Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Behavior
Click here for the English version

Behavior

测量边走边使用智能手机的开关成本

Published: April 30, 2020 doi: 10.3791/60555
Automatic Translation
1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 1, 1
1HEC Montréal, 2Université de Montréal

ERRATUM NOTICE

Summary

该研究设计测量了边走边使用智能手机的任务切换成本。参与者接受两种实验条件：控制条件（步行）和多任务条件（边走边发短信）。参与者在这些任务和方向确定任务之间切换。记录脑电图数据以及行为测量。

Abstract

本文提出了一种研究方案，用于测量边走边使用智能手机的任务切换成本。这种方法涉及让参与者在两个实验条件下在跑步机上行走：控制条件（即简单行走）和多任务条件（即边走边发短信）。在这些条件下，参与者必须在与实验条件相关的任务和方向确定任务之间切换。这个方向任务是由一个点光步行者人物完成的，似乎向参与者的左侧或右侧走去。方向任务的性能表示参与者的任务切换成本。有两个绩效指标：1）正确识别方向和2）响应时间。记录脑电图数据，以测量任务切换期间发生的阿尔法振荡和认知参与。这种方法的生态有效性有限：行人环境中有许多刺激同时发生并争夺注意力。尽管如此，此方法适用于精确定位任务切换成本。脑电图数据允许研究大脑中与不同任务转换成本相关的潜在机制。这种设计允许在刺激演示之前，一次执行一项任务时的任务切换与多任务处理时的任务切换之间的比较。这允许理解和查明这两种不同任务切换条件的行为和神经生理学影响。此外，通过将任务转换成本与大脑活动相关联，我们可以更多地了解导致这些行为影响的原因。该协议是研究不同智能手机用途的切换成本的适当基础。可以添加不同的任务、问卷和其他措施，以了解步行时使用智能手机的任务切换成本所涉及的不同因素。

Introduction

由于智能手机的普及率和多任务处理的趋势都在增加，因此了解智能手机在步行时使用对注意力的影响非常重要。文献一再证明，任务切换的成本为1，包括步行时使用智能手机。研究发现，走路时使用智能手机可能会分散注意力和危险2，3，4.这些危险与执行此类任务的注意力障碍有关3，4，5，6，7。由于行人环境的复杂性，在生态学上有效的实验环境中研究它可能会有问题。尽管如此，在实际的行人环境中进行此类研究可能会带来复杂性，因为许多无关的变量可能会发挥作用，并且由于分心而对参与者造成伤害的风险。能够在相对安全的环境中研究这种现象非常重要，并且尽可能保持现实。在本文中，我们描述了一种研究方法，该方法研究边走边发短信的任务转换成本，同时提高任务的有效性并减轻所涉及的潜在风险。

在步行时使用智能手机时，个人被迫从智能手机任务切换到步行和环境相关任务。因此，为了研究这种现象，我们发现在多任务处理的文献中构建这种方法是相关的，特别是关注任务切换范式。为了做到这一点，使用了任务切换范式1，让参与者在刺激前任务和刺激后任务之间切换。两个刺激前任务中的一个涉及多任务处理，而另一个则没有。在刺激后任务中，参与者必须对感知受到注意力分配影响的刺激做出反应8。此外，试图尽可能具有生态有效性的实验实验室研究经常使用虚拟行人环境来了解步行时使用智能手机的注意力影响4，9.尽管如此，为了捕捉潜在的神经生理机制，我们选择专注于对一种刺激的特定任务转换反应，以尽量减少参与者必须做出反应的刺激数量。通过这种方式，我们可以更精确地确定纯粹来自将注意力从智能手机转移到刺激上的任务切换成本。在我们的研究设计中，我们使用行为测量（即任务转换成本）和神经生理学数据来更好地了解行人智能手机使用过程中发现的注意力障碍。

在任务转换实验中，参与者通常执行至少两个与一组刺激有关的简单任务，每个任务需要一组不同的认知资源，称为“任务集”1。当个人被迫在任务之间切换时，他们的心理资源需要适应（即抑制先前的任务集和激活当前的任务集）。这种“任务集重新配置”过程被认为是任务切换成本的原因1.任务切换成本通常是通过观察参与者在任务之间切换的试验和不切换任务的试验之间的响应时间和/或错误率的差异来确定的10.在我们的实验中，我们有三个任务集：1）对点光步行者刺激做出反应;2）走路时在智能手机上发短信;3）简单地走路。我们比较了两种不同条件之间的转换成本：1）在对刺激做出反应之前只是走路，2）在回应之前边走边发短信。通过这种方式，我们在切换任务之前捕获了智能手机上多任务处理的成本，并能够直接将其与在视觉刺激出现之前简单地行走的非多任务切换成本进行比较。由于本研究中使用的智能手机是特定品牌的，因此在实验前对所有参与者进行了筛选，以确保他们知道如何正确使用该设备。

为了模拟代表行人环境的真实体验，我们决定使用点光步行者形象作为视觉刺激，代表一个人形，向参与者的左侧或右侧倾斜3.5°。该图由白色背景上的 15 个黑点组成，这些点代表人的头部、肩膀、臀部、肘部、手腕、膝盖和脚踝（图 1）。这种刺激是基于生物运动的，这意味着它遵循人类和动物典型的运动模式11。此外，这种刺激措施不仅在生态上是有效的;它需要复杂的视觉处理和注意力才能成功分析12，13。有趣的是，Thornton等人8发现， 点状步行者方向的正确识别受到注意力分配的极大影响，因此在研究多任务处理时的任务切换成本时，它适合作为性能衡量标准。参与者被要求口头陈述人物行走的方向。步行者出现之前总是有一个听觉提示，表明它在屏幕上出现。

