Waiting
Procesando inicio de sesión ...

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

Behavior

Evaluación de la usabilidad de la realidad aumentada: un estudio de sistemas de neuroinformación

Published: November 30, 2022 doi: 10.3791/64667
* These authors contributed equally

Summary

Este estudio presenta un paradigma experimental para una prueba de usabilidad que combina evaluaciones subjetivas y objetivas. La evaluación objetiva adoptó métodos de Sistemas de Neuro-Información (NeuroIS), y la evaluación subjetiva adoptó un cuestionario de usabilidad y una escala NASA-Task Load Index (NASA-TLX).

Abstract

Este estudio introduce un paradigma experimental para una prueba de usabilidad de tecnologías emergentes en un sistema de información de gestión (MIS). La prueba de usabilidad incluyó evaluaciones subjetivas y objetivas. Para la evaluación subjetiva, se adoptó un cuestionario de usabilidad y una escala NASA-TLX. Para la evaluación objetiva, se utilizaron métodos de Sistemas de Neuro-Información (NeuroIS). Desde la perspectiva de NeuroIS, este estudio utilizó fNIRS móviles y gafas de seguimiento ocular para mediciones multimodales, lo que resolvió el problema de la validez ecológica de las herramientas de neurociencia cognitiva utilizadas en experimentos de comportamiento del mundo real. Este estudio utilizó la Realidad Aumentada (AR) integrada en el Internet de las Cosas (IoT) como un objeto experimental. Comparando las diferencias en los datos de neuroimagen, los datos fisiológicos, el cuestionario de usabilidad y los datos de la escala NASA-TLX entre los dos modos de búsqueda de información (AR versus un sitio web), la búsqueda de información con AR tuvo una mayor eficiencia y una menor carga cognitiva en comparación con la búsqueda de información con un sitio web durante el proceso de toma de decisiones de consumo. Los resultados del experimento de usabilidad demuestran que AR, como tecnología emergente en el comercio minorista, puede mejorar efectivamente las experiencias de los consumidores y aumentar su intención de compra. El paradigma experimental, que combina evaluaciones subjetivas y objetivas en este estudio, podría aplicarse a una prueba de usabilidad para tecnologías emergentes, como realidad aumentada, realidad virtual, inteligencia artificial, tecnología portátil, robótica y big data. Proporciona una solución experimental práctica para la experiencia del usuario en interacciones humano-computadora con la adopción de tecnologías emergentes.

Introduction

Seis tecnologías de frontera que interactúan con los consumidores, típicamente representadas por realidad aumentada, realidad virtual, inteligencia artificial, tecnología portátil, robótica y big data, están remodelando muchos modelos teóricos del comportamiento del consumidor1. La realidad aumentada (AR) es una nueva tecnología que podría mejorar la experiencia del consumidor y mejorar la satisfacción del consumidor. Superpone información textual, imágenes, videos y otros elementos virtuales en escenarios reales para fusionar virtualidad y realidad, mejorando así la información en el mundo real a través de la explicación, orientación, evaluación y predicción2. AR proporciona un nuevo tipo de interacción humano-computadora, creando una experiencia de compra inmersiva para los consumidores, y ha llevado al desarrollo de muchas aplicaciones 3,4. Sin embargo, la aceptación de los servicios de RA por parte de los consumidores sigue siendo mínima, por lo que muchas empresas son cautelosas a la hora de adoptar la tecnología de RA 5,6. El modelo de aceptación de tecnología (TAM) ha sido ampliamente utilizado para explicar y predecir el comportamiento de adopción de nuevas tecnologías de la información 7,8. Según el TAM, la intención de adopción de una nueva tecnología depende en gran medida de su usabilidad9. Por lo tanto, una posible explicación para la lenta aceptación de los servicios de RA por parte de los consumidores desde la perspectiva de TAM puede relacionarse con la usabilidad de las nuevas técnicas, lo que destaca la necesidad de evaluar la usabilidad de la RA al comprar10,11.

La usabilidad se define como la efectividad, eficiencia y satisfacción de alcanzar objetivos específicos en un contexto específico por usuarios específicos12. Actualmente, existen dos métodos principales para evaluar la usabilidad: evaluaciones subjetivas y objetivas13. Las evaluaciones subjetivas se basan principalmente en métodos de autoinforme utilizando cuestionarios y escalas. Siguiendo esta línea de investigación, el cuestionario utilizado en este estudio incluyó cinco características asociadas al modo de búsqueda de información para lograr un objetivo: (1) eficiencia, (2) facilidad de uso, (3) memorabilidad (fácil de recordar), (4) satisfacción (el modo de búsqueda de información es cómodo y agradable) y (5) generalizabilidad a otros objetos14,15,16. Además, la carga cognitiva, que representa la carga mientras realiza una tarea particular en el sistema cognitivo de un alumno17, es otro indicador central de usabilidad18,19. Por lo tanto, este estudio también utilizó el Índice de Carga de Tareas de la NASA (NASA-TLX)13,20 como una métrica subjetiva para medir la carga cognitiva mientras se compra usando AR versus comprar utilizando servicios de sitios web. Cabe destacar que los métodos de autoinforme se basan en la capacidad y la voluntad de los individuos para informar con precisión sus actitudes y / o comportamientos anteriores21, dejando abierta la posibilidad de informes erróneos, subinformes o sesgos. Por lo tanto, las medidas objetivas podrían ser un complemento valioso de los métodos subjetivos tradicionales22.

Los métodos de Neuro-Information-Systems (NeuroIS) se utilizan para la evaluación objetiva de la usabilidad de AR. NeuroIS, acuñado por Dimoka et al. en la conferencia ICIS de 2007, está atrayendo cada vez más atención en el campo de los sistemas de información (SI)23. NeuroIS utiliza teorías y herramientas de la neurociencia cognitiva para comprender mejor el desarrollo, la adopción y el impacto de las tecnologías de SI24,25. Hasta la fecha, las herramientas de neurociencia cognitiva, como la resonancia magnética funcional (fMRI), el electroencefalograma (EEG), la tomografía computarizada por emisión de positrones, la magnetoencefalografía (MEG) y la espectroscopia funcional de infrarrojo cercano (fNIRS), se utilizan comúnmente en los estudios de NeuroIS26,27. Por ejemplo, Dimoka y Davis utilizaron fMRI para medir las activaciones de los sujetos cuando interactuaban con el sitio web, y revelaron que la facilidad de uso percibida influyó en la activación en la corteza prefrontal (PFC)28. Del mismo modo, utilizando EEG, Moridis et al. encontraron que la asimetría frontal estaba estrechamente asociada con la utilidad29. Estos resultados indican que el PFC puede desempeñar un papel clave en la usabilidad.

