Summary
Cet article décrit une méthode pour mener des expériences sur la prise de décisions et de la navigation à l’aide d’un laboratoire d’informatique en réseau multi-utilisateurs.
Abstract
Étudier les interactions entre les participants multiples est un défi pour les chercheurs de diverses disciplines, y compris les sciences de la décision et la cognition spatiale. Avec un réseau local et la plate-forme logicielle dédiée, expérimentateurs peuvent efficacement contrôler le comportement des participants qui sont en même temps immergé dans un environnement de bureau virtuel et numériser les données collectées. Ces fonctionnalités permettent des conceptions expérimentales dans la recherche de cognition et de la navigation spatiale qui serait difficile (voire impossible) à mener dans le monde réel. Les variations expérimentales possibles y inclure le stress pendant une évacuation d’urgence, tâches de recherche coopérative et compétitive et autres facteurs contextuels qui peuvent influencer le comportement de la foule émergent. Cependant, tel un laboratoire nécessite un entretien rigoureux protocoles pour la collecte de données dans un milieu contrôlé. Si la validité externe des études en laboratoire avec des êtres humains est parfois remis en question, un certain nombre d’études plus récentes donnent à penser que la correspondance entre les environnements réels et virtuels peut être suffisante pour l’étude de comportement social en termes de trajectoires, hésitations et décisions spatiales. Dans cet article, nous décrivons une méthode pour mener des expériences sur la prise de décisions et de la navigation avec jusqu'à 36 participants à un programme d’installation de réalité virtuelle Bureau en réseau (i.e., la décision Science Laboratory ou DeSciL). Ce protocole d’expérimentation peut être adapté et appliqué par d’autres chercheurs afin de mettre en place un laboratoire de réalité virtuelle Bureau en réseau.
Introduction
Recherches sur la cognition spatiale et de la navigation en général étudie la prise de décision spatiale (e.g., tournant à droite ou à gauche à une intersection) et la représentation mentale des individus dans des environnements réels et virtuels1,2. Les avantages de la réalité virtuelle (VR) incluent la prévention des problèmes éthiques et de sécurité (p. ex.., au cours d’une évacuation dangereuses3), la mesure automatique et d’analyse de données spatiales4et une combinaison équilibrée d’internes et validité externe5,6,7. Par exemple, Weisberg et collègues étendue des recherches antérieures sur les différences individuelles dans l’acquisition de connaissances spatiales en démontrant que les missions spatiales en VR peuvent fournir une mesure comportementale objective de capacité spatiale8. Cette étude a également suggéré que le comportement de navigation en VR rapproche de navigation réelle parce que l’environnement virtuel a été modelé après le campus de l’Université utilisé par Schinazi et collègues9 (voir aussi l’étude de Ruddle et collègues 10). VR a également été appliqué à la psychothérapie11, évaluation clinique12, consommation comportement13et chirurgie14,15. Cependant, la plupart des systèmes VR manquent de rétroaction proprioceptive et audio qui peut améliorer la présence et immersion16,17,18,19, besoin d’une formation à l’interface de contrôle de20 ,21,22et manque de repères sociaux. En effet, les gens dans le monde réel se déplacent souvent en groupes23, éviter ou suivez autres personnes3,24et prendre des décisions basées sur le contexte social25,26.
Dans le même temps, recherches sur le comportement de la foule se concernent souvent sur les caractéristiques émergentes des foules (par exemple, la formation de lane, congestion aux goulets d’étranglement) qui sont simulés sur un ordinateur ou observés dans le monde réel. Par exemple, Helbing et collègues ont utilisé une combinaison de réelles observations et simulations informatiques afin de proposer des améliorations à la circulation à une intersection en séparant les apports et les retraits par des barrières physiques et en plaçant un obstacle dans les Centrez le27. Moussaïd et ses collègues utilisé un modèle heuristique basée sur d’étudier des situations à haute densité durant une foule catastrophe28. Cette approche a suggéré des améliorations à un cadre environnemental pour les manifestations de masse afin d’éviter des catastrophes de la foule. À l’aide d’un framework open source existants, la mise en œuvre de ces simulations puisse être relativement facile. SteerSuite est un framework open source qui permet aux utilisateurs de simuler les algorithmes de pilotage et le comportement de la foule facilement en prévoyant des outils facilitant l’analyse comparative et tests29. Ce cadre peut fournir le noyau justification d’un agent de la navigation, qui est essentiel pour la simulation de foules réussie. En outre, Singh et ses collègues ont démontré une plateforme unique qui combine une variété de techniques30de direction. Alors que les chercheurs peuvent proposer des interventions de conception à l’aide de ces simulations, elles sont rarement validées avec des êtres humains dans un milieu contrôlé. Des expériences contrôlées sont rares dans la recherche de la foule parce qu’ils peuvent être difficiles à organiser et dangereux pour les participants.
