Summary
Este documento descreve um método para a realização de experimentos de vários usuários na tomada de decisões e a navegação usando um laboratório de computadores em rede.
Abstract
Investigar as interações entre os vários participantes é um desafio para pesquisadores de várias disciplinas, incluindo as Ciências da decisão e cognição espacial. Com uma rede de área local e plataforma de software dedicado, experimentadores eficientemente podem monitorar o comportamento dos participantes que são simultaneamente imersos em um ambiente de trabalho virtual e digitalizar os dados coletados. Esses recursos permitem desenhos experimentais em pesquisa espacial de navegação e cognição que seria difícil (se não impossível) para realizar no mundo real. Possíveis variações experimentais incluem estresse durante uma evacuação, tarefas de pesquisa cooperativa e competitiva e outros fatores contextuais que podem influenciar o comportamento da multidão emergente. No entanto, tal um laboratório requer manutenção e protocolos rigorosos para coleta de dados em um ambiente controlado. Enquanto a validade externa dos estudos de laboratório com participantes humanos às vezes é questionada, uma série de trabalhos recentes sugere que a correspondência entre ambientes reais e virtuais pode ser suficiente para estudar o comportamento social em termos de trajetórias, hesitações e decisões espaciais. Neste artigo, descrevemos um método para a realização de experiências sobre a tomada de decisões e navegação com até 36 participantes em uma instalação em rede de realidade virtual desktop (i. e., o laboratório de ciência de decisão ou DeSciL). Este protocolo do experimento pode ser adaptado e aplicado por outros pesquisadores, a fim de configurar um laboratório de realidade virtual desktop em rede.
Introduction
Pesquisa sobre cognição espacial e navegação normalmente estuda a tomada de decisão espacial (EG., virando a esquerda ou direita num cruzamento) e representação mental dos indivíduos em ambientes reais e virtuais1,2. As vantagens de realidade virtual (VR) incluem a prevenção de problemas éticos e de segurança (ex., durante uma evacuação perigoso3), a medida automática e análise de dados espaciais4e uma combinação equilibrada de internos e validade externa5,6,7. Por exemplo, Weisberg e colegas estendido pesquisa anterior sobre as diferenças individuais na aquisição de conhecimentos geográficos, demonstrando que tarefas espaciais em VR podem fornecer uma medida comportamental objetiva da capacidade espacial8. Este estudo também sugeriu que o comportamento de navegação em VR aproxima navegação reais, porque o ambiente virtual foi modelado após o campus da Universidade usado por Schinazi e colegas9 (ver também o estudo de Ruddle e colegas 10). VR também foi aplicado para Psicoterapia11, avaliação clínica12, consumidor comportamento13e cirurgia14,15. No entanto, a maioria dos sistemas VR falta feedback proprioceptivo e áudio que pode melhorar a presença e imersão16,17,18,19, requer treinamento com a interface de controle20 ,21,22e falta de pistas sociais. Na verdade, as pessoas no mundo real muitas vezes mover em grupos23, evitar ou seguir outras pessoas3,24e tomar decisões com base no contexto social25,26.
Ao mesmo tempo, pesquisas sobre o comportamento da multidão frequentemente enfoca características emergentes das multidões (por exemplo, formação de lane, congestionamento em gargalos) que são simuladas em um computador ou observadas no mundo real. Por exemplo, Helbing e colegas usaram uma combinação de observações reais e simulações de computador a fim de sugerir melhorias de fluxo de tráfego em uma interseção, separando a entrada e saída com barreiras físicas e colocando um obstáculo na Centro de27. Moussaïd e os colegas usaram um modelo baseado em heurística para estudar situações de alta densidade durante um desastre de multidão28. Essa abordagem sugeriu melhorias para um cenário ambiental para eventos em massa para evitar desastres de multidão. Com o auxílio de um framework open source existentes, a implementação de tais simulações pode ser relativamente fácil. SteerSuite é um framework de código aberto que permite aos usuários simular algoritmos de direção e comportamento de multidão facilmente, fornecendo ferramentas para facilitar, aferição e testes de29. Este quadro pode fornecer o núcleo da lógica de navegação do agente, que é crítico para simulação da multidão bem sucedida. Além disso, Singh e colegas demonstraram uma plataforma única que combina uma variedade de técnicas30de direção. Enquanto pesquisadores podem propor intervenções de projeto usando tais simulações, raramente são validados com participantes humanos em um ambiente controlado. Experimentos controlados são raros na pesquisa da multidão, porque eles podem ser difíceis de organizar e perigoso para os participantes.