Aunque se han logrado logros en estudios previos de NeuroIS, los paradigmas utilizados en estos estudios habían limitado los movimientos corporales de sujetos con baja validez ecológica, limitando sus contribuciones teóricas y prácticas. Interactuar con tecnologías como la RA durante las compras requiere movimientos corporales libres, y las limitaciones del sujeto perjudican en gran medida la experiencia del consumidor, como se discutió en He et al.22. Por lo tanto, se necesitan herramientas de imagen cerebral con alta validez ecológica para una prueba de usabilidad de los sistemas de información. En este sentido, fNIRS tiene ventajas técnicas únicas: durante los experimentos fNIRS, los sujetos pueden moverse libremente30 hasta cierto punto. Por ejemplo, estudios previos han medido las activaciones cerebrales de los sujetos durante varias actividades al aire libre, como el ciclismo, utilizando fNIRS31 portátil. Además, fNIRS es de bajo costo y permite la medición de activaciones cerebrales durante largos períodos de tiempo32. En este estudio, fNIRS se utilizó para medir objetivamente el nivel de carga cognitiva de los sujetos mientras usaban los servicios de compra de AR frente a un sitio web.

El seguimiento ocular ha sido una valiosa técnica psicofisiológica para detectar la atención visual de los usuarios durante una prueba de usabilidad en los últimos años33 y también ha sido ampliamente utilizado en estudios NeuroIS34. La técnica se basa en la hipótesis ojo-mente, que asume que el enfoque del observador va hacia donde se dirige la atención, que la atención visual representa el proceso mental y que los patrones de atención visual reflejan estrategias cognitivas humanas35,36,37. En el área de la investigación de AR, Yang et al. utilizaron el seguimiento ocular para encontrar que la publicidad de RA mejoró las actitudes de los consumidores hacia la publicidad al aumentar su curiosidad y atención38. En el estudio actual, el seguimiento ocular se utilizó para medir la atención de los sujetos, incluidos parámetros como la duración total de la fijación, la duración promedio de la fijación, la frecuencia de fijación, la frecuencia de la sacada, la duración promedio de la sacádica y la longitud promedio de la trayectoria de la exploración.

En resumen, este estudio propone un método de prueba de usabilidad que combina evaluaciones subjetivas y objetivas con aplicaciones de RA como ejemplo. Para la evaluación subjetiva se utilizó un cuestionario de usabilidad y una escala NASA-TLX, y para la evaluación objetiva se utilizaron medidas multimodales que combinan fNIRS y seguimiento ocular39,40.

Diseño experimental
Materiales experimentales: Para simular un contexto de compra de la vida real, se construyó un estante de productos en un laboratorio y se colocaron dos marcas diferentes de agua mineral en el estante como materiales experimentales. Como bienes esenciales, se seleccionó el agua mineral porque los participantes no tendrían sesgos en las evaluaciones subjetivas sobre la base de sus antecedentes ocupacionales, género y capacidad adquisitiva. Se controló el precio, la capacidad y la familiaridad de las marcas (ver Tabla de materiales) para eliminar la interferencia de variables irrelevantes.

La prueba de usabilidad incluyó dos condiciones: una aplicación AR basada en teléfonos inteligentes (Figura suplementaria 1) y un sitio web (Figura complementaria 2). La aplicación AR fue programada en base a un motor AR. El sitio web fue desarrollado usando Python, basado en Bootstrap para el front-end y Flask para el back-end. La aplicación AR y el sitio web se ejecutaron y navegaron en un teléfono inteligente. Entre las dos marcas diferentes de agua mineral, una se utilizó como material experimental en la condición AR, y la otra se utilizó en la condición del sitio web.

Tareas experimentales: Se pidió a los participantes que realizaran cuatro tareas de búsqueda de información derivadas de contextos de aplicación de IoT: la calidad del agua, la temperatura de almacenamiento, la dieta correspondiente y el precio por litro. Estos cuatro elementos de información son a los que los consumidores normalmente prestan atención cuando compran agua mineral. No hubo limitación de tiempo para que los participantes completaran las tareas.

Calidad del agua: La calidad del agua mineral comúnmente incluye dos indicadores: el total de sólidos disueltos (TDS) y el valor de pH. El TDS refleja el contenido mineral, y el valor de pH describe la acidez / alcalinidad del agua. Estos dos indicadores están relacionados con los oligoelementos contenidos en el agua mineral e influyen en el sabor. Por ejemplo, Bruvold y Ongerth dividieron la calidad sensorial del agua en cinco grados de acuerdo con su contenido de TDS41. Marcussen et al. encontraron que el agua tiene buenas cualidades sensoriales en el rango de 100-400 mg / L TDS42. El TDS y el valor de pH de las dos marcas de agua mineral utilizadas en este estudio se midieron utilizando medidores de TDS y pH, respectivamente, y luego se marcaron en la aplicación AR y en el sitio web. Mientras realizaban la tarea, los participantes debían informar los valores de TDS y pH del agua mineral y confirmar si estos valores estaban dentro del rango nominal. En la condición AR, los participantes podían adquirir esta información escaneando la botella de agua. En la condición del sitio web, los participantes debían realizar cuatro pasos: (1) encontrar un código numérico en la parte posterior de la botella de agua mineral, (2) ingresar el código numérico en un cuadro de consulta para obtener los valores de TDS y pH para el agua mineral, (3) buscar el rango nominal para agua mineral en el sitio web, y (4) informar verbalmente si el TDS y el valor de pH están dentro del rango nominal para el producto.

Temperatura de almacenamiento: La calidad del agua mineral puede disminuir durante el transporte y el almacenamiento debido a los cambios de temperatura. Los experimentos han demostrado que la temperatura adecuada para el agua mineral está entre 5 °C y 25 °C durante el transporte y el almacenamiento. En este rango de temperatura, el agua no tiene mal olor43. En el presente experimento, la temperatura de almacenamiento de los dos tipos de agua mineral en diferentes lugares se marcó en la aplicación AR y en el sitio web. Mientras realizaban la tarea, los participantes debían informar la ubicación de almacenamiento y la temperatura correspondiente del agua. En la condición AR, los participantes podían adquirir esta información escaneando la botella de agua. En la condición del sitio web, los participantes pueden adquirir esta información ingresando el código numérico en un cuadro de consulta.

Dieta de emparejamiento: Diferentes marcas de agua mineral son adecuadas para diferentes menús debido a su composición mineral única y contenido de burbujas44. En el presente experimento, las recomendaciones dietéticas para las dos aguas minerales se marcaron en la aplicación AR y el sitio web. Mientras realizaban la tarea, los participantes debían informar cómo el agua mineral coincide con los alimentos en el menú. En la condición AR, los participantes podrían adquirir esta información escaneando la botella de agua. En la condición del sitio web, los participantes pueden buscar esta información en el sitio web.

Precio por litro: Actualmente, las etiquetas de las botellas de agua mineral en China no muestran la información del precio por litro. Esto hace que sea difícil para los consumidores distinguir la diferencia en los precios unitarios de los diferentes tipos de agua mineral. Por lo tanto, el presente experimento requirió que los participantes informaran el precio por litro. En la aplicación AR, los participantes podían adquirir el precio por litro directamente escaneando la botella de agua. En la condición del sitio web, la información podría calcularse a partir del precio unitario y el volumen en la etiqueta.

