Waiting
Login-Verarbeitung ...

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

Engineering

Avaliando aspectos de usabilidade de uma solução de realidade mista para análises imersivas em cenários da Indústria 4.0

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

Summary

Este protocolo delineia a configuração técnica de um aplicativo de realidade mista desenvolvido que é usado para análises imersivas. Com base nisso, são apresentadas medidas, que foram utilizadas em um estudo para obter insights sobre aspectos de usabilidade da solução técnica desenvolvida.

Abstract

Na medicina ou na indústria, a análise de conjuntos de dados de alta dimensão é cada vez mais necessária. No entanto, as soluções técnicas disponíveis são muitas vezes complexas de usar. Portanto, novas abordagens, como a análise imersiva, são bem-vindas. A análise imersiva promete experimentar conjuntos de dados de alta dimensão de maneira conveniente para vários grupos de usuários e conjuntos de dados. Tecnicamente, os dispositivos de realidade virtual são usados para permitir análises imersivas. Na Indústria 4.0, por exemplo, cenários como a identificação de valores atípicos ou anomalias em conjuntos de dados de alta dimensão são objetivos de análise imersiva. Nesse contexto, duas questões importantes devem ser abordadas para qualquer solução técnica desenvolvida em análise imersiva: Primeiro, as soluções técnicas estão sendo úteis ou não? Em segundo lugar, a experiência corporal da solução técnica é positiva ou negativa? A primeira questão visa a viabilidade geral de uma solução técnica, enquanto a segunda visa o conforto de uso. Estudos e protocolos existentes, que abordam sistematicamente essas questões, ainda são raros. Neste trabalho, é apresentado um protocolo de estudo, que investiga principalmente a usabilidade para análises imersivas em cenários da Indústria 4.0. Especificamente, o protocolo é baseado em quatro pilares. Primeiro, ele categoriza os usuários com base em experiências anteriores. Em segundo lugar, são apresentadas tarefas, que podem ser usadas para avaliar a viabilidade da solução técnica. Em terceiro lugar, são apresentadas medidas que quantificam o efeito de aprendizagem de um usuário. Em quarto lugar, um questionário avalia o nível de estresse ao executar tarefas. Com base nesses pilares, foi implementada uma configuração técnica que utiliza óculos inteligentes de realidade mista para aplicar o protocolo de estudo. Os resultados do estudo realizado mostram a aplicabilidade do protocolo, por um lado, e a viabilidade da análise imersiva em cenários da Indústria 4.0, por outro. O protocolo apresentado inclui uma discussão sobre as limitações descobertas.

Introduction

As soluções de realidade virtual (soluções de RV) são cada vez mais importantes em diferentes campos. Muitas vezes, com soluções de RV (incluindo Realidade Virtual, Realidade Mista e Realidade Aumentada), a realização de muitas tarefas e procedimentos diários deve ser facilitada. Por exemplo, no domínio automotivo, o procedimento de configuração de um carro pode ser suportado pelo uso da Realidade Virtual1 (VR). Pesquisadores e profissionais investigaram e desenvolveram uma infinidade de abordagens e soluções neste contexto. No entanto, estudos que investigam aspectos de usabilidade ainda são raros. Em geral, os aspectos devem ser considerados à luz de duas grandes questões. Primeiro, deve-se avaliar se uma solução de RV realmente supera uma abordagem que não faz uso de técnicas de RV. Em segundo lugar, como as soluções de RV dependem principalmente de dispositivos de hardware pesados e complexos, parâmetros como o conforto de uso e o esforço mental devem ser investigados com mais profundidade. Além disso, os aspectos mencionados devem ser sempre investigados no que diz respeito ao campo de aplicação em questão. Embora muitas abordagens existentes vejam a necessidade de investigar essas questões2, existem menos estudos que tenham apresentado resultados.

Um tópico de pesquisa no campo da RV, que atualmente é importante, é denotado com análises imersivas. É derivado do campo de pesquisa da análise visual, que tenta incluir a percepção humana em tarefas de análise. Esse processo também é bem conhecido como mineração de dados visuais4. A análise imersiva inclui tópicos das áreas de visualização de dados, análise visual, realidade virtual, computação gráfica e interação humano-computador5. As vantagens recentes nos head-mounted displays (HMD) levaram a melhores possibilidades de exploração de dados de forma imersiva. Ao longo dessas tendências, novos desafios e questões de pesquisa emergem, como o desenvolvimento de novos sistemas de interação, a necessidade de investigar a fadiga do usuário ou o desenvolvimento de visualizações 3D sofisticadas6. Em uma publicação anterior6, princípios importantes da análise imersiva são discutidos. À luz do big data, métodos como a análise imersiva são cada vez mais necessários para permitir uma melhor análise de pools de dados complexos. Existem apenas alguns estudos que investigam aspectos de usabilidade de soluções analíticas imersivas. Além disso, o domínio ou campo em questão também deve ser considerado nesses estudos. Neste trabalho, foi desenvolvido um protótipo de análise imersiva e, com base nisso, um protocolo, que investiga a solução desenvolvida para cenários da Indústria 4.0. O protocolo, portanto, explora o método da experiência2, que se baseia em aspectos subjetivos, de desempenho e fisiológicos. No protocolo em questão, os aspectos subjetivos são mensurados por meio da percepção de estresse dos usuários do estudo. O desempenho, por sua vez, é medido através do tempo necessário e dos erros que são cometidos para realizar tarefas de análise. Finalmente, um sensor de condutância da pele mediu parâmetros fisiológicos. As duas primeiras medidas serão apresentadas neste trabalho, enquanto a condutância cutânea medida requer mais esforços a serem avaliados.

