Summary
Bu kağıt üzerinde karar verme ve bir ağa bağlı bilgisayar laboratuvarı kullanarak gezinti çok kullanıcılı deneyler için bir yöntem açıklanır.
Abstract
Birden fazla katılımcı arasındaki etkileşimler araştıran karar Bilimleri ve mekansal biliş de dahil olmak üzere çeşitli disiplinlerden araştırmacılar için bir mücadeledir. Bir yerel alan ağı ve özel yazılım platformu ile Denemecileri verimli bir şekilde aynı anda bir Masaüstü sanal ortamda daldırılır katılımcılar davranışını izlemek ve toplanan veriler digitalize. Zor (imkansız) olurdu mekansal biliş ve gezinti araştırma deneysel tasarımlar için bu özellikleri sağlamak gerçek dünyada yapmak için. Olası deneysel değişimler stres bir tahliye, kooperatif ve rekabetçi arama görevleri ve acil kalabalık davranışını etkileyebilir diğer bağlamsal faktörler sırasında içerir. Ancak, böyle bir laboratuvar kontrollü bir ortamda veri toplama için bakım ve sıkı protokoller gerektirir. Laboratuar çalışmaları insan katılımcı ile dış geçerliliğini bazen sorguladı iken, gerçek ve sanal ortamlar arasındaki ilişkiyi açısından sosyal davranış eğitimi için yeterli olabilir son makaleler bir dizi tavsiye ederim yörüngeler, tereddütleri ve kayma kararlar. Bu makalede, biz karar verme ve bir ağa bağlı Masaüstü sanal gerçeklik kurulumunda ilâ 36 katılımcılar ile navigasyon üzerinde deneyler için bir yöntem tarif (i.e., karar bilim laboratuvarı veya DeSciL). Bu deney Protokolü uyarlanmış ve bir ağa bağlı Masaüstü sanal gerçeklik Laboratuvarı ayarlamak için araştırmacılar tarafından uygulanır.
Introduction
Mekansal biliş ve gezinti araştırma genellikle kayma karar verme çalışmaları (Örn., bir kavşakta sola ya da sağa dönerek) ve gerçek ve sanal ortamlar1,2bireylerin zihinsel temsil. Sanal gerçeklik (VR) avantajları önlenmesi, etik ve güvenlik sorunları içerir (Örn., tehlikeli tahliye3sırasında), otomatik ölçüm ve analiz uzamsal veri4ve dengeli birleşiminden oluşan iç ve Dış geçerlilik5,6,7. Örneğin, Weisberg ve arkadaşları VR kayma görevleri objektif bir davranış ölçü uzamsal yetenek8sağlayabilir göstererek mekansal bilgi edinme bireysel farklılıklar önceki araştırma genişletilmiş. Bu çalışmada ayrıca sanal ortama Schinazi ve meslektaşları9 tarafından kullanılan Üniversitesi Kampüsü model alınarak çünkü VR gezinti davranışlara gerçek navigasyon yaklasik önerdi (Ayrıca Ruddle ve meslektaşları çalışma bkz: 10). VR Ayrıca psikoterapi11, klinik değerlendirme12, tüketici davranışı13ve cerrahi14,15uygulanmış. Ancak, çoğu VR Sistemleri varlığı artırabilir amac ve ses geribildirim eksikliği ve daldırma16,17,18,19, kontrol arayüzü20 ile eğitim gerektirir ,21,22ve -sizlik çekmek-sosyal yardımlar. Gerçekten de, insanların gerçek dünyada kez grupları23' te, hareket önlemek ya da diğer insanlar3,24izleyin ve sosyal bağlam25,26tarihinde dayalı kararlar.
