Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Ocena użyteczności rzeczywistości rozszerzonej: badanie neuro-systemów informacyjnych

3.1K wyświetleń

⸱

DOI:

10.3791/64667

⸱

30 listopada 2022

 ,  ,  ,  ,  ,  , 
1Economics and Management School, Jiangsu University of Science and Technology, 2School of Health, Fujian Medical University, 3School of Management, Shanghai University, 4School of Management, Zhejiang University, 5Business School, La Trobe University

* These authors contributed equally

W tym artykule

Podsumowanie

To badanie przedstawia eksperymentalny paradygmat testu użyteczności łączącego subiektywne i obiektywne oceny. W obiektywnej ocenie przyjęto metody Neuro-Information-Systems (NeuroIS), a w ocenie subiektywnej przyjęto kwestionariusz użyteczności i skalę NASA-Task Load Index (NASA-TLX).

Streszczenie

To badanie wprowadza eksperymentalny paradygmat do testu użyteczności powstających technologii w systemie informacji zarządczej (MIS). Test użyteczności obejmował zarówno subiektywne, jak i obiektywne oceny. Do oceny subiektywnej przyjęto kwestionariusz użyteczności oraz skalę NASA-TLX. Do obiektywnej oceny wykorzystano metody Neuro-Information-Systems (NeuroIS). Z perspektywy NeuroIS, w badaniu wykorzystano mobilne fNIRS i okulary śledzące ruch gałek ocznych do pomiarów multimodalnych, co rozwiązało problem ekologicznej ważności narzędzi neuronauki poznawczej stosowanych w eksperymentach behawioralnych w świecie rzeczywistym. W badaniu wykorzystano rzeczywistość rozszerzoną (AR) zintegrowaną z Internetem rzeczy (IoT) jako obiekt eksperymentalny. Porównując różnice w danych neuroobrazowych, danych fizjologicznych, kwestionariuszu użyteczności i danych w skali NASA-TLX między dwoma trybami wyszukiwania informacji (AR kontra strona internetowa), wyszukiwanie informacji za pomocą AR miało wyższą skuteczność i mniejsze obciążenie poznawcze w porównaniu z wyszukiwaniem informacji za pomocą strony internetowej podczas procesu podejmowania decyzji konsumpcyjnych. Wyniki eksperymentu użyteczności pokazują, że AR, jako nowa technologia w handlu detalicznym, może skutecznie poprawić doświadczenia konsumentów i zwiększyć ich intencje zakupowe. Paradygmat eksperymentalny, łączący zarówno subiektywne, jak i obiektywne oceny w tym badaniu, można zastosować do testu użyteczności dla nowych technologii, takich jak rzeczywistość rozszerzona, rzeczywistość wirtualna, sztuczna inteligencja, technologia ubieralna, robotyka i duże zbiory danych. Zapewnia praktyczne eksperymentalne rozwiązanie dla doświadczenia użytkownika w interakcjach człowiek-komputer z przyjęciem nowych technologii.

Wprowadzenie

Sześć technologii przełomowych wchodzących w interakcję z konsumentami, reprezentowanych zazwyczaj przez rozszerzoną rzeczywistość, wirtualną rzeczywistość, sztuczną inteligencję, technologie ubieralne, robotykę oraz big data, przekształca wiele teoretycznych modeli zachowań konsumenckich1. Rozszerzona Rzeczywistość (AR) to nowa technologia, która może wzbogacić doświadczenia konsumenta i zwiększyć jego satysfakcję. Polega ona na nakładaniu informacji tekstowych, obrazów, filmów i innych wirtualnych elementów na rzeczywiste scenariusze w celu połączenia wirtualności z rzeczywistością, co pozwala wzbogacić informacje ze świata rzeczywistego poprzez wyjaśnienia, wskazówki, oceny i prognozy2. AR zapewnia nowy rodzaj interakcji człowiek-komputer, tworząc dla konsumentów immersyjne doświadczenie zakupowe, co doprowadziło do rozwoju wielu aplikacji3,4. Jednakże akceptacja usług AR przez konsumentów jest wciąż minimalna, w związku z czym wiele firm ostrożnie podchodzi do wdrażania technologii AR5,6. Model akceptacji technologii (TAM) jest szeroko stosowany do wyjaśniania i przewidywania zachowań związanych z adaptacją nowych technologii informacyjnych7,8. Zgodnie z TAM, zamiar przyjęcia nowej technologii zależy w dużej mierze od jej użyteczności9. Zatem możliwe wyjaśnienie powolnej akceptacji usług AR przez konsumentów z perspektywy TAM może wiązać się z użytecznością nowych technik, co podkreśla potrzebę oceny użyteczności AR podczas zakupów10,11.