O estudo apresentado envolve vários campos de pesquisa, particularmente incluindo aspectos da neurociência e sistemas de informação. Curiosamente, considerações sobre aspectos neurocientíficos dos sistemas de informação têm atraído recentemente a atenção de diversos grupos de pesquisa7,8, mostrando a demanda para explorar o uso de sistemas de TI também do ponto de vista cognitivo. Outro campo relevante para este trabalho constitui a investigação de fatores humanos de sistemas de informação 9,10,11. No campo da interação humano-computador, existem instrumentos para investigar a usabilidade de uma solução. Note-se que a Escala de Usabilidade do Sistema é utilizada principalmente nesse contexto12. Os Protocolos de Pensar em Voz Alta13 são outra técnica de estudo amplamente utilizada para aprender mais sobre o uso de sistemas de informação. Embora existam muitas abordagens para medir aspectos de usabilidade dos sistemas de informação, e algumas delas tenham sido apresentadas há muito tempo14, ainda surgem questões que exigem a investigação de novas medidas ou métodos de estudo. Portanto, a pesquisa nessa área é muito ativa12,15,16.

A seguir, serão discutidas as razões pelas quais dois métodos predominantemente utilizados não foram considerados no presente trabalho. Primeiramente, não foi utilizada a Escala de Usabilidade do Sistema. A escala é baseada em dez questões17 e sua utilização pode ser encontrada em vários outros estudos de RV18 também. Como este estudo tem como objetivo principal a mensuração do estresse19, um questionário relacionado ao estresse foi mais apropriado. Em segundo lugar, não foi utilizado o Protocolo20 do Thinking Aloud. Embora esse tipo de protocolo tenha mostrado sua utilidade em geral13, ele não foi utilizado aqui, pois o nível de estresse dos usuários do estudo pode aumentar apenas devido ao fato de que a sessão de pensar em voz alta deve ser realizada em paralelo ao uso de um dispositivo de RV pesado e complexo. Embora essas duas técnicas não tenham sido utilizadas, resultados de outros estudos recentes foram incorporados no estudo em questão. Por exemplo, em trabalhos anteriores21,22, os autores distinguem entre novatos e especialistas em seus estudos. Com base no resultado bem-sucedido desses estudos, o protocolo em questão utiliza essa separação apresentada dos usuários do estudo. A medida da tensão, por sua vez, baseia-se nas ideias dos trabalhos a seguir 15,19,21,22.

Em um primeiro momento, para a realização do estudo, um cenário adequado da Indústria 4.0 deve ser encontrado para a realização de tarefas analíticas. Inspirados em outro trabalho dos autores23, foram identificados dois cenários (ou seja, as tarefas de análise), (1) Detecção de Outliers e (2) Reconhecimento de Clusters. Ambos os cenários são desafiadores e são altamente relevantes no contexto da manutenção de máquinas de produção de alto rendimento. Com base nessa decisão, seis considerações principais nortearam o protocolo de estudo apresentado neste trabalho:

  1. A solução desenvolvida para o estudo será tecnicamente baseada em óculos inteligentes de realidade mista (ver Tabela de Materiais) e será desenvolvida como uma aplicação de realidade mista.
  2. Um teste adequado deve ser desenvolvido, que seja capaz de distinguir novatos de usuários avançados.
  3. As medidas de desempenho devem considerar o tempo e os erros.
  4. Um aplicativo de desktop deve ser desenvolvido, o que pode ser comparado à solução de análise imersiva.
  5. Uma medida deve ser aplicada para avaliar o nível de estresse percebido.
  6. Além deste último ponto, devem ser desenvolvidos recursos para mitigar o nível de estresse enquanto um usuário realiza o procedimento das duas tarefas de análise mencionadas (ou seja, (1) Detecção de Outliers e (2) Reconhecimento de Clusters).

Com base nos seis pontos mencionados, o protocolo do estudo incorpora o seguinte procedimento. As tarefas de Detecção de Outlier e Análise de Reconhecimento de Cluster devem ser realizadas de forma imersiva usando óculos inteligentes de realidade mista (consulte Tabela de Materiais). Por isso, um novo aplicativo foi desenvolvido. Os sons espaciais devem facilitar a execução de tarefas de análise sem aumentar o esforço mental. Uma funcionalidade de voz deve facilitar a navegação utilizada para a aplicação desenvolvida dos óculos inteligentes de realidade mista (ver Tabela de Materiais). Um teste de rotação mental deve ser a base para distinguir os novatos dos usuários avançados. O nível de estresse é medido com base em um questionário. O desempenho, por sua vez, é avaliado com base no (1) tempo que um usuário requer para as tarefas de análise e com base nos (2) erros que foram cometidos por um usuário para as tarefas de análise. O desempenho no smartglass de realidade mista é comparado com a realização das mesmas tarefas em um aplicativo de desktop 2D recém-desenvolvido e comparável. Além disso, um dispositivo de condutância da pele é usado para medir o nível de condutância da pele como um possível indicador de estresse. Os resultados desta medida estão sujeitos a uma análise mais aprofundada e não serão discutidos neste trabalho. Os autores revelaram em outro estudo com o mesmo dispositivo que considerações adicionais são necessárias24.

Com base nesse protocolo, são abordadas as seguintes cinco questões de pesquisa (QR):

RQ1: As habilidades de imaginação espacial dos participantes afetam significativamente o desempenho das tarefas?
RQ2: Existe uma mudança significativa no desempenho da tarefa ao longo do tempo?
RQ3: Existe uma mudança significativa no desempenho da tarefa ao usar sons espaciais na solução de análise imersiva?
RQ4: A análise imersiva desenvolvida é percebida como estressante pelos usuários?
RQ5: Os usuários têm melhor desempenho ao usar uma solução de análise imersiva em comparação com uma abordagem 2D?

