Évaluation des aspects d’utilisabilité d’une solution de réalité mixte pour l’analyse immersive dans les scénarios de l’industrie 4.0
October 6th, 2020
Ce protocole définit le cadre technique d’une application de réalité mixte développée qui est utilisée pour l’analyse immersive. Sur cette base, des mesures sont présentées, qui ont été utilisées dans une étude pour mieux comprendre les aspects d’utilisabilité de la solution technique développée.
Dans le contexte de l’industrie 4.0, l’analyse de données à l’aide de lunettes intelligentes présente un énorme potentiel, car les données peuvent être analysées directement sur le site d’une machine. À l’aide de lunettes intelligentes, l’opérateur est en mesure d’analyser les données, tout en gardant les mains libres pour les travaux de maintenance. Réalisez l’expérience dans une pièce équipée d’un ordinateur de bureau et de lunettes intelligentes de réalité mixte.
Demandez au participant de mettre un appareil de mesure de la conductance cutanée et de le faire reposer pendant cinq minutes pour obtenir une mesure de base du niveau de stress. Ensuite, informez le participant que l’expérience durera 40 à 50 minutes et demandez-lui de remplir un questionnaire d’inventaire d’anxiété State-Trait pour mesurer le stress perçu pendant l’expérience. Pour effectuer un test de rotation mentale, demandez au participant de s’asseoir devant l’ordinateur de bureau et informez-le qu’il devra identifier des objets similaires avec des positions différentes dans un espace 3D simulé.
Informez le participant que seulement deux des cinq objets présentés seront similaires et qu’il aura deux minutes pour accomplir sept tâches. Pour effectuer une évaluation de la capacité sonore spatiale, expliquez au participant que six sons seront également joués pendant 13 secondes par son, et que le participant devra détecter la direction à partir de laquelle les sons sont produits. Pour effectuer une évaluation des compétences de détection des valeurs aberrantes, demandez au participant de mettre les lunettes intelligentes de réalité mixte et d’expliquer que huit valeurs aberrantes doivent se trouver dans le monde créé pour les lunettes intelligentes de réalité mixte.
Expliquez au participant qu’une valeur aberrante est un point marqué en rouge dans un groupe de points blancs qui deviendront verts lorsqu’il le détectera en dirigeant son regard. Expliquez également que non seulement une aide visuelle sera fournie, mais que des indices sonores environnementaux seront également inclus pour aider à localiser les valeurs aberrantes. Ensuite, informez le participant que le temps requis pour chaque tâche, la durée de la marche et sa position de mouvement finale par rapport à sa position de départ seront enregistrés.
Pour effectuer une évaluation de la compétence de reconnaissance de cluster, expliquez au participant qu’il devra localiser six clusters dans le monde créé avec les lunettes intelligentes de réalité mixte utilisées, en insistant sur le fait que les participants devront faire la distinction entre les clusters qui se chevauchent en naviguant autour des clusters à l’aide de commandes vocales. Une fois que les six grappes ont été localisées, demandez au participant de s’asseoir devant l’ordinateur sans les lunettes intelligentes et d’expliquer que le même type de grappes doit maintenant être détecté dans le logiciel de l’ordinateur. À la fin de l’évaluation de bureau, demandez au participant de remplir un nouveau questionnaire d’inventaire d’anxiété State-Trait, un questionnaire qu’il a lui-même élaboré pour recueillir des commentaires subjectifs et un questionnaire démographique.
Retirez l’appareil de mesure de la conductance cutanée des participants et remerciez-les de leur participation. Dans cette analyse représentative, les élèves peu performants et les moins performants n’ont montré aucune différence dans leurs variables de référence, bien que les moins performants aient un pourcentage plus élevé de femmes que les personnes très performantes, et que les personnes très performantes soient plus jeunes que les moins performantes. Pour la tâche de reconnaissance de clusters, les éléments peu performants et les plus performants ne différaient pas significativement entre l’application 2D et l’approche 3D.
Pour la tâche de détection des valeurs aberrantes, les personnes très performantes étaient nettement plus rapides que les moins performantes et nécessitaient une distance de marche plus courte pour résoudre les tâches. En effet, les valeurs BoundingBox, Pathlength, PathVariance, PathMean, AngleVariance et AngleMean ont considérablement augmenté d’une tâche à l’autre. Bien que le temps enregistré ait montré peu de changement d’une tâche à l’autre à l’aide des lunettes intelligentes de réalité mixte.
Sur la base des sons spatiaux, les participants ont pu résoudre les tâches dans le cas de détection des valeurs aberrantes plus rapidement que sans utiliser de sons spatiaux. Notamment, les scores de l’inventaire d’anxiété State-Trait n’ont pas montré de différences significatives entre les évaluations avant et après la tâche. De plus, des temps de reconnaissance de grappe plus petits mais significativement plus rapides ont été observés lorsque les participants utilisaient les lunettes intelligentes de réalité mixte par rapport à ceux observés lorsque les participants utilisaient l’ordinateur de bureau.
