Waiting
Login-Verarbeitung ...

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

Engineering

Evaluación de aspectos de usabilidad de una solución de realidad mixta para análisis inmersivo en escenarios de Industria 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 delinea la configuración técnica de una aplicación de realidad mixta desarrollada que se utiliza para el análisis inmersivo. En base a esto, se presentan medidas, que se utilizaron en un estudio para obtener información sobre los aspectos de usabilidad de la solución técnica desarrollada.

Abstract

En medicina o industria, el análisis de conjuntos de datos de alta dimensión es cada vez más necesario. Sin embargo, las soluciones técnicas disponibles son a menudo complejas de usar. Por lo tanto, los nuevos enfoques como el análisis inmersivo son bienvenidos. Los análisis inmersivos prometen experimentar conjuntos de datos de alta dimensión de una manera conveniente para varios grupos de usuarios y conjuntos de datos. Técnicamente, los dispositivos de realidad virtual se utilizan para permitir el análisis inmersivo. En la Industria 4.0, por ejemplo, escenarios como la identificación de valores atípicos o anomalías en conjuntos de datos de alta dimensión son objetivos perseguidos de análisis inmersivo. En este contexto, se deben abordar dos preguntas importantes para cualquier solución técnica desarrollada sobre análisis inmersivo: Primero, ¿las soluciones técnicas son útiles o no? En segundo lugar, ¿la experiencia corporal de la solución técnica es positiva o negativa? La primera pregunta apunta a la viabilidad general de una solución técnica, mientras que la segunda apunta a la comodidad de uso. Los estudios y protocolos existentes, que abordan sistemáticamente estas preguntas, todavía son raros. En este trabajo, se presenta un protocolo de estudio, que investiga principalmente la usabilidad para la analítica inmersiva en escenarios de Industria 4.0. En concreto, el protocolo se basa en cuatro pilares. Primero, clasifica a los usuarios en función de experiencias anteriores. En segundo lugar, se presentan tareas, que se pueden utilizar para evaluar la viabilidad de la solución técnica. En tercer lugar, se presentan medidas, que cuantifican el efecto de aprendizaje de un usuario. En cuarto lugar, un cuestionario evalúa el nivel de estrés al realizar tareas. A partir de estos pilares, se implementó un entorno técnico que utiliza smartglasses de realidad mixta para aplicar el protocolo del estudio. Los resultados del estudio realizado muestran la aplicabilidad del protocolo, por un lado, y la viabilidad de la analítica inmersiva en escenarios de Industria 4.0, por otro. El protocolo presentado incluye una discusión de las limitaciones descubiertas.

Introduction

Las soluciones de realidad virtual (soluciones VR) son cada vez más importantes en diferentes campos. A menudo, con las soluciones de realidad virtual (incluida la realidad virtual, la realidad mixta y la realidad aumentada), se facilitará el cumplimiento de muchas tareas y procedimientos diarios. Por ejemplo, en el dominio automotriz, el procedimiento de configuración de un automóvil puede ser compatible con el uso de Realidad Virtual1 (VR). Los investigadores y profesionales han investigado y desarrollado una multitud de enfoques y soluciones en este contexto. Sin embargo, los estudios que investigan aspectos de usabilidad siguen siendo raros. En general, los aspectos deben considerarse a la luz de dos cuestiones principales. Primero, se debe evaluar si una solución de realidad virtual realmente supera a un enfoque que no hace uso de técnicas de realidad virtual. En segundo lugar, como las soluciones de realidad virtual se basan principalmente en dispositivos de hardware pesados y complejos, parámetros como la comodidad de uso y el esfuerzo mental deben investigarse más a fondo. Además, los aspectos mencionados siempre deben investigarse con respecto al campo de aplicación en cuestión. Aunque muchos enfoques existentes ven la necesidad de investigar estas preguntas2, existen menos estudios que hayan presentado resultados.

Un tema de investigación en el campo de la realidad virtual, que actualmente es importante, se denota con análisis inmersivo. Se deriva del campo de investigación de la analítica visual, que trata de incluir la percepción humana en las tareas analíticas. Este proceso también se conoce como minería visualde datos 4. El análisis inmersivo incluye temas de los campos de visualización de datos, análisis visual, realidad virtual, gráficos por computadora e interacción humano-computadora5. Las ventajas recientes en las pantallas montadas en la cabeza (HMD) condujeron a mejores posibilidades para explorar datos de una manera inmersiva. A lo largo de estas tendencias, surgen nuevos desafíos y preguntas de investigación, como el desarrollo de nuevos sistemas de interacción, la necesidad de investigar la fatiga del usuario o el desarrollo de sofisticadas visualizaciones 3D6. En una publicación anterior6, se discuten principios importantes de análisis inmersivo. A la luz de los grandes datos, métodos como el análisis inmersivo son cada vez más necesarios para permitir un mejor análisis de grupos de datos complejos. Solo existen unos pocos estudios que investiguen los aspectos de usabilidad de las soluciones de análisis inmersivo. Además, el dominio o campo en cuestión también debe considerarse en dichos estudios. En este trabajo, se desarrolló un prototipo de analítica inmersiva, y en base a eso, un protocolo, que investiga la solución desarrollada para escenarios de Industria 4.0. De este modo, el protocolo explota el método de experiencia2, que se basa en aspectos subjetivos, de rendimiento y fisiológicos. En el protocolo en cuestión, los aspectos subjetivos se miden a través del estrés percibido de los usuarios del estudio. El rendimiento, a su vez, se mide a través del tiempo requerido y los errores que se cometen para realizar las tareas de análisis. Finalmente, un sensor de conductancia de la piel midió los parámetros fisiológicos. Las dos primeras medidas se presentarán en este trabajo, mientras que la conductancia cutánea medida requiere esfuerzos adicionales para ser evaluada.