A Figura 1 resume o protocolo apresentado em relação a duas escalas. Mostra as medidas desenvolvidas e utilizadas e a sua novidade no que diz respeito ao nível de interação. Como o nível de interação constitui um aspecto importante ao desenvolver recursos para uma configuração de RV, a Figura 1 mostrará melhor a novidade de todo o protocolo desenvolvido neste trabalho. Embora a avaliação dos aspectos dentro das duas escalas utilizadas seja subjetiva, sua avaliação global é baseada no trabalho relacionado atual e nas seguintes considerações principais: Um princípio importante constitui o uso de abstrações de um ambiente para uma interação natural, na qual o usuário se sintonizou. Com relação ao protocolo em questão, a visualização de nuvens de pontos parece ser intuitiva para os usuários e o reconhecimento de padrões em tais nuvens tem sido reconhecido como uma tarefa gerenciável em geral. Outro princípio importante consiste em sobrepor as affordances. Assim, o uso de sons espaciais como os utilizados no protocolo em questão é um exemplo, pois eles se correlacionam com a proximidade de um objeto pesquisado. Os autores recomendam sintonizar as representações de forma que a maioria das informações esteja localizada na zona intermediária, o que é mais importante para a percepção humana. A razão pela qual os autores não incluíram esse princípio foi incentivar o usuário a encontrar o melhor local por si mesmo, bem como tentar se orientar em um espaço de visualização de dados, que é grande demais para ser mostrado de uma só vez. Na abordagem apresentada, não foram feitas mais considerações sobre as características dos dados 3D a serem mostrados. Por exemplo, se uma dimensão é assumida como temporal, os gráficos de dispersão poderiam ter sido mostrados. Os autores consideram esse tipo de visualização geralmente interessante no contexto da Indústria 4.0. No entanto, ele deve ser focado em um conjunto razoavelmente pequeno de visualizações. Além disso, uma publicação anterior já focava na análise colaborativa de dados. Neste trabalho, esta questão de pesquisa foi excluída devido à complexidade das demais questões abordadas neste estudo. Na configuração apresentada aqui, o usuário é capaz de explorar o espaço imersivo andando por aí. Outras abordagens oferecem controladores para explorar o espaço virtual. Neste estudo, o foco está definido na usabilidade por meio da Escala de Usabilidade do Sistema (SUS). Outra publicação anterior realizou um estudo para especialistas em economia, mas com fones de ouvido VR. Em geral, e mais importante, este estudo queixa-se do campo de visão limitado para outros dispositivos, como os óculos inteligentes de realidade mista usados neste trabalho (ver Tabela de Materiais). Suas descobertas mostram que os iniciantes no campo da RV foram capazes de usar a ferramenta analítica de forma eficiente. Isso coincide com as experiências deste estudo, embora neste trabalho os iniciantes não tenham sido classificados para ter experiências de RV ou jogos. Em contraste com a maioria das soluções de RV, a realidade mista não é fixada a uma posição, pois permite rastrear o ambiente real. Abordagens de RV, como mencionar o uso de cadeiras especiais para uma experiência de 360 ° para libertar o usuário de sua área de trabalho. Os autores de indicam que as questões de percepção influenciam o desempenho da análise imersiva; por exemplo, usando sombras. Para o estudo em questão, isso não é viável, pois os óculos inteligentes de realidade mista usados (ver tabela de materiais) não são capazes de exibir sombras. Uma solução alternativa poderia ser um piso virtual, mas tal configuração estava fora do escopo deste estudo. Um estudo de pesquisa no campo da análise imersiva identificou gráficos de dispersão 3D como uma das representações mais comuns de dados multidimensionais. No total, os aspectos mostrados na Figura 1 não podem ser encontrados atualmente compilados em um protocolo que investiga aspectos de usabilidade da análise imersiva para cenários da Indústria 4.0.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Todos os materiais e métodos foram aprovados pelo Comitê de Ética da Universidade de Ulm e realizados de acordo com as diretrizes aprovadas. Todos os participantes assinaram o termo de consentimento livre e esclarecido.

1. Estabeleça um ambiente de estudo apropriado

NOTA: O estudo foi realizado em um ambiente controlado para lidar com a configuração complexa de hardware. Os óculos inteligentes de realidade mista utilizados (ver Tabela de Materiais) e o laptop para a aplicação 2D foram explicados aos participantes do estudo.

  1. Verificar a solução técnica perante cada participante; definido no modo padrão. Prepare os questionários e coloque-se ao lado de um participante.
  2. Permita que os participantes resolvam tarefas a partir da detecção de outliers de casos de uso e reconhecimento de cluster em uma sessão (ou seja, o tempo médio foi de 43 minutos).
  3. Inicie o estudo acolhendo os participantes e introduzindo o objetivo do estudo, bem como o procedimento geral.
  4. Os participantes que utilizam o dispositivo de medição da condutância da pele (ver Tabela de Materiais) devem aderir a uma fase de repouso curta, para receber uma medição de linha de base. Apenas metade dos participantes utilizou este dispositivo.
  5. Todos os participantes devem preencher o questionário State-Trait Anxiety Inventory (STAI)31, antes do início do experimento.
    1. Em seguida, os participantes devem realizar o teste de rotação mental (ver Figura 4, este teste avaliou as habilidades de imaginação espacial), que foi a base para distinguir os de alto desempenho dos de baixo desempenho (os de alto desempenho são usuários avançados, enquanto os de baixo desempenho são novatos), seguido pelo teste de som espacial para medir as habilidades auditivas espaciais de um participante.
      NOTA: Uma divisão mediana dos escores do teste no teste de rotação mental32 foi usada para distinguir os de baixo desempenho.
  6. Separe aleatoriamente os participantes em dois grupos; ou comece com a tarefa na detecção de valores atípicos ou reconhecimento de cluster, enquanto continua com o outro caso de uso depois. Para a tarefa de reconhecimento de cluster, metade dos participantes começou primeiro com os óculos inteligentes de realidade mista usados (consulte Tabela de Materiais) e, em seguida, usou o aplicativo 2D, enquanto a outra metade começou com o aplicativo 2D e, em seguida, usou os óculos inteligentes de realidade mista (consulte Tabela de Materiais). Para a tarefa de detecção de valores atípicos, selecione aleatoriamente um grupo que recebe suporte de som, enquanto a outra parte do grupo não recebe suporte de som.
  7. Concluindo a sessão, os participantes devem responder novamente ao questionário State-Trait Anxiety Inventory (STAI)31 , bem como ao questionário autodesenvolvido e demográfico.
  8. Armazene os dados gerados, que foram gravados automaticamente por cada aplicativo desenvolvido, no armazenamento do laptop após a realização da sessão.