在点光助行器任务和神经生理学数据上的表现使我们能够确定这两种情况的注意力影响，并帮助确定导致它们的原因。性能是通过在确定点光步行者图形的方向时查看错误率和响应时间来衡量的。为了了解我们通过性能测量发现的注意力障碍所涉及的潜在认知和注意力机制，我们使用带有32个电极的EEG actiCAP评估了参与者的神经生理数据。就临时精度而言，EEG是一种合适的工具，这在试图查看导致特定时刻表现不佳的原因（例如，点光步行者图形的外观）时很重要，尽管由于运动，数据中可能存在伪影。在分析脑电图数据时，有两个指标特别相关：1）阿尔法振荡;2）认知参与。研究发现，阿尔法振荡可能代表工作记忆控制以及对与任务无关的大脑回路的主动抑制14，15，16，17。通过将基线水平的α振荡与刺激呈现18，19时发生的α振荡进行比较，我们获得了α比。有了这个比率，我们确定了与事件相关的变化，这些变化可能是在走路时观察到的注意力障碍的基础。关于认知参与，Pope等人20开发了一个指数，其中β活动代表唤醒和注意力的增加，α和θ活动反映唤醒和注意力的减少21，22。进行该分析是为了确定在刺激出现之前增加的参与是否会使响应步行者图所需的任务集重新配置复杂化。

通过本文中描述的方法，我们试图掌握影响参与多任务事件的参与者的任务切换表现的潜在机制。步行条件表示非多任务任务切换性能，与多任务任务切换性能（即步行时发短信）进行比较。通过测量任务集抑制和任务集激活的作用，我们试图更好地了解边走边发短信时发生的转换成本。值得注意的是，最初的研究是在沉浸式虚拟环境23 中完成的，但后来在实验室中复制（见 图2），投影仪在参与者面前的屏幕上显示步行者人物。由于该虚拟环境不再可用，因此该协议适应了当前的实验室设计。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

在开始数据收集之前，重要的是获得人类参与者所有必要的伦理研究批准。这应该通过适当的审查委员会和/或人类参与者审查委员会来完成。

该协议由蒙特利尔HEC商学院的伦理委员会批准和认证，用于Tech3Lab研究机构。

1. 视觉刺激的准备

  1. 使用视觉实验演示软件（如 E-prime）创建视觉刺激的实验模板。为实践试验（6 项试验）创建一个，为实验条件创建一个（22 项试验）。
  2. 打开E-prime软件，进入结构窗口，在那里可以创建实验的逻辑。
    1. 双击 SessionProc （对 E 对象出现顺序进行排序的时间线）。
    2. 将 “文本显示 ”对象从工具箱拖到 SessionProc 行中。
      1. 双击已插入到SessionProc中的TextDisplay对象并编写学习说明：“当您听到听觉提示时，请抬起头并大声指出步行者朝哪个方向前进，朝向您的左边或朝向右。实验将很快开始。
      2. 单击“文本显示”窗口顶部的“属性页”图标。单击“常用”选项卡，然后将“名称”框设置更改为“说明”。单击持续时间下拉菜单，然后选择无限。单击持续时间/输入选项卡并选择添加，选择键盘并按确定。再次单击“确定”退出属性页。这可确保说明保留在屏幕上，直到您按下 开始实验。
    3. 在 SessionProc 中，现在将 List 对象拖放到 SessionProc 行中（将其放在说明之后）。双击列表对象。在“程序”列中写下“左试用”，按 Enter 并单击“是”进入弹出窗口，要求创建新程序。当下一个弹出窗口要求将此值设为默认值时，请单击 NO。
    4. 双击 SessionProc 行中的 List 对象。单击名为“添加属性”的绿色按钮。将属性命名为：正确响应。单击“确定”。
    5. 点击列中的空白处正确响应并写L（这是为了表示这个列表对象如果对于步行者向左走）。
    6. 返回到 SessionProc 并单击创建的名为 Left-Trial 的新对象。
    7. 转到 SessionProc 并双击 Left-Trial 对象。
      1. 将 Inline 对象拖放到 “左试用 ”行中并重命名。
        1. 选择ITI。双击 Inline 对象并编写以下代码：
          将随机调暗为整数
          n随机 = 随机 （16500， 17500）
          c.SetAttrib “ITIDur”， nRandom
        2. 该代码以 16，500 ms 和 17，500 ms 之间的时间间隔呈现步行者刺激。
    8. 双击 左审。将 Slide 对象拖放到 “左试用 ”行中。将其重命名 为等待，此对象将是一个空白屏幕，该屏幕在视觉刺激之间出现的时间量由步骤 1.2.7 中的代码确定。
    9. 双击 幻灯片 对象。
      1. 单击名为 SlideText 的子对象，然后单击幻灯片中的某个位置以将对象放置在那里。
      2. 从该图像中删除现有文本。
      3. 单击“子对象属性页”。
      4. 在“框架”选项卡中，将宽度和高度都设置为 100%。单击“确定”。
    10. 单击“属性页”，然后转到“持续时间/输入”选项卡。在持续时间中键入以下值：[ITIDur]。
    11. 双击 “左试” ，然后将 SoundOut 对象拖放到 左试 行上。
      1. 双击 “声音输出 ”对象。
      2. 在 “文件名 ”下，选择适当的提示文件目录。
      3. 将 缓冲区 大小更改为 1，000 毫秒。
      4. 单击“ 确定”。
    12. 返回到“左试用”，将 Slide 对象拖放到“左试用”行中，并将其重命名为“沃克左”。
      1. 双击此新对象。
      2. 添加 SlideMovie 子对象，方法是单击子对象，然后单击幻灯片。
      3. 单击“ 子对象属性页 ”，然后在 “文件名 ”下选择左侧步行者的视频文件的目录。
      4. 将“ 停止后”模式 设置为 “偏移时间”。
      5. 单击拉伸并选择是。
      6. 将 “结束影片动作 ”设置为 “终止”。
      7. 单击 框架 选项卡并将宽度和高度设置为 100%。
      8. 对于 位置，将 X 和 Y 位置都设置为 50%。
      9. 最后，将 边框颜色 设置为白色。
      10. 单击“ 确定”。
      11. 单击幻灯片对象的属性页。
        1. 单击 持续时间/输入 选项卡。
        2. 将持续时间设置为 4，000。将“预发行版”设置为 500。
        3. 单击“ 确定”。
    13. 重复整个过程（即从步骤1.2.3-1.2.9开始）以进行正确的试验。将程序命名为“右审判”。 按照该过程操作时，仅更改正确的响应（即改为 R 或 L）和视频文件。使用视频文件目录作为正确的步行者。
  3. 双击 会话处理。
    1. 拖放并将对象 滑动 到 会话处理 行
    2. 双击此对象并添加 幻灯片文本子对象。
    3. 将 暂停 写为文本。
    4. 同样，进入 子对象属性页 ，在 框架 选项卡中将宽度和高度设为 100%。将 x 和 y 的位置设为 50%。
    5. 单击“ 确定”。
  4. 双击已创建的 List 对象。
    1. 单击 List 对象的属性页。
    2. 在“选择”选项卡中，将“顺序”设置为“随机”，然后单击“确定”。
    3. 在 “重量 ”列中插入以下数字：
      1. 练习：在“左试”行和“右试”行中输入数字 3。
      2. 实验：在“左试”行和“右试”行中输入数字 11。
  5. 在窗口顶部，单击图标 生成 以创建可执行脚本文件。将其保存到桌面以便于访问。这是将在实验期间运行的文件。
    1. 将练习试用保存为“练习”，将实验试用保存为“实验”。
    2. 测试通过单击 “运行 ”图标创建的脚本。
  6. 在 E-studio 文件夹中，将创建一个 E-run 文件。创建的两个文件（一个用于练习试验，一个用于实验试验）都可以放在计算机桌面上的文件夹中。要运行视觉实验，只需单击相应的图标。
  7. 创建视觉刺激的实验模板后，尝试用投影仪显示它们。
    1. 使用投影仪设置，修改助行者图形的高度，并确保其正中位于参与者站在跑步机上的位置的正前方。
    2. 使用卷尺，直接在投影仪屏幕上测量助行器的高度。计算屏幕与站在跑步机上的人的眼睛之间的距离，以使刺激覆盖 25° 的视角，并相应地移动跑步机。要计算必要的距离，可以使用以下网站：http://elvers.us/perception/visualAngle/

