Method Article

Ocena użyteczności rzeczywistości rozszerzonej: badanie neuro-systemów informacyjnych

DOI:

10.3791/64667

⸱

November 30th, 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

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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).

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sześć pionierskich technologii, które wchodzą w interakcję z konsumentami, zazwyczaj reprezentowanych przez rzeczywistość rozszerzoną, rzeczywistość wirtualną, sztuczną inteligencję, technologię ubieralną, robotykę i big data, przekształca wiele teoretycznych modeli zachowań konsumentów1. Rzeczywistość rozszerzona (AR) to nowa technologia, która może poprawić doświadczenia konsumentów i zwiększyć ich satysfakcję. Nakłada informacje tekstowe, obrazy, filmy i inne wirtualne elementy na rzeczywiste scenariusze, aby połączyć wirtualność i rzeczywistość, wzbogacając w ten sposób informacje w świecie rzeczywistym poprzez wyjaśnienie, wskazówki, ocenę i przewidywanie2. AR zapewnia nowy rodzaj interakcji człowiek-komputer, tworząc wciągające doświadczenie zakupowe dla konsumentów i doprowadził do rozwoju wielu aplikacji3,4. Jednak akceptacja konsumentów dla usług AR jest nadal minimalna, dlatego wiele firm jest ostrożnych w przyjmowaniu technologii AR5,6. Model akceptacji technologii (TAM) jest szeroko stosowany do wyjaśniania i przewidywania zachowań związanych z wdrażaniem nowych technologii informatycznych7,8. Według TAM, zamiar przyjęcia nowej technologii w dużej mierze zależy od jej użyteczności9. W związku z tym możliwe wyjaśnienie powolnej akceptacji usług AR przez konsumentów z perspektywy TAM może odnosić się do użyteczności nowych technik, co podkreśla potrzebę oceny użyteczności AR podczas zakupów10,11.

Użyteczność jest definiowana jako skuteczność, wydajność i satysfakcja 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. Podążając za tym tokiem badań, kwestionariusz wykorzystany w tym badaniu zawierał pięć cech związanych z trybem wyszukiwania informacji w celu osiągnięcia celu: (1) wydajność, (2) łatwość użycia, (3) zapamiętywalność (łatwa do zapamiętania), (4) satysfakcja (tryb wyszukiwania informacji jest wygodny i przyjemny) oraz (5) możliwość uogólnienia na inne obiekty14,15,16. Ponadto obciążenie poznawcze, reprezentujące obciążenie podczas wykonywania określonego zadania w systemie poznawczym ucznia17, jest kolejnym podstawowym wskaźnikiem użyteczności18,19. W związku z tym w badaniu tym dodatkowo wykorzystano indeks obciążenia zadaniowego NASA (NASA-TLX)13,20 jako subiektywną metrykę do pomiaru obciążenia poznawczego podczas zakupów za pomocą AR w porównaniu z zakupami za pomocą usług internetowych. Warto zauważyć, że metody samoopisu opierają się na zdolności i gotowości osób do dokładnego zgłaszania swoich postaw i/lub wcześniejszych zachowań21, pozostawiając otwartą możliwość błędnego raportowania, zaniżania raportów lub stronniczości. W związku z tym obiektywne miary mogą być cennym uzupełnieniem tradycyjnych metod subiektywnych22.

Metody Neuro-Information-Systems (NeuroIS) są używane do obiektywnej oceny użyteczności AR. NeuroIS, ukuty przez Dimokę i in. na konferencji ICIS w 2007 roku, przyciąga coraz większą uwagę w dziedzinie systemów informatycznych (IS)23. NeuroIS wykorzystuje teorie i narzędzia neuronauki poznawczej, aby lepiej zrozumieć rozwój, przyjęcie i wpływ technologii IS24,25. Do tej pory narzędzia neuronauki poznawczej, takie jak funkcjonalny rezonans magnetyczny (fMRI), elektroencefalogram (EEG), pozytonowa emisyjna tomografia komputerowa, magnetoencefalografia (MEG) i funkcjonalna spektroskopia bliskiej podczerwieni (fNIRS), są powszechnie stosowane w badaniach NeuroIS26,27. Na przykład, Dimoka i Davis wykorzystali fMRI do zmierzenia aktywacji badanych podczas interakcji ze stroną internetową i ujawnili, że postrzegana łatwość użycia wpłynęła na aktywację w korze przedczołowej (PFC)28. Podobnie, korzystając z EEG, Moridis i wsp. stwierdzili, że asymetria czołowa była ściśle związana z użytecznością29. Wyniki te wskazują, że PFC może odgrywać kluczową rolę w użyteczności.