Użyteczność definiuje się jako skuteczność, wydajność i satysfakcję z osiągania określonych celów w określonym kontekście przez określonych użytkowników12. Obecnie istnieją dwie główne metody oceny użyteczności: oceny subiektywne i obiektywne13. Oceny subiektywne opierają się głównie na metodach samoopisowych z wykorzystaniem kwestionariuszy i skal. Kontynuując ten nurt badań, kwestionariusz użyty w niniejszym badaniu obejmował pięć cech związanych z trybem wyszukiwania informacji w celu osiągnięcia celu: (1) wydajność, (2) łatwość obsługi, (3) zapamiętywalność (łatwość zapamiętania), (4) satysfakcja (tryb wyszukiwania informacji jest wygodny i przyjemny) oraz (5) możliwość generalizacji na inne obiekty14,15,16. Ponadto obciążenie poznawcze, reprezentujące obciążenie systemu poznawczego uczącego się podczas wykonywania konkretnego zadania17, jest kolejnym kluczowym wskaźnikiem użyteczności18,19. W związku z tym w badaniu tym dodatkowo wykorzystano NASA Task Load Index (NASA-TLX)13,20 jako subiektywną miarę do pomiaru obciążenia poznawczego podczas zakupów z wykorzystaniem AR w porównaniu do zakupów za pomocą usług stron internetowych. Warto zauważyć, że metody samoopisowe opierają się na zdolności i chęci osób do dokładnego raportowania swoich postaw i/lub wcześniejszych zachowań21, co pozostawia możliwość błędnego raportowania, niedoszacowania lub stronniczości. Zatem miary obiektywne mogą stanowić wartościowe uzupełnienie tradycyjnych metod subiektywnych22.

Metody systemów neuroinformatycznych (NeuroIS) są wykorzystywane do obiektywnej oceny użyteczności AR. NeuroIS, termin wprowadzony przez Dimokę i współpracowników na konferencji ICIS w 2007 roku, przyciąga coraz większą uwagę w dziedzinie systemów informacyjnych (IS)23. NeuroIS wykorzystuje teorie i narzędzia neuronauki poznawczej, aby lepiej zrozumieć rozwój, wdrażanie i wpływ technologii IS24,25. Do tej pory w badaniach NeuroIS powszechnie stosowano narzędzia neuronauki poznawczej, takie jak funkcjonalny rezonans magnetyczny (fMRI), elektroencefalografia (EEG), pozytonowa tomografia komputerowa, magnetoencefalografia (MEG) oraz funkcjonalna spektroskopia bliskiej podczerwieni (fNIRS)26,27. Na przykład Dimoka i Davis wykorzystali fMRI do pomiaru aktywacji u badanych podczas interakcji ze stroną internetową i wykazali, że postrzegana łatwość obsługi wpływała na aktywację w korze przedczołowej (PFC)28. Podobnie, wykorzystując EEG, Moridis i współpracownicy stwierdzili, że asymetria czołowa była ściśle powiązana z użytecznością29. Wyniki te wskazują, że PFC może odgrywać kluczową rolę w użyteczności.