2. 实验室环境的设置

  1. 打开四台录音机、脑电放大器、投影仪、跑步机、扬声器和智能手机。
  2. 设置录音设备。
    1. 打开同步软件，为研究创建的特定子程序，并在 10 秒处使用标记。
      1. 同步软件每 10 秒发送一次脉冲，该脉冲以标记和光脉冲的形式出现在脑电图和视频记录中。
    2. 打开视频录制软件。相机也应该自动打开。如果没有，请手动打开它们。
    3. 为参与者打开并设置脑电图记录软件。
    4. 打开包含使用视觉实验演示软件制作的视觉刺激可执行脚本文件的文件夹。
    5. 根据制造商建议的程序准备脑电图设置和材料。
    6. 从智能手机中删除上一个参与者的对话。
    7. 在参与者的休息椅旁边放一瓶新水。

3. 参与者准备

  1. 欢迎参与者进入1号房间，并简要介绍学习时间和补偿。
  2. 要求参与者取出他们的珠宝（例如耳环、穿孔、项链）、眼镜、智能手机和口袋里的任何内容，将它们放入垃圾箱，然后将其放入储物柜。
  3. 要求参与者摆脱他们可能正在吃的任何口香糖，并确保他们在开始实验之前已经吃过。
  4. 确保参与者穿着舒适的步行鞋，并让他们打双结鞋带，以保证参与者在实验过程中的安全。
  5. 让参与者阅读并签署同意书。
    1. 阅读以下脚本并让参与者坐下，以便他们可以阅读并签署同意书：

      “这是一份同意书，说明您同意参与这项研究。仔细阅读并签名。如果您有任何问题，请不要犹豫。
  6. 将参与者带到指定的参与者准备室，3号房间，在那里设置脑电图帽。
  7. 阅读准备好的脚本，其中解释了实验过程的流程：

    “你可能会注意到，我每隔一段时间就会读一篇课文。这样做是为了确保所有参与者都收到相同的说明。在这项研究中，我们对人们在发送短信和以中等速度行走时如何与面前的刺激物互动感兴趣。在大约 40 分钟内，您将发送您之前使用此智能手机遇到的 [研究助理姓名] [显示智能手机]。当您发短信时，您会不时听到声音。此声音之后将出现行走角色的图像。你的任务是在这里抬起头对着屏幕[指向屏幕]，并大声指示角色是朝你的右边还是向左走。您将不会被要求做任何其他事情。我会写下你的答案。请注意，在所有块中，答案有两个选择（右和左），因此不可能只有左或右作为单个选择。角色来自的方向是完全随机的。口述你的答案后，你只需继续发短信[研究助理的ame]。当你回答或想和我说话时，不要转身，因为你可能会不稳定并摔倒，这一点很重要。保持头向前。在整个实验过程中，我将在这面镜子后面[指着玻璃]。 你有什么问题吗？
  8. 测量参与者脑电图电极帽的头围。对于该实验，使用了具有32个预扩增电极的EEG actiCap。
    1. 选择合适的脑电图帽，将其放在泡沫头上以获得支撑，并将所有电极放置在适当的位置。
    2. 使用 10-20 参考系统重新测量参与者的头围以确定帽子的起点。
    3. 从前面开始将盖子放在参与者的头上，并将其固定到位，同时向后拉动。确保盖子放置正确。
    4. 将脑电图帽的电缆连接到脑电图控制盒。
    5. 向参与者展示凝胶涂抹器，以便他们可以看到它不锋利，并允许他们根据需要触摸它。阅读以下脚本：

