Summary
Este artículo describe un método para llevar a cabo experimentos de varios usuarios en la toma de decisiones y navegación mediante un laboratorio de cómputo en red.
Abstract
Investigando las interacciones entre múltiples participantes es un reto para los investigadores de diversas disciplinas, incluyendo las Ciencias de decisión y la cognición espacial. Con una red de área local y plataforma de software dedicado, experimentadores eficientemente pueden monitorear el comportamiento de los participantes que están simultáneamente inmersos en un entorno virtual de escritorio y digitalizar los datos recogidos. Estas capacidades permiten diseños experimentales en la investigación de la cognición y la navegación espacial que sería difícil (o imposible) para llevar a cabo en el mundo real. Posibles variaciones experimentales incluyen estrés durante una evacuación, las tareas de búsqueda cooperativa y competitiva y otros factores contextuales que pueden influir en el comportamiento emergente de la multitud. Sin embargo, tal laboratorio requiere mantenimiento y protocolos estrictos para la recogida de datos en un entorno controlado. Aunque a veces se cuestiona la validez externa de los estudios de laboratorio con participantes humanos, un número de documentos recientes sugiere que la correspondencia entre los entornos reales y virtuales puede ser suficiente para el estudio de comportamiento social en términos de trayectorias, dudas y decisiones espaciales. En este artículo, se describe un método para realizar experimentos en la toma de decisiones y la navegación con hasta 36 participantes en una instalación de realidad virtual desktop en red (es decir., el laboratorio de ciencia de la decisión o DeSciL). Este protocolo del experimento puede ser adaptada y aplicada por otros investigadores para establecer un laboratorio de realidad virtual escritorio en red.
Introduction
Investigación sobre la cognición espacial y la navegación normalmente estudia la toma de decisiones espacial (e.g., girando a la izquierda o la derecha en una intersección) y la representación mental de los individuos en entornos reales y virtuales1,2. Las ventajas de la realidad virtual (VR) incluyen la prevención de los problemas éticos y de seguridad (por ej., durante una evacuación peligrosos3), la medición automática y análisis de datos espaciales4y una equilibrada combinación de interno y validez externa5,6,7. Por ejemplo, Weisberg y colegas extendieron anterior investigación sobre diferencias individuales en la adquisición del conocimiento espacial demostrando que tareas espaciales en VR pueden proporcionar una medida objetiva del comportamiento de la capacidad espacial8. Este estudio también sugiere que el comportamiento de navegación en VR se aproxima al mundo real navegación porque el entorno virtual fue modelado después de la Universidad utilizada por Schinazi y colegas9 (véase también el estudio de Ruddle y colegas 10). VR también se ha aplicado a la psicoterapia11, evaluación clínica12, consumidor comportamiento13y14,de cirugía15. Sin embargo, la mayoría sistemas VR falta retroalimentación propioceptiva y audio que puede mejorar la presencia e inmersión16,17,18,19, requieren el entrenamiento con la interfaz de control20 ,21,22y falta de señales sociales. De hecho, personas en el mundo real a menudo grupos23, evitar o seguir otras personas3,24y tomar decisiones basadas en el contexto social25,26.
Al mismo tiempo, investigaciones sobre el comportamiento de la multitud a menudo se centra en las características emergentes de las multitudes (p. ej., formación de lane, congestión en los cuellos de botella) observadas en el mundo real o simuladas en un ordenador. Por ejemplo, Helbing y sus colegas usaron una combinación de observaciones reales y simulaciones por ordenador para sugerir mejoras en el flujo de tráfico en una intersección separación de entrada y salida con barreras físicas y colocando un obstáculo en el Centro27. Moussaïd y colegas utilizan un modelo basado en la heurística para el estudio de situaciones de alta densidad durante una multitud desastre28. Este enfoque sugerido mejoras a una ambientación para eventos masivos para evitar desastres de la muchedumbre. Con la ayuda de un marco de código abierto existentes, la implementación de tales simulaciones podría ser relativamente fácil. SteerSuite es un framework de código abierto que permite a los usuarios simular algoritmos de manejo y comportamiento de la multitud fácilmente proporcionando herramientas para facilitar el benchmarking y prueba29. Este marco puede proporcionar la base de la lógica de un agente navegación, que es crítico para la simulación exitosa. Además, Singh y sus colegas demostraron una plataforma única que combina una variedad de técnicas30de dirección. Mientras que los investigadores pueden proponer intervenciones de diseño mediante tales simulaciones, rara vez se validan con los participantes humanos en un ambiente controlado. Experimentos controlados son raros en la investigación de la multitud porque pueden ser difíciles de organizar y peligrosos para los participantes.
