Name: オンライン視覚的注意をテストする方法 (動画) | JoVE Journal
Uploaded: 2015-02-19T14:00:00.000+00:00
Duration: 9 min 44 s
Description: 学ぶオンライン視覚的注意課題のデータ収集方法。画面キャリブレーションとタスク指示を用いて正確な刺激提示を行い、複数対象追跡と有効視野課題で信頼性の高い行動データを収集できます。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

著者は何も開示していません。

プロトコルは、ウィスコンシン大学マディソン校での治験審査委員会によって承認された。次の手順は、記載されたWebアプリケーションの自動化されたプロセスを複製するプログラマのためのガイドとして書かれています。 1.ログイン参加<ol><li> ：インターネット対応のコンピュータを使用して、HTML5互換性のあるブラウザを用いてWebアプリケーションに移動し、参加者に指示し<a href="http://brainandlearning.org/jove" target="_blank">http://brainandlearning.org/joveを</a> 。参加者が快適な高さでコンピュータと、気晴らしの自由な静かな部屋に座っています。 注：実験全体がオンラインでホストされているので、タスクはまた研究助手の存在なしにリモートで実行することができます。参加者のためのすべての命令は、Webアプリケーションに含まれています。 </li><li>参加者の入力を収集したデータに関連付けられているとMySQL databasに保存されますユニークなIDを持っているE。オンラインのタスクが同じセッション内に完了していない場合、参加者がこのIDを再利用しています。ログインする前に、ページ上のリンク同意フォームを使って、参加者からの同意を得る。 注：参加者の進歩は、必要に応じて別々の時間で2タスクの完了を可能にするために、各タスクの後に保存されます。常に1がオフに左を開始するために、同じIDを使用するには、参加者に指示します。 </li></ol> 2.画面のキャリブレーション注：Webアプリケーションがでキャリブレーション画面に示した三つのステップを通じて参加者を案内<a href="http://brainandlearning.org/jove/Calibration" target="_blank">http://brainandlearning.org/jove/Calibration</a> 。 <ol><li>ラベルテキストボックスに、インチで入力する画面の対角寸法を参加者情報を確認して下さい。 <ol><li>しかし、参加者がこの情報を知らない場合、参加者は、（較正物体としてCDまたはクレジットカードを発見している<strオング&gt;図1）。いずれかが選択されると、画面に対してオブジェクトを配置し、画面上に表示されるオブジェクトの代表画像と位置を合わせする参加者を促す。 </li><li>物理的なオブジェクトのサイズに合わせて画面のサイズを調整するために参加者に促す。代表画像の画素サイズに加えて、物理的なCD（4.7 &quot;の直径）またはクレジットカード（3.2の幅」）の測定値に基づいて、画面インチ画素の割合を決定する。 </li><li>その後ピクセル単位で画面の対角サイズを計算するには、JavaScriptのscreen.widthとscreen.heightプロパティを介してモニタのピクセルの解像度を取得します。この値と、以前推定画素からインチ比を知るインチ対角サイズに変換する（ステップ2.1.2を参照）。参加者はダイアログボックスで、この値を確認する必要があります。 </li></ol></li><li>スクリーンbrighを調整するために、参加を促す画面に表示される黒から白へのグラデーションで全12バンドまで、適応度の設定は明らかに区別することができる。明るさの設定のコントロールは、コンピュータによって異なります。 </li><li>楽な姿勢で離れてモニターから腕の長さを座って、その後、フルスクリーンモードにブラウザのウィンドウを設定し、参加して下さい。ブラウザウィンドウは、タスクが使用する視覚空間を最大化するために、そのようなブラウザのツールバーやデスクトップタスクバーなどの任意の視覚気晴らしを除去するために、フルスクリーンモードにする必要があります。 </li><li>参加者の画面の解像度、対角​​サイズが分かれば、自動的にを50cm視距離に基づいて、ピクセル/度変換値を計算するために、Webアプリケーションを使用する。