      “这是我用来将凝胶放在你头上的脑电图帽上的涂抹器和尖端。你可以触摸它;它不疼。尖端足够短，永远不会碰到你的头。
    6. 打开脑电图电极盒，使所有电极灯变为红色。
    7. 首先将头发移开，然后将凝胶涂在每个电极上来激活电极：从接地电极开始，然后是参比电极。一旦这两个电极变成绿色，添加剩余的电极。
    8. 放置凝胶，直到所有电极传感器变为绿色。
    9. 测量控制盒上的阻抗。
    10. 断开电缆与控制盒的连接，并将它们连接到移动适配器（即将数据无线传输回控制盒的适配器套件）。
    11. 将适配器套件放在腰包中，并要求参与者将其系在腰间，电缆和适配器套件朝向参与者的背部。
    12. 回到机房（4号房间）检查每个电极的阻抗。
    13. 通过目视检查EEG软件监视器屏幕上的信号来验证数据质量是否令人满意。如有必要，修复有问题的电极。
  9. 将参与者带入实验室（即2号房间）。
  10. 让参与者站在跑步机上，并将跑步机安全钥匙连接到参与者身上。
  11. 将跑步机打开到 0.8 英里/小时的速度，让参与者步行 2 分钟，以便他们熟悉速度。在这 2 分钟内，提醒参与者注意说明：

    “在大约40分钟内，你会用智能手机给[研究助理的名字]发短信。当您发短信时，您会不时听到声音。此声音之后将出现行走角色的图像。你的任务是在这个时候抬起头对着屏幕，大声指出角色是朝你的右边还是向左走。您将不会被要求做任何其他事情。我会写下你的答案。陈述答案后，您只需继续发短信[研究助理姓名]。始终给出答案很重要。如果您不确定，请告诉我们您的最佳猜测。当你给出答案或想和我说话时，不要转身，因为你可能会不稳定并跌倒。保持头向前。实验有四个部分，两个部分是你在走路时发短信[研究助理的名字]，两个是你只是在走路。每个部分持续约 12 分钟，每个部分之间有 2 分钟的休息时间。你有什么问题吗？

4. 练习试用

  1. 给参与者智能手机。
  2. 告诉参与者他们将进行练习试验。
  3. 单击刺激的可执行脚本文件以进行练习试验。输入参与者编号并开始试用。
  4. 让参与者练习对视觉刺激做出反应，同时与研究助理进行短信对话。本练习将持续3分钟。
  5. 会话开始后，按照为研究创建的短信对话脚本进行操作。
  6. 在电子表格模板上写下参与者对每个刺激出现的答案。
  7. 3分钟后，让参与者坐在椅子上喝点水。在此期间，将跑步机速度调整为 0.4 英里/小时。
  8. 提醒参与者学习说明。

5. 数据收集

  1. 设置
    1. 转到工作流工作表以选择当前参与者的条件顺序。可能有两个顺序：在顺序 A 中，试验 1 和 3 使用短信条件，而试验 2 和 4 使用控制条件。在顺序 B 中，试验 1 和 3 使用控制条件，试验 2 和 4 使用短信条件。在每次试验中，视觉刺激出现22次。
    2. 确保所有录制软件都已准备好同步启动。
    3. 打开所有录制软件（例如脑电图、视频）
    4. 让参与者回到跑步机上，慢慢将速度提高到 0.8 英里/小时。
    5. 打开视觉刺激程序并开始运行它。
    6. 根据实验条件阅读试验的说明。
      1. 为 实验 试验运行刺激的可执行脚本文件。输入参与者编号和为特定条件选择的代码。开始试用。
  2. 控制条件
    1. 在此任务期间，确保智能手机不在参与者的视野之外。
    2. 指导参与者简单地在跑步机上行走，并通过回答“左”或“右”来回应每次出现的视觉刺激：

      “对于这项任务，您只需要在跑步机上行走即可。你会不时听到声音。此声音之后将出现行走角色的图像。你的任务是抬起头对着屏幕，大声指出，在你看来，角色是向右还是向左移动。您将不会被要求做任何其他事情。我会自己写下你的答案。听写完答案后，您只需继续行走即可。始终给出答案很重要。如果您不确定，请告诉我们您的最佳猜测。当你给出答案或想和我说话时，不要转身，因为你可能会不稳定并跌倒。保持头向前。当我给你信号时开始。你有什么问题吗？
    3. 向参与者发出试验即将开始的信号，并开始视觉刺激试验。
    4. 写下参与者每次回答视觉刺激时的反应。当参与者未能响应时，将该字段留空。
    5. 在试验结束时，让参与者坐下来喝点水。
    6. 在这些休息期间，继续运行所有录音软件，并以 0.4 英里/小时的速度打开跑步机。
    7. 休息后让参与者回到跑步机上，当他们走路时，逐渐将速度提高到 0.8 英里/小时。
  3. 短信条件
    1. 当参与者在跑步机上行走时，将智能手机交给他们。
    2. 指导参与者在跑步机上行走时像自然一样发短信（例如，用一只手或两只手），并在每次出现视觉刺激时通过回答“左”或“右”来回应视觉刺激：