Aynı zamanda, araştırma kalabalık davranışı üzerinde kez acil özellikleri (Örneğin, lane oluşumu, performans sorunlarını, tıkanıklık) bir bilgisayarda simülasyonu veya gerçek dünyada gözlenen kalabalık üzerinde duruluyor. Örneğin, Helbing ve arkadaşları kullanılan gerçek gözlemler ve bilgisayar simülasyonları giriş ve çıkış ile fiziksel engeller ayıran ve bir engel yerleştirerek bir kavşak trafik akışında iyileştirmeler önermek için 27ortalayın. Moussaïd ve arkadaşları bir sezgisel tarama tabanlı modeli yüksek yoğunluklu durumlar sırasında kalabalık felaket28çalışırdım. Bu yaklaşım geliştirmeleri kitle olayları için çevre ayarı için kalabalık felaketler önlemek için önerdi. Varolan bir açık kaynak çerçeve yardımıyla, bu tür simülasyonlar uygulanması daha kolay olabilir. SteerSuite bırakmak kullanıcı-direksiyon algoritmaları ve kalabalık davranış kolayca kolaylaştırılması, kıyaslama ve29test araçları sağlayarak benzetimi yapmak bir açık kaynak altyapısıdır. Bu çerçevede başarılı kalabalık simülasyon için kritik bir aracının navigasyon mantığı özünü sağlayabilir. Buna ek olarak, Singh ve meslektaşları teknikleri30direksiyon çeşitli birleştiren tek bir platform gösterdi. Araştırmacılar bu tür simülasyonlar kullanarak tasarım müdahaleler önerebilirsiniz iken, onlar nadiren kontrollü bir ortamda insan katılımcı ile doğrulanır. Onlar düzenlemek zor ve katılımcılar için tehlikeli olabilir çünkü kontrollü deneyler kalabalık araştırmada nadirdir.
VR sosyal davranış bir veya daha fazla bilgisayar benzetimi aracıları ile basit ve karmaşık sanal ortamlar kullanarak araştırmak için istihdam edilmiştir. Bode ve meslektaşları31,32çalışmada katılımcıların bir tepeden açısından çeşitli ajanlar arasında basit bir sanal ortam tahliye ve çıkış seçim statik tabela ve motivasyon etkilenen bulundu istendi. Katılımcılar ile bir birinci şahıs bakış açısından daha karmaşık bir ortam sunan, Kinateder ve meslektaşları katılımcıların daha fazla bir sanal tünel yangın25dan kaçış sırasında tek bir bilgisayar benzetimi Ajan izleyin olasılığı bulundu. Birden çok ajanlar ile karmaşık sanal ortamda, Drury ve meslektaşları katılımcılar kalabalık26ile tanımlanan bir tahliye esnasında düşmüş bir ajan yardımcı eğilimi bulundu. Toplu olarak, bu bulgular VR sosyal davranışlar, hatta bilgisayar benzetimi ajanlarla alabilme etkili bir yolu olabilir öneririz. Gerçekçi bir sosyal sinyal olduğunda ancak, bazı kalabalık davranışları sadece gözlenen (i.e., katılımcılar diğer avatarları insanların3tarafından kontrol edilen farkında olduğunda). Bu eksiklikleri gidermek için ağa bağlı bir VR kurulum birden çok kullanıcıyla iletken kontrollü deneyler için bir yöntem mevcut protokolünü açıklar. Bu yaklaşım içinde yapılan bir çalışmada Moussaid ve meslektaşları tarafından 36 ağa bağlı katılımcılar3tahliye davranışını araştırmak için istihdam edilmiştir.
Ağa bağlı VR üzerinde araştırma için gezinti stratejileri33,34 ilgisi olmayan ve/veya varolan online oyun platformları Second Life gibi dayanıyordu konularda odaklanmıştır. Örneğin, Molka-Danielsen ve Chabada tahliye davranış çıkış seçim ve Second Life35varolan kullanıcıları arasında işe katılımcılar kullanarak binanın kayma bilgi açısından araştırıldı. Yazarlar bazı açıklayıcı sonuçlar sunarken (e.g., görsel yörüngeleri ayak), bu çalışmada katılımcı işe alım, deneysel kontrol ve bu özel durumda ötesinde bir genelleme ile zorluklar vardı. Daha yakın zamanlarda, Normoyle ve meslektaşları Second Life ve katılımcıların bir laboratuvar varolan kullanıcıları tahliye performans ve çıkış seçim açısından karşılaştırılabilir ve kendi kendine bildirilen varlığı ve denetimi ile hayal kırıklığı açısından farklı bulundu 36arabirim. Bu iki çalışmalar bulgular bazı zorluklar ve fırsatlar online tarafından tanınan vurgulamak ve laboratuvar deneyleri. Online çalışmalar bir popülasyondan çok daha büyük ve motive potansiyel katılımcı çizim yeteneğine sahiptirler. Ancak, laboratuar çalışmaları fiziksel ortam ve potansiyel dikkat dağıtıcı daha deneysel kontrol için izin verir. Ayrıca, online çalışmalar veri gizli ve gizlilik ile ilgili bazı Etik kaygılar oluşturabilecek.