この値を使用してタスクにおける刺激の寸法のサイズを変更します。これに基づいており、以下に報告されたすべての視角の大きさは、モニターからの平均距離値を仮定した。 </li><li>キャリブレーションが完了すると、二つのタスクのdescribを完了するために、参加者に依頼下記のエド。タスクの順序を選択するか、またはランダムにウェブアプリケーションを介して順序を割り当てます。 </li></ol> 3.複数オブジェクトトラッキングタスク（MOT） - 図2 <ol><li>紹介とで見られるセルフガイドチュートリアルを通してMOT刺激、と参加者を理解： <a href="http://brainandlearning.org/jove/MOT/practice.php" target="_blank">http://brainandlearning.org/jove/MOT/practice.php</a> 。試験はどのように機能するかを実証するステップバイステップの説明を読むために参加して下さい。参加者が指示を読んで終了すると、練習試行を通過する参加者に促す。 <ol><li>セットアップ練習刺激は2°/秒の移動速度0.8℃で8ドットで構成されている。この刺激の動きを制御するために、60Hzのフレームレートでブラウザアニメーションを最適化するためにHTML5 requestAnimationFrame APIを使用する。 </li><li>ドットが2°偏心とCIRCの円の境界内に移動することを確認ル隠さ指示なしに、参加者の画面の高さよりも大きくない。 </li><li>フレーム毎にドットが0.2°の最大角度で方向を変え、60％の確率でランダムな軌道で移動するドットを設定する。ドットは、他のドット又は内側または外側の半径方向の制限と衝突する場合には、反対方向にドットを移動する。 </li><li>黄色のドットが不正解の選択肢として機能するとともに、（練習トライアルあたり1〜2ドットを変える）青い点を追跡するために、参加者に促す。 </li><li> 2秒後、黄色ドットに青い点を変更し、別の4秒間の元黄色の点の間でそれらを移動し続けています。各試験の終了時に、ドットを停止し、いずれかをハイライト。 </li><li>ハイライト表示ドットが追跡ドットまたは伸延ドットであったかどうかのキーを押し経由で応答するために参加者に促す。次に、次の試行に継続してスペースバーを押して参加者に促す。 </li><li> 3連続で正しい試行、または6の試験の最大の後、MOフルタスクへの参加者をVEの。 </li></ol></li><li>参加者のための完全なMOTタスクを起動します。 ：タスクの例はで見つけることができます<a href="http://brainandlearning.org/jove/MOT" target="_blank">http://brainandlearning.org/jove/MOT</a> 。 <ol><li>セットアップ偏心及び偏心°10°2間の空間内に5°/秒で移動する16ドットとの完全なタスク。参加者の画面が10度偏心のサー​​クルに入りきらない場合、画面が代わりに含めることができる最大サイズを使用します。 </li><li> - 5追跡ドット1追跡ドットとそれぞれ2からなる10試行からなる5試験の混合物：参加者は45の試験の合計を完了しています。 （ - 3.1.6の手順3.1.3を参照）練習試行に他のすべてのパラメータと一致。 </li><li>ドットが強調表示されたら、参加者の応答と応答時間を記録します。 </li><li>すべての15試験のために、参加者にブレークを提案する。これらの休憩では、参加者を表示7;画面上のブロック内でのパフォーマンス（正確な試験のパーセント）。 </li></ol></li></ol> 4.別の（オプションの手順）の一つのタスクからの移行<ol><li>参加者は2タスク間の休憩を取るようにします。タスクが同じログインセッション中に完了していない場合は、1と2を繰り返して、手順 。 </li></ol> [タスク（UFOV）の5章便利なフィールド - 図3 <ol><li>紹介とで見られるセルフガイドチュートリアルをUFOV刺激、と参加者を理解： <a href="http://brainandlearning.org/jove/UFOV/practice.php" target="_blank">http://brainandlearning.org/jove/UFOV/practice.php</a> 。