2. Protocolo de Estudo para Participantes

  1. Prepare o experimento (veja a Figura 2 para a sala do experimento) para cada participante. Apresente o PC desktop, os óculos inteligentes de realidade mista usados e distribua os questionários.
  2. Informe os participantes de que o experimento levará de 40 a 50 minutos, e que metade deles começa após os pré-testes (ver Pontos 3-6 do Protocolo de Estudo) em primeiro lugar com o teste de detecção de outlier (ver Ponto 7 do Protocolo de Estudo), seguido pelo teste de reconhecimento de cluster (ver Ponto 8 do Protocolo de Estudo), enquanto os outros realizam esses dois testes vice-versa (ou seja, Ponto 8 do Protocolo de Estudo antes do ponto 7).
  3. Decida aleatoriamente se uma medição de condutância da pele é feita. Em caso afirmativo, prepare o dispositivo de medição da condutância da pele33 e informe o participante para colocar o dispositivo. Solicite uma curta fase de repouso dos participantes para receber uma medida de linha de base para o seu nível de estresse.
  4. Solicitar aos participantes que preencham o questionário State-Trait Anxiety Inventory (STAI)31 e informá-los de que ele mede o estresse percebido atualmente antes do experimento.
  5. Realize um teste de rotação mental.
    1. Informe os participantes de que suas capacidades de rotação mental são avaliadas e leve-os à frente de um computador desktop. Informe os participantes sobre o procedimento de teste. Observe que eles tiveram que identificar objetos semelhantes que tinham posições diferentes em um espaço 3D simulado.
    2. Informe aos participantes que apenas dois dos cinco objetos mostrados são semelhantes e que eles terão 2 minutos para todo o teste. Informe os participantes de que sete tarefas podem ser realizadas dentro dos 2 minutos e diga-lhes que as medidas de desempenho são registradas para cada tarefa realizada.
  6. Avalie as habilidades sonoras espaciais.
    1. Informe os participantes de que suas habilidades de som espacial são avaliadas e leve-os à frente de um computador desktop. Informe os participantes sobre o procedimento de teste. Explique aos participantes que seis amostras de som devem ser detectadas, que serão reproduzidas por 13 segundos cada.
    2. Informe os participantes de que eles precisam detectar a direção (analogamente às quatro direções da bússola) de onde o som está vindo.
  7. Avalie as habilidades de detecção de valores atípicos.
    1. Peça aos participantes que coloquem os óculos inteligentes de realidade mista. Explique-lhes que os valores atípicos devem ser encontrados dentro do mundo criado para os óculos inteligentes de realidade mista.
    2. Além disso, informe-os de que um outlier é um ponto marcado em vermelho, todos os outros pontos são marcados em branco. Explique-lhes, então, que eles devem direcionar o olhar para o ponto de cor vermelha para detectá-lo.
    3. Informe ainda os participantes de que não apenas ajuda visual é fornecida, mas também os sons ambientais os apoiam a descobrir valores atípicos. Forneça as informações aos participantes de que eles têm que realizar 8 tarefas atípicas, o que significa que 8 vezes dentro do mundo virtual, o ponto de cor vermelha deve ser encontrado. Para cada participante, 4 tarefas são suportadas por som, enquanto 4 tarefas não são suportadas. Para cada participante, é selecionado aleatoriamente se eles iniciam uma tarefa com suporte sonoro ou não. Em seguida, dependendo da primeira tarefa, ele muda de tarefa para tarefa, independentemente de o suporte sonoro ser fornecido ou não.
    4. Diga aos participantes quais informações serão registradas: tempo necessário para cada tarefa, duração da caminhada e como sua posição final em movimento está relacionada à sua posição inicial. Por fim, diga aos participantes que o ponto marcado em vermelho muda para verde se for detectado (consulte a Figura 3).
  8. Avalie as habilidades de reconhecimento de clusters.
    1. Decida aleatoriamente para o participante se primeiro deve usar os óculos inteligentes de realidade mista ou levar o participante a um computador desktop. A seguir, apenas o procedimento para a configuração de realidade mista é descrito. Se um participante começar pela primeira vez com o computador desktop, o procedimento é o mesmo em ordem alterada e, exceto os comandos de voz, eles só são fornecidos ao usar a solução de realidade mista.
    2. Para os participantes que usam realidade mista: Solicite aos participantes que coloquem os óculos inteligentes de realidade mista. Informe os participantes sobre como encontrar clusters dentro do mundo criados com os óculos inteligentes de realidade mista usados. Enfatize aos participantes que eles tiveram que distinguir entre aglomerados sobrepostos, movendo-se em torno deles.
    3. Para os participantes que usam realidade mista: Explique aos participantes que eles podem navegar no mundo virtual e ao redor dos clusters usando comandos de voz. Finalmente, diga aos participantes que eles tiveram que detectar seis clusters.
    4. Para os participantes que usam realidade mista: Solicite aos participantes que removam os óculos inteligentes de realidade mista usados. Leve os participantes a um computador desktop e diga-lhes para usar o software mostrado na tela do computador desktop. Informe-os de que o mesmo tipo de clusters como o mostrado nos óculos inteligentes de realidade mista usados teve que ser detectado usando o software no computador desktop (consulte a Figura 7 e a Figura 8).
  9. Solicite aos participantes que preencham três questionários, a saber, o questionário State-Trait Anxiety Inventory (STAI)31, um questionário autodesenvolvido para coletar feedback subjetivo e um questionário demográfico para coletar informações sobre eles.
  10. Solicite aos participantes que removam o dispositivo de medição da condutância da pele33 se tiverem sido solicitados no início a colocá-lo.
  11. Alivie os participantes do experimento agradecendo pela participação.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Configurando medidas para o experimento
Para a tarefa de detecção de outliers, foram definidas as seguintes medidas de desempenho: tempo, caminho e ângulo. Veja a Figura 6 para as medições.

O tempo foi registrado até que um ponto marcado em vermelho (ou seja, o outlier) fosse encontrado. Essa medida de desempenho indica quanto tempo um participante precisou para encontrar o ponto marcado em vermelho. O tempo é denotado como a variável "tempo" (em milissegundos) nos resultados.