Ağa bağlı bir masaüstü VR laboratuvar, ETH Zürih karar bilim laboratuvarı (DeSciL) Öncelikle ekonomik karar verme ve stratejik etkileşimleri kontrollü bir ortamda incelemek için kullanılır. DeSciL, teknik altyapı donanım, yazılım laboratuvar otomasyon için ve çok kullanıcılı masaüstü VR Kur destekleyen bir yazılım oluşur. Donanım yüksek performanslı masaüstü bilgisayarlarda Microsoft Windows 10 Enterprise işletim sistemi, denetim arabirimleri içerir (Örn., fare ve klavye, oyun çubukları), kulaklık ve göz izci (Malzemeler tablo). Tüm istemci bilgisayarlar üniversite ağına ve aynı ağ dosya paylaşımı için saniye başına bir gigabit Ethernet ile bağlıdır. 36 istemcileri bağlı olduğunda hiçbir görünür gecikme veya gecikme olduğunu. Saniyedeki kare sayısı sürekli olarak 100'dür. Deneyler ayrıca yönetilen ve laboratuvar Otomasyon yazılım tabanlı Microsoft PowerShell (yani, PowerShell istenen durum yapılandırmasını ve PowerShell uzaktan erişim) ile kontrollü. Cmdlet adı PowerShell komut dosyaları ile iletişim kuralının tüm ilgili adımları önceden (Örn., bilgisayarı Başlat, durdur-bilgisayar). Deneme sırasında bu komut dosyaları aynı anda ve uzaktan tüm istemci bilgisayarlarda çalıştırılabilir. Bu tür bir laboratuvar Otomasyon özdeş bir devlet istemci bilgisayarlar sağlar, bilimsel test sırasında olası hataları ve karmaşıklığı azaltır ve araştırmacılar yinelenen el ile görevleri gerçekleştirmek zorunda kalmaz. Gezinti deneyler için kullandığımız birlik oyun motoru (< https://unity3d.com/>) 2D ve 3D ortamlar gelişimi için çok kullanıcılı, etkileşimli masaüstü VR desteklemek için. 36 istemci bilgisayarlar bir yetkili sunucu mimarisi üzerinden bir sunucuya bağlanır. Her denemenin başlangıcında her istemci bir örnekleme isteği sunucuya gönderir ve tüm bağlı makineleri bu kullanıcı için bir avatar başlatmasını tarafından sunucu yanıt verir. Her bir kullanıcının avatar bir kamera ile bir 50 derece görüş alanı vardır. Deney boyunca istemcilerin Kullanıcı Gönder ' sunucu, giriş ve sunucu istemcilerin tümünü hareketi güncelleştirir.
Fiziksel laboratuvarda her bilgisayarın ayrı bir odacık üç yarı bağımsız Odalar (Şekil 1) içinde yer almaktadır. Genel Laboratuvar 170 m2 (150 m2 deney Oda ve 20 m2 için kontrol odası) boyutudur. Bu odaların ses ve video kayıt cihazları ile donatılmıştır. Deneyler farklı bir bitişik odada kontrol edilir (i.e., talimatları sağlayarak ve deneysel program başlatma). Bu kontrol odasından Denemecileri de fiziksel ve sanal ortamlar katılımcılar gözlemleyebilirsiniz. İktisat Bölümü ile birlikte, Zürih Üniversitesi, DeSciL aynı zamanda çalışma hangi uygulanan h-kök37tarihinde göre katılımcılar için üniversite kayıt merkezi tutar.
Her ne kadar benzer sistemleri içinde edebiyat38tarif var, DeSciL gezinti ve kalabalık davranış bizim bilgi için çok kullanıcılı masaüstü VR deneyleri için uygun olan ilk fonksiyonel laboratuvardır. Burada, biz DeSciL içinde bir deney için protokol tanımlamak, bir mevcut temsilcisi sonuç sosyal gezinme davranışı üzerinde çalışma ve potansiyeli ve bu sisteminin sınırlamaları tartışmak.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tüm yöntem tanımlamak burada Araştırma Etik Komitesi ETH Zürih EK 2015-N-37 öneri bir parçası olarak tarafından onaylanmıştır.
1. katılımcılar planlı deneysel oturum için recruit.
- Katılımcıların belirli kısıtlamalar içerisinde örnek (Örn., yaş, cinsiyet, eğitim arka plan) katılımcı işe alım sistemi kullanarak.