El estudio presentado involucra varios campos de investigación, particularmente incluyendo aspectos de neurociencia y sistemas de información. Curiosamente, las consideraciones sobre los aspectos neurocientíficos de los sistemas de información han atraído recientemente la atención de varios grupos de investigación7,8, mostrando la demanda de explorar el uso de sistemas de TI también desde un punto de vista cognitivo. Otro campo relevante para este trabajo es la investigación de los factores humanos de los sistemas de información 9,10,11. En el campo de la interacción humano-computadora, existen instrumentos para investigar la usabilidad de una solución. Obsérvese que la Escala de Usabilidad del Sistema se utiliza principalmente en este contexto12. Los protocolos13 son otra técnica de estudio ampliamente utilizada para aprender más sobre el uso de los sistemas de información. Aunque existen muchos enfoques para medir aspectos de usabilidad de los sistemas de información, y algunos de ellos han sido presentados hace mucho tiempo14, todavía surgen preguntas que requieren investigar nuevas medidas o métodos de estudio. Por lo tanto, la investigación en este campo es muy activa12,15,16.

A continuación, se discutirán las razones por las cuales dos métodos utilizados predominantemente no se han considerado en el trabajo actual. En primer lugar, no se utilizó la escala de usabilidad del sistema. La escala se basa en diez preguntas17 y su uso también se puede encontrar en varios otros estudios de RV18. Como este estudio apunta principalmente a la medición del estrés19, un cuestionario relacionado con el estrés fue más apropiado. En segundo lugar, no se utilizó el Protocolo20 de Pensar en voz alta. Aunque este tipo de protocolo ha demostrado su utilidad en general13, no se utilizó aquí ya que el nivel de estrés de los usuarios del estudio podría aumentar solo debido al hecho de que la sesión de pensamiento en voz alta debe realizarse en paralelo al uso de un dispositivo de realidad virtual pesado y complejo. Aunque estas dos técnicas no se han utilizado, los resultados de otros estudios recientes se han incorporado en el estudio en cuestión. Por ejemplo, en trabajos anteriores21,22, los autores distinguen entre novatos y expertos en sus estudios. Sobre la base del resultado exitoso de estos estudios, el protocolo en cuestión utiliza esta separación presentada de los usuarios del estudio. La medición del estrés, a su vez, se basa en ideas de los siguientes trabajos 15,19,21,22.

Al principio, para realizar el estudio, se debe encontrar un escenario adecuado de Industria 4.0 para realizar tareas analíticas. Inspirado en otro trabajo de los autores23, se han identificado dos escenarios (es decir, las tareas de análisis), (1) Detección de valores atípicos y (2) Reconocimiento de clústeres. Ambos escenarios son desafiantes y son muy relevantes en el contexto del mantenimiento de máquinas de producción de alto rendimiento. Con base en esta decisión, seis consideraciones principales han impulsado el protocolo de estudio presentado en este trabajo:

  1. La solución desarrollada para el estudio se basará técnicamente en gafas inteligentes de realidad mixta (ver Tabla de materiales) y se desarrollará como una aplicación de realidad mixta.
  2. Se debe desarrollar una prueba adecuada, que sea capaz de distinguir a los principiantes de los usuarios avanzados.
  3. Las medidas de desempeño deben considerar el tiempo y los errores.
  4. Se debe desarrollar una aplicación de escritorio, que se puede comparar con la solución de análisis inmersivo.
  5. Se debe aplicar una medida para evaluar el nivel de estrés percibido.
  6. Además de este último punto, se desarrollarán características para mitigar el nivel de estrés mientras un usuario realiza el procedimiento de las dos tareas de análisis mencionadas (es decir, (1) Detección de valores atípicos y (2) Reconocimiento de clústeres).

Sobre la base de los seis puntos mencionados, el protocolo de estudio incorpora el siguiente procedimiento. Las tareas de detección de valores atípicos y análisis de reconocimiento de clústeres deben realizarse de manera inmersiva utilizando gafas inteligentes de realidad mixta (consulte la Tabla de materiales). Por lo tanto, se desarrolló una nueva aplicación. Los sonidos espaciales facilitarán la realización de tareas de análisis sin aumentar el esfuerzo mental. Una función de voz facilitará la navegación utilizada para la aplicación desarrollada de las gafas inteligentes de realidad mixta (ver Tabla de materiales). Una prueba de rotación mental será la base para distinguir a los principiantes de los usuarios avanzados. El nivel de estrés se mide en base a un cuestionario. El rendimiento, a su vez, se evalúa en función del (1) tiempo que un usuario requiere para las tareas de análisis, y en función de los (2) errores cometidos por un usuario para las tareas de análisis. El rendimiento en smartglass de realidad mixta se compara con la realización de las mismas tareas en una aplicación de escritorio 2D recientemente desarrollada y comparable. Además, se utiliza un dispositivo de conductancia de la piel para medir el nivel de conductancia de la piel como un posible indicador de estrés. Los resultados de esta medición están sujetos a análisis adicionales y no se discutirán en este trabajo. Los autores revelaron en otro estudio con el mismo dispositivo que se requieren consideraciones adicionales24.

Con base en este protocolo, se abordan las siguientes cinco preguntas de investigación (RQ):

PI1: ¿Las habilidades de imaginación espacial de los participantes afectan significativamente el desempeño de las tareas?
PI2: ¿Hay un cambio significativo en el rendimiento de la tarea a lo largo del tiempo?
PI3: ¿Hay un cambio significativo en el rendimiento de la tarea cuando se utilizan sonidos espaciales en la solución de análisis inmersivo?
PI4: ¿Los usuarios perciben la analítica inmersiva desarrollada?
RQ5: ¿Los usuarios se desempeñan mejor cuando utilizan una solución de análisis inmersivo en comparación con un enfoque 2D?