VR se ha empleado para investigar el comportamiento social mediante entornos virtuales simples y complejos con uno o más agentes simulado por ordenador. En el estudio de Bode y colegas31,32, los participantes se les pidió evacuar un simple entorno virtual desde una perspectiva de arriba hacia abajo entre varios agentes y encontró que la opción de salida fue afectada por motivación y señalización estática. Presentación de los participantes con un entorno más complejo desde una perspectiva de primera persona, Kinateder y colegas encontraron que los participantes fueron más propensos a seguir a un único agente simulado por ordenador durante el escape de un fuego de túnel virtual25. En un entorno virtual complejo con múltiples agentes, Drury y colegas encontraron que los participantes tendían a ayudar a un agente caído durante una evacuación cuando identifica con el público26. Colectivamente, estos resultados sugieren que la VR puede ser una manera eficaz de obtención de comportamientos sociales, incluso con agentes simulado por ordenador. Sin embargo, algunos comportamientos de la gente sólo se pueden observar cuando hay una señal social realista (es decir., cuando los participantes son conscientes de que los otros avatares son controlados por gente3). Para hacer frente a esta carencia, el presente Protocolo describe un método para realizar experimentos controlados con múltiples usuarios en una configuración en red de VR. Este enfoque ha sido empleado en un estudio reciente por Moussaid y colegas con el fin de investigar el comportamiento de evacuación de 36 participantes en red3.
Investigación de VR en red se ha centrado en temas no relacionados con navegación estrategias33,34 y confiado en las plataformas existentes de juegos online como Second Life. Por ejemplo, Molka Danielsen y Chabada investigar comportamiento de evacuación en términos de opción de salida y el conocimiento espacial del edificio usando los participantes reclutados entre los usuarios de Second Life35. Mientras que los autores proporcionan algunos resultados descriptivos (e.g., visualización de trayectorias), este estudio tuvo dificultades con el reclutamiento de participantes, control experimental y generalización más allá de este caso. Más recientemente, Normoyle y sus colegas encontraron que los usuarios de Second Life y los participantes en un laboratorio fueron comparables en cuanto a la opción de rendimiento y la salida de evacuación y diferentes en cuanto a la presencia y la frustración con el control interfaz de36. Los resultados de estos dos estudios destacan algunos de los retos y oportunidades que ofrece en línea y experimentos de laboratorio. Estudios en línea son capaces de dibujar de una población mucho más grande y motivada de los participantes potenciales. Sin embargo, los estudios de laboratorio permiten más experimental control del entorno físico y posibles distracciones. Además, estudios en línea pueden plantear algunas preocupaciones éticas sobre el anonimato de los datos y la confidencialidad.
Como un laboratorio VR escritorio en red, el laboratorio de Ciencias de decisión (DeSciL) en ETH Zürich se utiliza principalmente para el estudio de interacciones estratégicas y toma de decisiones económicas en un entorno controlado. La infraestructura técnica en la DeSciL consiste de hardware, software de automatización del laboratorio y software que soporte el escritorio multi usuario configuración VR. El hardware incluye ordenadores de sobremesa de alto rendimiento con el sistema operativo de Microsoft Windows Enterprise 10, interfaces de control (por ej., ratón y teclado, joysticks), auriculares y seguidores de ojo (Tabla de materiales). Todos los equipos cliente están conectados con Ethernet de un gigabit por segundo a la red de la Universidad y el mismo recurso compartido de archivos en red. No hay visible retraso o lag cuando hay 36 clientes conectados. El número de fotogramas por segundo está constantemente por encima de 100. Los experimentos también son gestionados y controlados con software de automatización de laboratorio basado en Microsoft PowerShell (es decir, PowerShell configuración de estado deseado y PowerShell Remoting). Todas las medidas pertinentes del protocolo están preprogramadas con scripts de PowerShell o Cmdlets (e.g., Inicio-computadora, computadora parada). Durante el experimento, estas secuencias de comandos se pueden ejecutar simultáneamente y de forma remota en todos los equipos cliente. Este tipo de automatización del laboratorio asegura un estado idéntico del cliente equipos, reduce los posibles errores y complejidad durante pruebas científicas y, previene que los investigadores para llevar a cabo tareas manuales repetitivas. Para los experimentos de navegación, se utiliza el motor del juego unidad (< https://unity3d.com/>) con el fin de apoyar el desarrollo de entornos 2D y 3D para escritorio multiusuario e interactivo VR. Los equipos 36 cliente están conectados a un servidor a través de una arquitectura de servidor autorizado. Al inicio de cada experimento, cada cliente envía una solicitud de creación de instancias en el servidor y el servidor responde instanciando un avatar para que el usuario en todas las máquinas conectadas. Avatar de cada usuario tiene una cámara con un campo de visión de 50 grados. Durante todo el experimento, los clientes envían usuario ' entrada en el servidor y el servidor actualiza el movimiento de todos los clientes.