- Davetiyeler işe alım sistemi tarafından sağlanan iletişim bilgileri kullanarak rasgele seçilen katılımcılara e-posta ile gönderme.
- Online sistemi ile kayıt bu katılımcılar için bekleyin. Daha daha fazla katılımcı gerekli emin olun (Örn., 4 36 kişi gerektirir bir oturum için katılımcılar ayrılmasını) kayıt. Overbooked katılımcılar bir oturum kullanılmaması durumunda uygun olmasını sağlamak.
- Emin olun bir onay e-postası kayıtlı katılımcılara otomatik olarak gönderilir.
2. deneysel oturum hazırlayın.
- Laboratuar ortamı hazırlamak.
- Katılımcı listesinde işe alım sisteminden yazdırın.
- Sunucu ve DeSciL kontrol odasında ışıkları açın ve test odaları gerekli katılımcı sayısına göre düzenleyebilirsiniz.
- Kopya çalıştırılabilir program ve karşılık gelen yapılandırma dosyalarını ağ sürücüsündeki denemeler yapın. Bu çalıştırılabilir bir yerel ağ üzerinden farklı bilgisayarlar arasında istemci-sunucu iletişim desteklemek için birlik oyun motoru dayalı bir yazılım özel olarak yazılmış çerçeve dağıtır. Gezinti deneyler için çerçeve bir kuş-göz gözlemci sunucu sistemi deneme sırasında istemci davranışları izlemek için sağlar.
- Windows masaüstünde açık PowerShell Tümleşik komut dosyası ortamı. PowerShell konsolu, bilgisayar adlarının dizisini belirtin (Örn., $pool "descil-w01", "descil-w02"... =) istemci havuzu nesnesi oluşturmak için. Daha sonra istemci bilgisayarları başlatmak için Başlat-havuzu $pool ve sunucu istemci bilgisayarlara bağlanmak için Kayıt-havuzu $pool yazın.
- İstemci tarafında bilgisayarlarda programı başlatmadan önce hazırlayın. Sağ klasör yolunu girmek için bilgisayar yönlendirmek için Invoke-havuzu {Dağı-NetworkShare $path} yazın.
- Hazırlanan işlevleri sunucuda yürütmek (i.e., Başlat-GameServer) ve istemcilere (i.e., Invoke-havuzu {Start-GameClient}). Sunucunun IP adresi işlev parametre belirtin.
- Başarılı bir bağlantı gösterir sunucu monitör bir mesaj için bekleyin.
- Rıza formları ve her hücre kalem dağıtın. İzin formları çalışma ile ilgili bilgiler içerir (Örn., çalışma, potansiyel riskleri ve yararları denemenin amacı), deneyci ve yasal sorumluluk reddi için iletişim bilgileri.
- Katılımcılar oturma düzeni belirtmek kartları oturma güverte karıştır.
- Katılımcılara hoş geldiniz.
- Laboratuvar dışında beklemek katılımcılar sor. 5 resmi başlamadan önce saat, dk katılımcıların kimlik belgeleri onlar kayıtlı katılımcıların listesi maç emin olmak için kontrol edin. Aynı zamanda, onların koltuk numarasını gösterir bir kart seç katılımcılar izin. Katılımcılar için karşılık gelen hücre yürümek ve başlamak deneme için beklemek yok.
- Okumak ve izin formları imzalamak katılımcılar için birkaç dakika bekleyin. Bu formlar deney önce toplamak.
3. deney yapmak.
- Deney talimatları mikrofon ile tüm katılımcıların yayın. Temel kuralları bildirmek, diğer katılımcılar için hiçbir iletişim ve hiçbir kişisel elektronik cihazlar da dahil olmak üzere izin verilmez. Deneme ile ilgili herhangi bir sorunuz varsa onların el kaldırsın katılımcılara sor.
- Deneme demografik anket sunarak başlamak (Örn., cinsiyet ve yaş) her istemcide.
- Katılımcılar sanal ortam manevra yapmayı öğretmek için eğitim sahne dağıtın. Katılımcılar kontrol arayüzü kullanırken sorun varsa (Örn., fare ve klavye), onlara yardımcı olmak için onların kabin doğru yürümek. Katılımcıların ekran görüntüleri tüm müşterilerinin isteyerek yaptıklarını tutmak (i.e., Al-ekran PowerShell konsolu yazın) tüm katılımcıların eğitim oturumu bitinceye kadar.