Mimo osiągnięć w poprzednich badaniach z zakresu NeuroIS, stosowane w nich paradygmaty ograniczały ruchy ciała badanych i charakteryzowały się niską trafnością ekologiczną, co ograniczało ich wkład teoretyczny i praktyczny. Interakcja z technologiami takimi jak AR podczas zakupów wymaga swobody ruchów ciała, a ograniczenia nakładane na badanych w znacznym stopniu pogarszają doświadczenia konsumenta, co omówiono w pracy He i wsp.22. W związku z tym, do testów użyteczności systemów informacyjnych niezbędne są narzędzia do obrazowania mózgu o wysokiej trafności ekologicznej. W tym względzie fNIRS posiada unikalne zalety techniczne: podczas eksperymentów fNIRS badani mogą w pewnym stopniu swobodnie się poruszać30. Na przykład w poprzednich badaniach mierzono aktywację mózgu badanych podczas kilku aktywności na świeżym powietrzu, takich jak jazda na rowerze, z wykorzystaniem przenośnego fNIRS31. Ponadto fNIRS jest niskokosztowy i umożliwia pomiar aktywacji mózgu przez długi czas32. W niniejszym badaniu fNIRS wykorzystano do obiektywnego pomiaru poziomu obciążenia poznawczego badanych podczas korzystania z usług zakupowych w AR w porównaniu z witryną internetową.

Okulografia (eye tracking) stała się w ostatnich latach cenną techniką psychofizjologiczną służącą do wykrywania uwagi wzrokowej użytkowników podczas testów użyteczności33 i była również szeroko stosowana w badaniach NeuroIS34. Technika ta opiera się na hipotezie oko-umysł (eye-mind hypothesis), która zakłada, że punkt skupienia obserwatora znajduje się tam, gdzie skierowana jest uwaga, że uwaga wzrokowa reprezentuje procesy mentalne, a wzorce uwagi wzrokowej odzwierciedlają ludzkie strategie poznawcze35,36,37. W obszarze badań nad AR Yang i inni wykorzystali okulografię, aby wykazać, że reklamy AR poprawiły stosunek konsumentów do reklamy poprzez zwiększenie ich ciekawości i uwagi38. W niniejszym badaniu okulografię wykorzystano do pomiaru uwagi badanych, uwzględniając parametry takie jak całkowity czas fiksacji, średni czas fiksacji, częstotliwość fiksacji, częstotliwość sakad, średni czas trwania sakady oraz średnia długość ścieżki skanowania.

Podsumowując, niniejsze badanie proponuje metodę testowania użyteczności, która łączy oceny subiektywne i obiektywne, posługując się aplikacjami AR jako przykładem. Do oceny subiektywnej wykorzystano kwestionariusz użyteczności oraz skalę NASA-TLX, natomiast do oceny obiektywnej zastosowano pomiary multimodalne łączące fNIRS i eye tracking39,40.

Projekt eksperymentalny
Materiały eksperymentalne: Aby zasymulować realny kontekst zakupowy, w laboratorium zbudowano półkę sklepową, na której jako materiały eksperymentalne umieszczono dwie różne marki wody mineralnej. Wybór wody mineralnej jako produktu pierwszej potrzeby wynikał z chęci uniknięcia stronniczości uczestników w subiektywnych ocenach ze względu na ich wykształcenie zawodowe, płeć oraz możliwości nabywcze. Cenę, pojemność oraz stopień rozpoznawalności marek kontrolowano (patrz: Tabela materiałów), aby wyeliminować wpływ nieistotnych zmiennych.

Test użyteczności obejmował dwa warianty: aplikację AR na smartfona (Rysunek uzupełniający 1) oraz stronę internetową (Rysunek uzupełniający 2). Aplikacja AR została zaprogramowana w oparciu o silnik AR. Strona internetowa została opracowana w języku Python, z wykorzystaniem Bootstrap dla front-endu oraz Flask dla back-endu. Aplikacja AR oraz strona internetowa były uruchamiane i przeglądane na smartfonie. Spośród dwóch różnych marek wody mineralnej, jednej użyto jako materiału eksperymentalnego w wariancie AR, a drugiej w wariancie ze stroną internetową.

Zadania eksperymentalne: Uczestnicy zostali poproszeni o wykonanie czterech zadań polegających na wyszukiwaniu informacji, które pochodziły z kontekstów zastosowań IoT: jakość wody, temperatura przechowywania, odpowiednia dieta oraz cena za litr. Te cztery elementy informacyjne to kwestie, na które konsumenci zazwyczaj zwracają uwagę podczas zakupu wody mineralnej. Nie wprowadzono ograniczeń czasowych na wykonanie zadań przez uczestników.