Este estudio utilizó un diseño dentro del participante, con criterios de inclusión y exclusión de los participantes como se describe en la Tabla 1. Un total de 40 participantes completaron el experimento (20 hombres y 20 mujeres, edad media = 21,31 ± 1,16 años). Todos los participantes eran estudiantes universitarios de la Universidad de Ciencia y Tecnología de Jiangsu y se organizaron aleatoriamente en dos grupos (A y B). Para evitar el efecto de orden, el orden experimental se contrarrestó entre los dos grupos (A / B). Específicamente, un grupo realizó primero la condición AR y luego la condición del sitio web, mientras que el otro grupo realizó primero el sitio web y luego la condición AR. Se requirió que los participantes completaran la preparación para el experimento, usaran los instrumentos y realizaran las tareas experimentales. El intervalo entre experimentos se estableció en 10 s para permitir que la activación cortical volviera al nivel basal, evitando la influencia cruzada en la tarea posterior. Al final del experimento AR/sitio web, los participantes debían completar el cuestionario de usabilidad y la escala NASA-TLX. El diagrama de flujo experimental se muestra en la Figura 1. Una fotografía de la configuración experimental se presenta en la Figura 2.

Tabla 1: Criterios de inclusión y exclusión para el estudio. Haga clic aquí para descargar esta tabla.

Figure 1
Figura 1: Diagrama de flujo experimental. Cada experimento duró ~ 45 minutos, con un período de descanso de 10 s entre las tareas. Haga clic aquí para ver una versión más grande de esta figura.

Figure 2
Figura 2: Ejemplo de configuración de la escena experimental. Se muestran los materiales experimentales, el participante y el equipo. Haga clic aquí para ver una versión más grande de esta figura.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Este estudio se realizó de conformidad con los principios de la Declaración de Helsinki. Todos los participantes fueron informados del propósito y la seguridad del experimento y firmaron el formulario de consentimiento informado antes de participar. Este estudio fue aprobado por la junta de revisión institucional de la Universidad de Ciencia y Tecnología de Jiangsu.

1. Procedimiento de experimentación

  1. Preparación para el experimento
    1. Explique el consentimiento informado a los participantes y pídales que firmen el formulario de consentimiento.
    2. Realice una prueba de visión de color en los participantes para confirmar que tienen una discriminación de color normal.
    3. Presente 30 marcas de agua mineral a los participantes y pídales que elijan las marcas con las que están familiarizados, para asegurarse de que no están familiarizados con las marcas de agua mineral utilizadas en el experimento.
    4. Presentar el procedimiento del experimento a los participantes.
    5. Realice un experimento previo en los participantes que usan marcas de agua mineral distintas a las utilizadas en el estudio, y asegúrese de que estén familiarizados con la RA y las operaciones del sitio web.
    6. Dirija a cada participante del Grupo A para que realice primero el experimento de AR y luego realice el experimento del sitio web. Dirija a cada participante del Grupo B para que realice primero el experimento del sitio web y luego realice el experimento AR.
  2. Uso de instrumentos
    1. Sondas fNIRS
      1. Limpie la piel de la frente de los participantes con gel de preparación de la piel (ver Tabla de materiales).
      2. Envuelva las sondas (consulte la Tabla de materiales) en una envoltura de plástico para circunstancias sudorosas. Fije las sondas en la posición FP1 y FP2 de acuerdo con el sistema internacional 10-20 con una diadema negra45. Use un pañuelo negro para cubrir las sondas para protegerlas contra la luz ambiental y mejorar la calidad de la señal.
      3. Limpie el transmisor y el receptor de las sondas con una almohadilla de alcohol isopropílico al 70% después de terminar el experimento.
    2. Rastreador ocular: capture el movimiento ocular en entornos del mundo real utilizando gafas de seguimiento ocular (consulte la Tabla de materiales). Coloque magnéticamente las lentes graduadas en la unidad principal de las gafas de seguimiento ocular (si es necesario) y asegúrese de que los participantes puedan caminar libremente con una vista corregida.
      NOTA: Debido a que los anteojos de seguimiento ocular no están diseñados para funcionar junto con los anteojos estándar, los participantes que usan anteojos aún pueden incluirse en el estudio mediante el uso de lentes recetados opcionales para corregir la miopía o la hipermetropía. Los participantes también pueden usar lentes de contacto estándar porque aunque pueden aumentar ligeramente el ruido, normalmente no introducen errores en los datos. Los participantes no pueden usar lentes de colores u otros que cambien la apariencia de la pupila o el iris.

2. Medidas

  1. fNIRS
    1. Abra el software de grabación (consulte la Tabla de materiales). Conecte las sondas a una computadora portátil a través de un adaptador Bluetooth y luego registre los cambios de concentración de hemoglobina oxigenada (O2Hb) en la corteza prefrontal de los participantes a través de la computadora portátil, con una frecuencia de muestreo de 10 Hz.
    2. Verifique la intensidad de la luz recibida y la calidad del índice de saturación tisular (TSI) para controlar la calidad de los datos. Asegúrese de que la señal recibida se encuentra entre el 1% y el 95%.
    3. Asegúrese de que los participantes se sienten en una posición cómoda en una silla y mantengan el estado de reposo durante 2 minutos para recopilar datos de referencia antes del experimento real.
    4. Haga clic en el botón Inicio en la interfaz del software para registrar los datos de fNIRS.
  2. Seguimiento ocular
    1. Configure el hardware para las gafas de seguimiento ocular. Conecte el enchufe USB de las gafas de seguimiento ocular a un puerto USB del portátil. Abra el software de grabación (consulte la Tabla de materiales) y ajuste la frecuencia de muestreo a 120 Hz.
    2. Calibración: Realice una calibración de un punto. Pida al participante que se concentre en un objeto claramente identificable en su campo de visión a 0,6 m. Mueva el cursor en forma de cruz al objeto, donde el participante está enfocado en el video de la escena y haga clic en el objeto.
    3. Presione el botón Grabar en la interfaz del software para comenzar a grabar.
  3. Cuestionario y escala: Presente el cuestionario de usabilidad y la escala NASA-TLX a los participantes después de completar las tareas del AR / sitio web.