VR a été utilisée pour étudier le comportement social à l’aide de simples et complexes des environnements virtuels avec un ou plusieurs agents simulés par ordinateur. Dans l’étude de Bode et collègues31,32, les participants ont été invités à évacuer un environnement virtuel simple dans une perspective de haut en bas entre plusieurs agents et constaté que les choix de sortie était affectée par la motivation et de la signalisation statique. Présentant les participants avec un environnement plus complexe d’un point de vue subjectif, Kinateder et collègues ont constaté que les participants étaient plus susceptibles de suivre une monothérapie simulés par ordinateur au cours de l’évasion d’un tunnel virtuel feu25. Dans un environnement virtuel complexe avec plusieurs agents, Drury et ses collègues ont constaté que les participants avaient tendance à aider un agent déchu lors d’une évacuation, quand ils ont identifié avec la foule26. Collectivement, ces résultats suggèrent que les VR peut être un moyen efficace de susciter des comportements sociaux, même avec des agents simulés par ordinateur. Cependant, certains comportements de foule peuvent être observés seulement lorsqu’il y a un signal social réaliste (i.e., lorsque les participants sont conscients que les autres avatars sont contrôlés par les gens3). Afin de combler cette lacune, le présent protocole décrit une méthode pour mener des expériences contrôlées avec plusieurs utilisateurs dans une configuration VR en réseau. Cette approche a travaillé dans une étude récente par Moussaid et ses collègues afin d’enquêter sur le comportement de l’évacuation de 36 participants en réseau3.
Recherche sur VR en réseau a mis l’accent sur des sujets sans rapport avec la navigation stratégies33,34 et/ou s’est appuyé sur des plateformes de jeu en ligne existantes comme Second Life. Par exemple, Molka-Danielsen et Chabada a étudié le comportement d’évacuation en termes de choix de sortie et des connaissances spatiales du bâtiment à l’aide de participants recrutés parmi les utilisateurs actuels de Second Life,35. Alors que les auteurs fournissent quelques résultats descriptifs (e.g., visualisations des trajectoires), cette étude avait des difficultés avec le recrutement de participants, le contrôle expérimental et généralisation au-delà de ce cas précis. Plus récemment, Normoyle et collègues ont découvert que les utilisateurs actuels de Second Life et les participants dans un laboratoire étaient comparables en termes de choix de performance et de la sortie d’évacuation et différents en termes de présence auto-déclarés et frustration avec le contrôle 36de l’interface. Les résultats de ces deux études mettre en évidence certains des défis et des possibilités qu’offre en ligne et les expériences de laboratoire. Études en ligne sont capables de dessin à partir d’une population beaucoup plus grande et motivée des participants potentiels. Cependant, des études en laboratoire permettant de contrôle plus expérimentale de l’environnement physique et les distractions potentielles. En outre, des études en ligne peuvent poser certaines préoccupations éthiques concernant la confidentialité et l’anonymat des données.
Comme un laboratoire VR Bureau en réseau, la décision Science Laboratory (DeSciL) à l’EPF de Zürich est principalement utilisé pour l’étude des interactions économiques décisionnelles et stratégiques dans un environnement contrôlé. L’infrastructure technique de la DeSciL se compose de matériel, logiciels pour l’automatisation de laboratoire et qui prend en charge le Bureau de la multi-user configuration VR. Le matériel comprend des ordinateurs de bureau hautes performances des interfaces de contrôle le système d’exploitation Microsoft Windows 10 Enterprise (e.g., souris et clavier, manettes de jeu), casque et eye trackers (Table des matières). Tous les ordinateurs clients sont connectés avec Ethernet d’un gigabit par seconde pour le réseau de l’Université et le même partage de fichiers réseau. Il n’y a aucun retard visible ou lag lorsqu’il y a 36 clients connectés. Le nombre d’images par seconde est constamment supérieur à 100. Les expériences sont également gérées et contrôlées avec les logiciels d’automatisation de laboratoire basée sur Microsoft PowerShell (c.-à-d., Configuration de l’état désiré PowerShell et PowerShell Remoting). Toutes les mesures pertinentes du protocole sont préprogrammées avec PowerShell scripts appelés applets de commande (par ex.., Start, Stop-ordinateur). Pendant l’expérience, ces scripts peuvent être exécutés simultanément et à distance sur tous les ordinateurs clients. Ce type d’automatisation de laboratoire assure un état identique du client ordinateurs, réduit les erreurs potentielles et complexité au cours des essais scientifiques et chercheurs empêche d’avoir à effectuer des tâches manuelles répétitives. Pour les expériences de navigation, nous utilisons le moteur de jeu Unity (< https://unity3d.com/>) afin de soutenir le développement d’environnements 2D et 3D multi-utilisateurs, interactive Desktop VR. Les ordinateurs 36 clients sont connectés à un serveur via une architecture de serveur faisant autorité. Au début de chaque expérience, chaque client envoie une demande de l’instanciation sur le serveur et le serveur répond en instanciant un avatar pour cet utilisateur sur toutes les machines connectées. Avatar de chaque utilisateur possède un appareil photo avec un champ de vision de 50 degrés. Tout au long de l’expérience, les clients envoient des utilisateur ' entrée sur le serveur, le serveur met à jour les mouvements de tous les clients.