Jakość wody: Jakość wody mineralnej zazwyczaj obejmuje dwa wskaźniki: całkowitą ilość rozpuszczonych substancji stałych (TDS) oraz wartość pH. TDS odzwierciedla zawartość minerałów, a wartość pH opisuje kwasowość lub zasadowość wody. Te dwa wskaźniki są powiązane z pierwiastkami śladowymi zawartymi w wodzie mineralnej i wpływają na jej smak. Na przykład Bruvold i Ongerth podzielili sensoryczną jakość wody na pięć stopni w zależności od zawartości TDS41. Marcussen i inni stwierdzili, że woda posiada dobre właściwości sensoryczne w zakresie 100-400 mg/L TDS42. Wartości TDS i pH dwóch marek wody mineralnej użytych w tym badaniu zostały zmierzone odpowiednio za pomocą mierników TDS i pH, a następnie naniesione w aplikacji AR oraz na stronie internetowej. Podczas wykonywania zadania uczestnicy musieli podać wartości TDS i pH wody mineralnej oraz potwierdzić, czy wartości te mieszczą się w zakresie nominalnym. W warunkach AR uczestnicy mogli uzyskać te informacje poprzez zeskanowanie butelki wody. W warunkach korzystania ze strony internetowej uczestnicy musieli wykonać cztery kroki: (1) odnalezienie kodu numerycznego na tylnej części butelki wody mineralnej, (2) wprowadzenie kodu numerycznego do pola zapytania w celu uzyskania wartości TDS i pH wody mineralnej, (3) wyszukanie zakresu nominalnego dla wody mineralnej na stronie internetowej oraz (4) ustne zgłoszenie, czy wartość TDS i pH mieszczą się w zakresie nominalnym dla danego produktu.

Temperatura przechowywania: Jakość wody mineralnej może ulec pogorszeniu podczas transportu i przechowywania z powodu zmian temperatury. Eksperymenty wykazały, że odpowiednia temperatura dla wody mineralnej podczas transportu i przechowywania mieści się w zakresie od 5 °C do 25 °C. W tym zakresie temperatur woda nie wykazuje nieprzyjemnego zapachu43. W niniejszym eksperymencie temperaturę przechowywania dwóch rodzajów wody mineralnej w różnych miejscach zaznaczono w aplikacji AR oraz na stronie internetowej. Podczas wykonywania zadania uczestnicy byli zobowiązani do zgłoszenia miejsca przechowywania oraz odpowiadającej mu temperatury wody. W warunkach AR uczestnicy mogli uzyskać te informacje poprzez zeskanowanie butelki wody. W warunkach strony internetowej uczestnicy mogli uzyskać te informacje poprzez wpisanie kodu numerycznego w polu zapytania.

Dopasowanie diety: Różne marki wody mineralnej są odpowiednie dla różnych menu ze względu na ich unikalny skład mineralny i zawartość pęcherzyków gazu44. W niniejszym eksperymencie zalecenia dietetyczne dla dwóch wód mineralnych zostały oznaczone w aplikacji AR oraz na stronie internetowej. Podczas wykonywania zadania uczestnicy musieli zgłosić, w jaki sposób woda mineralna pasuje do potraw w menu. W warunkach AR uczestnicy mogli uzyskać tę informację poprzez zeskanowanie butelki wody. W warunkach strony internetowej uczestnicy mogli wyszukać tę informację na stronie WWW.

Cena za litr: Obecnie etykiety na butelkach wody mineralnej w Chinach nie zawierają informacji o cenie za litr. Utrudnia to konsumentom rozróżnienie różnic w cenach jednostkowych różnych rodzajów wody mineralnej. W związku z tym w niniejszym eksperymencie od uczestników wymagano podania ceny za litr. W aplikacji AR uczestnicy mogli uzyskać informację o cenie za litr bezpośrednio poprzez zeskanowanie butelki wody. W warunkach korzystania ze strony internetowej informacja ta mogła zostać obliczona na podstawie ceny jednostkowej i objętości podanej na etykiecie.