3. Análisis de datos

  1. Procesamiento de datos fNIRS
    1. Convertir los valores de densidad óptica obtenidos del software de grabación fNIRS en concentraciones (μmol) de acuerdo con la Ley46 modificada de Beer-Lambert.
    2. Filtre los datos sin procesar en 0,5 Hz de paso bajo para eliminar ruidos sistemáticos como latidos cardíacos y respiración.
    3. Compruebe y corrija los datos en busca de artefactos de movimiento eliminando los segmentos de datos que superaron las tres desviaciones estándar por encima de toda la serie temporal47.
    4. Exporte los datos fNIRS medios y máximos en las condiciones de AR y del sitio web, y luego réstelos de los datos de referencia.
  2. Procesamiento de datos de seguimiento ocular
    1. Exporte la frecuencia de fijación (conteo/s), el tiempo total de fijación (ms), el tiempo medio de fijación (ms), la frecuencia de sacádica (conteo/s), el tiempo medio de sacada (ms) y la longitud media de la trayectoria de exploración (px/s) de los participantes.
  3. Análisis estadístico
    1. Realizar una prueba de dos colas a un nivel de significación de 0.05. Compruebe la normalidad de los datos utilizando la prueba de Shapiro-Wilk y realice una prueba de diferencia. Realice varias correcciones de comparación para los valores p utilizando el método de tasa de descubrimiento falso (FDR).
      NOTA: Al realizar la prueba de diferencia, los datos que siguieron a una distribución normal se analizaron utilizando una prueba t de muestras pareadas, y los datos que no siguieron una distribución normal se analizaron mediante la prueba de rango con signo de Wilcoxon.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Los resultados representativos de este estudio incluyen los resultados del cuestionario de usabilidad, el análisis de datos de seguimiento ocular, los datos de escala NASA-TLX, el análisis de datos fNIRS y los cambios dinámicos en la carga cognitiva. Para los resultados del cuestionario de usabilidad, se realizaron análisis de datos de seguimiento ocular, datos de escala NASA-TLX y análisis de datos fNIRS, pruebas de normalidad y pruebas de diferencias. Para los cambios dinámicos de carga cognitiva, este estudio seleccionó fNIRS y datos de seguimiento ocular de un solo participante para demostrar la validez de la medición multimodal.

Resultados del cuestionario de usabilidad
Ninguno de los ítems del cuestionario de usabilidad siguió la distribución normal (Tabla 2). Se probó la confiabilidad de AR y el sitio web en el cuestionario de usabilidad, y el puntaje alfa de Cronbach se consideró aceptable (alfa de Cronbach = 0,974).

Tabla 2: Test de normalidad del cuestionario de usabilidad. Ninguno de los ítems del cuestionario de usabilidad siguió la distribución normal. Los datos fueron analizados utilizando la prueba de rango con signo de Wilcoxon. Haga clic aquí para descargar esta tabla.

Las puntuaciones medias de diferencia del cuestionario de usabilidad entre AR y el sitio web se muestran en la Tabla 3. Las distribuciones de datos de la AR y las condiciones del sitio web se muestran en la Figura 3. Se observó una diferencia significativa entre la RA y las condiciones del sitio web, siendo las puntuaciones medianas para la RA más altas que las del sitio web. Los resultados mostraron que los participantes tuvieron una mejor experiencia de usuario en la condición AR que en la condición del sitio web.

Tabla 3: Mediana de las puntuaciones de diferencia del cuestionario de usabilidad entre la RA y las condiciones del sitio web. Las puntuaciones medianas para AR fueron significativamente más altas que las del sitio web. Haga clic aquí para descargar esta tabla.

Figure 3
Figura 3: Distribución de datos del cuestionario de usabilidad. Una ilustración esquemática de la distribución de datos del cuestionario de usabilidad. Haga clic aquí para ver una versión más grande de esta figura.

Análisis de datos de seguimiento ocular
Todos los indicadores de seguimiento ocular fueron probados para la normalidad, y los resultados se presentan en la Tabla 4. En las tareas 1 y 3, sólo la frecuencia de fijación siguió la distribución normal, mientras que todos los demás indicadores no siguieron la distribución normal. En la Tarea 2, la frecuencia de fijación y la frecuencia de sacádica siguieron la distribución normal, pero el resto de los indicadores no siguieron la distribución normal. Para la Tarea 4, sólo la frecuencia de sacada siguió la distribución normal. Al comparar las diferencias entre la RA y las condiciones del sitio web, los datos se informaron por separado en función de la normalidad / no normalidad. La Tabla 5 muestra las diferencias en los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web en la Tarea 1 (calidad del agua). Hubo diferencias significativas en todos los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en la condición AR que en la condición del sitio web (mediana AR = 586.85, rango intercuartil [IQR) = 482.55-714.6; Sitio web mediano = 398.05, IQR = 362.775-445.275). Los otros indicadores fueron significativamente más bajos en la condición AR que en la condición del sitio web.

Tabla 4: Prueba de normalidad de los indicadores de seguimiento ocular. Los datos de seguimiento ocular que siguen una distribución normal se analizaron utilizando una prueba t de muestras pareadas, y los datos de seguimiento ocular que no siguieron una distribución normal se analizaron mediante la prueba de rango con signo de Wilcoxon. Haga clic aquí para descargar esta tabla.

Tabla 5: Diferencias en los indicadores de seguimiento ocular entre AR y el sitio web en la Tarea 1. Hubo diferencias significativas en todos los indicadores de seguimiento ocular entre AR y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en AR que en la condición del sitio web (mediana de AR = 586.85, rango intercuartil (IQR) = 482.55-714.6; Sitio web mediano = 398.05, IQR = 362.775-445.275). Los otros indicadores fueron significativamente más bajos en AR que en la condición del sitio web. Haga clic aquí para descargar esta tabla.

La Tabla 6 muestra las diferencias en los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web en la Tarea 2 (temperatura de almacenamiento). Todos los indicadores de seguimiento ocular mostraron diferencias significativas entre la RA y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en la condición AR que en la condición del sitio web (mediana AR = 477.2, IQR = 398.675-596.575; Sitio web mediano = 397.1, IQR = 353.35-451.075). Los otros indicadores fueron significativamente más bajos en la condición AR que en la condición del sitio web.

Tabla 6: Diferencias en los indicadores de seguimiento ocular entre AR y el sitio web en la Tarea 2. Hubo diferencias significativas en todos los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en AR que en la condición del sitio web (mediana de AR = 477.2, IQR = 398.675-596.575; Sitio web mediano = 397.1, IQR = 353.35-451.075). Los otros indicadores fueron significativamente más bajos en AR que en la condición del sitio web. Haga clic aquí para descargar esta tabla.

La Tabla 7 muestra las diferencias en los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web en la Tarea 3 (dieta de emparejamiento). Hubo diferencias significativas en todos los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en la condición AR que en la condición del sitio web (mediana AR = 420.45, IQR = 352.275-467.8; Sitio web mediano = 360.6, IQR = 295-399.075). Los otros indicadores fueron significativamente más bajos en la condición AR que en la condición del sitio web.

Tabla 7: Diferencias en los indicadores de seguimiento ocular entre AR y el sitio web en la Tarea 3. Hubo diferencias significativas en todos los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en AR que en la condición del sitio web (mediana AR = 420.45, IQR = 352.275-467.8; Sitio web mediano = 360.6, IQR = 295-399.075). Los otros indicadores fueron significativamente más bajos en AR que en la condición del sitio web. Haga clic aquí para descargar esta tabla.