En el laboratorio de físico, cada equipo se encuentra en un cubículo separado en tres habitaciones semi independientes (figura 1). El tamaño del laboratorio es de 170 m2 (150 m2 para el experimento por habitación y 20 m2 de sala de control). Cada una de estas habitaciones está equipada con dispositivos de grabación de audio y video. Experimentos son controlados desde una sala adyacente (es decir., proporcionando instrucciones y iniciar el programa experimental). Desde esta sala de control, los experimentadores también pueden observar a los participantes en entornos físicos y virtuales. Junto con el Departamento de economía de la Universidad de Zúrich, el DeSciL también mantiene el centro de registro de la Universidad para los participantes del estudio, que fue implementado basado en raíz h37.
Aunque los sistemas similares se han descrito en la literatura38, el DeSciL es el primer laboratorio funcional que es conveniente para múltiples usuarios escritorio VR experimentos sobre navegación y el comportamiento de la multitud a nuestro conocimiento. Aquí, describimos el protocolo para llevar a cabo un experimento en el DeSciL, presente resultados representativos de un estudian sobre el comportamiento de navegación social y discuten las potencialidades y limitaciones de este sistema.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Todos los métodos aquí descritos han sido aprobados por el Comité de ética de investigación de ETH Zürich como parte de la propuesta 2015 EK-N-37.
1. reclutar a los participantes de la sesión Experimental prevista.
- Los participantes dentro de las limitaciones particulares de la muestra (por ej., edad, género, antecedentes educativos) usando el sistema de reclutamiento de participantes.
- Enviar invitaciones por correo electrónico a los participantes seleccionados al azar utilizando la información de contacto proporcionada por el sistema de contratación.
- Espere a que estos participantes a inscribirse a través del sistema online. Asegúrese de que los participantes más que necesario (por ej., 4 exceso de reservas los participantes para una sesión que requiere 36 personas) registro. Overbooking de los participantes a garantizar que una sesión es viable en caso de ausencias.
- Asegúrese de que un correo de confirmación se envía a los participantes inscritos automáticamente.
2. prepare la sesión Experimental.
- Preparar el entorno de laboratorio.
- Imprimir la lista de participantes del sistema de contratación.
- Encienda el servidor y las luces de la sala de control de la DeSciL y organizar las pruebas habitaciones según el número de participantes requerido.
- Copia el ejecutable del experimento programa y sus archivos de configuración correspondientes en la unidad de red. Este programa ejecutable despliega un marco software de medida basado en el motor del juego unidad para apoyar la comunicación cliente-servidor entre diferentes ordenadores a través de una red de área local. Para los experimentos de navegación, el marco proporciona un sistema de servidor de ojo de pájaro observador para supervisar el comportamiento del cliente durante el experimento.
- Entorno de PowerShell Integrated Scripting abierto en el escritorio de Windows. En la consola de PowerShell, especificar una matriz de nombres de equipo (por ej., $pool = "descil-w01", "descil-w02"...) para crear un objeto de la piscina de cliente. A continuación, escriba Start-piscina $pool para iniciar los equipos cliente y Registro-piscina $pool para conectar el servidor a los equipos cliente.
- Preparar los equipos en el lado del cliente antes de iniciar el programa. Tipo de Invoke-piscina {Monte-NetworkShare $path} para dirigir a los equipos para entrar en la ruta de la carpeta correcta.
- Ejecutar las funciones de preparado en el servidor (i.e., Comienzo GameServer) y en los clientes (es decir., Invoke-piscina {Start-PRÁCTICASSERVICIOS}). Especifique la dirección IP del servidor como parámetro de la función.