VR tem sido empregado para investigar o comportamento social, utilizando ambientes virtuais simples e complexos, com um ou mais agentes artificialmente. No estudo de Bode e colegas31,32, os participantes foram convidados a evacuar um simples ambiente virtual de uma perspectiva de cima para baixo entre os vários agentes e achei que a escolha de saída foi afetada pela motivação e sinalização estática. Apresentando os participantes com um ambiente mais complexo de uma perspectiva de primeira pessoa, a Kinateder e seus colegas descobriram que os participantes eram mais propensos a seguir um único agente artificialmente durante a fuga de um túnel virtual fogo25. Em um ambiente virtual complexo com vários agentes, Drury e seus colegas descobriram que os participantes tendiam a ajudar um agente caído durante uma evacuação quando eles identificados com a multidão de26. Coletivamente, estes achados sugerem que a VR pode ser uma maneira eficaz de suscitar comportamentos sociais, mesmo com agentes artificialmente. No entanto, alguns comportamentos de multidão só podem ser observados quando há um sinal social realista (i. e., quando os participantes estão cientes de que os outros avatares são controlados por pessoas3). Para resolver esta lacuna, o presente protocolo descreve um método para realizar experimentos controlados com vários usuários em uma instalação em rede do VR. Esta abordagem tem sido empregada em um estudo recente por Moussaid e colegas a fim de investigar o comportamento de evacuação de 36 participantes em rede3.
Pesquisa na rede VR centrou-se sobre assuntos não relacionados à navegação estratégias33,34 e/ou baseou-se em plataformas de jogos on-line existentes, como o Second Life. Por exemplo, Molka-Danielsen e Chabada investigaram o comportamento de evacuação em termos de escolha de saída e conhecimento espacial do edifício usando participantes recrutados entre os usuários do Second Life35. Enquanto os autores fornecem alguns resultados descritivos (EG., visualizações de trajetórias), este estudo teve dificuldades com o recrutamento de participantes, controle experimental e generalização para além deste caso específico. Mais recentemente, Normoyle e seus colegas descobriram que os usuários existentes do Second Life e os participantes em um laboratório eram comparáveis em termos de escolha de desempenho e saída de evacuação e diferentes em termos de presença de auto-relato e frustração com o controle interface de36. Os resultados destes dois estudos destacam alguns dos desafios e oportunidades proporcionadas pelo on-line e dos experimentos de laboratório. Estudos on-line são capazes de desenho a partir de uma população muito maior e motivada de potenciais participantes. No entanto, estudos de laboratório permitem controle mais experimental do ambiente físico e potenciais distrações. Além disso, estudos on-line podem representar algumas preocupações éticas em relação a dados anonimato e a confidencialidade.
Como um laboratório VR desktop em rede, o laboratório de ciência de decisão (DeSciL) no ETH Zürich é usado principalmente para o estudo económicas interações estratégicas e de tomada de decisões em um ambiente controlado. A infra-estrutura técnica para a DeSciL consiste em hardware, software para automação de laboratório e software que oferece suporte a multi-user desktop instalação VR. O hardware inclui computadores desktop de alto desempenho com sistema operacional Microsoft Windows Enterprise 10 interfaces de controle (ex., mouse e teclado, joysticks), fones de ouvido e olho trackers (Tabela de materiais). Todos os computadores cliente estão conectados com Ethernet de um gigabit por segundo para a rede da Universidade e o compartilhamento de arquivo de rede mesmo. Não há nenhum atraso visível ou defasagem quando existem 36 clientes conectados. O número de quadros por segundo é consistentemente acima de 100. Os experimentos também são gerenciados e controlados com software de automação de laboratório baseado em Microsoft PowerShell (i.e., configuração de estado desejado do PowerShell e PowerShell Remoting). Todas as etapas relevantes do protocolo são pré-programados com scripts do PowerShell Cmdlets de chamado (ex., computador, Start-Stop-Computer). Durante o experimento, estes scripts podem ser executados remotamente e simultaneamente em todos os computadores cliente. Este tipo de automação de laboratório garante um estado idêntico do cliente computadores, reduz possíveis erros e complexidade durante os testes científicos e impede que os pesquisadores ter que realizar tarefas manuais repetitivas. Para as experiências de navegação, nós usamos o motor de jogo de unidade (< https://unity3d.com/>) a fim de apoiar o desenvolvimento de ambientes 2D e 3D para desktop multiusuário, interativo VR. Os 36 cliente computadores são conectados a um servidor através de uma arquitetura de servidor autoritativo. No início de cada experimento, cada cliente envia uma solicitação de instanciação para o servidor e o servidor responde pela instanciação de um avatar para esse usuário em todas as máquinas conectadas. Avatar de cada usuário tem uma câmera com um campo de visão de 50 graus. Durante todo o experimento, os clientes enviam usuário ' de entrada para o servidor, e o servidor atualiza o movimento de todos os clientes.