La Tabla 8 muestra las diferencias en los indicadores de seguimiento ocular entre el AR y las condiciones del sitio web en la Tarea 4 (precio por litro). Hubo diferencias significativas en todos los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en la condición AR que en la condición del sitio web (mediana AR = 495.25, IQR = 404.8-628.65; Sitio web mediano = 263.1, IQR = 235.45-326.2). Sin embargo, los otros indicadores fueron significativamente más bajos en la condición AR que en la condición del sitio web.

Tabla 8: Diferencias en los indicadores de seguimiento ocular entre AR y sitio web en la Tarea 4. Hubo diferencias significativas en todos los indicadores de seguimiento ocular entre la RA y las condiciones del sitio web, p < 0,001. La duración promedio de la fijación fue significativamente mayor en AR que en la condición del sitio web (mediana de AR = 495.25, IQR = 404.8-628.65; Sitio web mediano = 263.1, IQR = 235.45-326.2). Los otros indicadores fueron significativamente más bajos en AR que en la condición del sitio web. Haga clic aquí para descargar esta tabla.

Para las tareas de búsqueda visual, los indicadores de seguimiento ocular más bajos se asociaron con una mayor eficiencia de la búsqueda de información (excepto para la duración promedio de la fijación). Tomados en conjunto, los datos de seguimiento ocular demostraron que los participantes tenían una mayor eficiencia de búsqueda de información cuando usaban AR que cuando usaban el sitio web.

Datos a escala NASA-TLX
Ninguno de los ítems de la escala NASA-TLX siguió una distribución normal (Tabla 9). La puntuación alfa de Cronbach se consideró aceptable (alfa de Cronbach = 0,924).

Tabla 9: Prueba de normalidad de la escala NASA-TLX. Ninguno de los ítems de la escala NASA-TLX siguió una distribución normal. Los datos fueron analizados utilizando la prueba de rango con signo de Wilcoxon. Haga clic aquí para descargar esta tabla.

Las puntuaciones medias de diferencia de la escala NASA-TLX entre AR y las condiciones del sitio web se presentan en la Tabla 10. Las distribuciones de datos de AR y las condiciones del sitio web se muestran en la Figura 4. Se observó una diferencia significativa entre AR y las condiciones del sitio web. Los puntajes de la escala NASA-TLX de la condición AR fueron más bajos que los de la condición del sitio web, lo que indica que la técnica AR condujo a una carga cognitiva más baja que la del sitio web.

Tabla 10: Mediana de los puntajes de diferencia de la escala NASA-TLX entre AR y el sitio web. Los puntajes de la escala NASA-TLX de la condición AR fueron significativamente más bajos que los de la condición del sitio web. Haga clic aquí para descargar esta tabla.

Figure 4
Figura 4: Distribución de datos de la escala NASA-TLX. Una ilustración esquemática de la distribución de datos de la escala NASA-TLX. Haga clic aquí para ver una versión más grande de esta figura.

Análisis de datos de fNIRS
Los valores medios de O2Hb fueron probados para la normalidad, y los resultados se presentan en la Tabla 11. Al comparar las diferencias entre la RA y las condiciones del sitio web, los datos se informaron por separado en función de la normalidad / no normalidad. Las diferencias en la media de O2Hb entre la RA y las condiciones del sitio web se presentan en la Tabla 12. Hubo diferencias significativas entre las dos condiciones cuando los participantes realizaron la Tarea 1 (p ajustado = 0,002), la Tarea 3 (p ajustada = 0,007) y la Tarea 4 (p ajustada < 0,001). La media de O2Hb de las tareas realizadas en la condición AR fue significativamente menor que en la condición del sitio web (Tarea 1: AR media = -1,012, SDAR = 0,472, Sitio web medio = 0,63,SD sitio web = 0,529; Tarea 3: AR media = -0,386, SDAR = 0,493, Sitio web medio = 1,12,SD Sitio web = 0,554; Tarea 4: AR media = -0,46, SDAR = 0,467, Sitio web medio = 2,27,SD Sitio web = 0,576). Al realizar la Tarea 2, las diferencias entre el AR y las condiciones del sitio web no alcanzaron un nivel significativo (p ajustado = 0,154 > 0,05). Estos resultados indican que los participantes tenían una menor carga cognitiva al usar la técnica AR que al usar el sitio web.

Tabla 11: Prueba de normalidad de la media O2Hb. Los datos de fNIRS que siguen una distribución normal se analizaron utilizando una prueba t de muestras pareadas, y los datos de fNIRS que no siguieron una distribución normal se analizaron mediante la prueba de rango con signo de Wilcoxon. Haga clic aquí para descargar esta tabla.

Tabla 12: Diferencias en la media deO2Hb entre AR y sitio web.  Hubo diferencias significativas entre las dos condiciones cuando los participantes realizaron la Tarea 1 (p ajustada = 0,002), la Tarea 3 (p ajustada = 0,007) y la Tarea 4 (p ajustada < 0,001). La media de O2Hb de las tareas realizadas en la condición AR fue significativamente menor que en la condición del sitio web (Tarea 1: AR media = -1,012, SDAR = 0,472, Sitio web medio = 0,63,SD sitio web = 0,529; Tarea 3: AR media = -0,386, SDAR = 0,493, Sitio web medio = 1,12,SD Sitio web = 0,554; Tarea 4: AR media = -0,46, SDAR = 0,467, Sitio web medio = 2,27,SD Sitio web = 0,576). Al realizar la Tarea 2, las diferencias entre AR y las condiciones del sitio web no alcanzaron un nivel significativo (p ajustado = 0,154 > 0,05). Haga clic aquí para descargar esta tabla.

Cambios dinámicos en la carga cognitiva
La Figura 5 muestra los cambios en la concentración de O2Hb cuando un participante realizó la Tarea 4 en la condición del sitio web. En el punto 1, el participante tuvo problemas para calcular el precio por litro. El intenso proceso de búsqueda indujo un aumento en la concentración de O2Hb, lo que indicó un aumento en la carga instantánea. Cuando el participante recibió una señal, la concentración de O 2Hb cayó al punto 2, y la carga instantánea alcanzó un valor de valle en ese momento. El participante comenzó a trabajar duro para calcular el precio por litro y quería completar la tarea lo antes posible. En este contexto, la concentración deO2Hb continuó aumentando y alcanzó un máximo (punto 3). En resumen, la medición multimodal del seguimiento ocular y fNIRS podría medir eficazmente los cambios dinámicos en la carga cognitiva mientras interactúa con los sistemas de información y también puede examinar las diferencias individuales en el comportamiento del consumidor.

Figure 5
Figura 5: carga instantánea fNIRS. Una ilustración esquemática de los cambios dinámicos de carga cognitiva utilizando la carga instantánea fNIRS. Haga clic aquí para ver una versión más grande de esta figura.