- Eğitimden sonra deneme test aşaması başlar. Sunucu bilgisayardaki kuşbakışı arabiriminden katılımcıların davranışlarını gözlemlemek. Onlar anormal bir şey onların avatar'ı tıklatarak yapıyorsanız programı aracılığıyla katılımcılara uyarı iletileri gönderme. Aksi takdirde, katılımcılar ile deneme sırasında değil ilişmek çalışın.
- Bir sonraki sahnede yükleme ve talimatları okuyun katılımcılara izin kısa bir bekleme süresi her davadan önce olduğundan emin olun.
4. deney son haline getir.
- Stop-GameClient ve Stop-GameServer PowerShell konsol yazarak sunucu ve istemci programı kapatın.
- Sayıları mikrofon üzerinden çağrılana kadar oturmaya devam katılımcılara sor.
- Katılımcıların son puanları server bilgisayarındaki proje klasöründe "Score.txt" dosyasından ayıklamak ve parasal ödeme halinde puanları dönüştürmek.
- Teker teker odacık numaraları bir ara ve her katılımcı resepsiyon masası, buluşun. Katılımcılara teşekkür ve onlara karşılık gelen ödeme.
- Odacıklar incelemek ve kalan herhangi bir kalem veya formlar toplamak.
- Kopyalayın ve deneme verileri sunucudan gelecek analizi için harici bir diske kaydedin.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Her her istemci için DeSciL deneme verilerden genellikle yörüngeler, zaman damgaları ve performans ölçüleri içerir (Örn., belirli bir kesişme noktalarında "doğru" yönde katılımcı açık olup olmadığını). Temsil edici bir çalışma basit Y-şekilli sanal bir ortamda insan katılımcılar (sanal avatarları) bir kalabalık için yol seçim tabela karmaşıklık etkilerini araştırdık. Bu deneyde, 28 katılımcılar (12 kadın ve 16 yaş demek erkek; = 22,5) aynı hedef konuma verildi (i.e., kapı numarası) ve kesişme noktası bir harita kullanarak karşılık gelen rota seçeneğini istendi (bkz. Şekil 2).
Harita karmaşıklığı üzerinde 16 denemeler, çeşitli ve hipotez karar zamanıydı ve doğruluğu daha karmaşık haritalar için daha yüksek olurdu. Genel olarak nispeten yüksek olmaya karar doğruluk bekliyoruz, katılımcıların yörüngeleri olarak gelecekteki deneyler gerçekçi bir sosyal sinyal iletmek ajanların yürüyüş yolları tanımlamak için kullanılabilir (i.e., inandırıcı hareketleri). Yaklaşık 1 saat katılımcılar karşılama, eğitim oturumu (için denetim arabirimi) yürütülmesi ve Y-şekilli koridorda test de dahil olmak üzere, toplam deneme zamanıydı. Elde edilen veriler Tablo 1' de özetlenmiştir.
Şekil 3 her deneme için minimum ve maksimum tamamlama sürelerini gösterir. Bu tanımlayıcı istatistik deneme sırasında tıkanıklık dolaylı bir ölçüsü sağlar. Elde edilen veriler aynı zamanda sanal kalabalık tarafından oluşturulan yörüngeleri görselleştirme sağlar (bkz. Şekil 4). Mekansal istatistik daha sonra yörüngeleri değişimler denemeler analiz etmek için kullanılabilir. Örneğin, araştırmacılar katılımcılar birbirlerini ne kadar yakından takip veya nasıl sorunsuz katılımcıların belirli denetim arabirimleri ile manevra ilginizi çekebilir.