No laboratório de física, cada computador está contido em um compartimento separado dentro três quartos semi-independentes (Figura 1). O tamanho total do laboratório é de 170 m2 (150 m2 para o quarto e 20m experimento2 para sala de controle). Cada um destes quartos está equipado com dispositivos de gravação de áudio e vídeo. Experimentos são controlados a partir de uma sala adjacente (i. e., fornecendo instruções e iniciar o programa experimental). Desta sala de controle, os experimentadores também podem observar os participantes em ambientes físicos e virtuais. Juntamente com o departamento de economia na Universidade de Zurique, o DeSciL também mantém o centro de registo de Universidade para os participantes do estudo, que foi implementado com base na raiz h37.
Embora sistemas semelhantes têm sido descritos na literatura38, o DeSciL é o primeiro laboratório funcional que é apropriado para vários usuários desktop VR experiências na navegação e comportamento de multidão para o nosso conhecimento. Aqui, descrevemos o protocolo para a realização de um experimento no DeSciL, presentes resultados representativos de um estudo sobre o comportamento de navegação social e discutem o potencial e as limitações deste sistema.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Todos os métodos descritos aqui foram aprovados pelo Comitê de ética de pesquisa da ETH Zurique como parte da proposta EK 2015-N-37.
1. recruta participantes da sessão Experimental planejada.
- Os participantes dentro de restrições especiais da amostra (ex., idade, sexo, formação escolar) usando o sistema de recrutamento de participantes.
- Envie convites por e-mail aos participantes selecionados aleatoriamente usando as informações de contato fornecidas pelo sistema de recrutamento.
- Espere que estes participantes inscrever-se através do sistema online. Certifique-se que os participantes mais do que necessário (por exemplo., 4 overbooking participantes para uma sessão que requer 36 pessoas) registrar. Os participantes sobrerreservados ajudam a garantir que uma sessão seja viável, em caso de no-shows.
- Certifique-se de que um email de confirmação é enviado para os participantes inscritos automaticamente.
2. prepare a sessão Experimental.
- Prepare o ambiente de laboratório.
- Imprima a lista de participantes do sistema de recrutamento.
- Ligue o servidor e as luzes na sala de controle da DeSciL e organizar as salas de ensaios de acordo com o número necessário de participantes.
- Copiar o executável experimentar o programa e seus arquivos de configuração correspondente na unidade de rede. Este programa executável implanta uma estrutura de software personalizados, baseada no motor de jogo do Unity para apoiar a comunicação cliente-servidor entre diferentes computadores através de uma rede de área local. Para experiências de navegação, o framework fornece um sistema de servidor do pássaro-olho observador para monitoramento de comportamentos do cliente durante o experimento.
- Ambiente do PowerShell Scripting integrada aberto no desktop Windows. No console do PowerShell, especificar uma matriz de nomes de computador (ex., $pool = "descil-w01", "descil-w02"...) para criar um objeto de pool do cliente. Em seguida, digite Start-piscina $pool para iniciar os computadores cliente e Registo-piscina $pool para conectar o servidor nos computadores cliente.
- Prepare os computadores do lado do cliente antes de lançar o programa. Digite Invoke-piscina {monte-NetworkShare $path} para direcionar os computadores para digitar o caminho da pasta certa.
- Executar as funções preparadas no servidor (IE., Iniciar-GameServer) e nos clientes (i. e., Invoke-piscina {Start-GameClient}). Especifica o endereço IP do servidor como parâmetro da função.