La Figura 1 resume el protocolo presentado con respecto a dos escalas. Muestra las medidas desarrolladas y utilizadas y su novedad con respecto al nivel de interacción. Como el nivel de interacción constituye un aspecto importante al desarrollar características para una configuración de realidad virtual, la Figura 1 mostrará mejor la novedad de todo el protocolo desarrollado en este trabajo. Aunque la evaluación de los aspectos dentro de las dos escalas utilizadas es subjetiva, su evaluación general se basa en el trabajo relacionado actual y las siguientes consideraciones principales: Un principio importante constituye el uso de abstracciones de un entorno para una interacción natural, en la que el usuario se ha sintonizado. Con respecto al protocolo en cuestión, la visualización de nubes de puntos parece ser intuitiva para los usuarios y el reconocimiento de patrones en dichas nubes ha sido reconocido como una tarea manejable en general. Otro principio importante consiste en superponer affordances. Por lo tanto, el uso de sonidos espaciales como se usa en el protocolo en cuestión es un ejemplo, ya que se correlacionan con la proximidad de un objeto buscado. Los autores recomiendan ajustar las representaciones de manera que la mayoría de la información se encuentre en la zona intermedia, que es más importante para la percepción humana. La razón por la que los autores no incluyeron este principio fue para alentar al usuario a encontrar el mejor lugar por sí mismo, así como para tratar de orientarse en un espacio de visualización de datos, que es demasiado grande para ser mostrado a la vez. En el enfoque presentado, no se hicieron más consideraciones sobre las características de los datos 3D que se mostrarán. Por ejemplo, si se supone que una dimensión es temporal, se podrían haber mostrado diagramas de dispersión. Los autores consideran que este tipo de visualización es generalmente interesante en el contexto de la Industria 4.0. Sin embargo, tiene que centrarse en un conjunto razonablemente pequeño de visualizaciones. Además, una publicación anterior ya se centraba en el análisis colaborativo de datos. En este trabajo, esta pregunta de investigación fue excluida debido a la complejidad de los otros temas abordados en este estudio. En la configuración presentada aquí, el usuario puede explorar el espacio inmersivo caminando. Otros enfoques ofrecen controladores para explorar el espacio virtual. En este estudio, la atención se centra en la usabilidad mediante el uso de la Escala de Usabilidad del Sistema (SUS). Otra publicación anterior ha realizado un estudio para expertos económicos, pero con auriculares VR. En general, y lo más importante, este estudio se queja del campo de visión limitado para otros dispositivos como las gafas inteligentes de realidad mixta utilizadas en este trabajo (ver Tabla de materiales). Sus hallazgos muestran que los principiantes en el campo de la realidad virtual pudieron usar la herramienta analítica de manera eficiente. Esto coincide con las experiencias de este estudio, aunque en este trabajo los principiantes no fueron clasificados para tener experiencias de realidad virtual o juegos. A diferencia de la mayoría de las soluciones de realidad virtual, la realidad mixta no se fija a una posición, ya que permite rastrear el entorno real. Los enfoques de realidad virtual, como mencionar el uso de sillas especiales para una experiencia de 360 ° para liberar al usuario de su escritorio. Los autores indican que los problemas de percepción influyen en el rendimiento de la analítica inmersiva; por ejemplo, mediante el uso de sombras. Para el estudio en cuestión, esto no es factible, ya que las gafas inteligentes de realidad mixta utilizadas (ver tabla de materiales) no son capaces de mostrar sombras. Una solución podría ser un piso virtual, pero tal configuración estaba fuera del alcance de este estudio. Un estudio de encuesta en el campo de la analítica inmersiva identificó los diagramas de dispersión 3D como una de las representaciones más comunes de datos multidimensionales. En conjunto, los aspectos que se muestran en la Figura 1 no se pueden encontrar actualmente compilados en un protocolo que investigue los aspectos de usabilidad del análisis inmersivo para escenarios de Industria 4.0.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Todos los materiales y métodos fueron aprobados por el Comité de Ética de la Universidad de Ulm y se llevaron a cabo de acuerdo con las directrices aprobadas. Todos los participantes dieron su consentimiento informado por escrito.

1. Establecer un ambiente de estudio apropiado

NOTA: El estudio se realizó en un entorno controlado para hacer frente a la compleja configuración de hardware. Las gafas inteligentes de realidad mixta utilizadas (ver Tabla de materiales) y la computadora portátil para la aplicación 2D se explicaron a los participantes del estudio.

  1. Verifique la solución técnica antes de cada participante; Establecer en modo predeterminado. Prepare los cuestionarios y colóquelos junto a un participante.
  2. Permita que los participantes resuelvan tareas a partir de la detección de valores atípicos de casos de uso y el reconocimiento de clústeres en una sesión (es decir, el tiempo promedio fue de 43 minutos).
  3. Comience el estudio dando la bienvenida a los participantes e introduciendo el objetivo del estudio, así como el procedimiento general.
  4. Los participantes que usan el dispositivo de medición de conductancia de la piel (consulte la Tabla de materiales) deben adherirse a una fase de reposo corta para recibir una medición de referencia. Solo la mitad de los participantes usaron este dispositivo.
  5. Todos los participantes deben completar el cuestionario31 del Inventario de Ansiedad Estado-Rasgo (STAI), antes del inicio del experimento.
    1. A continuación, los participantes deben realizar la prueba de rotación mental (ver Figura 4, esta prueba evaluó las habilidades de imaginación espacial), que fue la base para distinguir a los de alto rendimiento de los de bajo rendimiento (los de alto rendimiento son usuarios avanzados, mientras que los de bajo rendimiento son novatos), seguido de la prueba de sonido espacial para medir las habilidades auditivas espaciales de un participante.
      NOTA: Se utilizó una mediana dividida de los puntajes de las pruebas en la prueba de rotación mental32 para distinguir a los de bajo rendimiento de los de alto rendimiento.
  6. Separar aleatoriamente a los participantes en dos grupos; Comience con la tarea de detección de valores atípicos o reconocimiento de clústeres, mientras continúa con el otro caso de uso posterior. Para la tarea de reconocimiento de clústeres, la mitad de los participantes comenzaron primero con las gafas inteligentes de realidad mixta utilizadas (ver Tabla de materiales), y luego usaron la aplicación 2D, mientras que la otra mitad comenzó primero con la aplicación 2D y luego usó las gafas inteligentes de realidad mixta (ver Tabla de materiales). Para la tarea de detección de valores atípicos, seleccione aleatoriamente un grupo que reciba soporte de sonido, mientras que la otra parte del grupo no recibe soporte de sonido.
  7. Al concluir la sesión, los participantes deben responder nuevamente el cuestionario State-Trait Anxiety Inventory (STAI)31 , así como el autodesarrollado y un cuestionario demográfico.
  8. Almacene los datos generados, que fueron registrados automáticamente por cada aplicación desarrollada, en el almacenamiento de la computadora portátil después de que se realizó la sesión.