タスク中に出席しなければならない2つのターゲットの刺激を証明する手順は次の4つの段階を通過する参加者情報を確認して下さい。 <ol><li>どちらか長いか短い髪と、画面の中央に点滅し、1°スマイリーなどの中枢標的刺激を設定します。ランダム化する臨床試験全体のスマイリーの髪の長さ。 </li><li>円の周り8箇所（0°、45°、90°、135°、180°、225°、270°、315°）の一つに偏心°4で点滅1°スターとしての末梢標的刺激を設定。臨床試験全体での星の位置をランダム。 </li><li>プレゼンテーション時に使用されるフ​​レームの数を介して制御刺激持続時間。 HTML5 requestAnimationFrame API を使用してフレームごとに約17ミリ秒でのフレームリフレッシュを最適化します。 </li><li>予想プレゼンテーション時間が達成されたかどうかを確認するには、参加者のシステムクロックに基づいて、刺激持続時間の開始時刻と終了時刻を取得するには、JavaScriptのにgetTime（）メソッドを使用する。これら2つの値から測定されたプレゼンテーション時間を算出し、データ解析のためにこの値を使用する。 </li><li>各練習試験のために、約200ミリ秒（約12フレーム）のための刺激を表示する前に500ミリ秒を待つ。 </li><li>刺激前に従ってください320ミリ秒（約19フレーム）のために、ランダムに生成された階調ドットアレイから構成されるノイズマスクとsentation。 </li><li>ステージ1の場合は、唯一の中央のターゲットを表示し、髪の長さが表示されたキーを押し経由で応答するために参加者に促す。 </li><li>ステージ2の場合は、唯一の周辺ターゲットを表示し、星が現れた場所を示すために、8つの可能なターゲット位置を表す、1つの8の放射状のラインをクリックして参加者に促す。 </li><li>ステージ3の場合は、両方の中枢および末梢ターゲット刺激を表示し、スマイリーの種類とスターの位置の両方に対する応答を提供するために、参加者に促す。 注：参加者は自由にこれらの2つの応答の順序を選択することができます。 </li><li>ステージ4は、周辺伸延器に加えて、両方の標的刺激を表示し、両方の標的の刺激に応答する参加者に促す。不正解の選択肢のために、ディスプレイ1度の正方形を4℃偏心で残りの7箇所で発表され、I2°偏心で8より正方形にn個の追加。 </li><li>参加者の応答の後、各試行後の各目標応答のための参加者からのフィードバック（正解または不正解のために赤十字のための緑のチェッ​​クマーク）を示している。 </li><li> 3連続で正しい試験を取得した後、次の練習ステージに参加者を移動します。ステージ4の後、完全なタスクに参加者を移動させる。 </li></ol></li><li>フルUFOVタスクを開始するために参加者に促す。 ：タスクの例はで見つけることができます<a href="http://brainandlearning.org/jove/UFOV" target="_blank">http://brainandlearning.org/jove/UFOV</a> 。 <ol><li>練習セッションのように、同じ中央刺激を提示する（ ステップ5.1.1を参照）。前述の8のいずれかの場所で7度の偏心で周辺ターゲットを表示します（ ステップ5.1.2を参照）。 24伸延の正方形も3°偏心、5°偏心し、残りの7度に表示されます偏心の場所。 </li><li>刺激の提示時間を決定するために、3ダウン、1アップ階段の手順を実行します：3つの連続した​​正しい試行の後の刺激の持続時間を減少させ、各エラートライアル後に増加。 </li><li>階段の最初の3逆転する前に、2フレーム（およそ毎33ミリ秒）のステップサイズを使用します。 3逆転した後、1フレームのステップサイズを使用します。 1フレームと裁判あたり99フレーム間の刺激開始前の遅延を変化させると、320ミリ秒（約19フレーム）でのノイズマスク期間を保つ。 注：戻入は持続時間が減少、または増加に増加から減少にどちらかに変化するポイントです。 </li><li> 3つの条件のいずれかが満たされたときにタスクを終了：階段手順は8逆転達する。参加者は、天井時間（99フレーム）や床期間（1フレーム）のいずれかで10の連続した​​試験を完了します。または参加者は、72の試験の最大値に達する。 </li><li>参加者のRに記録する中枢刺激と周辺刺激の両方のesponseと応答時間。 </li></ol></li></ol>