Comme il est essentiel de filtrer les experts dans ce nouveau domaine, nous avons inclus de nombreux pré-tests. Bien que nous ayons testé les méthodes dans la salle neutre, il serait intéressant de voir de vrais instructeurs de machines en usine analyser leurs données.
View the full transcript and gain access to thousands of scientific videos
Aperçu
Ce protocole décrit la configuration technique d'une application de réalité mixte conçue pour l'analyse immersive. Il inclut les mesures utilisées dans une étude pour évaluer les aspects d'utilisabilité de cette solution technique.
Composantes clés de l'étude
Domaine scientifique
- Neuroscience
- Technologie de réalité mixte
- Études d'utilisabilité
Contexte
- Les lunettes intelligentes permettent l'analyse de données sur les sites des machines.
- Les opérateurs peuvent analyser les données tout en effectuant des tâches de maintenance.
- Comprendre l'utilisabilité est crucial pour une mise en œuvre efficace.
- Les applications de réalité mixte émergent dans divers domaines, y compris l'industrie 4.0.
Objectif de l'étude
- Évaluer l'utilisabilité d'une application de réalité mixte.
- Explorer l'efficacité des lunettes intelligentes dans l'analyse de données.
- Recueillir des informations sur l'expérience utilisateur pendant l'utilisation de l'application.
Méthodes utilisées
- Les participants portaient des dispositifs de mesure de conductance cutanée.
- Les niveaux de stress de base ont été mesurés avant l'expérience.
- Les participants ont rempli un questionnaire d'inventaire d'anxiété État-Trait.
- Des tests de rotation mentale ont été effectués dans un espace 3D simulé.
Résultats principaux
- Des informations sur l'utilisabilité ont été recueillies à partir des commentaires des participants.
- Les niveaux de stress ont été surveillés tout au long de l'expérience.
- La performance dans les tâches de rotation mentale a été évaluée.
- L'efficacité de l'analyse de données a été évaluée à l'aide de lunettes intelligentes.
Conclusions
- L'application de réalité mixte montre des promesses pour l'analyse immersive.
- L'expérience utilisateur est essentielle au succès de telles technologies.
- Des études supplémentaires sont nécessaires pour affiner l'utilisabilité et la fonctionnalité.
Questions fréquemment posées
Executive Industry Relevance
Immersive analytics using mixed reality smart glasses enables hands-free data analysis at machine sites, supporting real-time decision-making in Industry 4.0 environments. This approach reduces cognitive load by presenting high-dimensional data in intuitive 3D spatial formats, improving accessibility for operators and maintenance teams. Evaluating usability through structured protocols ensures the technology delivers reliable, stress-tolerant performance in industrial settings.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables interrogation of complex biological datasets through spatial visualization, supporting hypothesis generation in target identification.
- Operational Value: Facilitates hands-free interaction with multidimensional assay data, allowing scientists to manipulate variables while maintaining sterile workflows.
Screening & Assay Development
- Scientific Value: Supports detection of subtle patterns in high-content screening data via spatial sound and visual cues, improving anomaly recognition.
- Operational Value: Enables standardized, repeatable data exploration across teams through protocol-driven task design and baseline stress normalization.
Translational & Preclinical Research
- Scientific Value: Bridges discovery and preclinical stages by validating analytical approaches in disease-relevant, simulated environments.
- Operational Value: Provides quantitative metrics on user performance and cognitive load, supporting go/no-go decisions in assay translation.
Pipeline & Workflow Integration
The method integrates into discovery biology by enabling spatial exploration of omics or imaging datasets, into screening via standardized anomaly detection tasks, and into translational research through measurable learning effects and stress response tracking.
- Discovery Biology: Supports hypothesis testing by allowing users to navigate and identify patterns in complex biological parameter spaces.
- Screening: Delivers assay readiness through protocolized outlier and cluster detection tasks that quantify user proficiency and system reliability.
- Analytics: Generates quantitative dependent variables such as task completion time, path length, and angular variance to enable condition comparison.
- Translational Research: Connects early discovery to preclinical validation by assessing whether analytical insights remain consistent across 2D and 3D interfaces.
- Enterprise Reuse: Establishes a reusable usability framework for evaluating immersive tools across different industrial and biological data contexts.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in data interpretation by reducing cognitive bias through immersive, multimodal feedback.
- Operational Value: Enhances reproducibility via standardized user stratification, baseline stress measurement, and protocolized task sequences.
- Strategic Value: Reduces late-stage biological risk by improving early detection of data anomalies that may indicate experimental artifacts or false leads.
- Portfolio Impact: Supports risk-adjusted advancement by providing objective usability metrics that inform tool selection for downstream applications.
Implementation Considerations
- Requires expertise in human-computer interaction and physiological monitoring to interpret stress and performance data.
- Depends on mixed reality hardware, eye-tracking, and spatial audio systems for full protocol execution.
- Necessitates cross-team agreement on user grouping criteria and task difficulty thresholds for consistent deployment.
- Must account for variability in user anatomy and sensory perception when adapting the system across different model environments or populations.
- Limited by the need for controlled environments to isolate variables such as ambient light and sound, which may affect immersive fidelity.