W badaniu zastosowano schemat wewnątrzobiektowy, a kryteria włączenia i wykluczenia uczestników opisano w Tabeli 1. W eksperymencie wzięło udział łącznie 40 osób (20 mężczyzn i 20 kobiet, średni wiek = 21,31 ± 1,16 lat). Wszyscy uczestnicy byli studentami Jiangsu University of Science and Technology i zostali losowo przydzieleni do dwóch grup (A i B). Aby uniknąć efektu kolejności, kolejność eksperymentalna została zrównoważona pomiędzy obiema grupami (A/B). Konkretnie, jedna grupa najpierw realizowała warunek AR, a następnie warunek strony internetowej, podczas gdy druga grupa najpierw korzystała ze strony internetowej, a następnie z warunku AR. Od uczestników wymagano przygotowania do eksperymentu, założenia aparatury i wykonania zadań eksperymentalnych. Przerwa między eksperymentami została ustalona na 10 s, aby umożliwić powrót aktywacji kory do poziomu bazowego, co pozwoliło uniknąć wzajemnego wpływu na kolejne zadanie. Po zakończeniu eksperymentu AR/strona internetowa uczestnicy zostali poproszeni o wypełnienie kwestionariusza użyteczności oraz skali NASA-TLX. Schemat blokowy eksperymentu przedstawiono na Rysunku 1. Zdjęcie konfiguracji eksperymentalnej znajduje się na Rysunku 2.

Tabela 1: Kryteria włączenia i wykluczenia z badania. Kliknij tutaj, aby pobrać tę tabelę.

Schemat zadań dotyczących użyteczności AR i stron internetowych; skala NASA-TLX, etapy przygotowania eksperymentu dla grup A i B.
Rysunek 1: Schemat blokowy eksperymentu. Każdy eksperyment trwał ~45 min, z przerwą 10 s między zadaniami. Kliknij tutaj, aby zobaczyć powiększoną wersję tego rysunku.

Zakupy w rozszerzonej rzeczywistości; użytkownik skanuje butelkę smartfonem i goglami w środowisku handlowym.
Rycina 2: Przykładowa konfiguracja sceny eksperymentalnej. Przedstawiono materiały eksperymentalne, uczestnika oraz sprzęt. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

To badanie zostało przeprowadzone zgodnie z zasadami Deklaracji Helsińskiej. Wszyscy uczestnicy zostali poinformowani o celu i bezpieczeństwie eksperymentu oraz podpisali formularz świadomej zgody przed wzięciem udziału. Badanie to zostało zatwierdzone przez instytucjonalną komisję rewizyjną Uniwersytetu Nauki i Technologii w Jiangsu.

1. Procedura eksperymentu

  1. Przygotowanie do eksperymentu
    1. Wyjaśnij uczestnikom świadomą zgodę i poproś ich o podpisanie formularza zgody.
    2. Przeprowadź test widzenia kolorów na uczestnikach, aby potwierdzić, że mają normalną dyskryminację kolorów.
    3. Zaprezentuj uczestnikom 30 marek wody mineralnej i poproś ich, aby wybrali marki, które są im znane, aby upewnić się, że nie są zaznajomieni z markami wody mineralnej użytymi w eksperymencie.
    4. Przedstaw uczestnikom procedurę eksperymentu.
    5. Przeprowadź eksperyment wstępny na uczestnikach przy użyciu marek wody mineralnej innych niż te użyte w badaniu i upewnij się, że są zaznajomieni z AR i operacjami na stronie internetowej.
    6. Pokieruj każdego uczestnika z grupy A, aby najpierw przeprowadził eksperyment AR, a następnie przeprowadził eksperyment na stronie internetowej. Poinstruuj każdego uczestnika z grupy B, aby najpierw przeprowadził eksperyment ze stroną internetową, a następnie przeprowadził eksperyment AR.
  2. Noszenie instrumentów
    1. Sondy fNIRS
      1. Oczyść skórę czoła uczestników żelem do przygotowania skóry (patrz Tabela Materiałów).
      2. Owiń sondy (patrz Tabela materiałów) w folię spoconą w przypadku spoconych okoliczności. Zamocuj sondy w pozycji FP1 i FP2 zgodnie z międzynarodowym systemem 10-20 za pomocą czarnego pałąka45. Użyj czarnej bandany do zakrycia sond, aby chronić je przed światłem otoczenia i poprawić jakość sygnału.
      3. Po zakończeniu eksperymentu wyczyść nadajnik i odbiornik sond za pomocą wacika nasączonego 70% alkoholem izopropylowym.
    2. Eye tracker: Rejestruj ruch gałek ocznych w rzeczywistych warunkach za pomocą okularów śledzących ruch gałek ocznych (patrz tabela materiałów). Zamontuj soczewki korekcyjne na jednostce głównej okularów śledzących ruch gałek ocznych magnetycznie (jeśli jest to wymagane) i upewnij się, że uczestnicy mogą swobodnie chodzić z skorygowanym wzrokiem.
      UWAGA: Ponieważ okulary śledzące ruch gałek ocznych nie są przeznaczone do pracy w połączeniu ze standardowymi okularami, uczestnicy, którzy noszą okulary, mogą nadal zostać włączeni do badania, używając opcjonalnych soczewek korekcyjnych do korekcji krótkowzroczności lub dalekowzroczności. Uczestnicy mogą również nosić standardowe soczewki kontaktowe, ponieważ chociaż mogą one nieznacznie zwiększać hałas, zwykle nie wprowadzają błędów w danych. Uczestnicy nie mogą używać kolorowych lub innych soczewek, które zmieniają wygląd źrenicy lub tęczówki.