<ol><li>Henrich, J., Heine, S. J., Norenzayan, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+weirdest+people+in+the+world%5BTitle%5D)+AND+%22The+Behavioral+And+Brain+Sciences%22%5BJournal%5D)">The weirdest people in the world.</a> The Behavioral And Brain Sciences. 33, 61-135 (2010).</li>
<li>Buhrmester, M., Kwang, T., Gosling, S. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Amazon%27s+Mechanical+Turk%3A+A+new+source+of+inexpensive%2C+yet+high-quality%2C+data%5BTitle%5D)+AND+%22Perspectives+on+Psychological+Science%22%5BJournal%5D)">Amazon's Mechanical Turk: A new source of inexpensive, yet high-quality, data.</a> Perspectives on Psychological Science. 6 (1), 3-5 (2011).</li>
<li>Goodman, J. K., Cryder, C. E., Cheema, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Data+collection+in+a+flat+world%3A+the+strengths+and+weaknesses+of+mechanical+turk+samples%5BTitle%5D)+AND+%22Journal+of+Behavioral+Decision+Making%22%5BJournal%5D)">Data collection in a flat world: the strengths and weaknesses of mechanical turk samples.</a> Journal of Behavioral Decision Making. 26 (3), 213-224 (2013).</li>
<li>Mason, W., Suri, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Conducting+behavioral+research+on+Amazon%27s+Mechanical+Turk%5BTitle%5D)+AND+%22Behavior+Research+Methods%22%5BJournal%5D)">Conducting behavioral research on Amazon's Mechanical Turk.</a> Behavior Research Methods. 44 (1), 1-23 (2012).</li>
<li>Crump, M. J., McDonnell, J. V., Gureckis, T. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluating+Amazon%27s+Mechanical+Turk+as+a+tool+for+experimental+behavioral+research%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Evaluating Amazon's Mechanical Turk as a tool for experimental behavioral research.</a> PLoS One. 8, e57410(1371).</li>
<li>Lupyan, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+difficulties+of+executing+simple+algorithms%3A+why+brains+make+mistakes+computers+don%27t%5BTitle%5D)+AND+%22Cognition%22%5BJournal%5D)">The difficulties of executing simple algorithms: why brains make mistakes computers don't.</a> Cognition. 129, 615-636 (2013).</li>
<li>Ball, K., Owsley, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+useful+field+of+view+test%3A+a+new+technique+for+evaluating+age-related+declines+in+visual+function%5BTitle%5D)+AND+%22J+Am+Optom+Assoc%22%5BJournal%5D)">The useful field of view test: a new technique for evaluating age-related declines in visual function.</a> J Am Optom Assoc. 64 (1), 71-79 (1993).</li>
<li>Pylyshyn, Z. W., Storm, R. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Tracking+multiple+independent+targets%3A+Evidence+for+a+parallel+tracking+mechanism%5BTitle%5D)+AND+%22Spatial+Vision%22%5BJournal%5D)">Tracking multiple independent targets: Evidence for a parallel tracking mechanism.</a> Spatial Vision. 3 (3), 179-197 (1988).</li>
<li>Dye, M. W. G., Bavelier, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Differential+development+of+visual+attention+skills+in+school-age+children%5BTitle%5D)+AND+%22Vision+Research%22%5BJournal%5D)">Differential development of visual attention skills in school-age children.</a> Vision Research. 50 (4), 452-459 (2010).</li>
<li>Green, C. S., Bavelier, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Enumeration+versus+multiple+object+tracking%3A+The+case+of+action+video+game+players%5BTitle%5D)+AND+%22Cognition%22%5BJournal%5D)">Enumeration versus multiple object tracking: The case of action video game players.</a> Cognition. 101 (1), 217-245 (2006).</li>
<li>Chapter 1. Kodak Company. Ergonomics Design Philosophy. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=%22Kodak%E2%80%99s+Ergonomic+Design+for+People+at+Work%22">Kodak’s Ergonomic Design for People at Work</a>. Chengalur, S. N., Rodgers, S. H., Bernard, T. E. , 2nd Edition, John Wiley & Sons, Inc. Hoboken, NJ. (2004).</li>
<li>Elze, T., Bex, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((P1-7%3A+Modern+display+technology+in+vision+science%3A+Assessment+of+OLED+and+LCD+monitors+for+visual+experiments%5BTitle%5D)+AND+%22i-Perception%22%5BJournal%5D)">P1-7: Modern display technology in vision science: Assessment of OLED and LCD monitors for visual experiments.</a> i-Perception. 3 (9), 621(2012).</li>
<li>Elze, T., Tanner, T. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+Properties+of+Liquid+Crystal+Displays%3A+Implications+for+Vision+Science+Experiments%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Temporal Properties of Liquid Crystal Displays: Implications for Vision Science Experiments.</a> PLoS One. 7 (9), e44048(2012).</li>
</ol>