Dans le laboratoire de physique, chaque ordinateur est contenue dans une cabine séparée au sein de trois chambres semi-indépendantes (Figure 1). La taille globale du laboratoire est de 170 m2 (150 m2 pour expérience chambre et 20 m2 pour la salle de contrôle). Chacune de ces chambres est équipée d’appareils d’enregistrement audio et vidéo. Des expériences sont contrôlés par une salle adjacente séparée (i.e., qui fournit des directives et le lancement du programme expérimental). Depuis cette salle de contrôle, les expérimentateurs peuvent également observer les participants dans des environnements physiques et virtuels. Ainsi que le département d’économie à l’Université de Zurich, le DeSciL maintient également le centre d’inscription universitaire pour les Participants à l’étude, qui a été mise en œuvre basée sur la racine h37.
Bien que des systèmes similaires ont été décrits dans la littérature38, le DeSciL est le premier laboratoire fonctionnel qui est approprié pour les expériences VR bureau multi-utilisateur sur la navigation et le comportement de la foule à notre connaissance. Ici, les auteurs décrivent le protocole pour la conduite d’une expérience dans la DeSciL, résultats représentatifs d’une étudient sur le comportement de navigation sociale et discuter du potentiel et des limites de ce système.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Toutes les méthodes décrites ici ont été approuvés par la recherche éthique Comité de l’ETH Zürich, dans le cadre de la proposition EK 2015-N-37.
1. recruter des Participants pour la Session expérimentale prévue.
- L’échantillon de participants au sein de contraintes particulières (p. ex.., âge, sexe, niveau de formation) en utilisant le système de recrutement de participants.
- Envoyer des invitations par email aux participants choisis au hasard à l’aide des coordonnées fournies par le système de recrutement.
- Attendre pour ces participants de s’inscrire via le système en ligne. Assurez-vous que le nombre de participants supérieur requis (e.g., 4 participants en surréservation pour une session qui nécessite 36 personnes) s’inscrire. Surréservé participants aident à veiller à ce qu’une session est viable en cas de non-présentation.
- Veiller à ce qu’un email de confirmation est automatiquement envoyé aux participants inscrits.
2. préparer la Session expérimentale.
- Préparer l’environnement de laboratoire.
- Imprimer la liste des participants du système de recrutement.
- Allumer le serveur et les lumières dans la salle de contrôle de la DeSciL et organiser les chambres essais selon le nombre requis de participants.
- Copie le fichier exécutable expérimenter le programme et ses fichiers de configuration correspondants sur le disque réseau. Ce programme exécutable déploie un cadre logiciel écriture personnalisée basé sur le moteur de jeu de l’unité pour soutenir la communication client-serveur entre différents ordinateurs via un réseau local. Pour des expériences de navigation, le cadre fournit un système de serveur oiseau-oeil observateur pour la surveillance des comportements du client pendant l’expérience.
- Ouvert environnement de script intégré PowerShell sur le bureau Windows. Dans la console PowerShell, spécifiez un tableau de noms d’ordinateur (par exemple., $pool = « descil-w01 », « descil-w02 »...) pour créer un objet de regroupement de client. Ensuite, tapez Start-piscine $pool pour démarrer les ordinateurs clients et Registre-piscine $pool pour vous connecter au serveur sur les ordinateurs clients.
- Préparez les ordinateurs sur le côté client avant de lancer le programme. Tapez Invoke-Pool {Mont-\\partageréseau $path} pour diriger les ordinateurs d’entrer le chemin du bon dossier.
- Exécuter les fonctions préparées sur le serveur (i.e., Start-GameServer) et sur les clients (i.e., Invoke-Pool {Start-GameClient}). Spécifiez l’adresse IP du serveur en tant que paramètre de la fonction.