Enquanto os participantes tentavam encontrar o ponto marcado em vermelho, o comprimento do caminho de caminhada foi determinado. A base deste cálculo foi que os óculos inteligentes de realidade mista utilizados (ver Tabela de Materiais) recolhem a posição atual como um vetor 3D relativamente à posição inicial a uma taxa de quadros de 60 quadros por segundo. Com base nisso, o comprimento do caminho que um participante havia percorrido poderia ser calculado. Essa medida de desempenho indica se os participantes caminharam muito ou não. Path é indicado como PathLength nos resultados. Com base no PathLength, mais três medidas de desempenho foram derivadas: PathMean, PathVariance e BoundingBox. PathMean denota a velocidade média dos participantes em metro por quadro, PathVariance a errática de um movimento e BoundingBox denota se os participantes usaram intensamente sua caixa delimitadora. Este último é determinado com base nas posições máximas e mínimas de todos os movimentos (ou seja, os participantes que muitas vezes mudam de posição de caminhada revelaram valores mais altos de BoundingBox).

O último valor que foi medido é denotado com AngleMean e constitui um valor derivado do ângulo, que é denotado com AngleMean. Este último denota a rotação entre a posição atual e a posição inicial de um participante a uma taxa de quadros de 60 por segundo. Com base nisso, calculou-se a velocidade média de rotação em graus por quadro. Derivada desse valor, calculou-se a erratividade da rotação utilizando a variância, que é denotada como AngleVariance.

Para resumir as finalidades dos valores de caminho e ângulo calculados, o caminho indica se os usuários andam muito ou não. Se eles não estão andando muito, isso pode indicar sua falta de orientação. O ângulo, por sua vez, deve indicar se os participantes fazem movimentos rápidos ou repentinos da cabeça. Se eles estão fazendo movimentos repentinos da cabeça em vários momentos, isso pode indicar novamente uma falta de orientação.

Para a tarefa de detecção de cluster, foram definidas as seguintes medidas de desempenho: tempo e erros. O tempo foi registrado até o momento em que os participantes relataram quantos clusters detectaram. Essa medida de desempenho indica quanto tempo os participantes precisaram para encontrar clusters. O tempo é denotado como Tempo (em milissegundos). Os erros são identificados no sentido de uma decisão binária (verdadeiro/falso). O número de clusters relatados estava correto (verdadeiro) ou não correto (falso). Os erros são indicados com erros.

A versão estadual do questionário State-Trait Anxiety Inventory (STAI)31 foi utilizada para medir a ansiedade estadual, um construto semelhante ao estresse estadual. O questionário é composto por 20 itens e foi entregue antes do início do estudo, bem como posteriormente para avaliar as mudanças no estado de ansiedade. Para a avaliação deste questionário, todos os atributos positivos foram invertidos (por exemplo, uma resposta '4' torna-se um '1'), e todas as respostas são somadas a um escore final do IAST. A condutância da pele foi medida para 30 participantes selecionados aleatoriamente usando o dispositivo de medição da condutância da pele (ver Tabela de Materiais)33.

Após a realização dos dois tipos de tarefas, um questionário autodesenvolvido foi entregue ao final do estudo para solicitar o feedback dos participantes. O questionário é apresentado na Tabela 1. Além disso, um questionário demográfico perguntou sobre sexo, idade e escolaridade de todos os participantes.

Procedimento Geral do Estudo e Informações do Estudo
O procedimento geral do estudo realizado é ilustrado na Figura 9. 60 participantes se juntaram ao estudo. Os participantes foram recrutados principalmente na Universidade de Ulm e empresas de software de Ulm. Os alunos participantes eram principalmente das áreas de ciência da computação, psicologia e física. Dez eram do sexo feminino e 50 do sexo masculino.

Com base no pré-teste de rotação mental, 31 foram categorizados como de baixo desempenho, enquanto 29 foram categorizados como de alto desempenho. Especificamente, 7 mulheres e 24 homens foram categorizados como de baixo desempenho, enquanto 3 mulheres e 26 homens foram categorizados como de alto desempenho. Para as avaliações estatísticas, foram utilizados 3 softwares (ver Tabela de Materiais).

Frequências, porcentagens, médias e desvios-padrão foram calculados como estatística descritiva. Baixo e alto desempenho foram comparados em variáveis demográficas basais usando os testes exatos de Fisher e os testes t para amostras independentes. Para RQ1 -RQ5, foram realizados modelos lineares multiníveis com a estimativa de máxima verossimilhança total. Foram incluídos dois níveis, sendo que o nível um representa as avaliações repetidas (seja na detecção de outliers ou no reconhecimento de clusters) e o nível dois os participantes. As medidas de desempenho (exceto erros) foram as variáveis dependentes nesses modelos. No RQ 1, também foram utilizados os testes exatos de Fisher para as probabilidades de erro. No RQ3, o desempenho no tempo em sons espaciais versus sem sons foi investigado (som versus não-som foi incluído como preditor nos modelos). Os escores do IDATE foram avaliados por meio de testes t para amostras dependentes para RQ4. No RQ5, investigou-se o efeito da aplicação 2D versus os óculos inteligentes de realidade mista utilizados (ver tabela de materiais), utilizando-se o teste de McNemar para a probabilidade de erro. Todos os testes estatísticos foram realizados bicaudais; o valor de significância adotado foi de P<,05.

Os resultados da condutância cutânea não foram analisados e estão sujeitos a trabalhos futuros. É importante ressaltar que os autores revelaram em outro estudo com o mesmo dispositivo que considerações adicionais são necessárias24.

Para o teste de rotação mental, as diferenças dos resultados do teste de rotação mental entre os participantes foram usadas para distinguir os de baixo e alto desempenho. Para o teste de habilidade espacial, todos os participantes apresentaram bons escores e, portanto, foram todos categorizados para altos desempenhos em relação às suas habilidades espaciais.