この研究は、スイス国立財団 (100014_140676)、国立科学財団 (1227168)、および国立衛生研究所の国立眼科研究所 (P30EY001319) によって支援されました。

オンラインデータ収集は、標準的な実験室ベースのデータ収集に比べて多くの利点を有している。これらの分野で利用される典型的な大学学部プールよりもはるかに多くの代表的な集団をサンプリングする可能性、それは実験室での小さな大きさのオーダーであるサンプルサイズを得るために要するよりも短い時間ではるかに大きなサンプルサイズを得る能力を含む1-6（ 例えば、現在の用紙に1,700+参加者から収集したデータ点は、一週間以内に得られた）。 記載され、オンラインの方法は、以前に行った実験室ベースの研究から得られた結果で複製することができました：オンラインタスクでUFOVのしきい値とMOTの精度のために計算手段と範囲をUFOVタスクと緑とBavelierための染料とBavelier 9によって報告された結果に匹敵したMOTタスクの10。しかし、大規模な参加者のサンプルが分布に影響を与えなかった特にUFOVタスクでの結果、。オンラインUFOVしきい値分布は、前の実験室ベースの結果9より歪んだより正しか...

過去5年間のオンライン行動データ収集方法の使用に関心の高まりがあった。心理学の分野で出版物の大部分は、同様に（ すなわち、一般的に被験者の数の範囲）、オンライン方法は、潜在的に非代表対象集団1（ すなわち、主に大学の学部）としばしば適度に小さいサンプルサイズを利用してきたがはるかに多様で、より大きなサンプルの約束を提供しています。例えば、Amazonのメカニカルタークサービスは、最近の多くの研究の主題となっている両方の「作業者」集団の特性および行動研究2-6のこの集団の使用を記載する。 しかし、このような方法に関連する1つ大きな問題は、重要な刺激変数の制御の相対的な欠如である。例えば、ほとんどの視覚心理物理学のタスクで、刺激の観点から説明されている視角。視角の算出は、視距離、画面サイズ、画面解像度の正確な測定を必要とする。これらのパラメータは（知らモニターと参加者がある場合に顎当てにモニターから既知の距離に配置しながら、刺激を表示）ラボ設定で測定するのは簡単や制御ですが、同じことがオンラインデータ収集の真実ではない。オンライン環境では、だけでなく、参加者は必然的に異なるソフトウェア設定の異なるサイズのモニターを幅広く使用され、彼らはまた、彼らのモニターのサイズを決定するか、必要な知識を持つことを可能にする定規/巻尺に簡単にアクセスできないかもしれない彼らのソフトウェアとハードウェアの設定（ 例えば、リフレッシュレート、解像度）を決定する。 ここでは、視覚的注意の2つのよく知られたテストに関するデータを収集するための一連のメソッドを記述する-ビューの有用なフィールド（UFOV）パラダイム7と、複数のオブジェクトトラッキング（MOT）タスク<sup&gt; 8 -オンライン測定に内在する変動性の源を極力回避しつつ。これらのタスクは、インターネット接続とHTML5互換性のあるブラウザで任意の参加者が実行することができます。彼らの画面サイズを知らない参加者は、標準サイズの一般的に入手可能なアイテムを利用し、測定プロセスを歩いている（ つまり、クレジットカード/ CDは- 図1を参照）。 これら二つのタスクに関するデータは大規模なオンラインオープンコースで1,700以上の参加者から収集した。このオンラインサンプルの平均パフォーマンスは、正確に同じタスク9,10の厳密に制御実験室ベースの措置で得られた結果と非常に一致していた。我々の結果はさえ観察条件の上の特定の制御を必要とするタスクで、オンラインのデータ収集方法の有効性を実証する文学の成長体とこのように一致している。

<table><tbody><tr><td>パソコン/タブレット</td><td></td><td></td><td>インターネット接続とHTML5対応のブラウザ</td></tr>、<tr><td>CD、クレジットカード</td><td></td><td></td>が必要です <td>参加者がすでにモニターのサイズを知っている場合は、不要かもしれません</td></tr></tbody></table>