- Attendez un message sur l’écran du serveur qui indique une connexion réussie.
- Distribuer les formulaires de consentement et stylos dans chaque cabine. Les formulaires de consentement contient les informations relatives à l’étude (p. ex.., le but de l’étude, de potentiels les risques et les avantages de l’expérience), les coordonnées de l’expérimentateur et une limitation de responsabilité.
- Battre les cartes des cartes indiquant la disposition des sièges des participants aux sièges.
- Accueillir les participants.
- Demandez aux participants d’attendre à l’extérieur du laboratoire. 5 min avant la début officiel temps, vérifier les pièces d’identité des participants pour s’assurer qu’ils correspondent à la liste des participants inscrits. Dans le même temps, laisser les participants prendre une carte qui indique le numéro de leur siège. A les participants à pied de la cabine correspondante et attendez que l’expérience de commencer.
- Attendez quelques minutes pour les participants à lire et signer les formulaires de consentement. Recueillir ces formes avant d’effectuer l’expérience.
3. faire l’expérience.
- Diffuser les instructions de l’expérience avec le micro à tous les participants. Les informer des règles de base, y compris aucune communication aux autres participants et pas les appareils électroniques personnels autorisés. Demander aux participants de lever la main s’ils ont des questions au sujet de l’expérience.
- Commencer l’expérience en présentant le questionnaire démographique (p. ex.., sexe et âge) sur chaque client.
- Déployer les lieux de formation pour enseigner aux participants comment manoeuvrer à travers l’environnement virtuel. Si les participants ont du mal à l’aide de l’interface de contrôle (par exemple., la souris et le clavier), marcher en direction de leur cabine afin des pour aider. Conserver suivi des progrès des participants en demandant des captures d’écran de tous les clients (i.e., tapez Get-captures d’écran sur la console PowerShell) jusqu'à ce que tous les participants ont terminé la séance de formation.
- Après la séance d’entraînement, commencer la phase de test de l’expérience. Observer les comportements des participants de l’interface aérienne sur l’ordinateur serveur. Envoyer des messages d’avertissement aux participants par le biais du programme s’ils font quelque chose d’anormal en cliquant sur leur avatar. Dans le cas contraire, essayez de ne pas interférer avec les participants durant l’expérience.
- Veiller à ce qu’il y a une courte période d’attente avant chaque essai de chargement de la scène suivante et permettant aux participants de lire les instructions.
4. finaliser l’expérience.
- Fermez le logiciel client et serveur en tapant Stop-GameClient et Stop-GameServer dans la console PowerShell.
- Demandez aux participants de rester assis jusqu'à ce que leur nombre est appelé sur le microphone.
- Extrait du fichier « Score.txt » dans le dossier du projet sur l’ordinateur serveur de notes finales des participants et de convertir leurs scores en un paiement monétaire.
- Appeler les numéros de cabine un à la fois et répondre à chaque participant à la réception. Remercier les participants et leur donner le paiement correspondant.
- Examiner les cabines et recueillir les stylos ou les formes.
- Copier et enregistrer les données de test du serveur sur un disque externe pour des analyses.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Pour chaque client de chaque essai, les données de l’expérience de le DeSciL incluent généralement des trajectoires, l’horodatage et mesures de rendement (p. ex.., si le participant a tourné dans le sens « correct » à une intersection en particulier). Une étude représentative a étudié les effets de la complexité de la signalisation sur le choix de l’itinéraire pour une foule de participants humains (avec des avatars virtuels) dans un environnement virtuel simple en forme de Y. Dans cette expérience, 28 participants (12 femmes et 16 hommes ; âge moyen = 22,5) ont été donnés au même endroit de l’objectif (i.e., porte le numéro) et ont été invités à choisir l’option d’itinéraire correspondant à l’intersection à l’aide d’une carte (voir la Figure 2).
La complexité de la carte varie de plus de 16 essais et l’hypothèse était que le temps de décision et précision serait plus élevée pour les cartes qui sont plus complexes. Alors que nous attendons l’exactitude de la décision d’être relativement élevée dans l’ensemble, les trajectoires des participants peuvent être utilisés dans des expériences futures pour définir les sentiers de randonnée des agents qui transmettent un signal social réaliste (i.e., mouvements crédibles). Le temps de l’expérience totale était environ 1 h, y compris l’allocution de bienvenue, tenue de la session de formation (pour l’interface de contrôle) et les essais dans le couloir en forme de Y. Les données obtenues sont résumées dans le tableau 1.