Em um primeiro momento, os resultados importantes dos participantes são resumidos: Baixo e alto desempenho na rotação mental não mostraram diferenças em suas variáveis de linha de base (sexo, idade e escolaridade). Descritivamente, os de baixo desempenho tiveram uma porcentagem maior de participantes do sexo feminino do que os de alto desempenho e os de alto desempenho eram mais jovens do que os de baixo desempenho. A Tabela 2 resume as características sobre os participantes.

Em relação aos resultados para o RQ1, para a tarefa de reconhecimento de clusters, os de baixo e alto desempenho não diferiram significativamente para a aplicação 2D (4 erros para baixo e 2 erros para altos desempenhos) e a abordagem 3D (8 erros para baixo e 2 erros para altos desempenhos). Para a tarefa de detecção do outlier, os de alto desempenho foram significativamente mais rápidos do que os de baixo desempenho. Além disso, os profissionais de alto desempenho exigiam uma distância a pé mais curta para resolver as tarefas. Para a tarefa do outlier, a Tabela 3 resume os resultados detalhados.

Em relação aos resultados para o RQ2, resultados significativos emergiram apenas para a tarefa de detecção do outlier. O BoundingBox, o PathLength, o PathVariance, o PathMean, o Angle-Variance e o AngleMean aumentaram significativamente de tarefa para tarefa (consulte a Tabela 4). O tempo registrado, por sua vez, não mudou significativamente de tarefa para tarefa usando os óculos inteligentes de realidade mista (ver Tabela de Materiais).

Em relação aos resultados para o RQ3, com base nos sons espaciais, os participantes foram capazes de resolver as tarefas no caso de detecção de outlier mais rapidamente do que sem usar sons espaciais (ver Tabela 5).

Em relação aos resultados para o QR4, na pré-avaliação, o estado médio nos escores do IDATE foi M = 44,58 (DP = 4,67). Na pós-avaliação, foi M = 45,72 (DP = 4,43). Essa alteração não atingiu significância estatística (p = 0,175). A estatística descritiva das respostas do questionário autodesenvolvido é apresentada na Figura 10.

Em relação aos resultados para o RQ5, a abordagem dos óculos inteligentes de realidade mista (ver Tabela de Materiais) indica tempos de reconhecimento de cluster significativamente mais rápidos do que o uso de um computador de mesa (ver Table 6). No entanto, a vantagem de velocidade ao usar os óculos inteligentes de realidade mista (consulte Tabela de Materiais) foi bastante pequena (ou seja, em uma faixa de milissegundos).

Por fim, note-se que os dados deste estudo podem ser encontrados em36.

Figure 1
Figura 1: Aspectos investigados na escala Interação versus Novidade. A figura mostra as medidas utilizadas e sua novidade em relação ao nível de interação. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 2
Figura 2: Fotos da sala de estudo. Duas fotos da sala de estudo são apresentadas. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 3
Figura 3: Outlier detectado. A captura de tela mostra um outlier detectado. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 4
Figura 4: Exemplo do teste de rotação mental. A captura de tela mostra os objetos 3D com os quais os participantes foram confrontados; ou seja, dois em cada cinco objetos em posições diferentes com a mesma estrutura de objeto tiveram que apostar detectados. Este valor foi modificado com base neste trabalho35. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5: Configuração para o Teste de Habilidade Espacial. Em (A), a configuração de áudio para a tarefa Voltar é mostrada, enquanto, em (B), a interface de usuário esquemática do teste é mostrada. Este valor foi modificado com base neste trabalho35. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 6
Figura 6: Ilustração da configuração para a detecção do outlier da tarefa. Três aspectos principais são mostrados. Primeiro, os valores atípicos são ilustrados. Em segundo lugar, as medidas de desempenho são mostradas. Em terceiro lugar, a forma como o suporte sonoro foi calculado é mostrada. Este valor foi modificado com base neste trabalho35. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 7
Figura 7: Ilustração da configuração para o reconhecimento do cluster de tarefas. Considere os cenários de A a C para uma melhor impressão, os participantes tiveram que mudar o olhar para identificar clusters corretamente. Este valor foi modificado com base neste trabalho35. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 8
Figura 8: Ilustração da configuração para o reconhecimento do cluster de tarefas no Matlab. A figura ilustra os clusters fornecidos no Matlab, que foi a base para o aplicativo de desktop 2D. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 9
Figura 9: Resumo do procedimento geral do estudo. Esta figura apresenta os passos que os participantes tiveram que realizar, em sua ordem cronológica. Este valor foi modificado com base neste trabalho35. Por favor, clique aqui para ver uma versão maior desta figura.

Figure 10
Figura 10: Resultados do questionário autodesenvolvido (ver Tabela 1). Os resultados são mostrados usando gráficos de caixa. Este valor foi modificado com base neste trabalho35. Por favor, clique aqui para ver uma versão maior desta figura.

#Question Pergunta Alvo Escala Significado
1 Quão estressante você experimentou usando os óculos? Usando 1-10 10 significa alto, 1 significa baixo
2 Quão estressante foi a tarefa do outlier? Outliers 1-10 10 significa alto, 1 significa baixo
3 Quão estressante você experimentou os sons espaciais? Som 1-10 10 significa alto, 1 significa baixo
4 Quão estressante foi a tarefa de encontrar clusters na Realidade Mista? RM por cluster 1-10 10 significa alto, 1 significa baixo
5 Quão estressante foi a tarefa de encontrar clusters na abordagem da área de trabalho? Cluster DT 1-10 10 significa alto, 1 significa baixo
6 Quão estressante foi o uso dos comandos de voz? Voz 1-10 10 significa alto, 1 significa baixo
7 Você se sentiu apoiado pelos sons espaciais? Som 1-10 10 significa alto, 1 significa baixo

Tabela 1: Questionário autodesenvolvido para feedback dos usuários. Compreende 7 perguntas. Para cada questão, os participantes tiveram que determinar um valor dentro de uma escala de 1 a 10, em que 1 significa um valor baixo (ou seja, feedback ruim) e 10 um valor alto (ou seja, um feedback muito bom).