Tomando como ejemplos las cuatro tareas de AR integradas en IoT, este estudio combinó enfoques de NeuroIS con métodos de evaluación subjetivos. Los resultados experimentales sugirieron que: (1) para el cuestionario de usabilidad, los participantes tuvieron una mejor evaluación subjetiva en la condición AR que en la condición del sitio web (Tabla 3 y Figura 3); (2) para los datos de seguimiento ocular, los participantes tuvieron una mayor eficiencia de búsqueda de información cuando usaron AR que cuando usaron el sitio web (Tabla 5, Tabla 6, Tabla 7 y Tabla 8); (3) para los datos de escala NASA-TLX y los datos fNIRS, la técnica AR condujo a una carga cognitiva más baja que la del sitio web (Tabla 10 y Tabla 12); y (4) para la carga cognitiva dinámica, la medición multimodal del seguimiento ocular y fNIRS podría medir eficazmente los cambios dinámicos de la carga cognitiva mientras interactúa con los sistemas de información, y también podría examinar las diferencias individuales en el comportamiento del consumidor (Figura 5). Al comparar las diferencias en los datos de neuroimagen, los datos fisiológicos y los datos autoinformados utilizando el cuestionario de usabilidad y la escala NASA-TLX entre la AR y las condiciones del sitio web, la técnica AR podría promover la eficiencia para la búsqueda de información y reducir la carga cognitiva durante el proceso de compra. Por lo tanto, como una tecnología minorista emergente, AR podría mejorar efectivamente la experiencia del usuario de los consumidores y, a su vez, puede aumentar su intención de compra.

Figura complementaria 1: Captura de pantalla de la información mostrada en la aplicación AR utilizada en el estudio. Haga clic aquí para descargar este archivo.

Figura complementaria 2: Captura de pantalla de la información mostrada en el sitio web utilizado en el estudio. Haga clic aquí para descargar este archivo.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Pasos críticos dentro del protocolo
Durante el experimento, se consideraron varios pasos para garantizar la fiabilidad de los resultados. Primero, se excluyeron los participantes que están familiarizados con las marcas de agua mineral utilizadas en el experimento, porque estos participantes habrían realizado la tarea en función de su conocimiento de la marca. En segundo lugar, los participantes completaron un experimento previo utilizando otras marcas de agua mineral, que se empleó para garantizar que los participantes estuvieran familiarizados con AR y las operaciones del sitio web. En tercer lugar, cuando se usaban sondas fNIRS, se usaba un pañuelo negro para cubrir las sondas para proteger las sondas contra la luz ambiental y mejorar la calidad de la señal. En cuarto lugar, a los participantes que usaban lentes de contacto no se les permitió usar lentes de colores u otros que cambiarían la apariencia de la pupila o el iris. En quinto lugar, antes del experimento real, los participantes debían sentarse en una posición cómoda en una silla y mantener un estado de reposo durante 2 minutos para recopilar datos de referencia, que se utilizaron para la corrección de la línea de base para los datos de la fNIRS47.

Modificaciones y solución de problemas
El paradigma experimental propuesto en este estudio se puede extender a aplicaciones comerciales del mundo real. El mayor desafío en la aplicación de métodos de neurociencia cognitiva a problemas empresariales es la validez ecológica48,49. El protocolo experimental que utiliza imágenes móviles cerebro/cuerpo ha demostrado la viabilidad de resolver este problema50. Krampe et al. utilizaron fNIRS portátiles para estudiar el comportamiento del consumidor en un escenario realista de compra de comestibles y presentaron el concepto de "neurociencia del comprador"51. Los enfoques multimodales mejoran en gran medida la validez ecológica. Mediante la aplicación de fNIRS portátiles y gafas de seguimiento ocular, este estudio es el primero en examinar las experiencias de los consumidores utilizando diferentes modos de búsqueda de información frente a un estante de productos. A través del experimento, este estudio extiende el ámbito de investigación de NeuroIS a escenarios minoristas y de compras y permite a los investigadores comprender mejor los procesos cognitivos. Cabe señalar que en el contexto de las compras de la vida real, es probable que las mediciones de fNIRS estén influenciadas por el desplazamiento de posición y la luz ambiental. Por lo tanto, se recomienda utilizar vendajes, cintas y/o correas para sujetar bien las sondas a los participantes y utilizar un paño negro para cubrir el tejido y el dispositivo para evitar el efecto de cualquier luz ambiental.

Limitaciones de la técnica
Hay algunas limitaciones para el experimento. Primero, dado que se utilizó un rastreador ocular en el experimento, los participantes con alta miopía y astigmatismo fueron excluidos del experimento. En este caso, el protocolo no se puede utilizar para personas ciegas o con discapacidad visual. En segundo lugar, este estudio sólo examina las experiencias sensoriales visuales. Los experimentos futuros pueden extenderse a otros canales sensoriales, como la audición y el tacto. En tercer lugar, este estudio solo examina las técnicas de AR, otras tecnologías emergentes deben evaluarse utilizando el mismo paradigma experimental en estudios futuros.

Importancia con respecto a los métodos existentes
La importancia de este estudio se refleja en dos aspectos. En primer lugar, se utilizaron enfoques multimodales para la evaluación objetiva de la usabilidad. Como se muestra en la Figura 5, debido a que el rastreador ocular grabó videos simultáneamente desde la perspectiva de los participantes durante el proceso de compra, fue fácil para los investigadores hacer coincidir el escenario de compra con los datos de fNIRS. Por lo tanto, esta técnica experimental que utiliza enfoques multimodales no solo tiene la ventaja de la medición continua en tiempo real con alta validez ecológica, sino que también combina las ventajas de diferentes técnicas para identificar cambios dinámicos en escenarios de compra. Este estudio proporcionó un método de prueba de usabilidad efectivo para que los fabricantes de productos mejoren el diseño del producto, los minoristas optimicen el diseño de los productos en los estantes y los consumidores mejoren la experiencia del usuario. En segundo lugar, este estudio propuso un método de prueba de usabilidad que combinaba evaluaciones objetivas y subjetivas. Algunos investigadores han revelado que los métodos de autoinforme pueden sufrir de un sesgo de método común (CMB)52,53. Dado que las mediciones de la neurociencia cognitiva suelen ser menos susceptibles al sesgo subjetivo, al sesgo de deseabilidad social y a los efectos de la demanda, estos datos de evaluación objetiva podrían complementar los datos de evaluación subjetiva y fortalecer la robustez del resultado experimental25,34. Liang et al. utilizaron métodos de EEG y autoinforme para investigar la relación entre la calidad del sitio web y la satisfacción del usuario a través de un experimento sobre la experiencia de flujo. Los resultados indicaron que el método de neurociencia cognitiva reduce el CMB53. En este estudio, la combinación de evaluaciones objetivas y subjetivas demostró que (1) los consumidores preferían una condición de compra de RA basada en la evaluación subjetiva; (2) La técnica AR promovió la eficiencia de la búsqueda visual y la usabilidad basada en los datos de seguimiento ocular; (3) La técnica AR redujo la carga cognitiva de los consumidores y mejoró sus experiencias de usuario basadas en los datos de la escala fNIRS y NASA-TLX; y (4) combinado con la información de video grabada por el seguimiento ocular, permitió el examen de las diferencias individuales y una mejor comprensión de las diferencias de estado en el comportamiento del consumidor.