- Espere por uma mensagem no monitor do servidor que indica uma conexão bem-sucedida.
- Distribua os formulários de consentimento e canetas em cada cubículo. Os formulários de consentimento contém as informações a respeito do estudo (ex., a finalidade do estudo, potenciais riscos e benefícios do experimento), as informações de contato para o experimentador e um aviso de isenção legal.
- Embaralhe o baralho de cartas que indicam a disposição de assentos dos participantes do assento.
- Boas-vindas aos participantes.
- Peça aos participantes que esperar fora do laboratório. 5 min antes que o funcionário comece a tempo, verificar os documentos de identidade dos participantes para garantir que eles correspondam a lista de participantes inscritos. Ao mesmo tempo, deixe os participantes escolhe uma carta que indica o seu número de assento. Têm os participantes a pé até o cubículo correspondente e aguarde o experimento começar.
- Espere alguns minutos para que os participantes ler e assinar o termo de responsabilidade. Colete estas formas antes de realizar o experimento.
3. realizar o experimento.
- Transmitir as instruções do experimento com o microfone para todos os participantes. Informá-los sobre as regras básicas, incluindo sem comunicação com outros participantes e não electrónicos pessoais permitidas. Peça aos participantes para levantar as mãos, se eles têm alguma dúvida sobre o experimento.
- Começar o experimento apresentando o questionário demográfico (EG., gênero e idade) em cada cliente.
- Implante a cena de treinamento para ensinar os participantes a manobra através do ambiente virtual. Se os participantes têm problemas usando a interface de controle (ex., mouse e teclado), caminhar para seu cubículo, a fim de ajudá-los. Continue monitorando o progresso dos participantes solicitando screenshots de todos os clientes (i. e., digite Get-ScreenShots no console PowerShell) até que todos os participantes terminaram a sessão de treinamento.
- Após a sessão de treinamento, começa a fase de testes do experimento. Observe os comportamentos dos participantes através da interface aérea no computador servidor. Envie mensagens de aviso para os participantes através do programa, se eles estão fazendo algo anormal, clicando no seu avatar. Caso contrário, tente não se meter com os participantes durante o experimento.
- Certifique-se de que há um curto período de espera antes de cada tentativa para carregar a próxima cena e permitindo que os participantes ler as instruções.
4. finalize a experiência.
- Feche o programa servidor e cliente digitando GameClient-Stop e Stop-GameServer no console do PowerShell.
- Peça aos participantes que permaneçam sentados até o número deles chama-se sobre o microfone.
- Extrair a pontuação final dos participantes do arquivo "Score.txt" na pasta do projeto no computador servidor e converter suas pontuações em um pagamento monetário.
- Ligar para os números de cubículo, um de cada vez e conhecer cada participante na recepção. Agradecer aos participantes e dar-lhes o pagamento correspondente.
- Examinar os cubículos e coletar qualquer restante de canetas ou formulários.
- Copiar e salvar os dados do experimento do servidor para um disco externo para análise futura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Para cada cliente em cada tentativa, os dados do experimento do DeSciL normalmente incluem trajetórias, selos de tempo e medidas de desempenho (ex., se o participante virou na direção "correta" em um determinado cruzamento). Um representante estudo investigou os efeitos da complexidade de sinalização sobre a escolha de rota para uma multidão de participantes humanas (com avatares virtuais) em um ambiente virtual simples em forma de Y. Neste experimento, 28 participantes (12 mulheres e 16 homens; média de idade = 22,5) foram dadas no mesmo local do objetivo (i. e., portão número) e foram convidados a escolher a opção rota correspondente no cruzamento usando um mapa (ver Figura 2).
A complexidade do mapa variado de mais de 16 ensaios e a hipótese de que era a hora da decisão e precisão seria mais elevado para os mapas que são mais complexos. Enquanto esperamos a precisão de decisão para ser relativamente elevado, em geral, as trajetórias dos participantes podem ser usadas em futuros experimentos para definir os caminhos pedestres de agentes que transmitem um sinal social realista (i. e., movimentos críveis). O tempo total do experimento era aproximadamente 1h, incluindo boas-vindas aos participantes, conduzindo a sessão de treinamento (para a interface de controle) e teste no corredor em forma de Y. Os dados obtidos estão resumidos na tabela 1.