Şekil 1: DeSciL laboratuvar fotoğraflarını. (a) kontrol odası 36 istemci bilgisayarlardan gelen trafik alan ve onların kabinleri katılımcıların izler sunucusu içerir. Bu odayı ses ve görüntü açısından test odalardan ayrılmış olabilir. İletişim katılımcılar için mikrofon ve hoparlör sistemi üzerinden sağlanır. (b) üç test odayı 36 kabinleri içerir. (c) her hücre bir masaüstü bilgisayar, monitör, fare ve klavye arabirimi, kulaklık ve bir göz izci içerir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 2: Y-şekilli sanal ortam sayısı. (a) sunucu, araştırmacılar kesişim doğru hareket katılımcılar gözlemleyebilirsiniz. (b) istemcilerinden, katılımcılar hareketi sırasında sanal ortam ve diğer avatarlar bir birinci şahıs perspektifinden görüntüleyebilirsiniz. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 3: temsilcisi sonuçları 16 deneysel çalışmalarda. Maksimum ve minimum kez her hedefe ulaşmak için en hızlı ve en yavaş katılımcılar tarafından gereken zamanlar vardır. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 4: (a) deneme 1 ve (b) deneme 16 katılımcılar yörüngeleri. X - ve y - axes kalabalık avatarlar yerlerini temsil eder. Renk temsil zaman bar duruşma sırasında geçen süre. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
| Deneme sayısı | MapType | Accuracy(%) | Ortalama zaman/s |
| 1 | Basit | 100 | 42.01 |
| 2 | Karmaşık | 96.4 | 40.51 |
| 3 | Basit | 100 | 39.15 |
| 4 | Karmaşık | 100 | 38.66 |
| 5 | Karmaşık | 100 | 38,52 |
| 6 | Karmaşık | 100 | 38.87 |
| 7 | Basit | 100 | 38.43 |
| 8 | Karmaşık | 100 | 38.26 |
| 9 | Basit | 100 | 37.43 |
| 10 | Basit | 100 | 38,44 |
| 11 | Karmaşık | 100 | 37.08 |
| 12 | Karmaşık | 100 | 36.8 |
| 13 | Basit | 100 | 37.67 |
| 14 | Karmaşık | 100 | 36.52 |
| 15 | Basit | 100 | 36.83 |
| 16 | Basit | 100 | 37,88 |
Tablo 1: temsilcisi sonuçları 16 deneysel çalışmalarda. Doğruluk gösteren doğru seçimler yüzdesi karar (i.e., Tornacılık doğru kapı doğru) tüm katılımcılar üzerinde. Karar zamanı hedefe ulaşmak için gerekli süre demek (olup olmadığı veya değil doğru) tüm denemeler üzerinde.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu makalede, biz kadar bir çok kullanıcılı Masaüstü sanal gerçeklik laboratuarda açıklanan 36 katılımcıların etkileşim ve aynı anda çeşitli sanal ortamlar aracılığıyla gidin. Deneysel protokol adım araştırma bu tür için gerekli ve benzersiz çoklu kullanıcı senaryoları için ayrıntıları. Bu senaryolar için belirli konuları işleme ve kapasiteleri (her iki sunucu ve istemci-tarafı), ağ denetim arabirimi ve veri ile Eğitim katılımcılar katılım, görünüşte küçük deneyci hataları, maliyetini içerir Güvenlik. Katılımcılar fazla siparişleri deneysel bir oturumdaki katılımcıların kesin bir dizi sağlamak için gereklidir. Çok az sayıda katılımcı katılmak, başarısız bir deneysel oturumu maliyeti nispeten yüksek tek. Benzer şekilde, deneysel hataları ne zaman katılımcıların veri hata algılandı veya deneme yazılım veya donanım hataları nedeniyle yürütülen önce kontamine başarısız oturum açabilir. Çok fazla bilgi ağ üzerinden dağıtılıyorsa, örneğin, o zaman tüm sistemi yeniden başlatmasını gerekli olabilir. Bu özellikle eğer deneme başladı bile problemlidir. Ayrıca, katılımcılar sanal gezinti deneylerde gerekir deneyim ve/veya kontrol arayüzü ile eğitim denetimleri daha az21 yürüyüş gerçek kolay anlaşılır ve kontrolleri ile etkileşim ile kayma etkileyebilir çünkü bellek görevleri20. Sorumlu veri yönetimi de özellikle büyük miktarda veri oturum başına elde edilen verilen önem kazanmaktadır.
DeSciL tarafından tanınan birçok fırsat olmakla birlikte, en az üç sınırlamalar kalır. İlk olarak, geçerli sistem ilâ 36 eşzamanlı katılımcılar için düzmece. Daha büyük sanal kalabalık üzerinde deneyler ajanlar, bilgisayar kontrollü insan birkaç önceki oturum katılımcılardan izleri veya çevrimiçi katılımcılar dahil, yeteneği gerektirir. İkinci, gelecekte donanım yükseltmeleri (Örn., daha iyi grafik kartları ve daha iyi işlemciler için) geleneksel, tek kullanıcı sistemi için çok daha pahalı olacaktır. Üçüncü, çok kullanıcılı Masaüstü sanal gerçeklik araştırma değil henüz yaptı daha benzer denetim arabirimleri ile gerçek yürüme. Böylece, hareket üzerinde araştırma ve katılımcılar arasında fiziksel etkileşimleri sınırlıdır.