2. Protocolo de estudio para los participantes

  1. Prepare el experimento (consulte la Figura 2 para la sala del experimento) para cada participante. Presente la PC de escritorio, las gafas inteligentes de realidad mixta utilizadas y entregue los cuestionarios.
  2. Informar a los participantes que el experimento durará de 40 a 50 minutos, y que la mitad de ellos comienzan después de las pruebas previas (ver Puntos 3-6 del Protocolo del Estudio) en primer lugar con la prueba de detección de valores atípicos (ver Punto 7 del Protocolo del Estudio), seguida de la prueba de reconocimiento de conglomerados (ver Punto 8 del Protocolo del Estudio), mientras que los otros realizan estas dos pruebas viceversa (es decir, Punto 8 del protocolo de estudio antes del punto 7).
  3. Decida al azar si se realiza una medición de la conductancia de la piel. En caso afirmativo, prepare el dispositivo de medición de conductancia cutánea33 e informe al participante para que se ponga el dispositivo. Solicite una breve fase de descanso de los participantes para recibir una medición de referencia para su nivel de estrés.
  4. Solicite a los participantes que completen el cuestionario31 del Inventario de ansiedad Estado-Rasgo (STAI) e infórmeles que mide el estrés percibido actual antes del experimento.
  5. Realizar una prueba de rotación mental.
    1. Informe a los participantes que se evalúan sus capacidades de rotación mental y llévelos frente a una computadora de escritorio. Informe a los participantes sobre el procedimiento de prueba. Tenga en cuenta que tuvieron que identificar objetos similares que tenían diferentes posiciones en un espacio 3D simulado.
    2. Informe a los participantes que solo dos de los cinco objetos mostrados son similares y que tendrán 2 minutos para toda la prueba. Informe a los participantes que se podrían realizar siete tareas en los 2 minutos dados y dígales que las medidas de rendimiento se registran para cada tarea realizada.
  6. Evaluar las habilidades de sonido espacial.
    1. Informe a los participantes que se evalúan sus habilidades de sonido espacial y guíelos frente a una computadora de escritorio. Informe a los participantes sobre el procedimiento de prueba. Explique a los participantes que se deben detectar seis muestras de sonido, que se reproducirán durante 13 segundos cada una.
    2. Informe a los participantes que tienen que detectar la dirección (análogamente a las cuatro direcciones de la brújula) de la que proviene el sonido.
  7. Evalúe las habilidades de detección de valores atípicos.
    1. Solicite a los participantes que se pongan las gafas inteligentes de realidad mixta. Explíqueles que los valores atípicos deben encontrarse dentro del mundo creado para las gafas inteligentes de realidad mixta.
    2. Además, infórmeles que un valor atípico es un punto marcado en rojo, todos los demás puntos están marcados en blanco. Explícales entonces que deben dirigir su mirada al punto de color rojo para detectarlo.
    3. Además, informe a los participantes que no solo se proporciona ayuda visual, sino que también los sonidos ambientales los ayudan a encontrar valores atípicos. Proporcione la información a los participantes de que tienen que realizar 8 tareas atípicas, lo que significa que 8 veces dentro del mundo virtual, se debe encontrar el punto de color rojo. Para cada participante, 4 tareas son compatibles con sonido, mientras que 4 tareas no son compatibles con sonido. Para cada participante, se selecciona aleatoriamente si comienzan una tarea con soporte de sonido o no. Luego, dependiendo de la primera tarea, cambia de una tarea a otra si se proporciona un soporte sólido o no.
    4. Dígales a los participantes qué información se registrará: el tiempo requerido para cada tarea, la duración de la caminata y cómo se ve su posición final en movimiento en relación con su posición inicial. Finalmente, dígales a los participantes que el punto marcado en rojo cambia a verde si se detectó (consulte la Figura 3).
  8. Evaluar las habilidades de reconocimiento de clústeres.
    1. Decida al azar para el participante si primero usar las gafas inteligentes de realidad mixta o llevar al participante a una computadora de escritorio. A continuación, solo se describe el procedimiento para la configuración de realidad mixta. Si un participante comienza primero con la computadora de escritorio, el procedimiento es el mismo en orden cambiado y, excepto los comandos de voz, solo se proporcionan cuando se usa la solución de realidad mixta.
    2. Para los participantes que utilizan la realidad mixta: Solicite a los participantes que se pongan las gafas inteligentes de realidad mixta. Informar a los participantes cómo encontrar clústeres dentro del mundo creados con las gafas inteligentes de realidad mixta utilizadas. Haga hincapié a los participantes que tenían que distinguir entre grupos superpuestos moviéndose alrededor de ellos.
    3. Para los participantes que usan realidad mixta: Explique a los participantes que pueden navegar en el mundo virtual y alrededor de los clústeres usando comandos de voz. Finalmente, diga a los participantes que tenían que detectar seis grupos.
    4. Para participantes que usan realidad mixta: solicite a los participantes que se quiten las gafas inteligentes de realidad mixta usadas. Lleve a los participantes a una computadora de escritorio y dígales que usen el software que se muestra en la pantalla de la computadora de escritorio. Infórmeles que el mismo tipo de clústeres que se muestran en las gafas inteligentes de realidad mixta utilizadas tuvieron que detectarse utilizando el software en la computadora de escritorio (consulte la Figura 7 y la Figura 8).
  9. Solicite a los participantes que completen tres cuestionarios, a saber, el cuestionario31 del Inventario de Ansiedad de Rasgos de Estado (STAI), un cuestionario de desarrollo propio para recopilar comentarios subjetivos y un cuestionario demográfico para recopilar información sobre ellos.
  10. Solicite a los participantes que retiren el dispositivo de medición de conductancia cutánea33 si se les pidió al principio que se lo pusieran.
  11. Alivie a los participantes del experimento dando las gracias por la participación.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Configuración de medidas para el experimento
Para la tarea de detección de valores atípicos, se definieron las siguientes medidas de rendimiento: tiempo, trayectoria y ángulo. Consulte la figura 6 para las mediciones.

Se registró el tiempo hasta que se encontró un punto marcado en rojo (es decir, el valor atípico). Esta medida de rendimiento indica cuánto tiempo necesitó un participante para encontrar el punto marcado en rojo. El tiempo se denota como la variable "tiempo" (en milisegundos) en los resultados.