      “对于这项任务，您将用智能手机发送[研究助理的姓名]。在智能手机上，打开消息应用程序。然后选择说“你好”的对话。您必须积极参与短信对话。当您发短信时，您会不时听到声音。此声音之后将出现行走角色的图像。你的任务是在这里抬起头对着屏幕，在你看来，指示角色是向右还是向左移动。您将不会被要求做任何其他事情。我会自己写下你的答案。口述答案后，您只需继续发短信即可。始终给出答案很重要。如果您不确定，请告诉我们您的最佳猜测。当你给出答案或想和我说话时，不要转身，因为你可能会不稳定并跌倒。保持头向前。当我给你信号时开始。你有什么问题吗？
    3. 向参与者发出试验即将开始的信号，并开始视觉刺激试验。
    4. 指导参与者在跑步机上行走时进行短信对话。指导他们每次出现视觉刺激时也通过回答“左”或“右”来做出反应。
    5. 让研究助理遵循对话脚本，并在整个条件下保持对话。
    6. 写下参与者每次回答视觉刺激时的反应。当参与者未能响应时，将该字段留空。
    7. 在试验结束时，从参与者那里拿走智能手机，让参与者坐下来喝点水。
    8. 在这些休息期间，继续运行所有录音软件，并以 0.4 英里/小时的速度打开跑步机。
    9. 休息后让参与者回到跑步机上，当他们走路时，逐渐将速度提高到 0.8 英里/小时。

6. 数据收集结束

  1. 在实验操作结束时，让参与者关闭跑步机。让参与者坐下来喝点水。
  2. 取下脑电图帽，带参与者去淋浴，如果他们愿意，他们可以洗头。
  3. 给参与者他们的补偿，并感谢他们的参与。确保参与者带着同意书的副本离开，并取回所有个人物品。

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

该研究方案最初由54名参与者进行，每位参与者对88项方向试验做出反应。这些试验中有一半发生在受试者在刺激呈现之前只是走路时;另一半发生在参与者在刺激演示之前边走边发短信时。

行为结果
点光步行者方向上的性能表示任务切换成本，较低的性能表示较高的任务切换成本。用两个反应变量分析参与者的反应：1）正确识别;2）响应时间。两个实验条件代表了两组：1）边走边发短信;2）在对刺激做出反应之前只是走路。在实验结束时计算响应时间。将实验的视频记录转换为音频文件，然后用声音软件进行分析，以标记声音波长的峰值。一旦标记了提示的声音和参与者口头反应的声音，就确定了两者之间的时间。通过从实验演示软件中导出参与者对88项试验的正确方向并将其添加到包含参与者响应的数据库文件中，分析正确的响应时间。在使用的程序（Excel）中，使用测试准确性的公式（=IF（A1=B1，1，0））来确定第一列数据列中包含的信息（即参与者的响应）是否与第二列相同。

由于每个参与者必须反复确定刺激的方向，因此不能使用t检验来分析不同条件下性能均值的差异。相反，为了解释试验之间的受试者内相关性，使用了广义线性回归模型。该分析是使用Proc Glimmix和SAS 9.4软件运行的。组变量是响应变量的解释变量，并为每个主体添加了随机高斯截距。响应变量（正确或不正确的响应）的准确性是二元的，因此，logit 链接函数适用于此回归模型。

我们发现，当参与者在刺激出现之前没有发短信时，他们更有可能确定点光步行者刺激的正确方向（优势比 = 0.77; T = −3.12; p = 0.001;95% 置信区间 （.657;.（908））。 反应时间无显著差异（β = −0.005; T = −.26; p = 0.799;95% 置信区间 （-.047;. 036））（见 图 3）。

为了将准确性与响应时间相结合，使用了逆效率得分（IES）24 。方向试验的准确概率使用逻辑回归建模，响应时间作为控制变量。同样，为每个受试者添加了单独的随机截距，以解释试验之间潜在的受试者内相关性。这种混合效应回归的结果显示了实验条件的显着效果，其中参与者在走路时发短信的情况下准确响应刺激的估计概率比他们在刺激出现之前简单地走路时小 18.9%（优势比 = 0.811; T = −2.46; p = 0.014;95% 置信区间 0.686–0.959;见 图3）。这表明，无论响应时间如何，当参与者在走路时发短信时，刺激方向的准确性始终较低。

神经生理学数据
脑电图记录用于通过观察α振荡和认知参与来确定任务切换所涉及的神经生理活动。在运动过程中使用脑电图导致了更多的伪影。为了确保数据的质量，采取了几个步骤。首先，为了允许在行走过程中进行记录，使用了带有噪声减法电路的新型有源电极技术（即预放大电极）。其次，使用20 Hz的低通IIR滤波器离线过滤EEG数据以隔离α波，并使用1 Hz的高通IIR滤波器来降低噪声。第三，应用独立成分分析（ICA）以减轻脑电图数据中由眨眼和眼部扫视引起的伪影25。第四，使用自动伪影抑制来排除两个相邻采样点之间电压差超过50 μV以及间隔为75 ms内电压差超过50 μV的时期。