Figura 3 indica os tempos mínimos e máximos de conclusão para cada julgamento. Estas estatísticas descritivas fornecem uma medida indireta de congestionamento durante o julgamento. Os dados obtidos também permite a visualização trajectórias geradas pela multidão virtual (consulte a Figura 4). Estatísticas espaciais então podem ser usadas para analisar as mudanças nas trajetórias sobre julgamentos. Por exemplo, os pesquisadores podem estar interessados em como os participantes acompanhado de perto um do outro ou como suavemente os participantes manobrar com interfaces de controle específico.
Figura 1: fotografias do laboratório DeSciL. (a) a sala de controle contém o servidor que recebe o tráfego dos computadores 36 cliente e monitora os participantes em seus cubículos. Este quarto pode ser isolado a partir dos quartos testes em termos de som e visão. Comunicação aos participantes é fornecida através do sistema de microfone e alto-falante. (b) as três salas de testes contêm 36 cubículos. (c) cada compartimento contém um computador desktop, um monitor, um mouse e uma interface de teclado, fones de ouvido e um tracker do olho. Clique aqui para ver uma versão maior desta figura.
Figura 2: pontos de vista do ambiente virtual em forma de Y. (a) do servidor, os pesquisadores observam-se os participantes se movendo em direção a interseção. (b) dos clientes, os participantes podem ver os outros avatares de uma perspectiva de primeira pessoa e o ambiente virtual durante o movimento. Clique aqui para ver uma versão maior desta figura.
Figura 3: representante resulta de 16 ensaios experimentais. Os tempos máximos e mínimos são os tempos necessários pelos participantes mais rápidos e mais lento para chegar ao destino em cada tentativa. Clique aqui para ver uma versão maior desta figura.
Figura 4: trajetórias de participantes de 1 (um) experimental e (b) julgamento 16. O x - e y eixos representa os locais dos avatares no meio do multidão. A cor da barra representa tempo decorrido durante o julgamento. Clique aqui para ver uma versão maior desta figura.
| Número de Trial | MapType | Accuracy(%) | Média de tempo/s |
| 1 | Simples | 100 | 42.01 |
| 2 | Complexo | 96,4 | 40.51 |
| 3 | Simples | 100 | 39.15 |
| 4 | Complexo | 100 | 38.66 |
| 5 | Complexo | 100 | 38.52 |
| 6 | Complexo | 100 | 38.87 |
| 7 | Simples | 100 | 38.43 |
| 8 | Complexo | 100 | 38.26 |
| 9 | Simples | 100 | 37,43 |
| 10 | Simples | 100 | 38,44 |
| 11 | Complexo | 100 | 37.08 |
| 12 | Complexo | 100 | 36,8 |
| 13 | Simples | 100 | 37.67 |
| 14 | Complexo | 100 | 36.52 |
| 15 | Simples | 100 | 36.83 |
| 16 | Simples | 100 | 37.88 |
Tabela 1: representante resulta de 16 ensaios experimentais. Decisão de precisão representa a porcentagem de escolhas corretas (i. e., girando em direção ao portão correto) ao longo de todos os participantes. Tempo de decisão é o tempo médio necessário para alcançar o destino (se é correto ou não) ao longo de todos os ensaios.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Neste artigo, descrevemos um laboratório de realidade virtual desktop de vários usuários no qual até 36 participantes podem interagir e navegar simultaneamente por vários ambientes virtuais. O protocolo experimental detalha as etapas necessárias para este tipo de pesquisa e exclusivas para cenários de multi-usuário. Considerações específicas para esses cenários incluem o número de participantes no atendimento, o custo de erros aparentemente pequena experimentador, renderização e networking capacidades (ambos servidor e cliente-lado), com a interface de controle e dados de formação segurança. Sobrelotação participantes é necessária para assegurar um número exacto de participantes em uma sessão experimental. Se assistir a poucos participantes, em seguida, o custo de uma sessão experimental falha é relativamente alto. Da mesma forma, os erros experimentais podem levar a uma sessão falha quando os dados dos participantes foram contaminados antes que o erro foi detectado, ou o experimento não pode ser executado por causa de falhas de software ou hardware. Por exemplo, se o excesso de informações é distribuído através da rede, então um relançamento de todo o sistema pode ser necessário. Isto é especialmente problemático se o experimento já começou. Além disso, os participantes em experiências de navegação virtual exigem experiência e/ou treinamento com a interface de controle porque os controles são menos intuitivos do que real andar21 e a interação com os controles pode interferir com espacial tarefas de memória20. Gerenciamento de dados responsável também se torna especialmente importante dada a grande quantidade de dados obtidos por sessão.