Mientras los participantes trataban de encontrar el punto marcado en rojo, se determinó la longitud de su sendero para caminar. La base de este cálculo fue que las gafas inteligentes de realidad mixta utilizadas (ver Tabla de materiales) recogen la posición actual como un vector 3D en relación con la posición inicial a una velocidad de fotogramas de 60 fotogramas por segundo. En base a esto, se pudo calcular la longitud del camino que un participante había caminado. Esta medida de desempeño indica si los participantes caminaron mucho o no. Path se indica como PathLength en los resultados. Basándose en PathLength, se derivaron tres medidas de rendimiento más: PathMean, PathVariance y BoundingBox. PathMean denota la velocidad promedio de los participantes en metro por cuadro, PathVariance la errática de un movimiento y BoundingBox denota si los participantes habían usado intensamente su cuadro delimitador. Este último se determina en función de las posiciones máximas y mínimas de todos los movimientos (es decir, los participantes que a menudo cambian su posición al caminar revelaron valores más altos de BoundingBox).

El último valor que se midió se denota con AngleMean y constituye un valor derivado del ángulo, que se denota con AngleMean. Este último denota la rotación entre la posición actual y la posición inicial de un participante a una velocidad de fotogramas de 60 por segundo. En base a esto, se calculó la velocidad de rotación promedio en grados por cuadro. Derivado de este valor, se calculó la errática de la rotación utilizando la varianza, que se denota como AngleVariance.

Para resumir los propósitos de los valores de ruta y ángulo calculados, la ruta indica si los usuarios caminan mucho o no. Si no caminan mucho, podría indicar su falta de orientación. El ángulo, a su vez, debe indicar si los participantes hacen movimientos rápidos o repentinos de la cabeza. Si están haciendo movimientos bruscos de la cabeza en varias ocasiones, esto podría indicar nuevamente una falta de orientación.

Para la tarea de detección de clústeres, se definieron las siguientes medidas de rendimiento: tiempo y errores. El tiempo se registró hasta el punto en el tiempo en el que los participantes informaron cuántos grupos habían detectado. Esta medida de rendimiento indica cuánto tiempo necesitaron los participantes para encontrar los grupos. El tiempo se denota como Tiempo (en milisegundos). Los errores se identifican en el sentido de una decisión binaria (verdadero / falso). El número de clústeres notificados era correcto (true) o no correcto (false). Los errores se denotan con errores.

La versión estatal del cuestionario State-Trait Anxiety Inventory (STAI)31 se utilizó para medir la ansiedad del estado, un constructo similar al estrés estatal. El cuestionario consta de 20 ítems y fue entregado antes del inicio del estudio, así como después para evaluar los cambios en el estado de ansiedad. Para la evaluación de este cuestionario, todos los atributos positivos se invirtieron (por ejemplo, una respuesta '4' se convierte en un '1'), y todas las respuestas se suman a una puntuación final de STAI. La conductancia de la piel se midió para 30 participantes seleccionados al azar mediante el uso del dispositivo de medición de conductancia de la piel (ver Tabla de materiales)33.

Después de que se han completado los dos tipos de tareas, se entregó un cuestionario de desarrollo propio al final del estudio para solicitar la retroalimentación de los participantes. El cuestionario se muestra en la Tabla 1. Además, un cuestionario demográfico preguntó sobre el género, la edad y la educación de todos los participantes.

Procedimiento general del estudio e información del estudio
El procedimiento general de estudio realizado se ilustra en la Figura 9. 60 participantes se unieron al estudio. Los participantes fueron reclutados en su mayoría en la Universidad de Ulm y empresas de software de Ulm. Los estudiantes participantes eran principalmente de los campos de la informática, la psicología y la física. Diez eran mujeres y 50 eran hombres.

Según la prueba previa de rotación mental, 31 se clasificaron como de bajo rendimiento, mientras que 29 se clasificaron como de alto rendimiento. Específicamente, 7 mujeres y 24 hombres se clasificaron como de bajo rendimiento, mientras que 3 mujeres y 26 hombres se clasificaron como de alto rendimiento. Para las evaluaciones estadísticas, se utilizaron 3 herramientas de software (ver Tabla de Materiales).

Las frecuencias, porcentajes, medias y desviaciones estándar se calcularon como estadística descriptiva. Los de bajo y alto rendimiento se compararon en las variables demográficas basales utilizando las pruebas exactas de Fisher y las pruebas t para muestras independientes. Para RQ1 -RQ5, se realizaron modelos lineales multinivel con la estimación completa de máxima verosimilitud. Se incluyeron dos niveles, donde el nivel uno representa las evaluaciones repetidas (ya sea en la detección de valores atípicos o el reconocimiento de conglomerados), y el nivel dos los participantes. Las medidas de desempeño (excepto errores) fueron las variables dependientes en estos modelos. En RQ 1, también se utilizaron las pruebas exactas de Fisher para las probabilidades de error. En RQ3, se investigó el rendimiento en el tiempo en sonidos espaciales versus ningún sonido (el sonido frente a ningún sonido se incluyó como predictor en los modelos). Las puntuaciones STAI se evaluaron mediante pruebas t para muestras dependientes para RQ4. En RQ5, se investigó el efecto de la aplicación 2D frente a las gafas inteligentes de realidad mixta utilizadas (ver tabla de materiales), utilizando la prueba de McNemar para la probabilidad de error. Todas las pruebas estadísticas se realizaron de dos colas; el valor de significancia se fijó en P<,05.

Los resultados de conductancia de la piel no han sido analizados y están sujetos a trabajos futuros. Es importante destacar que los autores revelaron en otro estudio con el mismo dispositivo que se requieren consideraciones adicionales24.

Para la prueba de rotación mental, las diferencias de los resultados de la prueba de rotación mental entre los participantes se utilizaron para distinguir los de bajo rendimiento de los de alto rendimiento. Para la prueba de habilidad espacial, todos los participantes mostraron buenas puntuaciones y, por lo tanto, todos fueron categorizados como de alto rendimiento con respecto a sus habilidades espaciales.

Al principio, se resumen los resultados importantes de los participantes: los de bajo y alto rendimiento en la rotación mental no mostraron diferencias en sus variables basales (sexo, edad y educación). Descriptivamente, las de bajo rendimiento tuvieron un mayor porcentaje de participantes femeninas que las de alto rendimiento y las de alto rendimiento fueron más jóvenes que las de bajo rendimiento. La Tabla 2 resume las características de los participantes.

