviksdeteksjon ved bruk av smartbrillene). Tabellen viser statistiske resultater av RQ2 for avvikets deteksjonsoppgave (for alle ytelsesmål).
| Variabel | Taksere | SE (a) | Resultat |
| BoundingBox uten lyd på tvers av oppgaver | 2,459 | .352 | t(93,26) = 6,98; s<.001 |
| Endring av BoundingBox med lyd på tvers av oppgaver | -.344 | .316 | t(420,00) = -1,09; p=.277 |
| Tid uten lyd på tvers av oppgaver | 20,550 | 1,030 | t(161,17) = 19,94; s<.001 |
| Endring av tid med lyd på tvers av oppgaver | -2,996 | 1,319 | t(420,00) = -2,27; p=.024 |
| Banelengde uten lyd på tvers av aktiviteter | 5,193 | .545 | t(121,81) = 9,54; s<.001 |
| Endring av banelengde med lyd på tvers av oppgaver | -.682 | .604 | t(420,00) = -1,13; p=.260 |
| PathVariance uten lyd på tvers av aktiviteter | .0004 | 3.5E-5 | t(79,74) = 12,110; s<.001 |
| Endring av PathVariance med lyd på tvers av oppgaver | +1.3E-5 | 2.2E-5 | t(429.20) = .592; p=.554 |
| PathMean uten lyd på tvers av oppgaver | .005 | 4.0E-4 | t(73,66) = 11,35; s<.001 |
| Endring av PathMean med lyd på tvers av oppgaver | +1.4E-4 | 2.5E-4 | t(420,00) = .56; p=.575 |
| AngleVariance uten lyd på tvers av oppgaver | .0012 | 5.4E-5 | t(101,32) = 21,00; s<.001 |
| Endring av AngleVariance med lyd på tvers av oppgaver | +3.3E-5 | 3.1E-5 | t(648,56) = 1,07; p=.284 |
| AngleMean uten lyd på tvers av oppgaver | .0145 | 7.8E-4 | t(70,17) = 18,51; s<.001 |
| Endring av AngleMean med lyd på tvers av oppgaver | +6.0E-4 | 4.3E-4 | t(420,00) = 1,39; p=.166 |
| (a) SE = Standard feil | |||
Tabell 5: Resultater fra flernivåmodellene for RQ3 (avviksdeteksjon ved bruk av smartbrillene). Tabellen viser statistiske resultater av RQ3 for uteliggerens deteksjonsoppgave (for alle ytelsesmål).
| Variabel | Taksere | SE (a) | Resultat |
| Tid med skrivebord på tvers av oppgaver | 10,536 | .228 | t(156,43) = 46,120; s<.001 |
| Endring av tid med Hololens på tvers av oppgaver | -.631 | .286 | t(660,00) = -2,206; p=.028 |
| (a) SE = Standard feil | |||
Tabell 6: Resultater av flernivåmodellene for RQ5 (klyngegjenkjenning ved hjelp av smartbrillene). Tabellen viser statistiske resultater av RQ5 for klyngegjenkjenningsoppgaven (for alle ytelsesmål).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Når det gjelder de utviklede smartbrillene for blandet virkelighet (se materialfortegnelse), var to aspekter spesielt fordelaktige. Bruken av romlige lyder for uteliggerens deteksjonsoppgave ble positivt oppfattet på den ene siden (se resultatene fra RQ3). På den annen side ble også bruk av talekommandoer oppfattet positivt (se figur 10).
Når det gjelder studiedeltakerne, selv om antall rekrutterte deltakere var ganske lite for en empirisk studie, er antallet konkurransedyktig sammenlignet med mange andre arbeider. Likevel planlegges en større studie basert på den viste protokollen. Men da det viste sin gjennomførbarhet for 60 deltakere, forventes det at flere deltakere ikke vil avsløre ytterligere utfordringer. Det ble diskutert at utvalget av deltakere kunne være bredere (i betydningen feltene deltakerne kommer fra) og at antall basisvariabler for å skille mellom høyt og lavt presterende kunne være høyere. På den annen side, hvis disse aspektene endres til høyere tall, må selve protokollen ikke endres dyptgående.
Generelt påvirker de avslørte begrensningene ikke gjennomføringen av en studie basert på protokollen vist i dette arbeidet, de påvirker bare rekrutteringen og de brukte spørsmålene til det demografiske spørreskjemaet. En begrensning ved denne studien er likevel viktig: Den totale tiden som kreves for å fullføre eksperimentet for en deltaker er høy. På den annen side, da deltakerne ikke klaget over bærekomforten, eller at testenheten belaster dem for mye, kan tiden for å gjennomføre den samlede protokollen for en deltaker anses å være akseptabel. Til slutt, i et fremtidig eksperiment, må flere aspekter legges til protokollen. Spesielt bør uteliggerdeteksjonsoppgaven også evalueres i 2D-skrivebordsprogrammet. Videre må andre maskinvareenheter som de brukte smartbrillene for blandet virkelighet (se Materialfortegnelse) også evalueres. Protokollen synes imidlertid å være gunstig i bredere forstand.
Følgende viktige innsikt ble oppnådd for den presenterte protokollen. For det første viste den sin gjennomførbarhet for å evaluere oppslukende analyser for en blandet virkelighetsløsning. Spesielt avslørte de brukte smartbrillene for blandet virkelighet (se Materialfortegnelse) at de var gjennomførbare for å evaluere oppslukende analyser i en blandet virkelighetsapplikasjon for Industri 4.0-scenarier. For det andre var sammenligningen av de utviklede brukte smartbrillene for blandet virkelighet (se Materialfortegnelse) med et 2D-skrivebordsprogram nyttig for å undersøke om løsningen for blandet virkelighet kan overgå et program som ikke bruker VR-teknikker. For det tredje bør måling av fysiologiske parametere eller vitale tegn alltid vurderes i slike eksperimenter. I dette arbeidet ble stress målt ved hjelp av et spørreskjema og et hudledningsapparat. Selv om sistnevnte fungerte teknisk riktig, avslørte forfatterne i en annen studie med samme enhet at ytterligere hensyn kreves24. For det fjerde var den romlige evnetesten og separasjonen av høye og lave utøvere fordelaktig. Oppsummert, selv om den presenterte protokollen ser ut til å være kompleks ved første øyekast (se figur 9), viste den sin nytte teknisk. Når det gjelder resultatene, avslørte det også nytten.
Siden deteksjon av uteliggere og gjenkjenning av klynger er typiske oppgaver i evalueringen av mange høydimensjonale datasett i Industri 4.0-scenarier, er bruken av dem i en empirisk studie representativ for dette forskningsfeltet. Protokollen viste at disse scenariene kan integreres godt i en brukervennlighetsstudie om engasjerende analyse. Derfor kan den brukte innstillingen anbefales for andre studier i denne sammenhengen.
Ettersom resultatet av den viste studien viste at bruken av en blandet virkelighetsløsning basert på de brukte smartbrillene (se Materialfortegnelse) er nyttig for å undersøke oppslukende analyser for Industri 4.0-scenarier, kan protokollen også brukes til andre brukervennlighetsstudier i den gitte konteksten.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ingenting å avsløre.
Acknowledgments
Forfatterne har ingenting å erkjenne.
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).