使用视觉分析仪 2 进行数据分析。基于Luck26，数据被重新引用到共同平均值参考。此外，对数据进行分割以隔离步行者刺激呈现后的2 s以及2 s基线。对于每个刺激呈现，确定代表参与者在走路时仅走路或发短信时发生的活动的基线。该基线是在 2 秒的时间点内获得的，发生在每次刺激出现的听觉提示之前 12 秒。在1 s时期使用快速傅里叶变换分别分析这两个段，以获得频域中的功率值。所有时期均按实验条件分别取平均值。

该分析的目的是确定任务集抑制和任务集激活这两个子步骤对行为切换成本（即性能测量）的影响是否不同。为此，根据两个指标分析了脑电图数据：1）阿尔法振荡;2）认知参与。所有的计算都是使用Cz和Pz站点完成的，因为它们的数据包含更少的噪音和更少的伪影。通过将基线α功率与刺激呈现时发生的α功率进行比较，用α比率分析了由于刺激呈现引起的α振荡的变化18，19。使用Pope等人开发的认知参与指数20，创建了β（14-20 Hz）中的总功率除以alpha（8-12 Hz）和θ（4-8 Hz）分量的总功率的比率。为了计算组合功率，使用的功率总和位于 Cz 和 Pz 位置。

比较了两种条件下的α比及其对性能的影响。阿尔法比率反映了任务抑制的过程。由于每个受试者的α比是测量的，因此有必要将该比值与该条件下的总表现进行比较（即该条件下的44项试验的正确反应百分比）。为了比较两种条件的相关系数，Steiger27 提出的z检验被用作比较同一个体测量的相关系数的手段。在Pz站点，发现两种条件之间的性能和alpha比率之间的相关性在统计学上存在差异（p = 0.032;95%置信区间= 0.054–1.220）（见 图4）。由于每种条件的相关性是相反的，因此表明抑制过程在两种条件下对性能的影响不同，较高的α比导致更好的步行条件下的表现，而在短信条件下，表现受到较高α比的阻碍。这些结果表明，在走路时发短信时，抑制前一个任务集所需的资源量会对性能产生负面影响。因此，参与者在任务集抑制中投入资源的程度对发短信时即将到来的表现影响更大。关于Cz部位，没有发现显着差异，表明效果主要位于头皮的顶叶区域。

还比较了两种情况的认知参与率及其对表现的影响。至于阿尔法比，Steiger27 提出的z检验也用于此分析。结果显示，两种情况之间存在统计学上的显着差异，其中在刺激出现之前完成的任务（即边走边走路或发短信）对每种情况的表现的影响不同（p = 0.027;95%置信区间= -1.062 – -0.061）。在这里，相关性再次是相反的符号。我们的研究结果表明，当参与者在任务切换前行走时，较高的认知参与率与表现下降有关，而当参与者在任务切换前走路时发短信时，较高的认知参与度与表现的提高有关。这表明，走路时发短信的较高任务转换成本并不是由于该任务的认知参与度更高。

Movie 1
图 1：在此视频中，可以看到一个走向拍摄对象右侧的身影。请点击此处观看此视频。（右键单击可下载。

Figure 2
图2：房间的实验设置。请点击此处查看此图的大图。

Figure 3
图 3：短信对准确性和响应时间的影响。请点击此处查看此图的大图。

Figure 4
图 4：Fz 处的 Alpha 与性能之间的相关性。请点击此处查看此图的大图。

Subscription Required. Please recommend JoVE to your librarian.

Discussion

使用该协议时的一个关键选择是确保神经生理数据的质量。在运动过程中使用像EEG这样的工具有一个固有的复杂性，因为过度运动会在数据中产生很多噪音。因此，在数据收集之前，重要的是要考虑如何在不修改实际信号的情况下准备数据以去除尽可能多的伪影。尽管如此，数据排除率仍然很高，因为参与者在整个实验过程中都在跑步机上行走。由于面部、头部和身体过度运动造成的人工制品，以及可能出汗过多和设备故障，某些参与者的数据将无法使用。为避免偏差或影响结果，应在行为分析之前确定数据排除项。自进行这项研究以来，我们的实验室已经获得了定位电极位置的能力，我们希望在未来的研究中使用这项技术来更好地分析源活动。我们建议未来的研究利用电极定位技术来估计相关脑电信号的来源。

该协议中要注意的一个关键步骤是参与者与研究助理进行短信对话的脚本。重要的是，短信对话应以预定义的主题和一些开放式问题为指导。遵循这样的脚本有很多价值。首先，我们确保所有参与者都有相似类型的对话，因此我们消除了自然发生的对话中存在的可变性。通过这种方式，我们确保分心的程度不会因参与者之间的对话差异太大而变化。其次，我们可以通过明智地选择主题来确保谈话不会导致强烈的情绪反应。情绪化的互动可能会改变脑电图分析和分心水平，这反过来会使行为和神经生理学结果的解释复杂化。所有短信对话都不可避免地会在某种程度上有所不同，但拥有脚本可以让我们对这种可变性进行一定程度的控制。为了进一步限制对话中的可变性，最好在整个研究项目期间由一名指定的研究助理负责这项任务。尽管如此，通过坚持脚本，我们也失去了这种对话的生态有效性。例如，当个人与朋友进行对话时，这些对话可能会充满情感，这实际上可能会改变任务转换的成本。然而，重要的是要考虑到，要分析对话类型对任务转换成本的影响，由于这种分析的复杂性，研究的目标必须集中在这一方面。因此，就我们的目的而言，使用脚本更为合适。