La figure 3 indique les temps de réalisation minimum et maximum pour chaque essai. Ces statistiques descriptives fournissent une mesure indirecte de la congestion au cours du procès. Les données obtenues permettant également la visualisation des trajectoires générées par la foule virtuelle (voir Figure 4). Statistiques spatiales permet ensuite d’analyser les changements dans les trajectoires au cours des essais. Par exemple, les chercheurs peuvent intéresser à comment les participants a suivi de près l’autre ou comment en douceur les participants manœuvrer avec les interfaces de contrôle particulier.
Figure 1 : photographies du laboratoire DeSciL. la salle de contrôle contient le serveur qui reçoit le trafic sur les ordinateurs 36 client et surveille les participants dans leurs cabines. Cette chambre peut être isolée depuis les salles de tests en ce qui concerne le son et la vision. Communication aux participants est assurée par le système de microphone et le haut-parleur. (b) les trois salles de tests contient 36 cabines. (c) chaque cabine contient un ordinateur de bureau, un moniteur, une souris et une interface clavier, casque et un traqueur d’oeil. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 2 : vue de l’environnement virtuel en forme de Y. a partir du serveur, les chercheurs peuvent observer les participants vers l’intersection. (b) des clients, les participants peuvent Découvre l’environnement virtuel et autres avatars du point de vue première personne durant le mouvement. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 3 : représentant résulte d’essais expérimentaux 16. Les temps minimum et maximum sont les moments dont ont besoin les participants plus rapide et le plus lents pour atteindre la destination de chaque essai. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 4 : trajectoires des Participants de 1 (un) du procès et (b) du procès 16. Les axes x et y représentent les emplacements des avatars dans la foule. La couleur représente temps écoulé au cours du procès. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
| Numéro de l’essai | Correspondance | Accuracy(%) | Temps moyen/s |
| 1 | Simple | 100 | 42.01 |
| 2 | Complexe | 96,4 | 40,51 |
| 3 | Simple | 100 | 39,15 |
| 4 | Complexe | 100 | 38,66 |
| 5 | Complexe | 100 | 38,52 |
| 6 | Complexe | 100 | 38,87 |
| 7 | Simple | 100 | 38,43 |
| 8 | Complexe | 100 | 38,26 |
| 9 | Simple | 100 | 37,43 |
| 10 | Simple | 100 | 38,44 |
| 11 | Complexe | 100 | 37.08 |
| 12 | Complexe | 100 | 36,8 |
| 13 | Simple | 100 | 37,67 |
| 14 | Complexe | 100 | 36,52 |
| 15 | Simple | 100 | 36,83 |
| 16 | Simple | 100 | 37,88 |
Tableau 1 : représentant résulte d’essais expérimentaux 16. Décision précision représente le pourcentage de bons choix (i.e., tournant vers la porte correcte) sur tous les participants. Moyenne des temps de décision est le temps moyen requis pour atteindre la destination (si correct ou non) sur tous les essais.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Dans cet article, nous avons décrit un laboratoire de réalité virtuelle bureau multi-utilisateurs dans lequel jusqu'à 36 participants peuvent interagir et naviguer simultanément dans divers environnements virtuels. Le protocole expérimental détaille les étapes nécessaires pour ce type de recherche et uniques aux utilisateurs multiples scénarios. Considérations spécifiques à ces scénarios incluent le nombre de participants présents, le coût des erreurs de l’expérimentateur apparemment faible, rendu et de réseautage (les deux serveur et client-côté), des capacités de formation avec l’interface de contrôle et les données sécurité. Surréservation participants est nécessaire afin d’assurer un nombre précis de participants à une session expérimentale. Si trop peu de participants y assister, alors que le coût d’une séance expérimentale ayant échoué est relativement élevé. De même, les erreurs expérimentales peuvent conduire à une session ayant échouée lorsque les données ou l’autre des participants étaient contaminées avant que l’erreur a été détectée, ou l’expérience ne peut être réalisée en raison de pannes de matériel ou logiciel. Par exemple, si trop d’information est distribuée à travers le réseau, puis une relance de l’ensemble du système peut être nécessaire. C’est particulièrement problématique si l’expérience a déjà commencé. En outre, les participants à des expériences de navigation virtuelle nécessitent expérience et/ou une formation avec l’interface de contrôle parce que les contrôles sont moins intuitifs que réelle marche21 et l’interaction avec les contrôles peut interférer avec l’espace tâches de mémoire20. Gestion des données responsable devient également particulièrement importante étant donné la grande quantité de données obtenues par session.