オンライン視覚的注意をテストする方法

Methods to Test Visual Attention Online

これらは一般的に大学のキャンパスに収集することができるよりもはるかに大きいとはるかに代表データサンプルの約束を提供するのでオンラインデータ収集方法は、行動科学者に特定の魅力を持っている。刺激特性を厳密に制御する必要がある実験で、特に - このような方法を広く採用することができる前に、しかし、技術的課題の数は、克服しなければならない。ここでは、視覚的注意の2テストでパフォーマンスデータを収集するための方法を提示する。テストが伴うように両方のテストでは、どちらか簡単に移動するの刺激または刺激を点滅さ（順番に視聴距離、モニタサイズ、画面解像度などの知識を必要とする）刺激の視角を制御し、刺激のタイミングを（必要とする特定のレートで）。 1700以上のオンライン参加者からこれらのテストで収集されたデータは正確に同じテストの実験室ベースのバージョンで収集されたデータと一致した。これらの結果適切なケアで、タイミング/刺激サイズ依存タスクは、Webベースの設定で展開できることを示唆している。

外れ値の除去 1779参加者の合計はUFOVタスクを完了した。これらのうち、32の参加者は、彼らが指示通りに作業を行うことができなかったことを示唆し、平均から3より大きい標準偏差たUFOVしきい値を持っていた。このように、これらの参加者からUFOVデータ1747の参加者の合計を残し、最終分析から除去した。 データは、MOTタスクの1746の参加者から得た。 2人の参加者は、このようにこれらの参加者からのデータは、最終的なMOT分析から削除された平均より3つ以上の標準偏差は、1,744名の参加を残してあった精度のスコアを意味する持っていた。 UFOV UFOVタスクのために、性能は、検出閾値を得るために、最後の5回の試行の提示時間を平均することによって計算した。プレゼンテーション時間は、測定された刺激提示デュ反射各参加者の画面上で配給：最後の刺激フレームは参加者のシステムクロックを使用して、ミリ秒単位で記録された最初の刺激フレ...

実験室の設定を再現するために、視覚タスクのためのオンラインデータ収集方法は、刺激の提示を厳密に制御する必要があります。Webアプリケーションを使用して、視覚的注意の2つのテストでパフォーマンスデータを収集する方法を概説します。

Online data collection methods have particular appeal to behavioral scientists because they offer the promise of much larger and much more representative ...