在创建数据库文件时也应小心，其中将记录参与者的响应。我们在Excel中用于测试准确性的公式（即 =IF（A1=B1，1，0））与格式相关（例如，它将受到额外空格和大写字母的影响）。因此，建议将 R 写成右边或 L 写成左边，格式与从视觉实验演示软件中提取的输出中使用的格式相同。写入文件时的任何错误都可能导致准确度等级出现漏报。最后，对于这种视觉处理起着重要作用的研究，重要的是所有参与者的视力正常或矫正到正常。因为我们使用的是脑电图工具，所以筛查癫痫和神经以及精神病学诊断也很重要，这可能会影响参与者的大脑信号。明智的做法是将这些参与者排除在研究之外，因为大脑活动的差异可能会使结果产生偏差。

可以修改此方法以测试多种智能手机用途（例如，阅读，社交媒体，游戏，查看图像等）。28. 也可以在实验条件之间或实验结束时添加问卷，以更深入地了解参与者的特征和看法（见Mourra 29）。任务之间的问卷调查不应耗时，以避免在以下情况下不必要地增加参与者的疲劳。这个时刻对于测试不同的任务相关结构非常有用，例如对时间的感知、参与者对刚刚完成的任务的兴趣以及感知的难度。实验结束时的问卷调查可能更耗时，但必须考虑到最终确定条件的疲劳。问卷调查的时间安排应避免参与者的答案因他们在任务期间的经验而产生偏见，并避免参与者的行为因先前提出的问题而产生偏见。

这种方法是有限的，因为真实的行人环境同时呈现了许多刺激，因此这些环境中所需的认知负荷可能比本研究高得多（见Pourchon et al.7）。尽管如此，为了真正能够确定潜在的神经生理机制，似乎有必要做出这样的权衡。根据特定研究的目的，可以修改视觉刺激以测试可能影响在走路时使用智能手机的任务切换成本的不同因素。在这种方法中，使用点光步行者图形而不是实际的人类图形，因为这种点光步行者不易产生偏差。对于某些参与者来说，实际的人类步行者的出现可能更令人愉悦或不愉快，这可能会影响归因于它的注意力。通过使用一组代表人类形态和人类运动的点，我们可以绕过人类步行者的性别、服装、身体形象以及其他可能扭曲结果的变量。例如，发现人类助行器更具吸引力的参与者可能比其他方式更容易将注意力集中在助行器上。

该方法可用于未来研究中的不同应用。例如，通过修改视觉刺激以具有不同的特征，可以研究环境中物体的特征如何影响任务切换成本。将这种方法与手动跑步机一起使用也可能很有趣，其中参与者的脚在甲板上的动作移动跑步机皮带。通过这种方式，我们可以确定由于多任务处理或任务切换而导致的速度在实验过程中如何波动。这将增加生态有效性，同时添加一个要在分析中考虑的新变量（例如，停止，走得更慢或更快会影响参与者的表现吗？因此，在刺激和受试者运动方面，除了这种方法（即点光助行器和自动跑步机）之外，还有许多其他可能性来研究走路行为时的短信（Pourchon et al.7， Schabrun et al.30）。这将增加未来研究的内部或外部有效性。此外，必须注意的是，我们仅使用来自两个电极的脑电图数据的决定有一些限制。未来的研究应尝试将分析扩展到包含多个电极的感兴趣区域。也可以不使用对话脚本，让对话自然发生。在这种情况下，可以通过内容分析来分析对话的内容，并且可以以自然的方式研究不同类型的对话的影响。总之，这种方法可以作为基础，更复杂的研究可以在此基础上增加对可能影响我们在走路时使用智能手机进行多任务处理能力的不同因素的了解。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

作者没有什么可透露的。

Acknowledgments

作者感谢加拿大社会科学和人文研究委员会（SSHERC）的财政支持。

Materials

Name Company Catalog Number Comments
The Observer XT Noldus Integration and synchronization software: The Noldus Observer XT (Noldus Information Technology) is used to synchronize all behavioral, emotional and cognitive engagement data.
MediaRecorder Noldus Audio and video recording software
FaceReader Noldus Software for automatic analysis of the 6 basic facial expressions
E-Prime Psychology Software Tools, Inc. Software for computerized experiment design, data collection, and analysis
BrainVision Recorder Brain Vision Software used for recording neuro-/electrophysiological signals (EEG in this case)
Analyzer EEG signal processing software
Qualtrics Qualtrics Online survey environment
Tapis Roulant ThermoTread GT Office Treadmill
Syncbox Noldus Syncbox start the co-registration of EEG and gaze data by sending a Transistor-Transistor Logic (TTL) signal to the EGI amplifier and a keystroke signal to the Tobii Studio v 3.2.
Move2actiCAP Brain Vision Add-on for a digital wireless system for EEG
iPhone 6s Apple
iMessage Apple
iPad Apple