Chociaż osiągnięto osiągnięcia w poprzednich badaniach NeuroIS, paradygmaty użyte w tych badaniach ograniczały ruchy ciała osób o niskiej ważności ekologicznej, ograniczając ich teoretyczny i praktyczny wkład. Interakcja z technologiami takimi jak AR podczas zakupów wymaga swobodnych ruchów ciała, a ograniczenia tematyczne w dużej mierze pogarszają doświadczenie konsumenta, jak omówiono w He et al.22. W związku z tym do badania użyteczności systemów informatycznych potrzebne są narzędzia do obrazowania mózgu o wysokiej wartości ekologicznej. Pod tym względem fNIRS ma unikalne zalety techniczne: podczas eksperymentów fNIRS badani mogą do pewnego stopnia swobodnie się poruszać30. Na przykład wcześniejsze badania mierzyły aktywację mózgu badanych podczas kilku aktywności na świeżym powietrzu, takich jak jazda na rowerze, przy użyciu przenośnego fNIRS31. Ponadto fNIRS jest tani i umożliwia pomiar aktywacji mózgu przez długi czas32. W tym badaniu fNIRS wykorzystano do obiektywnego pomiaru poziomu obciążenia poznawczego badanych podczas korzystania z usług zakupowych AR w porównaniu ze stroną internetową.

Śledzenie wzroku było cenną techniką psychofizjologiczną do wykrywania uwagi wzrokowej użytkowników podczas testu użyteczności w ostatnich latach33 i było również szeroko stosowane w badaniach NeuroIS34. Technika ta opiera się na hipotezie oko-umysł, która zakłada, że uwaga obserwatora skupia się tam, gdzie jest kierowana, że uwaga wzrokowa reprezentuje proces umysłowy, a wzorce uwagi wzrokowej odzwierciedlają ludzkie strategie poznawcze35,36,37. W obszarze badań AR Yang i in. wykorzystali śledzenie wzroku, aby stwierdzić, że reklama AR poprawiła nastawienie konsumentów do reklamy, zwiększając ich ciekawość i uwagę38. W obecnym badaniu śledzenie ruchu gałek ocznych wykorzystano do pomiaru uwagi badanych, w tym parametrów takich jak całkowity czas fiksacji, średni czas trwania fiksacji, częstotliwość fiksacji, częstotliwość sakadowania, średni czas trwania sakad i średnia długość ścieżki skanowania.

Podsumowując, to badanie proponuje metodę testowania użyteczności, która łączy subiektywne i obiektywne oceny z aplikacjami AR jako przykładem. Do oceny subiektywnej wykorzystano kwestionariusz użyteczności i skalę NASA-TLX, a do obiektywnej oceny wykorzystano pomiary multimodalne łączące fNIRS i śledzenie ruchu gałek ocznych39,40.

Projekt eksperymentalny
Materiały eksperymentalne: Aby zasymulować rzeczywisty kontekst zakupów, w laboratorium zbudowano półkę na produkty, a dwie różne marki wody mineralnej umieszczono na półce jako materiały eksperymentalne. Jako towar pierwszej potrzeby wybrano wodę mineralną, ponieważ uczestnicy nie byliby stronniczy w subiektywnych ocenach na podstawie ich pochodzenia zawodowego, płci i zdolności nabywczych. Cena, pojemność i znajomość marek były kontrolowane (patrz tabela materiałów) w celu wyeliminowania interferencji nieistotnych zmiennych.