Variável Baixo desempenho (n=31) Alto desempenho Valor de P
(n=31) (n=29)
Sexo, n(%)
Fêmea 7 (23%) 3 (10%)
Macho 24 (77%) 26 (90%) .302 a)
Categoria Etária, 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)
Maior Escolaridade, n(%)
Ensino médio 3 (10%) 5 (17%)
Bacharel 7 (23%) 6 (21%)
Senhor 21 (68%) 18 (62%) .692 a)
Teste de Rotação Mental Média (DP)
Respostas Corretas 3.03 (1.40) 5.31 (0.76) .001 b)
Respostas erradas 2.19 (1.47) 1.21 (0.56) .000 b)
Teste Espacial de Audição Média (DP) ©
Respostas Corretas 4.39 (1.09) 4.31 (1.00) .467 b)
Respostas erradas 1.61 (1.09) 1.69 (1.00) .940 b)
a: Teste exato de Fisher
b: Teste t de duas amostras
c: Desvio Padrão SD

Tabela 2: Descrição da amostra de participantes e comparação entre baixo e alto desempenho nas variáveis basais. A tabela mostra dados para as três questões demográficas sobre sexo, idade e escolaridade. Além disso, são apresentados os resultados dos dois pré-testes.

Variável Estimar SE a) Resultado
BoundingBox para baixo desempenho em todas as tarefas 2,224 .438 t(60,00) = 5,08; p<.001
Alteração do BoundingBox para tarefas de alto desempenho +.131 .630 t(60,00) = 0,21; p=.836
Tempo para baixo desempenho em todas as tarefas 20,919 1,045 t(60,00) = 20,02; p<.001
Alteração do tempo para tarefas de alto desempenho -3,863 1,503 t(60,00) = -2,57; p=0,013
Comprimento do caminho para tarefas de baixo desempenho 5,637 .613 t(60,00) = 9,19; p<.001
Alteração do Pathlength para tarefas de alto desempenho -1,624 .882 t(60,00) = -1,84; p=.071
PathVariance para baixo desempenho entre tarefas 4,3E-4 4,7E-5 t(65,15) = 9,25; p<.001
Alteração do PathVariance para tarefas de alto desempenho +4,3E-6 6,7E-5 t(65,15) = 0,063; p=.950
PathMean para baixo desempenho em todas as tarefas .0047 5.3E-4 t(60,00) = 8,697; p<.001
Alteração do PathMean para tarefas de alto desempenho +3,8E-5 7,7E-4 t(60,00) = 0,05; p=.960
AngleVariance para baixo desempenho entre tarefas .0012 7,3E-5 t(85,70) = 16,15; p<.001
Alteração do AngleVariance para tarefas de alto desempenho -2.7E-5 1,0E-4 t(85,70) = -,26; p=.796
AngleMean para baixo desempenho em todas as tarefas .015 .001 t(60,00) = 14,27; p<.001
Alteração do AngleMean para tarefas de alto desempenho -3.0E-4 1,5E-3 t(60,00) = -,20; p=.842
(a) SE = Erro Padrão

Tabela 3: Resultados dos Modelos Multinível para RQ1 (Detecção de Outlier Usando os Smartglasses). A tabela mostra os resultados estatísticos do RQ1 para a tarefa de detecção do outlier (para todas as medidas de desempenho).

Variável Estimar SE a) Resultado
BoundingBox na primeira tarefa .984 .392 t(138,12) = 2,51; p=0,013
Alteração de BoundingBox de tarefa para tarefa +.373 .067 t(420,00) = 5,59; p<.001
Tempo na primeira tarefa 19,431 1,283 t(302,08) = 15,11; p<.001
Alteração de tempo de tarefa para tarefa -.108 .286 t(420,00) = -,37; p=.709
Comprimento do caminho na primeira tarefa 3,903 .646 t(214,81) = 6,05; p<.001
Alteração do comprimento do caminho de tarefa para tarefa +.271 .131 t(420,00) = 2,06; p=0,040
PathVariance na primeira tarefa 3.1E-4 3,7E-5 t(117,77) = 8,43; p<.001
Alteração de PathVariance de tarefa para tarefa +3,5E-5 4,5E-6 t(455,00) = 7,90; p<.001
PathMean na primeira tarefa .0033 4,2E-4 t(88,98) = 7,66; p<.001
Alteração do PathMean de tarefa para tarefa +4,1E-4 5,2E-5 t(420,00) = 7,81; p<.001
AngleVariance na primeira tarefa .001 5,7E-5 t(129,86) = 17,92; p<.001
Alteração de AngleVariance de tarefa para tarefa +4,1E-5 6,5E-6 t(541,75) = 6,34; p<.001
AngleMean na primeira tarefa .0127 8,1E-4 t(82,17) = 15,52; p<.001
Alteração do AngleMean de tarefa para tarefa +6,1E-4 9,0E-5 t(420,00) = 6,86; p<.001
(a) SE = Erro Padrão

Tabela 4: Resultados dos Modelos Multinível para RQ2 (Detecção de Outlier Usando os Smartglasses). A tabela mostra os resultados estatísticos do RQ2 para a tarefa de detecção do outlier (para todas as medidas de desempenho).

Variável Estimar SE a) Resultado
BoundingBox sem som entre tarefas 2,459 .352 t(93,26) = 6,98; p<.001
Alteração do BoundingBox com som entre tarefas -.344 .316 t(420,00) = -1,09; p=.277
Tempo sem som nas tarefas 20,550 1,030 t(161,17) = 19,94; p<.001
Alteração do tempo com som em todas as tarefas -2,996 1,319 t(420,00) = -2,27; p=0,024
Comprimento do caminho sem som entre tarefas 5,193 .545 t(121,81) = 9,54; p<.001
Alteração do Pathlength com som entre tarefas -.682 .604 t(420,00) = -1,13; p=.260
PathVariance sem som entre tarefas .0004 3,5E-5 t(79,74) = 12,110; p<.001
Alteração do PathVariance com som entre tarefas +1,3E-5 2,2E-5 t(429,20) = 0,592; p=.554
PathMean sem som entre tarefas .005 4,0E-4 t(73,66) = 11,35; p<.001
Alteração do PathMean com som entre tarefas +1,4E-4 2,5E-4 t(420,00) = 0,56; p=.575
AngleVariance sem som entre tarefas .0012 5,4E-5 t(101,32) = 21,00; p<.001
Alteração do AngleVariance com o som entre as tarefas +3,3E-5 3.1E-5 t(648,56) = 1,07; p=.284
AngleMean sem som entre tarefas .0145 7,8E-4 t(70,17) = 18,51; p<.001
Alteração do AngleMean com som em todas as tarefas +6,0E-4 4,3E-4 t(420,00) = 1,39; p=.166
(a) SE = Erro Padrão

Tabela 5: Resultados dos Modelos Multinível para RQ3 (Detecção de Outlier Usando os Smartglasses). A tabela mostra os resultados estatísticos do RQ3 para a tarefa de detecção do outlier (para todas as medidas de desempenho).