Bu sınırlamaları rağmen DeSciL gerçek çalışmaları, tek kullanıcı laboratuar çalışmaları ve çok kullanıcılı online çalışmaları birkaç avantaj sunar. Yazılım Otomasyon araştırmacılar kendi ihtiyaçları ile ilgili deneysel protokol uyum yeteneklerini verir. Gerçek dünya ve online çalışmalara göre DeSciL için daha deneysel kontrol sağlar. Örneğin, DeSciL deneylerde sistematik çevre varyasyonlarını istihdam ve fiziksel ve sanal dünyalar içinde katılımcıların doğrudan gözlem sağlar. Tek Kullanıcı Masaüstü sanal gerçeklik çalışmaları için bilgisayar kontrollü ajanlar ile karşılaştırıldığında, katılımcılar birbirleri ile iletişim kurabilirim gerçek zamanlı, ve deneyci'nın önyargılarını üzerinde daha az bağımlı sanal kalabalığın acil davranıştır. Bilgisayar kontrollü ajanları VR kez güveniyor komut dosyası eylemleri ve gerçek zamanlı olarak kullanıcıların hareketlerine uyum etmeyin. Buna ek olarak, ağ bağlantılı masaüstü VR hangi insan kontrollü avatarlar etkiler daha ekolojik bir bağlamda sağlar (ve etkilenen) birbirlerinin hareketleri. Buna ek olarak, bu yaklaşım olabilir bilgilendirmek hareketi parametreleri (e.g., yürüme hızı ve tereddütleri) kalabalık araştırma aracı tabanlı gelecekteki modellerin (e.g., tahliye senaryoları39). Genel olarak, çok kullanıcılı Masaüstü sanal gerçeklik çalışmalar kayma davranışının daha hassas ölçüm ve daha önce gözden desen tespiti için izin verir.
Son zamanlarda, DeSciL başarılı bir şekilde karar alma40,41 ve gezinti çalışmalar3,21bir dizi istihdam edilmiştir. Örneğin, Moussaid ve arkadaşları çok kullanıcılı masaüstü VR kurulum sırasında tahliye3stres etkisi kalabalık davranışı üzerinde çalışmak için kullanılır. Bu çalışmada, "doğru" çıkış deneme deneme çeşitli ve katılımcılar sadece bir kısmı doğru teknelerin haberdar. Sonuçlar daha verimli bir tahliye için katılımcıların stres altında açtı, ancak bu bulgu hangi çarpışmalar uygulanmış şekilde atfedilebilecek olabilir göstermiştir. Ayrıca, katılımcıların stres altında diğer avatarlar izleyin sosyal bir sinyal doğrudan fiziksel etkileşim olmamasına rağmen katılımcılar arasında aktarılmaktadır düşündüren eğiliminde. Bu sonuçlar tek kullanıcı VR için bilgisayar kontrollü ajanlar ile karşılaştırıldığında çok kullanıcılı VR avantajları vurgulamak. Gelecekteki çalışmalar ya online veya laboratuvar, daha karmaşık çevre varyasyonları ve göz izci gibi çevre aygıtlarına veya fizyolojik aygıtları eklenmesi elde çok kullanıcılı veri karşılaştırma yer alacak. Bu gelişmeler karmaşık davranış veri42farklı türleri topluluğu için izin verir. Örneğin, düşük maliyetli göz izci katılımcıların ilgi izlemek veya kaba ekranda ilgi alanları tespit için dahil edilebilir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar ifşa gerek yok.
Acknowledgments
Temsilcisi çalışmada grant "Wayfinding içinde sosyal ortamlar" (No. 100014_162428) bir parçası olarak İsviçre Ulusal Bilim Vakfı tarafından finanse edildi. M. Moussaid anlayışlı tartışmalar için teşekkür etmek istiyorum. Biz de C. Wilhelm, F. Thaler, H. Abdelrahman, S. Madjiheurem, A. Ingold ve A. Grossrieder sırasında yazılım geliştirme çalışmaları için teşekkür etmek istiyorum.
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.
- 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).