Test użyteczności obejmował dwa warunki: aplikację AR na smartfony (Rysunek uzupełniający 1) i stronę internetową (Rysunek uzupełniający 2). Aplikacja AR została zaprogramowana w oparciu o silnik AR. Strona została stworzona przy użyciu języka Python, w oparciu o Bootstrap dla front-endu i Flask dla back-endu. Aplikacja AR oraz strona internetowa były uruchamiane i przeglądane na smartfonie. Spośród dwóch różnych marek wody mineralnej, jedna została użyta jako materiał eksperymentalny w stanie AR, a druga została użyta w stanie strony internetowej.

Zadania eksperymentalne: Uczestnicy zostali poproszeni o wykonanie czterech zadań związanych z wyszukiwaniem informacji, które pochodziły z kontekstów aplikacji IoT: jakość wody, temperatura przechowywania, odpowiednia dieta i cena za litr. Te cztery informacje są tym, na co konsumenci zwykle zwracają uwagę przy zakupie wody mineralnej. Nie było ograniczeń czasowych dla uczestników na wykonanie zadań.

Jakość wody: Jakość wody mineralnej zwykle obejmuje dwa wskaźniki: całkowitą zawartość rozpuszczonych ciał stałych (TDS) i wartość pH. TDS odzwierciedla zawartość minerałów, a wartość pH opisuje kwasowość/zasadowość wody. Te dwa wskaźniki są związane z pierwiastkami śladowymi zawartymi w wodzie mineralnej i wpływają na smak. Na przykład Bruvold i Ongerth podzielili jakość sensoryczną wody na pięć klas w zależności od zawartości TDS41. Marcussen i wsp. stwierdzili, że woda ma dobre właściwości sensoryczne w zakresie 100-400 mg/L TDS42. TDS i wartość pH dwóch marek wody mineralnej użytych w tym badaniu zostały zmierzone za pomocą odpowiednio TDS i pH-metrów, a następnie oznaczone w aplikacji AR i na stronie internetowej. Podczas wykonywania zadania uczestnicy zostali poproszeni o podanie wartości TDS i pH wody mineralnej oraz potwierdzenie, czy wartości te mieszczą się w zakresie nominalnym. W warunkach AR uczestnicy mogli uzyskać te informacje, skanując butelkę z wodą. W warunku strony internetowej uczestnicy zostali poproszeni o wykonanie czterech kroków: (1) znalezienie kodu numerycznego na odwrocie butelki wody mineralnej, (2) wprowadzenie kodu numerycznego w polu zapytania w celu uzyskania wartości TDS i pH dla wody mineralnej, (3) wyszukanie nominalnego zakresu wody mineralnej na stronie internetowej oraz (4) ustne zgłoszenie, czy TDS i wartość pH mieszczą się w nominalnym zakresie dla produktu.

Temperatura przechowywania: Jakość wody mineralnej może ulec pogorszeniu podczas transportu i przechowywania z powodu zmian temperatury. Doświadczenia wykazały, że odpowiednia temperatura dla wody mineralnej wynosi od 5 °C do 25 °C podczas transportu i przechowywania. W tym zakresie temperatur woda nie ma nieprzyjemnego zapachu43. W niniejszym eksperymencie temperatura przechowywania dwóch rodzajów wody mineralnej w różnych miejscach została zaznaczona w aplikacji AR i na stronie internetowej. Podczas wykonywania zadania uczestnicy zostali zobowiązani do zgłoszenia miejsca przechowywania i odpowiadającej mu temperatury wody. W warunkach AR uczestnicy mogli uzyskać te informacje, skanując butelkę z wodą. W warunku strony internetowej uczestnicy mogli uzyskać te informacje, wpisując kod numeryczny w polu zapytania.