2. Miary

  1. Niestabilne systemy informacyjne (fNIRS
    1. Otwórz oprogramowanie do nagrywania (patrz Spis materiałów). Podłącz sondy do laptopa za pomocą adaptera Bluetooth, a następnie rejestruj zmiany stężenia natlenionej hemoglobiny (O2Hb) w korze przedczołowej uczestników przez laptopa, z częstotliwością próbkowania 10 Hz.
    2. Sprawdź jakość odbieranego natężenia światła i wskaźnika nasycenia tkanek (TSI), aby kontrolować jakość danych. Upewnij się, że odbierany sygnał mieści się w przedziale od 1% do 95%.
    3. Upewnij się, że uczestnicy siedzą w wygodnej pozycji na krześle i utrzymują stan spoczynku przez 2 minuty, aby zebrać dane wyjściowe przed prawdziwym eksperymentem.
    4. Kliknij przycisk Start w interfejsie oprogramowania, aby zarejestrować dane fNIRS.
  2. Śledzenie ruchu gałek ocznych
    1. Skonfiguruj sprzęt do okularów śledzących ruch gałek ocznych. Podłącz wtyczkę USB okularów śledzących ruch gałek ocznych do portu USB w laptopie. Otwórz oprogramowanie do nagrywania (patrz Tabela materiałów) i ustaw częstotliwość próbkowania na 120 Hz.
    2. Kalibracja: Wykonaj kalibrację jednopunktową. Poproś uczestnika, aby skupił się na wyraźnie rozpoznawalnym obiekcie w jego polu widzenia z odległości 0,6 m. Przesuń kursor celownika na obiekt, na którym skupia się uczestnik w filmie ze sceny, a następnie kliknij obiekt.
    3. Naciśnij przycisk nagrywania w interfejsie oprogramowania, aby rozpocząć nagrywanie.
  3. Kwestionariusz i skala: Zaprezentuj uczestnikom kwestionariusz użyteczności i skalę NASA-TLX po wykonaniu zadań AR/strony internetowej.