この手順の全体的な目的は、オンラインウェブアプリケーションを介して、視覚的注意タスクのデータ収集を簡素化することです。まず、参加者をウェブアプリケーションにログインさせます。次に、刺激が正しく提示されるよう、参加者に画面のキャリブレーションを行うよう指示します。その後、参加者はタスクの指示を読み、練習試行を行います。最後に、参加者が全タスクを完了させることでデータを収集します。最終的に、視覚タスクに対するオンラインデータ収集法は、従来のラボベースの手法と一致する結果を示すことがわかっています。既存の手法に対するこの手法の主な利点は、比較的短期間で、より大規模で多様な集団からデータを収集できることです。本手順の実演は、研究室の技術者であるOlga P equalが行います。まず、参加者を、気が散るもののない静かな部屋に案内し、快適な高さにインターネット接続済みのコンピュータを設置して、着席させてください。参加者に、ここに示されているウェブアプリケーションにアクセスするように指示します。HTML5互換のブラウザを使用して、収集されたデータに関連付けられ、MySQLデータベースに保存される一意のIDを参加者に余裕に入力させます。ログインする前に、ページ上にリンクされている同意書を通じて、参加者から同意を得てください。画面をキャリブレーションするために、ラベル付きのテキストボックスに画面のインチ単位の対角サイズを入力するよう参加者に指示してください。参加者がこの情報を把握していない場合は、キャリブレーション用の物体としてCDまたはクレジットカードを用意してもらいます。いずれかを選択した後、その物体を画面に当て、画面上に表示されたその物体の代表画像に合わせて配置するよう参加者に促してください。物理的なCDまたはクレジットカードの寸法と、代表画像のピクセルサイズに基づき、画面上の画像の大きさを物理的なオブジェクトの大きさに合わせるよう参加者に促します。画面の対角線サイズをインチで決定します。ダイアログボックスを通じて、参加者にこの値を確認させてください。次に、画面に表示される黒から白へのグラデーションの12本の帯がすべて明確に判別できるようになるまで、参加者に画面の明るさ設定を調整するよう指示します。参加者にモニターから腕一本分ほど離れた快適な位置に座るよう求め、ブラウザウィンドウを全画面モードに設定してください。タスクに使用する視覚領域を最大化し、ブラウザのツールバーやデスクトップのタスクバーなどの視覚的な妨げを取り除くため、ブラウザウィンドウは必ず全画面モードにする必要があります。このURLにあるセルフガイド形式の複数物体追跡（MOT）チュートリアルを使用し、被験者に試行の流れを示すステップバイステップの手順書を読ませてください。被験者が手順書の読了後、練習試行に進むよう促します。練習用刺激は、0.8度、8個の点で構成し、移動速度を秒速2度として設定してください。この刺激の動きを制御するため、HTML5のrequestAnimationFrame APIを使用して、ブラウザのアニメーションを60ヘルツのフレームレートで最適化します。次に、参加者に青い点を追跡するように促し、黄色い点を妨害刺激として提示します。2秒後、青い点を黄色い点に変更し、元の黄色い点に混じった状態でさらに4秒間移動させます。各試行の最後に、点の移動を停止させ、そのうちの1つを強調表示します。ハイライトされたドットが追跡ドットであったか、あるいは妨害ドットであったかを、キー入力によって回答するよう参加者に指示します。3回連続で正解したか、あるいは最大6回の試行を行った後、参加者を本タスクへと移行させます。参加者のための完全なMOTタスクを開始するには、16個のドットを秒速5度で移動させる設定にします。偏心度2度から10度の範囲内で、被験者に合計45回の試行を行わせます。これには、追跡ドットが1つの試行5回と、追跡ドットが2つから5つの試行を各10回ずつ含めます。こちらのチュートリアルを用いて、有用視野（UFOV）タスクセット中に注意を向けるべき2つのターゲット刺激を説明する、4段階のステップバイステップの指示を被験者に確認させてください。中心ターゲット刺激は、画面中央で点滅する1度の大きさのスマイリーで、髪の長さは長いか短いかのいずれかとなります。試行ごとにスマイリーの髪の長さをランダム化し、周辺標的刺激を、円周上の8か所のいずれか、離心率4度で点滅する1度の星印に設定します。星印の位置は試行ごとにランダム化してください。これはステージ1のみに適用されます。中心標的を提示し、続いて参加者にキー押しで回答を促します。ここでは、ステージ2においてのみどの髪の長さが表示されたかを回答させます。次に、周辺標的を提示し、星が表示された場所を示すために、8つの考えられる標的位置を表す8本のラジオラインのいずれかをクリックするように参加者に促します。ステージ3では、中心標的と周辺標的の両方の刺激を提示し、スマイリーの種類と星の位置の両方に回答するよう参加者に促します。ステージ4では、周辺の妨害刺激に加えて2つのターゲット刺激を表示し、参加者に両方のターゲット刺激への反応を促します。妨害刺激の表示については、偏心度4度の位置にある残り7か所に1度四方の正方形を提示し、さらに偏心度2度の位置に8つの正方形を提示します。参加者の反応後、各ターゲットへの反応に対するフィードバックを提示します。各試行において、3回連続で正解した時点で、参加者を次の練習ステージへ進めてください。ステージ4の後、参加者に完全なUFOVタスクを開始するように促します。練習セッションと同じ中心刺激を提示してください。前述の8箇所のうちの1か所の、離心率7度に周辺ターゲットを表示します。24個の妨害刺激の正方形を、離心度3度、5度、および残りの7度の位置に提示します。3-down 1-upの階段法を用いて刺激の提示時間を決定し、3回連続で正解した場合は刺激時間を短縮し、誤答した場合は刺激時間を延長します。3つの条件のいずれかが満たされるか、階段法で8回の反転（reversal）が起こった時点でタスクを終了します。参加者は、上限時間である99フレームまたは下限時間である1フレームのいずれかで10回連続の試行を完了するか、最大72回の試行に達した時点で終了とする。MOT分析には、1,744人のオンライン参加者から得られたデータを使用した。MOTのパフォーマンスは、各セットの平均正解率を算出することで測定した。サイズの正解率は、セットサイズ1で0.4から1.0、セットサイズ5で0.1から1.0の範囲であり、平均正解率はセットサイズ1の0.99からセットサイズ5の0.71の範囲であった。正解率の中央値は、セットサイズ1で1.0、セットサイズ5で0.70であった。セットサイズが増加するにつれて正解率が低下しており、UFOVタスクにおける典型的なMOT効果が示された。1,747人のオンライン参加者から得られたデータを分析しました。検出閾値を算出するため、最後の5回の試行における提示時間の平均を計算しました。この閾値は、参加者が周辺ターゲットを約79%の精度で検出できる最小の提示時間を反映しています。UFOV閾値の平均は64.7 millisecondsであり、スコアの範囲は17 millisecondsから315 millisecondsまで、閾値の中央値は45 millisecondsでした。閾値の分布は正の歪みを示し、歪度は1.92、尖度は3.93でした。これらの結果は先行研究と一致していました。このビデオを視聴することで、本手順に従って、多物体追跡および有効視野の実験をウェブアプリケーションとして開発する方法について、十分に理解できるはずです。精密な視覚刺激提示が可能なその他の手法も、オンライン環境に適応させることが可能です。これにより、より一般的で代表性のある集団から、あるいはラボへの誘導が困難な特定のサブタイプの個人からデータを収集できるようになります。ご視聴ありがとうございました。