En cuanto a los resultados para RQ1, para la tarea de reconocimiento de clústeres, los de bajo y alto rendimiento no difirieron significativamente para la aplicación 2D (4 errores para los de bajo rendimiento y 2 errores para los de alto rendimiento) y el enfoque 3D (8 errores para los de bajo rendimiento y 2 errores para los de alto rendimiento). Para la tarea de detección del valor atípico, los de alto rendimiento fueron significativamente más rápidos que los de bajo rendimiento. Además, los de alto rendimiento requerían una distancia a pie más corta para resolver las tareas. Para la tarea del valor atípico, la Tabla 3 resume los resultados detallados.

Con respecto a los resultados para RQ2, los resultados significativos surgieron solo para la tarea de detección de valores atípicos. BoundingBox, PathLength, PathVariance, PathMean, Angle-Variance y AngleMean aumentaron significativamente de una tarea a otra (consulte la tabla 4). El tiempo registrado, a su vez, no cambió significativamente de una tarea a otra utilizando las gafas inteligentes de realidad mixta (ver Tabla de materiales).

En cuanto a los resultados para RQ3, basados en los sonidos espaciales, los participantes pudieron resolver las tareas en el caso de detección de valores atípicos más rápido que sin usar sonidos espaciales (ver Tabla 5).

En cuanto a los resultados para RQ4, en la preevaluación, el estado promedio en los puntajes STAI fue M = 44,58 (DE = 4,67). En la post-evaluación, fue M = 45,72 (DE = 4,43). Este cambio no alcanzó significación estadística (p = .175). Las estadísticas descriptivas de las respuestas en el cuestionario de desarrollo propio se presentan en la Figura 10.

Con respecto a los resultados para RQ5, el enfoque de gafas inteligentes de realidad mixta (consulte la Tabla de materiales) indica tiempos de reconocimiento de clúster significativamente más rápidos que el uso de una computadora de escritorio (ver Table 6). Sin embargo, la ventaja de velocidad al usar las gafas inteligentes de realidad mixta (ver Tabla de materiales) fue bastante pequeña (es decir, en un rango de milisegundos).

Finalmente, tenga en cuenta que los datos de este estudio se pueden encontrar en36.

Figure 1
Figura 1: Aspectos investigados en la escala Interacción versus Novedad. La figura muestra las medidas utilizadas y su novedad con respecto al nivel de interacción. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Imágenes de la sala de estudio. Se presentan dos imágenes de la sala de estudio. Haga clic aquí para ver una versión más grande de esta figura.

Figure 3
Figura 3: Valor atípico detectado. La captura de pantalla muestra un valor atípico detectado. Haga clic aquí para ver una versión más grande de esta figura.

Figure 4
Figura 4: Ejemplo de la prueba de rotación mental. La captura de pantalla muestra los objetos 3D con los que se enfrentaron los participantes; es decir, dos de cada cinco objetos en diferentes posiciones con la misma estructura de objetos tuvieron que apostar detectados. Esta cifra ha sido modificada en base a este trabajo35. Haga clic aquí para ver una versión más grande de esta figura.

Figure 5
Figura 5: Configuración para la prueba de habilidad espacial. En (A), se muestra la configuración de audio para la tarea Atrás, mientras que, en (B), se muestra la interfaz de usuario esquemática de la prueba. Esta cifra ha sido modificada en base a este trabajo35. Haga clic aquí para ver una versión más grande de esta figura.

Figure 6
Figura 6: Ilustración de la configuración para la detección del valor atípico de la tarea. Se muestran tres aspectos principales. En primer lugar, se ilustran los valores atípicos. En segundo lugar, se muestran las medidas de rendimiento. En tercer lugar, se muestra la forma en que se calculó el soporte de sonido. Esta cifra ha sido modificada en base a este trabajo35. Haga clic aquí para ver una versión más grande de esta figura.

Figure 7
Figura 7: Ilustración de la configuración para el reconocimiento del clúster de tareas. Considere los escenarios A-C para una mejor impresión, los participantes tuvieron que cambiar su mirada para identificar los grupos correctamente. Esta cifra ha sido modificada en base a este trabajo35. Haga clic aquí para ver una versión más grande de esta figura.

Figure 8
Figura 8: Ilustración de la configuración para el reconocimiento del clúster de tareas en Matlab. La figura ilustra los clústeres proporcionados en Matlab, que fue la base para la aplicación de escritorio 2D. Haga clic aquí para ver una versión más grande de esta figura.

Figure 9
Figura 9: Procedimiento general del estudio de un vistazo. Esta figura presenta los pasos que los participantes tuvieron que cumplir, en su orden cronológico. Esta cifra ha sido modificada en base a este trabajo35. Haga clic aquí para ver una versión más grande de esta figura.

Figure 10
Figura 10: Resultados del cuestionario de desarrollo propio (ver Tabla 1). Los resultados se muestran utilizando diagramas de caja. Esta cifra ha sido modificada en base a este trabajo35. Haga clic aquí para ver una versión más grande de esta figura.

#Question Pregunta Blanco Escama Significado
1 ¿Qué tan estresante experimentaste usando las gafas? Vistiendo 1-10 10 significa alto, 1 significa bajo
2 ¿Qué tan estresante fue la tarea del caso atípico? Afloramientos 1-10 10 significa alto, 1 significa bajo
3 ¿Qué tan estresante experimentaste los sonidos espaciales? Sonido 1-10 10 significa alto, 1 significa bajo
4 ¿Qué tan estresante fue la tarea de encontrar clusters en Realidad Mixta? Grupo MR 1-10 10 significa alto, 1 significa bajo
5 ¿Qué tan estresante fue la búsqueda de tareas de clústeres en el enfoque de escritorio? Clúster DT 1-10 10 significa alto, 1 significa bajo
6 ¿Qué tan estresante fue el uso de los comandos de voz? Voz 1-10 10 significa alto, 1 significa bajo
7 ¿Te sentiste apoyado por los sonidos espaciales? Sonido 1-10 10 significa alto, 1 significa bajo

Tabla 1: Cuestionario de desarrollo propio para la retroalimentación de los usuarios. Comprende 7 preguntas. Para cada pregunta, los participantes tuvieron que determinar un valor dentro de una escala del 1 al 10, donde 1 significa un valor bajo (es decir, mala retroalimentación) y 10 un valor alto (es decir, una muy buena retroalimentación).