- Espere un mensaje en el monitor del servidor que indica una conexión exitosa.
- Distribuir los formularios de consentimiento y plumas en cada cubículo. Las formas de consentimiento contiene la información sobre el estudio (por ej., el propósito del estudio, posibles riesgos y beneficios del experimento), la información de contacto para el experimentador y un aviso legal.
- Barajar el mazo de tarjetas que indican la disposición de los asientos de los participantes de estar.
- Bienvenida a los participantes.
- Pida a los participantes a esperar fuera del laboratorio. 5 minutos antes del comienzo oficial tiempo, verificar documentos de identidad de los participantes para asegurar que coinciden con la lista de participantes inscritos. Al mismo tiempo, permita que los participantes escoger una tarjeta que indica su número de asiento. Que los participantes a pie de la cabina correspondiente y esperar a que el experimento empezar.
- Espere unos minutos para que los participantes a leer y firmar los formularios de consentimiento. Recoger estas formas antes de realizar el experimento.
3. realizar el experimento.
- Transmiten las instrucciones del experimento con el micrófono a todos los participantes. Le informará acerca de las reglas básicas, incluyendo la no comunicación a otros participantes y no dispositivos electrónicos personales permitidos. Pregúntele a los participantes a levantar su mano si tienen alguna pregunta sobre el experimento.
- Comenzar el experimento presentando el cuestionario demográfico (por ej., género y edad) en cada cliente.
- Implementar el escenario de entrenamiento para enseñar a los participantes a maniobrar a través del ambiente virtual. Si los participantes tienen dificultad para usar la interfaz de control (por ej., ratón y teclado), caminar hacia su cubículo para ayudarles. Mantener seguimiento del progreso de los participantes solicitando imágenes de todos los clientes (es decir., escriba Get-capturas de pantalla en consola de PowerShell) hasta que todos los participantes han terminado la sesión de entrenamiento.
- Después de la sesión de entrenamiento, comenzar la fase de prueba del experimento. Observar comportamientos de los participantes de la interfaz aérea en el equipo servidor. Enviar mensajes de aviso a los participantes a través del programa si están haciendo algo anormal al hacer clic en su avatar. De lo contrario, tratar de no interferir con los participantes durante el experimento.
- Asegurar que exista un corto período de espera antes de cada ensayo para cargar la siguiente escena y permitiendo a los participantes a leer las instrucciones.
4. finalizar el experimento.
- Cierre el programa cliente y el servidor escribiendo PRÁCTICASSERVICIOS parada y Parada de GameServer en la consola de PowerShell.
- Pida a los participantes que permanezcan sentados hasta que su número se llama sobre el micrófono.
- Extraer el archivo "Score.txt" en la carpeta del proyecto en el equipo servidor de puntuaciones finales de los participantes y convertir sus cuentas en un pago monetario.
- Llamar a los números de cabina uno a la vez y cumplir con cada participante en la recepción. Gracias a los participantes y darles el pago correspondiente.
- Examinar los cubículos y recoger cualquier resto plumas o formas.
- Copiar y guardar los datos del experimento desde el servidor a un disco externo para futuros análisis.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Para cada cliente en cada ensayo, los datos del experimento de la DeSciL suelen incluyen trayectorias, sellos de tiempo y medidas de desempeño (por ej., si el participante se convirtió en la dirección "correcta" en una intersección particular). Un estudio representativo investigó los efectos de la complejidad de la señalización en la elección de ruta para una multitud de participantes humanos (con avatares virtuales) en un entorno virtual en forma de Y simple. En este experimento, 28 participantes (12 mujeres y 16 hombres; edad media = 22.5) recibieron la misma ubicación del objetivo (es decir., número de la puerta) y debían elegir la opción correspondiente de la ruta en la intersección usando un mapa (ver figura 2).
La complejidad del mapa variados ensayos sobre 16 y la hipótesis de era el momento de decisión y precisión sería mayor para los mapas que son más complejos. Mientras esperamos la exactitud de la decisión a ser relativamente alta en general, las trayectorias de los participantes pueden utilizarse en futuros experimentos para definir los senderos de los agentes que transmiten una señal social realista (es decir., movimientos creíbles). El tiempo total del experimento fue aproximadamente 1 h, como bienvenida a los participantes, llevando a cabo la sesión de entrenamiento (para la interfaz de control) y pruebas en el pasillo en forma de Y. Los datos obtenidos se resumen en la tabla 1.