Aplicaciones futuras
Este estudio propone un paradigma experimental para las pruebas de usabilidad de tecnologías emergentes en un MIS. Se utiliza una prueba de usabilidad para evaluar la experiencia del usuario de las tecnologías emergentes en las interacciones hombre-computadora54. A medida que las tecnologías emergentes (por ejemplo, realidad aumentada, realidad virtual, inteligencia artificial, tecnología portátil, robótica y big data) se utilizan cada vez más en un MIS, el paradigma experimental de una prueba de usabilidad se puede utilizar para verificar las ventajas técnicas de las tecnologías emergentes en la experiencia del usuario en el futuro.

En conclusión, este estudio propone un paradigma experimental que combina evaluaciones subjetivas y objetivas en un MIS, que puede evaluar efectivamente la usabilidad de tecnologías emergentes como la AR.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Los autores no tienen nada que revelar.

Acknowledgments

Este estudio fue apoyado por el Proyecto de Investigación de Filosofía y Ciencias Sociales del Departamento Provincial de Educación de Jiangsu (2018SJA1089), la Beca del Gobierno de Jiangsu para Estudios en el Extranjero (JS-2018-262), la Fundación de Ciencias Naturales de la Provincia de Zhejiang (LY19G020018) y la Fundación Nacional de Ciencias Naturales de China (NSFC) (72001096).

Materials

Name Company Catalog Number Comments
AR Engine Unity Technologies 2020.3.1 AR development platform
AR SDK PTC Vuforia Engine 9.8.5 AR development kit
Eye Tracker (eye tracking glasses) SMI, Germany SMI ETG Head-mounted eye tracking
system
Eye Tracker Recording software SMI, Germany iViewETG Software Eye Tracker Recording software
fNIRS probes Artinis Medical Systems BV, Netherlands Artinis PortaLite Light source: Light emitting diodes
Wavelengths: Standard nominal 760 and 850 nm
fNIRS software Artinis Medical Systems BV, Netherlands OxySoft 3.2.70 fNIRS data recording and analysis software
Mineral Water Groupe Danone Badoit  Experimental material in the AR condition   Capacity: 330ml
Price: Equation 16
Mineral Water Nestlé Acqua Panna Experimental material in the website condition Capacity: 250ml
Price: Equation 15.4
Skin Preparation Gel Weaver and Company Nuprep Clean the forehead skin of the participants
Smartphone Xiaomi Redmi K30 Ultra Smartphone-based AR application and website