Dopasowana dieta: Różne rodzaje wody mineralnej są odpowiednie dla różnych menu ze względu na ich unikalny skład mineralny i zawartość bąbelków44. W niniejszym eksperymencie zalecenia dietetyczne dla dwóch wód mineralnych zostały zaznaczone w aplikacji AR i na stronie internetowej. Podczas wykonywania zadania uczestnicy zostali poproszeni o zgłoszenie, w jaki sposób woda mineralna pasuje do potraw w menu. W warunkach AR uczestnicy mogli uzyskać te informacje, skanując butelkę z wodą. W warunku strony internetowej uczestnicy mogli wyszukać te informacje na stronie internetowej.

Cena za litr: Obecnie etykiety na butelkach wody mineralnej w Chinach nie wyświetlają informacji o cenie za litr. Utrudnia to konsumentom rozróżnienie różnic w cenach jednostkowych różnych rodzajów wody mineralnej. W związku z tym w obecnym eksperymencie wymagano od uczestników podania ceny za litr. W aplikacji AR uczestnicy mogli uzyskać cenę za litr bezpośrednio skanując butelkę wody. W stanie strony internetowej informacje można było obliczyć na podstawie ceny jednostkowej i objętości na etykiecie.

W tym badaniu zastosowano projekt wewnątrzuczestnikowy, z kryteriami włączenia i wykluczenia uczestnika, jak opisano w Tabeli 1. W eksperymencie wzięło udział 40 uczestników (20 mężczyzn i 20 kobiet, średnia wieku = 21,31 ± 1,16 roku). Wszyscy uczestnicy byli studentami Uniwersytetu Nauki i Technologii w Jiangsu i zostali losowo przydzieleni do dwóch grup (A i B). Aby uniknąć efektu kolejności, porządek eksperymentalny został zrównoważony we wszystkich dwóch grupach (A/B). W szczególności jedna grupa wykonała najpierw warunek AR, a następnie warunek strony internetowej, podczas gdy druga grupa najpierw wykonała warunek strony internetowej, a następnie warunek AR. Uczestnicy musieli ukończyć przygotowanie do eksperymentu, założyć instrumenty i wykonać zadania eksperymentalne. Interwał między eksperymentami został ustawiony na 10 s, aby umożliwić powrót aktywacji kory mózgowej do poziomu wyjściowego, unikając wpływu krzyżowego w kolejnym zadaniu. Pod koniec eksperymentu AR/strona internetowa uczestnicy zostali poproszeni o wypełnienie kwestionariusza użyteczności i skali NASA-TLX. Eksperymentalny schemat blokowy pokazano na rysunku 1. Fotografia układu doświadczalnego jest przedstawiona na rysunku 2.

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

Schemat blokowy przedstawiający eksperymenty, zadania i kwestionariusze użyteczności AR i witryny dla grup A i B.
Rysunek 1: Eksperymentalny schemat blokowy. Każdy eksperyment trwał ~45 minut, z okresem odpoczynku wynoszącym 10 s między zadaniami. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Testowanie aplikacji rzeczywistości rozszerzonej, użytkownik analizuje informacje o produkcie na telefonie komórkowym w alejce sklepowej.
Rysunek 2: Przykładowa konfiguracja sceny eksperymentalnej. Pokazane są materiały doświadczalne, uczestnik i sprzęt. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reprezentatywne wyniki tego badania obejmują wyniki kwestionariusza użyteczności, analizę danych śledzenia ruchu gałek ocznych, dane w skali NASA-TLX, analizę danych fNIRS oraz dynamiczne zmiany obciążenia poznawczego. W celu uzyskania wyników kwestionariusza użyteczności przeprowadzono analizę danych eyetrackingowych, dane w skali NASA-TLX oraz analizę danych fNIRS, testy normalności i testy różnic. W przypadku dynamicznych zmian obciążenia poznawczego w badaniu wybrano fNIRS i dane śledzenia ruchu gałek ocznych od jedn...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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 ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

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).

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
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

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Augmented Reality UsabilityNeuro Information SystemsUsability EvaluationMobile fNIRSEye Tracking GlassesCognitive LoadUsability QuestionnaireNASA TLX ScaleInformation Search EfficiencyHuman Computer Interaction

Related Articles