Figura 3 indica los tiempos de ejecución mínimo y máximo para cada ensayo. Estas estadísticas descriptivas proporcionan una medida indirecta de la congestión durante el juicio. Los datos obtenidos también permiten la visualización de las trayectorias generadas por la multitud virtual (ver figura 4). Estadística espacial puede utilizarse entonces para analizar los cambios de trayectorias sobre ensayos. Por ejemplo, los investigadores pueden ser interesados en cómo los participantes seguido de cerca entre sí o la suavidad con los participantes maniobran con interfaces de control particular.
Figura 1: fotografías del laboratorio DeSciL. (a) la sala de control contiene el servidor que recibe el tráfico desde los equipos 36 cliente y los participantes en sus cubículos. Esta habitación puede ser aislada de las habitaciones de la prueba en términos de sonido y visión. Comunicación a los participantes se proporciona mediante el sistema de micrófono y el altavoz. (b) las tres salas de ensayos contienen 36 cubículos. (c) cada cabina contiene un ordenador de sobremesa, un monitor, un ratón y una interfaz de teclado, auriculares y un perseguidor del ojo. Haga clic aquí para ver una versión más grande de esta figura.
Figura 2: vista del entorno virtual en forma de Y. (a) desde el servidor, los investigadores pueden observar a los participantes hacia la intersección. (b) de los clientes, los participantes pueden ver el entorno virtual y otros avatares desde una perspectiva de primera persona durante el movimiento. Haga clic aquí para ver una versión más grande de esta figura.
Figura 3: representante de los resultados de ensayos experimentales 16. Los tiempos máximos y mínimos son los tiempos requeridos por los participantes más rápidos y más lentos para llegar al destino en cada ensayo. Haga clic aquí para ver una versión más grande de esta figura.
Figura 4: trayectorias de los participantes de 1 (una) prueba y (b) ensayo 16. Los ejes x e y - representan las ubicaciones de los avatares en la multitud. El color de la barra representa tiempo transcurrido durante el ensayo. Haga clic aquí para ver una versión más grande de esta figura.
| Número del ensayo | MapType | Accuracy(%) | Media tiempo/s |
| 1 | Simple | 100 | 42.01 |
| 2 | Complejo | 96.4 | 40.51 |
| 3 | Simple | 100 | 39.15 |
| 4 | Complejo | 100 | 38.66 |
| 5 | Complejo | 100 | 38.52 |
| 6 | Complejo | 100 | 38,87 |
| 7 | Simple | 100 | 38.43 |
| 8 | Complejo | 100 | 38.26 |
| 9 | Simple | 100 | 37.43 |
| 10 | Simple | 100 | 38.44 |
| 11 | Complejo | 100 | 37.08 |
| 12 | Complejo | 100 | 36.8 |
| 13 | Simple | 100 | 37.67 |
| 14 | Complejo | 100 | 36.52 |
| 15 | Simple | 100 | 36.83 |
| 16 | Simple | 100 | 37.88 |
Tabla 1: representante de los resultados de ensayos experimentales 16. Decisión de la precisión representa el porcentaje de elecciones correctas (es decir., dando vuelta hacia la puerta correcta) sobre todos los participantes. Tiempo de decisión es el tiempo medio necesario para llegar al destino (si correcta o no) sobre todos los ensayos.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
En este artículo describe un laboratorio de realidad virtual desktop multiusuario en el que hasta 36 participantes podrán interactuar y navegar simultáneamente a través de varios entornos virtuales. El protocolo experimental detalla los pasos necesarios para este tipo de investigación y únicos escenarios multiusuario. Consideraciones específicas a estos escenarios incluyen el número de participantes en la asistencia, el coste de los errores del experimentador aparentemente pequeñas, representación y redes capacidades (ambos y cliente-servidor), formación con la interfaz de control y los datos seguridad. Overbooking de los participantes es necesaria para asegurar un número exacto de participantes en una sesión experimental. Si muy pocos participantes asisten, el costo de una sesión experimental es relativamente alto. Del mismo modo, errores experimentales pueden conducir a una sesión fallida cuando datos del o los participantes fueron contaminados antes de que se detectó el error, o el experimento no se realizó debido a fallos de software o hardware. Por ejemplo, si demasiada información es distribuida a través de la red, entonces un relanzamiento de todo el sistema puede ser necesario. Esto es especialmente problemático si el experimento ya ha comenzado. Además, los participantes en los experimentos de navegación virtual requieren experiencia y formación con la interfaz de control porque los controles son menos intuitivos que real caminar21 y la interacción con los controles puede interferir con la espacial tareas de memoria20. Gestión de datos responsable también se convierte en especialmente importante dada la gran cantidad de datos obtenidos por sesión.