DOWNLOAD MATERIALS LIST

References

  1. Ameen, N., Hosany, S., Tarhini, A. Consumer interaction with cutting-edge technologies: Implications for future research. Computers in Human Behavior. 120, 106761 (2021).
  2. Javornik, A. Augmented reality: Research agenda for studying the impact of its media characteristics on consumer behaviour. Journal of Retailing and Consumer Services. 30, 252-261 (2016).
  3. Caboni, F., Hagberg, J. Augmented reality in retailing: a review of features, applications and value. International Journal of Retail & Distribution Management. 47 (11), 1125-1140 (2019).
  4. Kumar, H. Augmented reality in online retailing: a systematic review and research agenda. International Journal of Retail & Distribution Management. 50 (4), 537-559 (2022).
  5. Yim, M. Y. C., Park, S. Y. I am not satisfied with my body, so I like augmented reality (AR): Consumer responses to AR-based product presentations. Journal of Business Research. 100, 581-589 (2019).
  6. Chylinski, M., et al. Augmented reality marketing: A technology-enabled approach to situated customer experience. Australasian Marketing Journal. 28 (4), 374-384 (2020).
  7. Davis, F. D. A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Results. , Massachusetts Institute of Technology. Doctoral dissertation (1985).
  8. Venkatesh, V., Morris, M. G., Davis, G. B., Davis, F. D. User acceptance of information technology: Toward a unified view. MIS Quarterly. 27 (3), 425-478 (2003).
  9. Davis, F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly. 13 (3), 319-340 (1989).
  10. Chen, R., Perry, P., Boardman, R., McCormick, H. Augmented reality in retail: a systematic review of research foci and future research agenda. International Journal of Retail & Distribution Management. 50 (4), 498-518 (2022).
  11. Poushneh, A., Vasquez-Parraga, A. Z. Discernible impact of augmented reality on retail customer's experience, satisfaction and willingness to buy. Journal of Retailing and Consumer Services. 34, 229-234 (2017).
  12. ISO. ISO 1998. Ergonomic requirements for office work with visual display terminals (VDTs)-Part 11: guidance on usability. ISO. , (2022).
  13. Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
  14. Tullis, T., Albert, B. Measuring the User Experience: Collecting, Analyzing, and Presenting Usability Metrics. , Morgan Kaufmann. Amsterdam, Boston. (2008).
  15. Shneiderman, B., Plaisant, C., Cohen, M., Jacobs, S. M., Elmqvist, N. Designing the User Interface: Strategies for Effective Human-Computer Interaction. , Pearson. Boston. (2017).
  16. Morillo, P., Orduña, J. M., Casas, S., Fernández, M. A comparison study of AR applications versus pseudo-holographic systems as virtual exhibitors for luxury watch retail stores. Multimedia Systems. 25 (4), 307-321 (2019).
  17. Paas, F. G., Van Merriënboer, J. J. Instructional control of cognitive load in the training of complex cognitive tasks. Educational Psychology Review. 6 (4), 351-371 (1994).
  18. Ismail, R., Fabil, N., Saleh, A. Extension of pacmad model for usability evaluation metrics using goal question metrics (Gqm) approach. Journal of Theoretical and Applied Information Technology. 79 (1), 90-100 (2015).
  19. Fan, X., Chai, Z., Deng, N., Dong, X. Adoption of augmented reality in online retailing and consumers' product attitude: A cognitive perspective. Journal of Retailing and Consumer Services. 53, 101986 (2020).
  20. Hart, S. G., Staveland, L. E. Development of NASA-TLX (Task Load Index): Results of empirical and theoretical research. Advances in Psychology. 52, 139-183 (1988).
  21. Petty, R. E., Cacioppo, J. T., Schumann, D. Central and peripheral routes to advertising effectiveness: The moderating role of involvement. Journal of Consumer Research. 10 (2), 135-146 (1983).
  22. He, L., Pelowski, M., Yu, W., Liu, T. Neural resonance in consumers' right inferior frontal gyrus predicts attitudes toward advertising. Psychology & Marketing. 38 (9), 1538-1549 (2021).
  23. Riedl, R., Fischer, T., Léger, P. M., Davis, F. D. A decade of NeuroIS research: Progress, challenges, and future directions. ACM SIGMIS Database: the DATA BASE for Advances in Information Systems. 51 (3), 13-54 (2020).
  24. Vom Brocke, J., Liang, T. P. Guidelines for Neuroscience Studies in Information Systems Research. Journal of Management Information Systems. 30 (4), 211-234 (2014).
  25. Dimoka, A., Pavlou, P. A., Davis, F. NeuroIS: The potential of cognitive neuroscience for information systems research. Information Systems Research. 22 (4), 687-702 (2011).
  26. de Guinea, A. O., Titah, R., Léger, P. M. Explicit and implicit antecedents of users' behavioral beliefs in information systems: A neuropsychological investigation. Journal of Management Information Systems. 30 (4), 179-210 (2014).
  27. Dimoka, A. How to conduct a Functional Magnetic Resonance (fmri) study in social science research. MIS Quarterly. 36 (3), 811-840 (2012).
  28. Dimoka, A., Davis, F. D. Where does TAM reside in the brain? The neural mechanisms underlying technology adoption. ICIS 2008 Proceedings. , 1-19 (2008).
  29. Moridis, C. N., Terzis, V., Economides, A. A., Karlovasitou, A., Karabatakis, V. E. Using EEG frontal asymmetry to predict IT user's perceptions regarding usefulness, ease of use and playfulness. Applied Psychophysiology and Biofeedback. 43 (1), 1-11 (2018).
  30. Pinti, P., et al. A review on the use of wearable functional near-infrared spectroscopy in naturalistic environments. Japanese Psychological Research. 60 (4), 347-373 (2018).
  31. Piper, S. K., et al. A wearable multi-channel fNIRS system for brain imaging in freely moving subjects. Neuroimage. 85, 64-71 (2014).
  32. Quaresima, V., Ferrari, M. Functional Near-Infrared Spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2019).
  33. Wang, J., et al. Exploring relationships between eye tracking and traditional usability testing data. International Journal of Human-Computer Interaction. 35 (6), 483-494 (2019).
  34. Dimoka, A., et al. On the use of neurophysiological tools in IS research: Developing a research agenda for NeuroIS. MIS Quarterly. 36, 679-702 (2012).
  35. Just, M. A., Carpenter, P. A. Eye fixations and cognitive processes. Cognitive Psychology. 8 (4), 441-480 (1976).
  36. Alex, P., Ball, L. J. Eye Tracking in Human-Computer Interaction and Usability Research: Current Status and Future. Encyclopedia of Human Computer Interaction, IGI Global. , 211-219 (2006).
  37. Just, M. A., Carpenter, P. A. A theory of reading: from eye fixations to comprehension. Psychological Review. 87 (4), 329 (1980).
  38. Yang, S., Carlson, J. R., Chen, S. How augmented reality affects advertising effectiveness: The mediating effects of curiosity and attention toward the ad. Journal of Retailing and Consumer Services. 54, 102020 (2020).
  39. Debie, E., et al. Multimodal fusion for objective assessment of cognitive workload: A review. IEEE Transactions on Cybernetics. 51 (3), 1542-1555 (2021).
  40. Işbilir, E., Çakır, M. P., Acartürk, C., Tekerek, A. Ş Towards a multimodal model of cognitive workload through synchronous optical brain imaging and eye tracking measures. Frontiers in Human Neuroscience. 13, 375 (2019).
  41. Bruvold, W. H., Ongerth, H. J. Taste quality of mineralized water. Journal-American Water Works Association. 61 (4), 170-174 (1969).
  42. Marcussen, H., Holm, P. E., Hansen, H. Chr.B. Composition, flavor, chemical food safety, and consumer preferences of bottled water. Comprehensive Reviews in Food Science and Food Safety. 12 (4), 333-352 (2013).
  43. Whelton, A. J., Dietrich, A. M. Relationship between intensity, concentration, and temperature for drinking water odorants. Water Research. 38 (6), 1604-1614 (2004).
  44. (LIFESTYLE) What your choice of water says about you. FT live. , Available from: https://m.ftchinese.com/story/001006284/en?archive (2006).
  45. Pellegrini-Laplagne, M., et al. Effect of simultaneous exercise and cognitive training on executive functions, baroreflex sensitivity, and pre-frontal cortex oxygenation in healthy older adults: a pilot study. GeroScience. , (2022).
  46. Delpy, D. T., et al. Estimation of optical pathlength through tissue from direct time of flight measurement. Physics in Medicine & Biology. 33 (12), 1433-1442 (1988).
  47. Han, W., Gao, L., Wu, J., Pelowski, M., Liu, T. Assessing the brain 'on the line': An ecologically-valid assessment of the impact of repetitive assembly line work on hemodynamic response and fine motor control using fNIRS. Brain and Cognition. 136, 103613 (2019).
  48. Spiers, H. J., Maguire, E. A. Decoding human brain activity during real-world experiences. Trends in Cognitive Sciences. 11 (8), 356-365 (2007).
  49. Spence, C. Neuroscience-Inspired Design: From Academic Neuromarketing to Commercially Relevant Research. Organizational Research Methods. 22 (1), 275-298 (2019).
  50. Grasso-Cladera, A., Costa-Cordella, S., Rossi, A., Fuchs, N. F., Parada, F. J. Mobile brain/body imaging: Challenges and opportunities for the implementation of research programs based on the 4E perspective to cognition. Adaptive Behavior. 0 (0), 1-26 (2022).
  51. Krampe, C., Strelow, E., Haas, A., Kenning, P. The application of mobile fNIRS to "shopper neuroscience" - first insights from a merchandising communication study. European Journal of Marketing. 52, 244-259 (2018).
  52. Meade, A. W., Watson, A. M., Kroustalis, C. M. Assessing common methods bias in organizational research. 22nd annual meeting of the society for industrial and organizational psychology. , New York. 1-10 (2007).
  53. Liang, T. P., Lin, Y. L., Shiau, W. L., Chen, S. F. Investigating common method bias via an EEG study of the flow experience in website design. Journal of Electronic Commerce Research. 22 (4), 305-321 (2021).
  54. Kim, Y. M., Rhiu, I., Yun, M. H. A systematic review of a virtual reality system from the perspective of user experience. International Journal of Human-Computer Interaction. 36 (10), 893-910 (2020).

Tags

Este mes en JoVE Número 189 Neuro-Information-Systems NeuroIS Usabilidad fNIRS Eye Tracking Realidad Aumentada
Evaluación de la usabilidad de la realidad aumentada: un estudio de sistemas de neuroinformación
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wu, J., Zhang, D., Liu, T., Yang, H. More

Wu, J., Zhang, D., Liu, T., Yang, H. H., Wang, Y., Yao, H., Zhao, S. Usability Evaluation of Augmented Reality: A Neuro-Information-Systems Study. J. Vis. Exp. (189), e64667, doi:10.3791/64667 (2022).

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