Embora existam muitas oportunidades proporcionadas pelo DeSciL, pelo menos três limitações permanecem. Primeiro, o sistema atual está configurado para até 36 participantes simultâneos. Experimentos na maior multidão virtual podem exigir agentes controlados pelo computador, vestígios de humanos participantes de várias sessões anteriores, ou a capacidade de incluir participantes on-line. Atualizações de hardware em segundo lugar, futuro (ex., para placas de vídeo melhores e melhores processadores) será muito mais caro do que para o sistema tradicional, mono-usuário. Terceiro, multi-usuário de realidade virtual desktop pesquisa ainda não pode ser conduzida com interfaces de controle que são mais semelhantes aos muito curta. Assim, a pesquisa sobre locomoção e as interações físicas entre os participantes é limitado.
Apesar dessas limitações, a DeSciL oferece diversas vantagens sobre os estudos do mundo real, estudos laboratoriais de usuário único e multi-usuário estudos on-line. O software de automação dá os pesquisadores a capacidade de adaptar o protocolo experimental, no que diz respeito a suas necessidades. Comparado aos estudos do mundo real e on-line, o DeSciL permite um controlo mais experimental. Por exemplo, experimentos no DeSciL podem empregam variações sistemáticas do ambiente e proporcionar a observação directa dos participantes nos mundos virtuais e físicos. Comparado com estudos de realidade virtual desktop de usuário único com agentes controlados pelo computador, os participantes podem interagir uns com os outros em tempo real, e o comportamento emergente da multidão virtual é menos dependente do preconceitos do experimentador. Agentes controlados pelo computador em VR muitas vezes dependem de ações com script e não se adaptam aos movimentos dos usuários em tempo real. Em contraste, VR em rede de área de trabalho fornece um contexto mais ecológico no qual afetam avatares controlados por humanos (e são afetados por) os movimentos um do outro. Além disso, esta abordagem pode informar os parâmetros de movimento (EG., andando a velocidade e hesitações) de futuros modelos baseados em agentes na investigação de multidão (ex., para cenários de evacuação39). Em geral, estudos multi-usuário de realidade virtual desktop permitem uma medição mais precisa do comportamento espacial e a detecção de padrões que podem ter sido previamente negligenciado.
Recentemente, a DeSciL tem sido empregado com sucesso em uma série de tomada de decisão de40,41 e navegação estudos3,21. Por exemplo, Moussaid e colegas usaram o multi usuário desktop VR para estudar o efeito do estresse sobre o comportamento da multidão durante uma evacuação3. Neste estudo, a saída "correta" variou de um julgamento para o julgamento, e apenas uma parte dos participantes foram informados da saída correta. Os resultados indicaram que os participantes sob estresse levaram a uma evacuação mais eficiente, mas este achado pode ser imputável à maneira em que as colisões foram implementadas. Além disso, os participantes tenderam a seguir outros avatares sob estresse, sugerindo que um sinal social foi veiculado entre os participantes, apesar da falta de interação física direta. Estes resultados enfatizam as vantagens da VR multi-usuário em comparação com VR de usuário único com agentes controlados pelo computador. Futuros estudos incluem a comparação de dados multi-usuário adquiridos on-line ou em laboratório, variações ambientais mais complexas e a adição de dispositivos periféricos como rastreadores de olho ou dispositivos fisiológicos. Permitirão que esses avanços para a coleção de tipos diferentes de dados comportamentais complexos42. Por exemplo, rastreadores de olho de baixo custo podem ser incorporados a fim de monitorar a atenção dos participantes ou grosseiramente detectar áreas de interesse na tela.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores não têm nada para divulgar.
Acknowledgments
O estudo representativo foi financiado pela Fundação de ciência nacional suíço, como parte do subsídio "Wayfinding em ambientes sociais" (n. º 100014_162428). Queremos agradecer a M. Moussaid para discussões perspicazes. Também queremos agradecer Wilhelm C. F. Thaler, Abdelrahman H., S. Madjiheurem, r. Ingold e r. Grossrieder para o seu trabalho durante o desenvolvimento de software.
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).