Mientras que hay muchas oportunidades que ofrece el DeSciL, siendo al menos tres limitaciones. En primer lugar, el sistema actual está configurado para hasta 36 participantes simultáneos. Experimentos sobre las multitudes virtuales más grandes pueden requerir a agentes controlados por computadora, huellas de humanos participantes de varios períodos de sesiones anteriores, o la capacidad de los participantes en línea, incluyendo. Upgrades de hardware en segundo lugar, futuro (por ej., mejores tarjetas gráficas y procesadores mejor) será mucho más costoso que el tradicional sistema de monousuario. Tercero, no pueden aún realizarse investigaciones de realidad virtual desktop multiusuario con interfaces de control que son más similares a real a pie. Así, la investigación sobre la locomoción y las interacciones físicas entre los participantes es limitado.
A pesar de estas limitaciones, el DeSciL ofrece varias ventajas sobre los estudios del mundo real, estudios de laboratorio de monousuario y multiusuarios en línea estudios. La automatización de software proporciona a los investigadores la capacidad de adaptación del protocolo experimental con respecto a sus necesidades. Comparado con estudios reales y en línea, el DeSciL permite controlar más experimental. Por ejemplo, experimentos en la DeSciL pueden emplear variaciones sistemáticas del medio ambiente y proporcionar la observación directa de los participantes en mundos físicos y virtuales. En comparación a los estudios de la realidad virtual escritorio de usuario único con agentes controlados por computadora, los participantes pueden interactuar entre sí en tiempo real, y el comportamiento emergente de la multitud virtual es menos dependiente de prejuicios del experimentador. Agentes controlados por computadora en VR a menudo dependen de acciones con secuencias de comandos y no se adaptan a los movimientos de los usuarios en tiempo real. Por el contrario, VR escritorio en red proporciona un contexto ecológico en que afectan a avatares controlados por humanos (y son afectados por) los movimientos del otro. Además, este enfoque puede informar los parámetros de movimiento (e.g., poca velocidad y vacilaciones) de futuros modelos basados en agentes en la investigación de la multitud (e.g., para escenarios de evacuación39). En general, estudios de la realidad virtual desktop multiusuario permiten una medición más precisa del comportamiento espacial y la detección de patrones que podrían haber escapado antes.
Recientemente, el DeSciL se ha empleado con éxito en una serie de toma de decisiones40,41 y navegación estudios3,21. Por ejemplo, Moussaid y colaboradores utilizaron la configuración multiusuaria VR escritorio para estudiar el efecto del estrés en el comportamiento de la muchedumbre durante una evacuación3. En este estudio, la salida "correcta" variada de juicio a prueba, y sólo una parte de los participantes informaron de la salida correcta. Los resultados indicaron que los participantes bajo tensión llevaron a una evacuación más eficiente, pero este hallazgo puede atribuirse a la forma en que se implementaron las colisiones. Además, los participantes tendían a seguir otros avatares bajo estrés, sugiriendo que se transmitió una señal social entre los participantes a pesar de la falta de interacción física directa. Estos resultados enfatizan las ventajas de multi usuario VR comparado con VR monousuario con agentes controlados por computadora. Los estudios futuros incluyen la comparación de datos multiusuarios en línea o en el laboratorio, variaciones ambientales más complejas y la adición de dispositivos periféricos como seguidores de ojos o dispositivos fisiológicos. Estos avances permitirán la colección de tipos de datos complejos de comportamiento42. Por ejemplo, seguidores de bajo costo ojo pueden ser incorporados con el fin de supervisar la atención de los participantes o groseramente detectar áreas de interés en la pantalla.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
El estudio representativo fue financiado por la Swiss National Science Foundation como parte de la subvención "Señalización en los ambientes sociales" (Nº 100014_162428). Queremos agradecer a M. Moussaid para discusiones interesantes. También queremos dar las gracias a Wilhelm C. F. Thaler, H. Abdelrahman, S. Madjiheurem, A. Ingold y Grossrieder A. por su trabajo durante el desarrollo 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.
- 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).