Bien qu’il existe des nombreuses possibilités offertes par la DeSciL, au moins trois limites demeurent. Tout d’abord, le système actuel est configuré pour les 36 participants simultanés. Expériences sur les grandes foules virtuel qui peuvent exiger des agents contrôlé par ordinateur, traces des participants humains lors de plusieurs sessions antérieures, ou la capacité d’inclure des participants en ligne. Mises à niveau matérielles Deuxièmement, futurs (p. ex.., pour les meilleures cartes graphiques et processeurs mieux) sera beaucoup plus cher que pour le système traditionnel, mono-utilisateur. Troisième, recherche de réalité virtuelle bureau multi-utilisateurs n’a encore ne peut être réalisée avec des interfaces de contrôle qui sont plus proches de véritable marche. Ainsi, la recherche sur la locomotion et les interactions physiques entre les participants est limité.
Malgré ces limites, le DeSciL offre plusieurs avantages sur réels des études, des études en laboratoire mono-utilisateur et multi-utilisateurs d’études en ligne. L’automatisation du logiciel donne les chercheurs ont la capacité d’adapter le protocole expérimental à l’égard de leurs besoins. Par rapport aux études réels et en ligne, le DeSciL permet de contrôler plus expérimentale. Par exemple, expériences dans la DeSciL peuvent employer des variations systématiques de l’environnement et fournissent une observation directe des participants dans les mondes virtuels et physiques. Par rapport aux études de réalité virtuelle bureau mono-utilisateur avec agents contrôlé par ordinateur, les participants peuvent interagir entre eux en temps réel, et le comportement émergent de la foule virtuelle est moins tributaire des idées préconçues de l’expérimentateur. Commandé par ordinateur des agents en VR souvent s’appuient sur des actions scriptées et ne s’adaptent pas aux mouvements de l’utilisateur en temps réel. En revanche, VR de bureau en réseau propose un contexte plus écologique qui affectent les avatars contrôlés par l’homme (et sont affectés par) les mouvements de l’autre. En outre, cette approche peut informer les paramètres du mouvement (e.g., marche vitesse et hésitations) des futurs modèles multi-agents dans la recherche de la foule (e.g., pour l’évacuation des scénarios39). En général, les études de réalité virtuelle bureau multi-utilisateurs permettent pour une mesure plus précise du comportement spatial et la détection des modèles qui peuvent ont été précédemment négligé.
Récemment, le DeSciL a été utilisée avec succès dans une série de prise de décision40,41 et navigation études3,21. Par exemple, Moussaid et collègues utilisé la configuration multi-utilisateur du VR bureau afin d’étudier l’effet du stress sur le comportement de la foule au cours d’une évacuation3. Dans cette étude, la sortie « correcte » varie d’un procès à un procès, et qu’une partie des participants ont été informés de la sortie correcte. Les résultats indiquent que les participants sous stress conduit à une évacuation plus efficace, mais cette constatation peut s’explique par la manière dont les collisions ont été mis en oeuvre. En outre, les participants avaient tendance à suivre les autres avatars sous stress, suggérant qu’un signal social a été transmis parmi les participants malgré l’absence d’interaction physique directe. Ces résultats mettent en évidence les avantages de VR multi-utilisateurs par rapport à utilisateur unique VR avec agents contrôlé par ordinateur. Les études à venir comprendront la comparaison des données multi-utilisateur acquises soit en ligne ou dans le laboratoire, des variations environnementales plus complexes et l’ajout de périphériques comme les suiveurs oculaires ou dispositifs physiologiques. De telles avancées permettra la collecte de différents types de données comportementales complexe42. Par exemple, trackers oeil faible coût peuvent être incorporés afin de surveiller l’attention des participants ou détecter grossièrement les zones d’intérêt sur l’écran.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n’ont rien à divulguer.
Acknowledgments
L’étude représentative a été financé par le FNS dans le cadre de la subvention « Orientation dans des environnements sociaux » (n° 100014_162428). Nous tenons à remercier M. Moussaid pour discussions perspicaces. Nous voulons aussi remercier C. Wilhelm, F. Thaler, H. Abdelrahman, S. Madjiheurem, A. Ingold et A. Grossrieder pour leur travail au cours du développement de logiciels.
Materials
| Name | Company | Catalog Number | Comments |
| PC | Lenovo | IdeaCentre AIO 700 | 24’’ screen, 16 GB RAM, and SSDs. CPU: Intel core i7. GPU:NVidia GeForce GTX 950A |
| Keyboard | Lenovo | LXH-EKB-10YA | |
| Mouse | Lenovo | SM-8825 | |
| Eye tracker | Tobii Technology | Tobii EyeX | Data rate: 60 Hz. Tracking screen size: Up to 27″ |
| Communication audio system | Biamp Systems | Networked paging station - 1 | Ethernet:100BaseTX |
References
- Waller, D., Nadel, L. Handbook of Spatial Cognition. , American Psychological Association. Washington D.C. (2013).