Variable Bajo rendimiento (n=31) Alto rendimiento Valor de p
(n=31) (n=29)
Género, n(%)
Hembra 7 (23%) 3 (10%)
Masculino 24 (77%) 26 (90%) .302 a)
Categoría de edad, 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)
Educación superior, n(%)
Escuela secundaria 3 (10%) 5 (17%)
Soltero 7 (23%) 6 (21%)
Maestro 21 (68%) 18 (62%) .692 (a)
Prueba de rotación mental, media (DE)
Respuestas correctas 3.03 (1.40) 5.31 (0.76) .001 (b)
Respuestas incorrectas 2.19 (1.47) 1.21 (0.56) .000 (b)
Prueba de audición espacial, media (DE) ©
Respuestas correctas 4.39 (1.09) 4.31 (1.00) .467 (b)
Respuestas incorrectas 1.61 (1.09) 1.69 (1.00) .940 (b)
a:Prueba exacta de Fisher
b:Prueba t de dos muestras
c: Desviación estándar de SD

Tabla 2: Descripción de la muestra de participantes y comparación entre personas de bajo y alto rendimiento en variables basales. La tabla muestra datos para las tres preguntas demográficas sobre género, edad y educación. Además, se presentan los resultados de las dos pruebas previas.

Variable Estimar SE (a) Resultado
BoundingBox para un rendimiento bajo en todas las tareas 2,224 .438 t(60,00) = 5,08; p<.001
Alteración de BoundingBox para un alto rendimiento en todas las tareas +.131 .630 t(60,00) = 0,21; p=.836
Tiempo para un bajo rendimiento en todas las tareas 20,919 1,045 t(60,00) = 20,02; p<.001
Alteración del tiempo para un alto rendimiento en todas las tareas -3,863 1,503 t(60,00) = -2,57; p=.013
Longitud de ruta para un rendimiento bajo en todas las tareas 5,637 .613 t(60,00) = 9,19; p<.001
Alteración de Pathlength para un alto rendimiento en todas las tareas -1,624 .882 t(60,00) = -1,84; p=.071
PathVariance para un rendimiento bajo en todas las tareas 4.3E-4 4.7E-5 t(65,15) = 9,25; p<.001
Alteración de PathVariance para un alto rendimiento en todas las tareas +4,3E-6 6.7E-5 t(65.15) = .063; p=.950
PathMean para un bajo rendimiento en todas las tareas .0047 5.3E-4 t(60,00) = 8,697; p<.001
Alteración de PathMean para un alto rendimiento en todas las tareas +3.8E-5 7.7E-4 t(60,00) = 0,05; p=.960
AngleVariance para un rendimiento bajo en todas las tareas .0012 7.3E-5 t(85,70) = 16,15; p<.001
Alteración de AngleVariance para un alto rendimiento en todas las tareas -2.7E-5 1.0E-4 t(85,70) = -.26; p=.796
AngleMean para un bajo rendimiento en todas las tareas .015 .001 t(60,00) = 14,27; p<.001
Alteración de AngleMean para un alto rendimiento en todas las tareas -3.0E-4 1.5E-3 t(60.00) = -.20; p=.842
(a) SE = Error estándar

Tabla 3: Resultados de los modelos multinivel para RQ1 (Detección de valores atípicos utilizando las gafas inteligentes). La tabla muestra los resultados estadísticos de RQ1 para la tarea de detección de valores atípicos (para todas las medidas de rendimiento).

Variable Estimar SE (a) Resultado
BoundingBox en la primera tarea .984 .392 t(138,12) = 2,51; p=.013
Alteración de BoundingBox de tarea a tarea +.373 .067 t(420,00) = 5,59; p<.001
Tiempo en la primera tarea 19,431 1,283 t(302,08) = 15,11; p<.001
Alteración del tiempo de una tarea a otra -.108 .286 t(420.00) = -.37; p=,709
Pathlength en la primera tarea 3,903 .646 t(214,81) = 6,05; p<.001
Alteración de Pathlength de tarea a tarea +.271 .131 t(420,00) = 2,06; p=.040
PathVariance en la primera tarea 3.1E-4 3.7E-5 t(117,77) = 8,43; p<.001
Alteración de PathVariance de tarea a tarea +3.5E-5 4.5E-6 t(455,00) = 7,90; p<.001
PathMean en la primera tarea .0033 4.2E-4 t(88,98) = 7,66; p<.001
Alteración de PathMean de tarea a tarea +4.1E-4 5.2E-5 t(420,00) = 7,81; p<.001
AngleVariance en la primera tarea .001 5.7E-5 t(129,86) = 17,92; p<.001
Alteración de AngleVariance de tarea a tarea +4.1E-5 6.5E-6 t(541,75) = 6,34; p<.001
AngleMean en la primera tarea .0127 8.1E-4 t(82,17) = 15,52; p<.001
Alteración de AngleMean de tarea a tarea +6.1E-4 9.0E-5 t(420,00) = 6,86; p<.001
(a) SE = Error estándar

Tabla 4: Resultados de los modelos multinivel para RQ2 (Typlier Detection Using the Smartglasses). La tabla muestra los resultados estadísticos de RQ2 para la tarea de detección de valores atípicos (para todas las medidas de rendimiento).