3. Analiza danych

  1. Przetwarzanie danych fNIRS
    1. Przelicz wartości gęstości optycznej uzyskane z oprogramowania rejestrującego fNIRS na stężenia (μmol) zgodnie ze zmodyfikowanym prawem Beera-Lamberta46.
    2. Filtruj surowe dane przy dolnoprzepustowym 0,5 Hz, aby usunąć systematyczne szumy, takie jak bicie serca i oddychanie.
    3. Sprawdź i popraw dane pod kątem artefaktów ruchu, usuwając segmenty danych, które przekroczyły trzy odchylenia standardowe powyżej całego szeregu czasowego47.
    4. Wyeksportuj średnie i maksymalne dane fNIRS w AR i warunkach na stronie internetowej, a następnie odejmij je od danych bazowych.
  2. Przetwarzanie danych śledzenia ruchu gałek ocznych
    1. Eksportuj częstotliwość fiksacji (liczby/s), całkowity czas fiksacji (ms), średni czas fiksacji (ms), częstotliwość sakad (liczby/s), średni czas sakad (ms) i średnią długość ścieżki skanowania (px/s) uczestników.
  3. analiza statystyczna
    1. Wykonaj test dwustronny na poziomie istotności 0,05. Sprawdź normalność danych za pomocą testu Shapiro-Wilka i wykonaj test różnicowy. Wykonaj wielokrotne korekty porównawcze wartości p przy użyciu metody współczynnika fałszywych wykryć (FDR).
      UWAGA: Podczas wykonywania testu różnicowego dane, które były zgodne z rozkładem normalnym, były analizowane przy użyciu testu t dla sparowanych prób, a dane, które nie były zgodne z rozkładem normalnym, były analizowane przy użyciu testu rang ze znakiem Wilcoxona.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Reprezentatywne wyniki niniejszego badania obejmują wyniki kwestionariusza użyteczności, analizę danych eye-trackingu, dane ze skali NASA-TLX, analizę danych fNIRS oraz dynamiczne zmiany obciążenia poznawczego. W odniesieniu do wyników kwestionariusza użyteczności, analizy danych eye-trackingu, danych ze skali NASA-TLX oraz analizy danych fNIRS przeprowadzono testy normalności oraz testy różnic. W celu zobrazowania dynamicznych zmian obciążenia poznawczego w niniejszym badaniu wybrano dane fNIRS i eye-trackingu od jedneg...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Krytyczne kroki w ramach protokołu
Podczas eksperymentu wzięto pod uwagę kilka etapów mających na celu zapewnienie wiarygodności wyników. Po pierwsze, uczestnicy, którzy są zaznajomieni z markami wody mineralnej użytej w eksperymencie, zostali wykluczeni, ponieważ ci uczestnicy wykonaliby zadanie w oparciu o swoją wiedzę na temat marki. Po drugie, uczestnicy ukończyli eksperyment wstępny z użyciem wody mineralnej innych marek, który został zastosowany, aby upewnić się, że uczestnicy są zaznajomieni ...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

To badanie było wspierane przez Projekt Badawczy Filozofii i Nauk Społecznych Departamentu Edukacji Prowincji Jiangsu (2018SJA1089), Stypendium Rządu Jiangsu na Studia Zagraniczne (JS-2018-262), Fundację Nauk Przyrodniczych Prowincji Zhejiang (LY19G020018) oraz Narodową Fundację Nauk Przyrodniczych Chin (NSFC) (72001096).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
AR EngineUnity Technologies2020.3.1Platforma programistyczna AR
SDKPTCVuforia Engine 9.8.5Zestaw rozwojowy AR
Eye Tracker (okulary śledzące ruch gałek ocznych)SMI, NiemcySMI ETGMontowany na głowie system śledzenia oczu
Oprogramowanie do śledzenia ruchu gałek ocznychSMI, NiemcyOprogramowanie iViewETGOprogramowanie do nagrywania Eye Tracker
Sondy fNIRSArtinis Medical Systems BV, HolandiaArtinis PortaLiteŹródło światła: Diody elektroluminescencyjne
Długości fal: Standardowe nominalne 760 i 850 nm
Oprogramowanie fNIRSArtinis Medical Systems BV, HolandiaOprogramowanie do rejestracji i analizy danych fNIRSOxySoft 3.2.70
Woda mineralnaGroupe DanoneBadoit Materiał doświadczalny w stanie AR    Pojemność: 330ml
Cena: figure-materials-16
Woda mineralnaNestléAcqua PannaMateriał eksperymentalny w stanie strony internetowej Pojemność: 250ml
Cena: figure-materials-25.4
Żel do przygotowania skóryWeaver i firmaNuprepOczyść skórę czoła uczestników
SmartfonXiaomiRedmi K30 UltraAplikacja AR i strona internetowa oparta na smartfonie

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Użyteczność rozszerzonej rzeczywistościmobilna fNIRSokulary do okulografiiobciążenie poznawczekwestionariusz użytecznościskala NASA TLXefektywność wyszukiwania informacjiinterakcja człowiek-komputer
Ocena użyteczności rzeczywistości rozszerzonej: badanie neuro-systemów informacyjnych
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.