Variável Estimar SE a) Resultado
Tempo com a área de trabalho em todas as tarefas 10,536 .228 t(156,43) = 46,120; p<.001
Alteração do tempo com Hololens em todas as tarefas -.631 .286 t(660,00) = -2,206; p=.028
(a) SE = Erro Padrão

Tabela 6: Resultados dos Modelos Multinível para RQ5 (Reconhecimento de Cluster Usando os Smartglasses). A tabela mostra os resultados estatísticos do RQ5 para a tarefa de reconhecimento de cluster (para todas as medidas de desempenho).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Em relação à aplicação de óculos inteligentes de realidade mista desenvolvidos (ver Tabela de Materiais), dois aspectos foram particularmente benéficos. O uso de sons espaciais para a tarefa de detecção do outlier foi percebido positivamente por um lado (ver os resultados do RQ3). Por outro lado, o uso de comandos de voz também foi percebido positivamente (ver Figura 10).

Em relação aos participantes do estudo, embora o número de participantes recrutados tenha sido bastante pequeno para um estudo empírico, o número é competitivo em comparação com muitos outros trabalhos. No entanto, um estudo de maior escala é planejado com base no protocolo mostrado. No entanto, como mostrou sua viabilidade para 60 participantes, espera-se que mais participantes não revelem mais desafios. Discutiu-se que a seleção dos participantes poderia ser mais ampla (no sentido dos campos de onde os participantes estão vindo) e que o número de variáveis de linha de base para distinguir entre altos e baixos desempenhos poderia ser maior. Por outro lado, se esses aspectos forem alterados para números mais altos, o protocolo em si não deve ser profundamente alterado.

De modo geral, as limitações reveladas não afetam a realização de um estudo baseado no protocolo apresentado neste trabalho, apenas afetam o recrutamento e as questões utilizadas para o questionário demográfico. No entanto, uma limitação deste estudo é, no entanto, importante: o tempo total necessário para terminar o experimento para um participante é alto. Por outro lado, como os participantes não se queixaram do conforto de uso, ou que o dispositivo teste os está sobrecarregando demais, o tempo de realização do protocolo geral para um participante pode ser considerado aceitável. Finalmente, em um experimento futuro, vários aspectos devem ser adicionados ao protocolo. Em particular, a tarefa de detecção de valores atípicos também deve ser avaliada no aplicativo de desktop 2D. Além disso, outros dispositivos de hardware, como os óculos inteligentes de realidade mista usados (consulte Tabela de Materiais) também devem ser avaliados. No entanto, o protocolo parece ser benéfico em um sentido mais amplo.

Os seguintes insights importantes foram obtidos para o protocolo apresentado. Primeiro, mostrou sua viabilidade para avaliar análises imersivas para uma solução de realidade mista. Especificamente, os óculos inteligentes de realidade mista usados (consulte Tabela de Materiais) revelaram sua viabilidade para avaliar análises imersivas em um aplicativo de realidade mista para cenários da Indústria 4.0. Em segundo lugar, a comparação do aplicativo de óculos inteligentes de realidade mista usado desenvolvido (consulte Tabela de Materiais) com um aplicativo de desktop 2D foi útil para investigar se a solução de realidade mista pode superar um aplicativo que não faz uso de técnicas de RV. Em terceiro lugar, a medição de parâmetros fisiológicos ou sinais vitais deve ser sempre considerada em tais experimentos. Neste trabalho, o estresse foi medido por meio de um questionário e um dispositivo de condutância da pele. Embora este último tenha funcionado tecnicamente adequadamente, os autores revelaram em outro estudo com o mesmo dispositivo que considerações adicionais são necessárias24. Em quarto lugar, o teste de habilidade espacial e a separação de altos e baixos desempenhos foram vantajosos. Em resumo, embora o protocolo apresentado pareça ser complexo à primeira vista (ver Figura 9), ele mostrou sua utilidade tecnicamente. Em relação aos resultados, também revelou sua utilidade.

Como a detecção de outliers e o reconhecimento de clusters são tarefas típicas na avaliação de muitos conjuntos de dados de alta dimensão em cenários da Indústria 4.0, seu uso em um estudo empírico é representativo para esse campo de pesquisa. O protocolo mostrou que esses cenários podem ser bem integrados em um estudo de usabilidade sobre análises imersivas. Portanto, o cenário utilizado pode ser recomendado para outros estudos nesse contexto.

Como o resultado do estudo mostrado mostrou que o uso de uma solução de realidade mista baseada nos óculos inteligentes utilizados (consulte Tabela de Materiais) é útil para investigar análises imersivas para cenários da Indústria 4.0, o protocolo também pode ser usado para outros estudos de usabilidade no contexto dado.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada a revelar.

Acknowledgments

Os autores não têm nada a reconhecer.

Materials

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

DOWNLOAD MATERIALS LIST

References

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

Tags

Engenharia Edição 164 Análise Imersiva Realidade Mista Sons Espaciais Análise Visual Óculos Inteligentes Usabilidade Nível de Estresse Habilidade
Avaliando aspectos de usabilidade de uma solução de realidade mista para análises imersivas em cenários da Indústria 4.0
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Hoppenstedt, B., Probst, T.,… More

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

Less
Copy Citation Download Citation Reprints and Permissions
View Video

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

Waiting X
Simple Hit Counter