- Denis, M. Space and Spatial Cognition: A Multidisciplinary Perspective. , Routledge. Abingdon, Oxon. (2017).
- Moussaïd, M., Kapadia, M., Thrash, T., Sumner, R. W., Gross, M., Helbing, D., Hölscher, C. Crowd behaviour during high-stress evacuations in an immersive virtual environment. Journal of the Royal Society Interface. 13 (122), 20160414 (2016).
- Grübel, J., Weibel, R., Jiang, M. H., Hölscher, C., Hackman, D. A., Schinazi, V. R. EVE: A Framework for Experiments in Virtual Environments. Spatial Cognition X: Lecture Notes in Artificial Intelligence. , 159-176 (2017).
- Loomis, J. M., Blascovich, J. J., Beall, A. C. Immersive virtual environment technology as a basic research tool in psychology. Behavior Research Methods, Instruments, & Computers. 31 (4), 557-564 (1999).
- Brooks, F. P. What's Real About Virtual Reality? Proceedings IEEE Virtual Reality. , Cat. No. 99CB36316 (1999).
- Moorthy, K., Munz, Y., Jiwanji, M., Bann, S., Chang, A., Darzi, A. Validity and reliability of a virtual reality upper gastrointestinal simulator and cross validation using structured assessment of individual performance with video playback. Surgical Endoscopy and Other Interventional Techniques. 18 (2), 328-333 (2004).
- Weisberg, S. M., Schinazi, V. R., Newcombe, N. S., Shipley, T. F., Epstein, R. A. Variations in cognitive maps: Understanding individual differences in navigation. Journal of Experimental Psychology: Learning Memory and Cognition. 40 (3), 669-682 (2014).
- Schinazi, V. R., Nardi, D., Newcombe, N. S., Shipley, T. F., Epstein, R. A. Hippocampal size predicts rapid learning of a cognitive map in humans. Hippocampus. 23 (6), 515-528 (2013).
- Ruddle, R. A., Payne, S. J., Jones, D. M. Navigating Large-Scale "Desk- Top" Virtual Buildings: Effects of orientation aids and familiarity. Presence. 7 (2), 179-192 (1998).
- Riva, G. Virtual Reality in Psychotherapy: Review. CyberPsychology & Behavior. 8 (3), 220-230 (2005).
- Ruse, S. A., et al. Development of a Virtual Reality Assessment of Everyday Living Skills. Journal of Visualized Experiments. (86), 1-8 (2014).
- Ploydanai, K., van den Puttelaar, J., van Herpen, E., van Trijp, H. Using a Virtual Store As a Research Tool to Investigate Consumer In-store Behavior. Journal of Visualized Experiments. (125), 1-15 (2017).
- Satava, R. M. Virtual reality surgical simulator - The first steps. Surgical Endoscopy. 7 (3), 203-205 (1993).
- Stanney, K. M., Hale, K. S. Handbook of virtual environments: Design, implementation, and applications. , CRC Press. 811-834 (2014).
- Ryu, J., Kim, G. J. Using a vibro-tactile display for enhanced collision perception and presence. Proceedings of the ACM symposium on Virtual reality software and technology VRST 04. , 89 (2004).
- Louison, C., Ferlay, F., Mestre, D. R. Spatialized vibrotactile feedback contributes to goal-directed movements in cluttered virtual environments. 2017 IEEE Symposium on 3D User Interfaces (3DUI). , 99-102 (2017).
- Knierim, P., et al. Tactile Drones - Providing Immersive Tactile Feedback in Virtual Reality through Quadcopters. Proceedings of the 2017 CHI Conference Extended Abstracts on Human Factors in Computing Systems - CHI EA '17. , 433-436 (2017).
- Serafin, S., Nordahl, R., De Götzen, A., Erkut, C., Geronazzo, M., Avanzini, F. Sonic interaction in virtual environments. 2015 IEEE 2nd VR Workshop on Sonic Interactions for Virtual Environments (SIVE). , 1-2 (2015).
- Grübel, J., Thrash, T., Hölscher, C., Schinazi, V. R. Evaluation of a conceptual framework for predicting navigation performance in virtual reality. PLoS One. 12 (9), (2017).