Variable Estimar SE (a) Resultado
BoundingBox sin sonido en todas las tareas 2,459 .352 t(93,26) = 6,98; p<.001
Alteración de BoundingBox con sonido en todas las tareas -.344 .316 t(420,00) = -1,09; p=.277
Tiempo sin sonido en todas las tareas 20,550 1,030 t(161,17) = 19,94; p<.001
Alteración del tiempo con sonido a través de tareas -2,996 1,319 t(420,00) = -2,27; p=.024
Longitud de ruta sin sonido entre tareas 5,193 .545 t(121,81) = 9,54; p<.001
Alteración de Pathlength con sonido en todas las tareas -.682 .604 t(420,00) = -1,13; p=.260
PathVariance sin sonido entre tareas .0004 3.5E-5 t(79,74) = 12,110; p<.001
Alteración de PathVariance con sonido en todas las tareas +1.3E-5 2.2E-5 t(429.20) = .592; p=.554
PathMean sin sonido en todas las tareas .005 4.0E-4 t(73,66) = 11,35; p<.001
Alteración de PathMean con sonido en todas las tareas +1.4E-4 2.5E-4 t(420,00) = 0,56; p=.575
AngleVariance sin sonido entre tareas .0012 5.4E-5 t(101,32) = 21,00; p<.001
Alteración de AngleVariance con sonido en todas las tareas +3.3E-5 3.1E-5 t(648,56) = 1,07; p=.284
AngleMean sin sonido en todas las tareas .0145 7.8E-4 t(70,17) = 18,51; p<.001
Alteración de AngleMean con sonido en todas las tareas +6.0E-4 4.3E-4 t(420,00) = 1,39; p=.166
(a) SE = Error estándar

Tabla 5: Resultados de los modelos multinivel para RQ3 (Typlier Detection Using the Smartglasses). La tabla muestra los resultados estadísticos de RQ3 para la tarea de detección de valores atípicos (para todas las medidas de rendimiento).

Variable Estimar SE (a) Resultado
Tiempo con el escritorio en todas las tareas 10,536 .228 t(156,43) = 46,120; p<.001
Alteración del tiempo con Hololens en todas las tareas -.631 .286 t(660,00) = -2,206; p=.028
(a) SE = Error estándar

Tabla 6: Resultados de los modelos multinivel para RQ5 (Cluster Recognition Using the Smartglasses). La tabla muestra los resultados estadísticos de RQ5 para la tarea de reconocimiento de clústeres (para todas las medidas de rendimiento).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Con respecto a la aplicación desarrollada de gafas inteligentes de realidad mixta (ver Tabla de materiales), dos aspectos fueron particularmente beneficiosos. El uso de sonidos espaciales para la tarea de detección del valor atípico se percibió positivamente por un lado (ver los resultados de RQ3). Por otro lado, el uso de comandos de voz también se percibió positivamente (ver Figura 10).

En cuanto a los participantes del estudio, aunque el número de participantes reclutados fue bastante pequeño para un estudio empírico, el número es competitivo en comparación con muchos otros trabajos. Sin embargo, se planea un estudio a mayor escala basado en el protocolo mostrado. Sin embargo, como demostró su viabilidad para 60 participantes, se espera que más participantes no revelen más desafíos. Se discutió que la selección de los participantes podría ser más amplia (en el sentido de los campos de los que provienen los participantes) y que el número de variables de referencia para distinguir entre los de alto y bajo rendimiento podría ser mayor. Por otro lado, si estos aspectos se cambian a números más altos, el protocolo en sí no tiene que cambiarse profundamente.

En general, las limitaciones reveladas no afectan la realización de un estudio basado en el protocolo mostrado en este trabajo, solo afectan el reclutamiento y las preguntas utilizadas para el cuestionario demográfico. Sin embargo, una limitación de este estudio es importante: el tiempo total requerido para terminar el experimento para un participante es alto. Por otro lado, como los participantes no se quejaron de la comodidad de uso, o de que el dispositivo de prueba los está sobrecargando demasiado, el tiempo de realización del protocolo general para un participante puede considerarse aceptable. Finalmente, en un experimento futuro, se deben agregar varios aspectos al protocolo. En particular, la tarea de detección de valores atípicos también debe evaluarse en la aplicación de escritorio 2D. Además, también se deben evaluar otros dispositivos de hardware como las gafas inteligentes de realidad mixta utilizadas (ver Tabla de materiales). Sin embargo, el protocolo parece ser beneficioso en un sentido más amplio.

Se obtuvieron las siguientes ideas importantes para el protocolo presentado. Primero, mostró su viabilidad para evaluar análisis inmersivos para una solución de realidad mixta. Específicamente, las gafas inteligentes de realidad mixta utilizadas (ver Tabla de materiales) revelaron su viabilidad para evaluar el análisis inmersivo en una aplicación de realidad mixta para escenarios de Industria 4.0. En segundo lugar, la comparación de la aplicación desarrollada de gafas inteligentes de realidad mixta (ver Tabla de materiales) con una aplicación de escritorio 2D fue útil para investigar si la solución de realidad mixta puede superar a una aplicación que no hace uso de técnicas de realidad virtual. En tercer lugar, la medición de parámetros fisiológicos o signos vitales siempre debe considerarse en tales experimentos. En este trabajo, el estrés se midió mediante un cuestionario y un dispositivo de conductancia de la piel. A pesar de que este último funcionó técnicamente correctamente, los autores revelaron en otro estudio con el mismo dispositivo que se requieren consideraciones adicionales24. En cuarto lugar, la prueba de capacidad espacial y la separación de los de alto y bajo rendimiento fueron ventajosas. En resumen, aunque el protocolo presentado parece ser complejo a primera vista (ver Figura 9), mostró su utilidad técnicamente. En cuanto a los resultados, también reveló su utilidad.

Como la detección de valores atípicos y el reconocimiento de clústeres son tareas típicas en la evaluación de muchos conjuntos de datos de alta dimensión en escenarios de Industria 4.0, su uso en un estudio empírico es representativo de este campo de investigación. El protocolo mostró que estos escenarios pueden integrarse bien en un estudio de usabilidad sobre análisis inmersivo. Por lo tanto, el contexto utilizado puede recomendarse para otros estudios en este contexto.

Como el resultado del estudio mostrado mostró que el uso de una solución de realidad mixta basada en las gafas inteligentes utilizadas (ver Tabla de materiales) es útil para investigar el análisis inmersivo para escenarios de Industria 4.0, el protocolo también podría usarse para otros estudios de usabilidad en el contexto dado.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Los autores no tienen nada que reconocer.

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

Ingeniería Número 164 Análisis inmersivo Realidad mixta Sonidos espaciales Análisis visual Smartglasses Usabilidad Nivel de estrés Capacidad de aprendizaje
Evaluación de aspectos de usabilidad de una solución de realidad mixta para análisis inmersivo en escenarios de Industria 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