Research

JoVE Journal

Behavior

行動

この論文は、さまざまな刺激開始非同期で注意のまばたきを見るための、新しいデュアルタスク手順とRapid Serial Visual...

非ターゲットのための注意の瞬きをテストするために迅速なシリアルビジュアルプレゼンテーションと組み合わせることで、デュアルタスク手順

特定の視覚モダリティに反応した反射的な眼球運動に基づく視覚情報処理の品質を定量化する方法が説明されています。反応時間と固定出力パラメータは、生後6か月以降の視覚障害のある子供とない子供の視覚パフォーマンスを特徴付けるために使用されます。...

アイトラッキングを使用した子どもたちに視覚情報処理を定量化する方法

時間順序の判断は、処理速度パラメータと注意の重みを推定し、それによって注意処理のメカニズムを推測するために使用できます。この方法論は、広範囲の視覚刺激に適用でき、多くの注意操作で機能します。...

時間的順序の判決のモデルベース分析により注目し、視覚処理速度を測定します

現在の記事のレビュー言語理解研究の目追跡の方法論。信頼性の高いデータを取得するには、プロトコルの主要な手順に従わなければなりません。これらの中で、目の追跡者 (例えば目と頭の画像の品質の良い)...

視覚的に位置の言語理解の中に目の追跡: 柔軟性の視覚的文脈の発見の効果の制限

この実験的なプロトコルを組み合わせてアイトラッ キングと自由な選択の眼球と視覚空間的注意の展開を調べるには、弁別タスクから成るデュアル タスク...

アイトラッ キングによる正確かつ平均サッカード前に視覚的注意の展開と視覚感度の評価を調査

本稿では,視線追跡システムを用いて乳幼児の視力を自動評価する新しい手法について紹介する.

視線追跡システムを用いた乳幼児の視力自動評価法

これは、腹側ビジュアルストリームからトップダウン信号が運動にどのように影響するかは不明である。我々は、3D奥行き反転錯覚に目標に向けた運動行動をテストするためのパラダイムを開発しました。有意差は幻想と真実を告げる観察条件の下で意図的な、目標指向の動きや自動アクションの両方で報告されている。...

運動行動上のトップダウン視覚プロセスの影響を探索する方法

アテンション制御は、ターゲット信号の強化とディストラクタ信号の減衰から構成されます。私たちは、持続的なインターモーダル注意に注意を払い、無視する神経生理学を別々に、しかし同時に測定するアプローチについて説明し、どちらのプロセスも継続的に関与しない受動的な制御条件を利用します。...

注目のコントロール内のプロセスを無視し、出席の神経生理学的信号の測定

この記事では、視覚システムに適応をシミュレートし、研究するための新規な方法を説明します。...

視覚適応を可視化

この比較研究には、やる気のある注目の 2 つの半球間の違いを評価するために感情的なイメージの視覚領域プレゼンテーション対の中央が。後半の肯定的な潜在性 (LPP) は、やる気のある注意を評価するために脳波と事象関連電位 (Erp)...

やる気のある注目の大脳半球機能差を測定する感情的な画像の中央と分かれて視野プレゼンテーション

学ぶオンライン視覚的注意課題のデータ収集方法。画面キャリブレーションとタスク指示を用いて正確な刺激提示を行い、複数対象追跡と有効視野課題で信頼性の高い行動データを収集できます。

オンライン視覚的注意をテストする方法

さらに動画を探す