- Thrash, T., Kapadia, M., Moussaid, M., Wilhelm, C., Helbing, D., Sumner, R. W., Hölscher, C. Evaluation of control interfaces for desktop virtual environments. Presence. 24 (4), (2015).
- Ruddle, R. A., Volkova, E., Bülthoff, H. H. Learning to walk in virtual reality. ACM Transactions on Applied Perception. 10 (2), 1-17 (2013).
- Moussaïd, M., Perozo, N., Garnier, S., Helbing, D., Theraulaz, G. The walking behaviour of pedestrian social groups and its Impact on crowd dynamics. PLoS One. 5 (4), e10047 (2010).
- Bode, N. W. F., Franks, D. W., Wood, A. J., Piercy, J. J. B., Croft, D. P., Codling, E. A. Distinguishing Social from Nonsocial Navigation in Moving Animal Groups. The American Naturalist. 179 (5), 621-632 (2012).
- Kinateder, M., et al. Social influence on route choice in a virtual reality tunnel fire. Transportation Research Part F: Traffic Psychology and Behaviour. 26, 116-125 (2014).
- Drury, J., et al. Cooperation versus competition in a mass emergency evacuation: A new laboratory simulation and a new theoretical model. Behavior Research Methods. 41 (3), 957-970 (2009).
- Helbing, D., Buzna, L., Johansson, A., Werner, T. Self-Organized Pedestrian Crowd Dynamics: Experiments, Simulations, and Design Solutions. Transportation Science. 39 (1), 1-24 (2005).
- Moussaïd, M., Helbing, D., Theraulaz, G. How simple rules determine pedestrian behavior and crowd disasters. Proceedings of the National Academy of Sciences of the United States of America. 108 (17), 6884-6888 (2011).
- Singh, S., Kapadia, M., Faloutsos, P., Reinman, G. An open framework for developing, evaluating, and sharing steering algorithms. International Workshop on Motion in Games. , Springer. Berlin, Heidelberg. 158-169 (2009).
- Singh, S., Kapadia, M., Hewlett, B., Reinman, G., Faloutsos, P. A modular framework for adaptive agent-based steering. Symposium on Interactive 3D Graphics and Games. , ACM. (2011).
- Bode, N., Codling, E. Human exit route choice in virtual crowd evacuations. Animal Behaviour. 86, 347-358 (2013).
- Bode, N. W. F., Kemloh Wagoum, A. U., Codling, E. A. Human responses to multiple sources of directional information in virtual crowd evacuations. Journal of the Royal Society Interface. 11 (91), 20130904 (2014).
- Pandzic, I. S., Capin, T., Lee, E., Thalmann, N. M., Thalmann, D. A flexible architecture for virtual humans in networked collaborative virtual environments. Computer Graphics Forum. 16, Blackwell Publishers Ltd. (1997).
- Joslin, C., Pandzic, I. S., Thalmann, N. M. Trends in networked collaborative virtual environments. Computer Communications. 26 (5), 430-437 (2003).
- Molka-Danielsen, J., Chabada, M. Application of the 3D multi user virtual environment of Second Life to emergency evacuation simulation. System Sciences (HICSS), 2010 43rd Hawaii International Conference. , IEEE. 1-9 (2010).
- Normoyle, A., Drake, J., Safonova, A. Egress online: Towards leveraging massively, multiplayer environments for evacuation studies. , Tech Reports No MS-CIS-12-15 (2012).
- Bock, O., Baetge, I., Nicklisch, A. hroot: Hamburg registration and organization online tool. European Economic Review. 71, 117-120 (2014).
- Tanvir Ahmed, D., Shirmohammadi, S., Oliveira, J., Bonney, J. Supporting large-scale networked virtual environments. Virtual Environments, Human-Computer Interfaces and Measurement Systems, 2007. IEEE Symposium. , 150-154 (2007).
- Cipresso, P., Bessi, A., Colombo, D., Pedroli, E., Riva, G. Computational psychometrics for modeling system dynamics during stressful disasters. Frontiers in Psychology. 8, 1-6 (2017).
- Bernold, E., Gsottbauer, E., Ackermann, K., Murphy, R. Social framing and cooperation: The roles and interaction of preferences and beliefs. , 1-26 (2015).
- Balietti, S., Goldstone, R. L., Helbing, D. Peer review and competition in the Art Exhibition Game. Proceedings of the National Academy of Sciences of the United States of America. 113 (30), 8414-8419 (2016).
- Gomez-Marin, A., Paton, J. J., Kampff, A. R., Costa, R. M., Mainen, Z. F. Big behavioral data: Psychology, ethology and the foundations of neuroscience. Nature Neuroscience. 17 (11), 1455-1462 (2014).