DOWNLOAD MATERIALS LIST

References

  1. Monsell, S. Task switching. Trends in Cognitive Sciences. 7 (3), 134-140 (2003).
  2. Haga, S., et al. Effects of using a Smart Phone on Pedestrians' Attention and Walking. Procedia Manufacturing. 3, 2574-2580 (2015).
  3. Hatfield, J., Murphy, S. The effects of mobile phone use on pedestrian crossing behaviour at signalised and unsignalised intersections. Accident Analysis, Prevention. 39 (1), (2007).
  4. Stavrinos, D., Byington, K. W., Schwebel, D. C. Distracted walking: Cell phones increase injury risk for college pedestrians. Journal of Safety Research. 42 (2), 101-107 (2011).
  5. Nasar, J., Hecht, P., Wener, R. Mobile telephones, distracted attention, and pedestrian safety. Accident Analysis, Prevention. 40 (1), 69-75 (2008).
  6. Hyman, I. E., Boss, S. M., Wise, B. M., McKenzie, K. E., Caggiano, J. M. Did you see the unicycling clown? Inattentional blindness while walking and talking on a cell phone. Applied Cognitive Psychology. 24 (5), 597-607 (2010).
  7. Pourchon, R., et al. Is augmented reality leading to more risky behaviors? An experiment with pokémon go. Proceedings of the International Conference on HCI in Business, Government, and Organizations. , 354-361 (2017).
  8. Thornton, I. M., Rensink, R. A., Shiffrar, M. Active versus Passive Processing of Biological Motion. Perception. 31 (7), 837-853 (2002).
  9. Neider, M. B., McCarley, J. S., Crowell, J. A., Kaczmarski, H., Kramer, A. F. Pedestrians, vehicles, and cell phones. Accident Analysis, Prevention. 42, 589-594 (2010).
  10. Wylie, G., Allport, A. Task switching and the measurement of "switch costs". Psychological Research. 63 (3-4), 212-233 (2000).
  11. Johansson, G. Visual perception of biological motion and a model for its analysis. Perception, Psychophysics. 14 (2), 201-211 (1973).
  12. Cavanagh, P., Labianca, A. T., Thornton, I. M. Attention-based visual routines: Sprites. Cognition. 80 (1-2), 47-60 (2001).
  13. Troje, N. F. Retrieving Information from Human Movement Patterns. Understanding Events. , 308-334 (2008).
  14. Klimesch, W. EEG alpha and theta oscillations reflect cognitive and memory performance: A review and analysis. Brain Research Reviews. 29 (2-3), 169-195 (1999).
  15. Jensen, O., Gelfand, J., Kounios, J., Lisman, J. E. Oscillations in the Alpha Band (9-12 Hz) Increase with Memory Load during Retention in a Short-term Memory Task. Cerebral Cortex. 12 (8), 877-882 (2002).
  16. Busch, N. A., Herrmann, C. S. Object-load and feature-load modulate EEG in a short-term memory task. NeuroReport. 14 (13), 1721-1724 (2003).
  17. Herrmann, C. S., Senkowski, D., Röttger, S. Phase-Locking and Amplitude Modulations of EEG Alpha. Experimental Psychology. 51 (4), 311-318 (2004).
  18. Pfurtscheller, G., Aranibar, A. Event-related cortical desynchronization detected by power measurements of scalp EEG. Electroencephalography and Clinical Neurophysiology. 42 (6), 817-826 (1977).
  19. Sauseng, P., et al. EEG alpha synchronization and functional coupling during top-down processing in a working memory task. Human Brain Mapping. 26 (2), 148-155 (2005).
  20. Pope, A. T., Bogart, E. H., Bartolome, D. S. Biocybernetic system evaluates indices of operator engagement in automated task. Biological Psychology. 40 (1-2), 187-195 (1995).
  21. Scerbo, M. W., Freeman, F. G., Mikulka, P. J. A brain-based system for adaptive automation. Theoretical Issues in Ergonomics Science. 4 (1-2), 200-219 (2003).
  22. Charland, P., et al. Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective. Journal of Visualized Experiments. (101), e52627 (2015).
  23. Courtemanche, F., et al. Texting while walking: An expensive switch cost. Accident Analysis, Prevention. 127, 1-8 (2019).
  24. Townsend, J. T., Ashby, F. G. The stochastic modeling of elementary psychological processes. , Cambridge University Press. Cambridge. (1983).
  25. Jung, T., et al. Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects. Clinical Neurophysiology. 111, 1745-1758 (2000).
  26. Luck, S. J. An Introduction to the Event-related Potential Technique (Cognitive Neuroscience). , MIT Press. Cambridge, MA. (2005).
  27. Steiger, J. H. Tests for comparing elements of a correlation matrix. Psychological Bulletin. 87 (2), 245-251 (1980).
  28. Léger, P. -M., et al. Task Switching and Visual Discrimination in Pedestrian Mobile Multitasking: Influence of IT Mobile Task Type. Information Systems and Neuroscience: Vienna Retreat on NeuroIs 2019. Davis, F., Riedl, R., vom Brocke, J., Léger, P. -M., Randolph, A., Fischer, T. H. , Springer. 245-251 (2020).
  29. Mourra, G. N. Addicted to my smartphone: what factors influence the task-switching cost that occurs when using a smartphone while walking. , Retrieved from: http://biblos.hec.ca/biblio/memoires/m2019a610182.pdf (2019).
  30. Schabrun, S. M., van den Hoorn, W., Moorcroft, A., Greenland, C., Hodges, P. W. Texting and walking: strategies for postural control and implications for safety. PloS One. 9 (1), 84312 (2014).

Tags

行为， 问题 158， 任务切换， 注意过程， 神经人体工程学， 事故分析， 移动设备， 脑电图

Erratum

Formal Correction: Erratum: Measuring the Switch Cost of Smartphone Use While Walking
Posted by JoVE Editors on 08/24/2020. Citeable Link.

An erratum was issued for: Measuring the Switch Cost of Smartphone Use While Walking. An author's name was updated.

The name was corrected from:

Gabrielle-Naïmé Mourra

to:

Gabrielle Naïmé Mourra

测量边走边使用智能手机的开关成本
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Mourra, G. N., Brieugne, D., Rucco,… More

Mourra, G. N., Brieugne, D., Rucco, E., Labonté-Lemoyne, É., Courtemanche, F., Sénécal, S., Fredette, M., Cameron, A. F., Faubert, J., Lepore, F., Bellavance, F., Léger, P. M. Measuring the Switch Cost of Smartphone Use While Walking. J. Vis. Exp. (158), e60555, doi:10.3791/60555 (2020).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter