Waiting
Login processing...

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

Behavior

Mesurer le coût de commutation de l’utilisation d’un smartphone en marchant

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

Cette conception d’étude mesure le coût de changement de tâche de l’utilisation d’un smartphone en marchant. Les participants subissent deux conditions expérimentales : une condition de contrôle (marche) et une condition multitâche (texter en marchant). Les participants basculent entre ces tâches et une tâche déterminant la direction. Les données EEG ainsi que les mesures comportementales sont enregistrées.

Abstract

Cet article présente un protocole d’étude pour mesurer le coût de changement de tâche de l’utilisation d’un smartphone en marchant. Cette méthode consiste à faire marcher les participants sur un tapis roulant dans deux conditions expérimentales : une condition de contrôle (c.-à-d. simplement marcher) et une condition multitâche (c.-à-d. envoyer des textos en marchant). Dans ces conditions, les participants doivent basculer entre les tâches liées à la condition expérimentale et une tâche déterminant la direction. Cette tâche de direction est effectuée avec une figure de marcheur à lumière ponctuelle, marchant apparemment vers la gauche ou la droite du participant. L’exécution de la tâche de direction représente les coûts de changement de tâche du participant. Il y avait deux mesures de rendement : 1) l’identification correcte de la direction et 2) le temps de réponse. Les données EEG sont enregistrées afin de mesurer les oscillations alpha et l’engagement cognitif se produisant lors du changement de tâche. Cette méthode est limitée dans sa validité écologique: les environnements piétonniers ont de nombreux stimuli qui se produisent simultanément et se disputent l’attention. Néanmoins, cette méthode est appropriée pour identifier les coûts de changement de tâche. Les données EEG permettent d’étudier les mécanismes sous-jacents dans le cerveau qui sont liés à différents coûts de changement de tâche. Cette conception permet la comparaison entre le changement de tâche lors de l’exécution d’une tâche à la fois, par rapport au changement de tâche lors du multitâche, avant la présentation du stimulus. Cela permet de comprendre et d’identifier à la fois l’impact comportemental et neurophysiologique de ces deux conditions différentes de changement de tâche. De plus, en corrélant les coûts de changement de tâche avec l’activité cérébrale, nous pouvons en apprendre davantage sur les causes de ces effets comportementaux. Ce protocole est une base appropriée pour étudier le coût de commutation des différentes utilisations des smartphones. Différentes tâches, questionnaires et autres mesures peuvent y être ajoutés afin de comprendre les différents facteurs impliqués dans le coût de changement de tâche de l’utilisation du smartphone en marchant.

Introduction

Parce que la pénétration des smartphones et la tendance à effectuer plusieurs tâches à la fois augmentent, il est important de comprendre l’impact de l’utilisation du smartphone en marchant sur l’attention. La littérature a démontré à maintes reprises que le changement de tâche a un coûtde 1, y compris l’utilisation d’un smartphone en marchant. Des études ont montré que l’utilisation d’un smartphone en marchant peut être distrayante et dangereuse 2,3,4. Ces dangers ont été liés aux déficiences attentionnelles de faire une telle tâche 3,4,5,6,7. En raison de la nature complexe de l’environnement piétonnier, l’étudier dans un contexte expérimental écologiquement valide peut être problématique. Néanmoins, la réalisation de telles études dans des environnements piétonniers réels peut entraîner des complications qui leur sont propres, car de nombreuses variables étrangères peuvent entrer en jeu et il existe un risque de préjudice pour le participant en raison des distractions. Il est important de pouvoir étudier un tel phénomène dans un environnement relativement sûr qui reste le plus réaliste possible. Dans cet article, nous décrivons une méthodologie de recherche qui étudie le coût du changement de tâche de textos en marchant, tout en augmentant la validité de la tâche et en atténuant les risques potentiels impliqués.

Lorsqu’ils utilisent un smartphone en marchant, les individus sont obligés de passer des tâches du smartphone à la marche et aux tâches liées à l’environnement. Par conséquent, afin d’étudier un tel phénomène, nous avons trouvé pertinent d’encadrer cette méthode dans la littérature sur le multitâche, spécifiquement axée sur le paradigme de la commutation de tâche. Pour ce faire, le paradigme de changement de tâche a été utilisé1, permettant aux participants de basculer entre une tâche pré-stimulus et une tâche post-stimulus. L’une des deux tâches préalables à la relance impliquait le multitâche, tandis que l’autre ne l’était pas. Dans la tâche post-stimulation, les participants devaient répondre à un stimulus dont la perception est influencée par une attention partagée8. De plus, des études expérimentales en laboratoire qui tentent d’être aussi écologiquement valides que possible ont souvent utilisé des environnements piétonniers virtuels pour comprendre l’impact attentionnel de l’utilisation du smartphone en marchant 4,9. Néanmoins, afin de saisir les mécanismes neurophysiologiques sous-jacents, nous avons choisi de nous concentrer sur la réaction spécifique de changement de tâche à un stimulus afin de minimiser le nombre de stimuli auxquels les participants devaient réagir. De cette façon, nous pouvons identifier plus précisément le coût du changement de tâche provenant uniquement du détournement de l’attention du smartphone vers le stimulus. Avec notre plan d’étude, nous utilisons des mesures comportementales (c’est-à-dire le coût du changement de tâche) et des données neurophysiologiques pour mieux comprendre les déficiences attentionnelles trouvées lors de l’utilisation d’un smartphone piéton.

Au cours d’une expérience de changement de tâche, les participants effectuaient généralement au moins deux tâches simples relatives à un ensemble de stimuli, chaque tâche nécessitant un ensemble différent de ressources cognitives appelées « ensemble de tâches »1. Lorsque les individus sont forcés de passer d’une tâche à l’autre, leurs ressources mentales doivent s’adapter (c.-à-d. inhibition de l’ensemble de tâches précédent et activation de l’ensemble de tâches actuel). Ce processus de « reconfiguration de l’ensemble des tâches » est considéré comme la cause du coût du changement de tâche1. Le coût du changement de tâche est généralement déterminé en observant les différences dans le temps de réponse et/ou le taux d’erreur entre les essais où les participants passent d’une tâche à l’autre et ceux où ils ne le font pas10. Dans notre expérience, nous avions trois ensembles de tâches: 1) répondre à un stimulus de marcheur ponctuel; 2) envoyer des SMS sur un smartphone en marchant; et 3) simplement marcher. Nous avons comparé le coût du changement entre deux conditions différentes: 1) simplement marcher avant de répondre au stimulus, et 2) marcher en envoyant des SMS avant de répondre. De cette façon, nous avons capturé le coût du multitâche sur un smartphone avant de changer de tâche et avons pu le comparer directement au coût de l’interrupteur non multitâche de simplement marcher avant l’apparition du stimulus visuel. Parce que le smartphone utilisé dans cette étude était d’une marque spécifique, tous les participants ont été sélectionnés avant l’expérience pour s’assurer qu’ils savaient comment utiliser correctement l’appareil.

Afin de simuler une expérience réaliste représentative du contexte piétonnier, nous avons décidé d’utiliser une figure de marcheur à lumière ponctuelle comme stimulus visuel, représentant une forme humaine marchant avec un angle de déviation de 3,5° vers la gauche ou la droite du participant. Cette figure est composée de 15 points noirs sur fond blanc, les points représentant la tête, les épaules, les hanches, les coudes, les poignets, les genoux et les chevilles d’un humain (Figure 1). Ce stimulus est basé sur le mouvement biologique, ce qui signifie qu’il suit le schéma de mouvement typique des humains et des animaux11. De plus, ce stimulus est plus que valable sur le plan écologique; Il nécessite un traitement visuel complexe et une attention particulière pour être analysé avec succès12,13. Fait intéressant, Thornton et al.8 ont constaté que l’identification correcte de la direction du marcheur en forme de point est grandement influencée par l’attention divisée, ce qui la rend appropriée comme mesure de performance lors de l’étude des coûts de commutation de tâches lors du multitâche. On a demandé aux participants d’indiquer verbalement la direction dans laquelle la silhouette marchait. L’apparition du marcheur était toujours précédée d’un signal auditif qui signalait son apparition à l’écran.

La performance sur la tâche du marcheur à lumière ponctuelle et les données neurophysiologiques nous ont permis de déterminer l’impact attentionnel des deux conditions et d’aider à déterminer ce qui les a causées. La performance a été mesurée en examinant les taux d’erreur et les temps de réponse lors de la détermination de la direction de la figure du marcheur à lumière ponctuelle. Afin de comprendre les mécanismes cognitifs et attentionnels sous-jacents impliqués dans les déficiences attentionnelles que nous avons trouvées avec la mesure de performance, nous avons évalué les données neurophysiologiques des participants en utilisant l’EEG actiCAP avec 32 électrodes. L’EEG est un outil approprié en termes de précision temporaire, ce qui est important lorsque vous essayez de voir ce qui cause une mauvaise performance à des moments précis (par exemple, l’apparition de la figure du marcheur à lumière ponctuelle), bien que des artefacts puissent être présents dans les données en raison de mouvements. Lors de l’analyse des données EEG, deux indices sont particulièrement pertinents : 1) les oscillations alpha ; et 2) l’engagement cognitif. La recherche a montré que les oscillations alpha peuvent représenter le contrôle de la mémoire de travail ainsi que l’inhibition active des circuits cérébraux non pertinents pour la tâche14,15,16,17. En comparant les oscillations alpha aux niveaux de base avec celles qui se produisent avec la présentation du stimulus18,19, nous avons obtenu le rapport alpha. Avec ce ratio, nous avons déterminé les changements liés à l’événement qui pourraient être sous-jacents à la déficience attentionnelle observée lors de l’envoi de SMS en marchant. En ce qui concerne l’engagement cognitif, Pope et al.20 ont développé un indice où l’activité bêta représente une augmentation de l’excitation et de l’attention, et l’activité alpha et thêta reflète une diminution de l’excitation et de l’attention21,22. Cette analyse a été effectuée pour déterminer si un engagement accru avant l’apparition du stimulus compliquerait la reconfiguration de l’ensemble de tâches requise pour répondre à la figure du marcheur.

Avec la méthodologie décrite dans cet article, nous cherchons à saisir les mécanismes sous-jacents qui ont un impact sur les performances de commutation de tâches chez les participants engagés dans des épisodes multitâches. La condition de marche représente une performance de changement de tâche non multitâche qui est comparée à une performance de changement de tâche multitâche (c’est-à-dire envoyer des SMS en marchant). En mesurant les rôles de l’inhibition et de l’activation des ensembles de tâches, nous avons cherché à mieux comprendre les coûts de commutation qui se produisent lors de l’envoi de SMS en marchant. Il est pertinent de noter que l’étude originale a été réalisée dans un environnement virtuel immersif23 , mais a ensuite été reproduite dans une salle expérimentale (voir la figure 2) avec un projecteur affichant la figure du marcheur sur un écran devant le participant. Comme cet environnement virtuel n’est plus disponible, le protocole a été adapté à la conception actuelle de la salle expérimentale.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Avant de commencer la collecte de données, il est important de recevoir toute l’approbation de recherche éthique nécessaire pour les participants humains. Cela devrait se faire par l’entremise des comités d’examen appropriés et/ou des comités d’examen des participants humains.

Ce protocole a été approuvé et certifié par le comité d’éthique de HEC Montréal pour le centre de recherche Tech3Lab.

1. Préparation du stimulus visuel

  1. Créez le modèle expérimental pour le stimulus visuel avec un logiciel de présentation d’expérience visuelle, tel que E-prime. Créer un pour l’essai pratique (six essais) et un pour les conditions expérimentales (22 essais).
  2. Ouvrez le logiciel E-prime et accédez à la fenêtre de structure, où la logique de l’expérience peut être créée.
    1. Double-cliquez sur SessionProc (la timeline pour séquencer l’ordre d’apparition des objets E).
    2. Faites glisser l’objet TextDisplay de la boîte à outils vers la ligne SessionProc .
      1. Double-cliquez sur l’objet TextDisplay qui a été inséré dans le processus SessionProc et écrivez les instructions de l’étude : « Lorsque vous entendez le signal auditif, levez la tête et indiquez à haute voix dans quelle direction va le marcheur, vers votre gauche ou vers votre droite. L’expérience commencera sous peu. »
      2. Cliquez sur l’icône Pages de propriétés en haut de la fenêtre TextDisplay . Cliquez sur l’onglet Commun et modifiez le paramètre de la zone Nom en instructions. Cliquez sur le menu déroulant Durée et sélectionnez Infini. Cliquez sur l’onglet Durée/Entrée et choisissez Ajouter, sélectionnez Clavier et appuyez sur OK. Cliquez à nouveau sur OK pour quitter les pages de propriétés. Cela garantit que les instructions restent à l’écran jusqu’à ce que vous appuyiez pour démarrer l’expérience.
    3. Dans SessionProc, faites maintenant glisser et déposez un objet List dans la ligne SessionProc (placez-le après les instructions). Double-cliquez sur l’objet List. Dans la colonne Procédure, écrivez « Essai à gauche », appuyez sur Entrée et cliquez sur OUI dans la fenêtre contextuelle vous demandant de créer une nouvelle procédure. Lorsque la fenêtre contextuelle suivante vous demande d’en faire la valeur par défaut, cliquez sur NON.
    4. Double-cliquez sur l’objet List dans la ligne SessionProc. Cliquez sur le bouton vert nommé Ajouter un attribut. Nommez l’attribut comme suit : réponse correcte. Cliquez sur OK.
    5. Cliquez sur l’espace vide dans la colonne réponse correcte et écrivez L (c’est pour signaler que cette liste objet si pour le marcheur allant vers la gauche).
    6. Revenez à SessionProc et cliquez sur le nouvel objet qui a été créé appelé Left-Trial.
    7. Accédez au processus SessionProc et double-cliquez sur l’objet Left-Trial .
      1. Faites glisser et déposez l’objet InLine dans la ligne Left-Trial et renommez-le.
        1. Sélectionnez ITI. Double-cliquez sur l’objet InLine et écrivez le code suivant :
          Dim nRandom As Integer
          nAléatoire = Aléatoire (16500, 17500)
          c.SetAttrib « ITIDur », nRandom
        2. Le code présente le stimulus du marcheur à des intervalles de temps compris entre 16 500 ms et 17 500 ms.
    8. Double-cliquez sur Left-Trial. Faites glisser et déposez un objet Slide sur la ligne Left-Trial . Renommez-le En attendant, cet objet sera un écran vide qui apparaîtra entre les stimuli visuels pendant la durée déterminée par le code à l’étape 1.2.7.
    9. Double-cliquez sur l’objet Slide .
      1. Cliquez sur le sous-objet appelé SlideText et cliquez quelque part dans la diapositive pour y placer l’objet.
      2. Supprimez le texte existant de cette image.
      3. Cliquez sur Pages de propriétés de sous-objet.
      4. Dans l’onglet Cadre, définissez la largeur et la hauteur sur 100 %. Cliquez sur OK.
    10. Cliquez sur les pages de propriétés et accédez à l’onglet Durée/Entrée . Tapez dans duration la valeur suivante : [ITIDur].
    11. Double-cliquez sur Left-Trial et faites glisser et déposez un objet SoundOut sur la ligne Left-Trial .
      1. Double-cliquez sur l’objet SoundOut .
      2. Sous Nom de fichier , sélectionnez le répertoire de fichiers de repère sonore approprié.
      3. Définissez la taille de la mémoire tampon sur 1 000 ms.
      4. Cliquez sur OK.
    12. Revenez à Left-Trial et faites glisser et déposez un objet Slide dans la ligne Left-Trial et renommez-le Walker Left.
      1. Double-cliquez sur ce nouvel objet.
      2. Ajoutez un sous-objet SlideMovie en cliquant sur le sous-objet, puis sur la diapositive.
      3. Cliquez sur Pages de propriétés de sous-objet et sous Nom de fichier, sélectionnez le répertoire du fichier vidéo du marcheur gauche.
      4. Définissez le mode Stop After sur OffsetTime.
      5. Cliquez sur Stretch et choisissez YES.
      6. Définissez l’action de fin de film sur Terminer.
      7. Cliquez sur l’onglet Cadre et définissez la largeur et la hauteur à 100%.
      8. Pour la position, définissez les positions X et Y sur 50 %.
      9. Enfin, définissez la couleur de la bordure sur blanc.
      10. Cliquez sur OK.
      11. Cliquez sur les pages de propriétés de l’objet Diapositive .
        1. Cliquez sur l’onglet Durée/Entrée .
        2. Définissez la durée sur 4 000. Réglez la version préliminaire sur 500.
        3. Cliquez sur OK.
    13. Répétez toute cette procédure (c.-à-d. des étapes 1.2.3 à 1.2.9) pour obtenir le bon essai. Nommez la procédure Right-Trial. Lorsque vous suivez la procédure, modifiez uniquement la réponse correcte (c’est-à-dire R au lieu ou L) et le fichier vidéo. Utilisez le répertoire de fichiers vidéo pour le bon marcheur.
  3. Double-cliquez sur le SessionProc.
    1. Glisser-déplacer et faire glisser l’objet vers la ligne SessionProc
    2. Double-cliquez sur cet objet et ajoutez un sous-objet SlideText.
    3. Écrivez Pause comme texte.
    4. Encore une fois, allez dans les pages de propriétés du sous-objet et dans l’onglet Cadre , faites la largeur et la hauteur 100%. Prenez la position pour X et Y à 50%.
    5. Cliquez sur OK.
  4. Double-cliquez sur l’objet List qui a déjà été créé.
    1. Cliquez sur les pages de propriétés de l’objet List .
    2. Dans l’onglet Sélection, définissez l’Ordre aléatoire et cliquez sur OK.
    3. Dans la colonne Poids , insérer les numéros suivants:
      1. Pratique : entrez le chiffre 3 dans la rangée Essai gauche et la ligne Essai droit.
      2. Expérimentez : entrez le nombre 11 dans la ligne Essai gauche et la ligne Essai droit .
  5. En haut de la fenêtre, cliquez sur l’icône Générer pour créer un fichier de script exécutable. Enregistrez-le sur le bureau pour un accès facile. Il s’agit du fichier qui sera exécuté pendant l’expérience.
    1. Enregistrez l’essai pratique en tant que « Pratique » et les essais expérimentaux en tant que « Expérience ».
    2. Testez le script créé en cliquant sur l’icône Exécuter .
  6. Dans le dossier E-studio, un fichier E-run sera créé. Les deux fichiers créés (un pour l’essai pratique et un pour les essais expérimentaux) peuvent être placés dans un dossier sur le bureau de l’ordinateur. Pour exécuter l’expérience visuelle, cliquez simplement sur l’icône appropriée.
  7. Une fois les modèles expérimentaux du stimulus visuel créés, essayez de les afficher avec le projecteur.
    1. Avec les réglages du projecteur, modifiez la hauteur de la figure du déambulateur et assurez-vous qu’elle est centrée directement devant l’endroit où le participant se tiendrait sur le tapis roulant.
    2. Avec un ruban à mesurer, mesurez la hauteur du déambulateur directement sur l’écran du projecteur. Calculez la distance entre l’écran et les yeux d’une personne debout sur le tapis roulant pour que le stimulus couvre 25° d’angle visuel, et déplacez le tapis roulant en conséquence. Pour calculer les distances nécessaires, on peut utiliser le site Web suivant: http://elvers.us/perception/visualAngle/

2. Configuration de l’environnement du laboratoire

  1. Allumez les quatre ordinateurs d’enregistrement, l’amplificateur EEG, le projecteur, le tapis roulant, les haut-parleurs et le smartphone.
  2. Configurez l’appareil de contrôle.
    1. Ouvrez le logiciel de synchronisation avec la sous-routine spécifique créée pour l’étude avec des marqueurs à 10 s.
      1. Le logiciel de synchronisation envoie une impulsion qui apparaît sous la forme d’un marqueur et d’une impulsion lumineuse dans l’EEG et des enregistrements vidéo toutes les 10 s.
    2. Activez le logiciel d’enregistrement vidéo. Les caméras devraient également s’allumer automatiquement. Si ce n’est pas le cas, activez-les manuellement.
    3. Ouvrez et configurez le logiciel d’enregistrement EEG pour le participant.
    4. Ouvrez le dossier contenant le fichier de script exécutable de stimulus visuel créé avec le logiciel de présentation d’expériences visuelles.
    5. Préparez la configuration EEG et les matériaux selon les procédures suggérées par les fabricants.
    6. Supprimez la conversation du participant précédent du smartphone.
    7. Placez une nouvelle bouteille d’eau à côté de la chaise de repos du participant.

3. Préparation des participants

  1. Accueillez le participant dans la salle 1 et parlez-lui brièvement de la durée de l’étude et de la rémunération.
  2. Demandez aux participants d’enlever leurs bijoux (p. ex., boucles d’oreilles, piercings, colliers), leurs lunettes, leur téléphone intelligent et tout contenu dans leur poche, placez-les dans un bac et mettez-le dans un casier.
  3. Demandez aux participants de se débarrasser de tout chewing-gum qu’ils pourraient manger et de s’assurer qu’ils ont mangé avant de commencer l’expérience.
  4. Assurez-vous que le participant porte des chaussures de marche confortables et demandez-leur de doubler leurs lacets pour garantir la sécurité du participant pendant l’expérience.
  5. Demandez au participant de lire et de signer le formulaire de consentement.
    1. Lisez le texte suivant et demandez au participant de s’asseoir pour qu’il puisse lire et signer le formulaire de consentement :

      « Voici un formulaire de consentement indiquant que vous acceptez de participer à cette étude. Lisez-le attentivement et signez-le. N’hésitez pas si vous avez des questions. »
  6. Amenez le participant à la salle de préparation du participant désignée, la salle 3, où le bouchon EEG doit être installé.
  7. Lisez le script préparé qui explique le déroulement du processus expérimental :

    « Vous remarquerez peut-être que de temps en temps, je lis un texte. Ceci est fait pour s’assurer que tous les participants reçoivent des instructions identiques. Dans cette étude, nous nous intéressons à la façon dont les gens interagissent avec un stimulus devant eux tout en envoyant des messages texte et en marchant à une vitesse modérée. Pendant environ 40 minutes, vous enverrez un texto à [nom de l’assistant de recherche] que vous avez rencontré plus tôt avec ce smartphone [montrer le smartphone]. Pendant que vous envoyez des SMS, vous entendrez un son de temps en temps. Ce son sera suivi d’une image d’un personnage qui marche. Votre tâche est de lever la tête vers l’écran ici [pointez vers l’écran] et d’indiquer à haute voix si le personnage marche vers votre droite OU votre gauche. On ne vous demandera rien d’autre. Je vais écrire vos réponses. Notez que dans tous les blocs, il y a deux choix pour une réponse (droite et gauche), il est donc impossible qu’il n’y ait, par exemple, que gauche ou droite comme un seul choix. La direction d’où vient le personnage est totalement aléatoire. Après avoir dicté votre réponse, vous continuez simplement à envoyer un texto [name d’assistant de recherche]. Il est important de ne pas se retourner lorsque vous répondez ou si vous voulez me parler car vous pourriez être déstabilisé et tomber. Gardez la tête en avant. Je serai derrière ce miroir ici [pointez vers le verre] pendant toute la durée de l’expérience. Avez-vous des questions?
  8. Mesurez la circonférence de la tête du participant pour le capuchon de l’électrode EEG. Pour cette expérience, un EEG actiCap avec 32 électrodes préamplifiées a été utilisé.
    1. Choisissez le capuchon EEG de taille appropriée, placez-le sur une tête en mousse pour le support et placez toutes les électrodes à leur emplacement approprié.
    2. Remesurez la circonférence de la tête du participant pour déterminer le point de départ du bouchon en utilisant le système de référence 10-20.
    3. Placez le capuchon sur la tête du participant en partant de l’avant et maintenez-le en position tout en le tirant vers l’arrière. Assurez-vous que le bouchon est bien placé.
    4. Connectez les câbles du capuchon EEG au boîtier de commande EEG.
    5. Montrez l’applicateur de gel au participant afin qu’il puisse voir qu’il n’est pas tranchant et laissez-lui le toucher s’il le désire. Lisez le script suivant :

      « Voici l’applicateur et l’astuce que je vais utiliser pour mettre le gel sur le capuchon EEG que vous avez sur votre tête. Vous pouvez le toucher; ça ne fait pas mal. La pointe est juste assez courte pour ne jamais toucher votre tête.
    6. Allumez le boîtier d’électrodes EEG afin que tous les voyants d’électrodes deviennent rouges.
    7. Activez les électrodes en écartant d’abord les cheveux, puis en appliquant le gel sur chaque électrode : commencez par l’électrode de masse puis l’électrode de référence. Une fois que ces deux électrodes deviennent vertes, ajoutez les électrodes restantes.
    8. Placez le gel jusqu’à ce que tous les capteurs d’électrodes deviennent verts.
    9. Mesurez l’impédance sur le boîtier de commande.
    10. Déconnectez les câbles du boîtier de commande et connectez-les à l’adaptateur de déplacement (c’est-à-dire au kit d’adaptateur qui transmet sans fil les données au boîtier de commande).
    11. Placez le kit d’adaptateur dans un sac banane et demandez au participant de l’attacher autour de sa taille, avec les câbles et le kit adaptateur placés vers le dos du participant.
    12. Retournez dans la salle informatique (salle 4) et vérifiez l’impédance de chaque électrode.
    13. Vérifiez que la qualité des données est satisfaisante en inspectant visuellement le signal sur l’écran du moniteur du logiciel EEG. Si nécessaire, fixez les électrodes problématiques.
  9. Emmenez le participant dans la salle expérimentale (c.-à-d. la salle 2).
  10. Demandez au participant de se tenir debout sur le tapis roulant et d’attacher la clé de sécurité du tapis roulant au participant.
  11. Allumez le tapis roulant à une vitesse de 0,8 mph et demandez au participant de marcher pendant 2 minutes afin qu’il se familiarise avec la vitesse. Pendant ces 2 min, rappelez au participant les consignes :

    « Pendant environ 40 minutes, vous allez envoyer un texto à [nom de l’assistant de recherche] avec un smartphone. Pendant que vous envoyez des SMS, vous entendrez un son de temps en temps. Ce son sera suivi d’une image d’un personnage qui marche. Votre tâche est de lever la tête vers l’écran à ce moment-là et d’indiquer à haute voix, à votre avis, si le personnage marche vers votre droite ou votre gauche. On ne vous demandera rien d’autre. Je vais écrire vos réponses. Après avoir énoncé votre réponse, vous continuez simplement à envoyer un texto à [nom de l’assistant de recherche]. Il est important de toujours donner une réponse. Si vous n’êtes pas sûr, dites-nous votre meilleure estimation. Ne vous retournez pas lorsque vous donnez votre réponse ou si vous voulez me parler car vous pourriez être déstabilisé et tomber. Gardez la tête en avant. Il y a quatre parties dans l’expérience, deux où vous envoyez un SMS à [nom de l’assistant de recherche] en marchant, et deux où vous ne faites que marcher. Chaque partie dure environ 12 minutes et il y a une pause de 2 minutes entre chaque partie. Avez-vous des questions?

4. Essai pratique

  1. Donnez le smartphone au participant.
  2. Dites au participant qu’il fera un essai pratique.
  3. Cliquez sur le fichier de script exécutable du stimulus pour les essais de pratique. Entrez le numéro de participant et commencez l’essai.
  4. Demandez au participant de s’entraîner à répondre aux stimuli visuels tout en participant à une conversation textuelle avec l’assistant de recherche. Cette séance d’entraînement durera 3 min.
  5. Une fois la séance commencée, suivez le script de conversation textuel créé pour l’étude.
  6. Notez la réponse du participant à chaque apparition de stimulus sur un modèle de feuille de calcul.
  7. Après les 3 minutes, demandez au participant de s’asseoir sur une chaise et de boire de l’eau. Pendant ce temps, réglez la vitesse du tapis roulant à 0,4 mph.
  8. Rappelez au participant les instructions de l’étude.

5. Collecte des données

  1. Coup monté
    1. Accédez à la feuille de workflow pour choisir l’ordre des conditions pour le participant actuel. Deux ordres sont possibles : dans l’ordre A, les essais 1 et 3 utilisent la condition de texto, tandis que les essais 2 et 4 utilisent la condition de contrôle. Dans l’ordre B, les essais 1 et 3 utilisent les conditions de contrôle et les essais 2 et 4 utilisent les conditions de texto. Au cours de chaque essai, le stimulus visuel apparaît 22 fois.
    2. Assurez-vous que tous les logiciels d’enregistrement sont prêts à être démarrés en synchronie.
    3. Activez tous les logiciels d’enregistrement (par exemple, EEG, vidéo)
    4. Demandez au participant de retourner sur le tapis roulant et d’augmenter lentement la vitesse jusqu’à 0,8 mph.
    5. Activez le programme de stimulus visuel et commencez à l’exécuter.
    6. Lisez les instructions de l’essai en fonction de la condition expérimentale.
      1. Exécutez le fichier de script exécutable du stimulus pour les essais expérimentaux . Entrez le numéro de participant et le code choisi pour les conditions spécifiques. Commencez l’essai.
  2. Condition de contrôle
    1. Assurez-vous que le smartphone est hors du champ de vision du participant pendant cette tâche.
    2. Demandez au participant de simplement marcher sur le tapis roulant et de répondre au stimulus visuel chaque fois qu’il apparaît en répondant « gauche » ou « droite » :

      « Pour cette tâche, vous devrez simplement marcher sur le tapis roulant. De temps en temps, vous entendrez un son. Ce son sera suivi d’une image d’un personnage qui marche. Votre tâche est alors de lever la tête vers l’écran et d’indiquer à haute voix, à votre avis, si le personnage se déplace vers votre droite ou votre gauche. On ne vous demandera rien d’autre. Je vais écrire vos réponses moi-même. Après avoir dicté votre réponse, vous continuez simplement à marcher. Il est important de toujours donner une réponse. Si vous n’êtes pas sûr, dites-nous votre meilleure estimation. Ne vous retournez pas lorsque vous donnez votre réponse ou si vous voulez me parler car vous pourriez être déstabilisé et tomber. Gardez la tête en avant. Commencez quand je vous donne le signal. Avez-vous des questions?
    3. Signalez au participant que l’essai est sur le point de commencer et commencez l’essai de stimulus visuel.
    4. Notez la réponse du participant chaque fois qu’il répond au stimulus visuel. Lorsqu’un participant ne répond pas, laissez le champ vide.
    5. À la fin de l’essai, demandez au participant de s’asseoir et de boire de l’eau.
    6. Pendant ces pauses, continuez à faire fonctionner tous les logiciels d’enregistrement et laissez le tapis roulant allumé à une vitesse de 0,4 mph.
    7. Après la pause, remettez le participant sur le tapis roulant et, en marchant, augmentez progressivement la vitesse jusqu’à 0,8 mph.
  3. Condition d’envoi de SMS
    1. Pendant que le participant marche sur le tapis roulant, tendez-lui le smartphone.
    2. Demandez au participant d’envoyer un texte comme il le ferait naturellement (p. ex., en utilisant une main ou deux mains) en marchant sur le tapis roulant et répondez au stimulus visuel chaque fois qu’il apparaît en répondant « gauche » ou « droite » :

      « Pour cette tâche, vous allez envoyer un SMS à [nom de l’assistant de recherche] avec un smartphone. Sur le smartphone, ouvrez l’application de messagerie. Sélectionnez ensuite la conversation en disant « Bonjour ». Vous devrez participer activement à une conversation par SMS. Pendant que vous envoyez des SMS, vous entendrez un son de temps en temps. Ce son sera suivi d’une image d’un personnage qui marche. Votre tâche est de lever la tête vers l’écran ici et d’indiquer, à votre avis, si le personnage se déplace vers votre droite ou votre gauche. On ne vous demandera rien d’autre. Je vais écrire vos réponses moi-même. Après avoir dicté votre réponse, vous continuez simplement à envoyer des SMS. Il est important de toujours donner une réponse. Si vous n’êtes pas sûr, dites-nous votre meilleure estimation. Ne vous retournez pas lorsque vous donnez votre réponse ou si vous voulez me parler car vous pourriez être déstabilisé et tomber. Gardez la tête en avant. Commencez quand je vous donne le signal. Avez-vous des questions?
    3. Signalez au participant que l’essai est sur le point de commencer et commencez l’essai de stimulus visuel.
    4. Demandez au participant d’avoir une conversation par texto tout en marchant sur le tapis roulant. Demandez-leur également de répondre au stimulus visuel chaque fois qu’il apparaît en répondant « gauche » ou « droite ».
    5. Demandez à l’assistant de recherche de suivre le script de conversation et de poursuivre la conversation tout au long de la maladie.
    6. Notez la réponse du participant chaque fois qu’il répond au stimulus visuel. Lorsqu’un participant ne répond pas, laissez le champ vide.
    7. À la fin de l’essai, prenez le smartphone du participant et demandez-lui de s’asseoir et de boire de l’eau.
    8. Pendant ces pauses, continuez à faire fonctionner tous les logiciels d’enregistrement et laissez le tapis roulant allumé à une vitesse de 0,4 mph.
    9. Après la pause, remettez le participant sur le tapis roulant et, en marchant, augmentez progressivement la vitesse jusqu’à 0,8 mph.

6. Fin de la collecte des données

  1. À la fin de la manipulation expérimentale, demandez au participant d’éteindre le tapis roulant. Demandez au participant de s’asseoir et de boire de l’eau.
  2. Retirez le capuchon EEG et emmenez le participant à une douche où il peut se laver les cheveux s’il le souhaite.
  3. Donnez au participant sa compensation et remerciez-le de sa participation. Assurez-vous que le participant repart avec sa copie du formulaire de consentement et qu’il récupère tous ses effets personnels.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Ce protocole d’étude a été mené à l’origine avec 54 participants, chacun répondant à 88 essais de direction. La moitié de ces essais ont eu lieu lorsque les participants marchaient simplement avant la présentation du stimulus ; L’autre moitié s’est produite lorsque les participants ont envoyé des SMS en marchant avant la présentation du stimulus.

Résultats comportementaux
Les performances sur la direction du marcheur à lumière ponctuelle représentent les coûts de commutation des tâches, les performances inférieures représentant des coûts de commutation de tâches plus élevés. Les réponses des participants ont été analysées à l’aide de deux variables de réponse : 1) identification correcte; et 2) le temps de réponse. Les deux conditions expérimentales représentaient les deux groupes: 1) Texter en marchant; et 2) simplement marcher avant de répondre au stimulus. Les temps de réponse ont été calculés à la fin de l’expérience. Les enregistrements vidéo de l’expérience ont été convertis en fichiers audio, puis analysés avec un logiciel sonore qui a marqué les pics dans les longueurs d’onde sonores. Une fois que le son du signal et le son de la réponse verbale du participant ont été marqués, le temps entre les deux a été déterminé. Les temps de réponse corrects ont été analysés en exportant la direction correcte du participant pour les 88 essais, à partir du logiciel de présentation expérimentale, et en l’ajoutant au fichier de base de données contenant les réponses des participants. Dans le programme utilisé (Excel), une formule pour tester l’exactitude (=IF(A1=B1,1,0)) a été utilisée pour déterminer si l’information contenue dans la première colonne de données (c.-à-d. la réponse des participants) était la même que la deuxième colonne.

Étant donné que chaque participant devait déterminer à plusieurs reprises l’orientation du stimulus, un test t n’a pas pu être utilisé pour analyser les différences dans les moyennes de performance entre les conditions. Au lieu de cela, pour tenir compte de la corrélation intra-sujet entre les essais, un modèle de régression linéaire généralisée a été utilisé. Cette analyse a été réalisée à l’aide de Proc Glimmix avec le logiciel SAS 9.4. La variable de groupe était la variable explicative des variables de réponse et une interception gaussienne aléatoire a été ajoutée pour chaque sujet. La précision des variables de réponse (réponse correcte ou incorrecte) était binaire et, par conséquent, une fonction de liaison logit était appropriée pour ce modèle de régression.

Nous avons constaté que les participants étaient plus susceptibles d’identifier la bonne direction pour le stimulus du marcheur ponctuel lorsqu’ils n’envoyaient pas de SMS avant l’apparition du stimulus (rapport de cotes = 0,77 ; T = −3,12; p = 0,001; Intervalle de confiance à 95 % (.657;. 908)). Aucune différence significative dans le temps de réaction n’a été observée (β = −0,005 ; T = −0,26; p = 0,799; Intervalle de confiance à 95 % (-0,047;. 036)) (voir la figure 3).

Afin de combiner la précision avec le temps de réponse, le score d’efficacité inverse (IES)24 a été utilisé. La probabilité d’être précis sur les essais de direction a été modélisée à l’aide d’une régression logistique avec le temps de réponse comme variable de contrôle. Encore une fois, une interception aléatoire individuelle a été ajoutée pour chaque sujet afin de tenir compte des corrélations intra-sujets potentielles entre les essais. Les résultats de cette régression à effets mixtes ont montré un effet significatif de la condition expérimentale, où la probabilité estimée de répondre avec précision au stimulus était 18,9 % plus faible dans la condition où les participants envoyaient des textos en marchant, par rapport au moment où ils marchaient simplement avant l’apparition du stimulus (rapport de cotes = 0,811; T = −2,46; p = 0,014; intervalle de confiance à 95 % 0,686–0,959 ; voir la figure 3). Cela a montré que, quel que soit le temps de réponse, la précision de la direction du stimulus était systématiquement plus faible lorsque les participants envoyaient des SMS en marchant.

Données neurophysiologiques
Les enregistrements EEG ont été utilisés pour déterminer l’activité neurophysiologique impliquée dans le changement de tâche en observant les oscillations alpha et l’engagement cognitif. L’utilisation de l’EEG pendant le mouvement a conduit à plus d’artefacts. Afin d’assurer la qualité des données, plusieurs mesures ont été prises. Tout d’abord, pour permettre l’enregistrement pendant la marche, une nouvelle technologie d’électrodes actives avec un circuit de soustraction du bruit (c.-à-d. des électrodes préamplifiées) a été utilisée. Deuxièmement, les données EEG ont été filtrées hors ligne avec un filtre IIR passe-bas à 20 Hz, pour isoler les ondes alpha, et un filtre IIR passe-haut à 1 Hz, a été utilisé pour réduire le bruit. Troisièmement, une analyse en composantes indépendantes (ICA) a été appliquée afin d’atténuer les artefacts causés par les clignements oculaires et les saccades oculaires dans les données EEG25. Quatrièmement, un rejet automatique d’artefact a été utilisé pour exclure les époques présentant des différences de tension supérieures à 50 μV entre deux points d’échantillonnage voisins et une différence de plus de 50 μV dans un intervalle de 75 ms.

L’analyse des données a été réalisée avec Vision Analyzer 2. Sur la base de Luck26, les données ont été référencées à nouveau à la référence moyenne commune. De plus, les données ont été segmentées pour isoler les 2 s après la présentation du stimulus du marcheur ainsi qu’une ligne de base de 2 s. Pour chaque présentation de stimulation, une base de référence représentant l’activité se produisant lorsque le participant marchait ou envoyait des SMS pendant la marche était déterminée. Cette ligne de base a été obtenue au cours d’un point temporel de 2 s, se produisant 12 s avant le signal auditif de chaque apparition de stimulus. Les deux segments ont été analysés séparément avec une transformée de Fourier rapide sur des époques de 1 s pour obtenir des valeurs de puissance dans le domaine fréquentiel. Toutes les époques ont été moyennées séparément par condition expérimentale.

Le but de cette analyse était de déterminer si les deux sous-étapes de l’inhibition des ensembles de tâches et de l’activation des ensembles de tâches ont une incidence différente sur le coût du changement de comportement (c.-à-d. les mesures de performance). Pour ce faire, les données EEG ont été analysées en fonction de deux indices : 1) les oscillations alpha ; et 2) l’engagement cognitif. Tous les calculs ont été effectués à l’aide des sites Cz et Pz parce que leurs données contenaient moins de bruit et moins d’artefacts. Les changements dans les oscillations alpha, dus à la présentation du stimulus, ont été analysés avec des rapports alpha en comparant la puissance alpha de base avec la puissance alpha se produisant avec la présentation du stimulus18,19. En utilisant l’indice d’engagement cognitif développé par Pope et al.20, un rapport a été créé de la puissance combinée dans les composants bêta (14-20 Hz) divisé par la puissance totale dans les composants alpha (8-12 Hz) et thêta (4-8 Hz). Afin de calculer la puissance combinée, les sommes des puissances utilisées étaient aux emplacements Cz et Pz.

Le rapport alpha et son effet sur la performance ont été comparés entre les deux conditions. Le rapport alpha reflète les processus d’inhibition des tâches. Étant donné que le rapport alpha a été mesuré pour chaque participant, il a été nécessaire de comparer le rapport avec la performance agrégée au cours de cette condition (c’est-à-dire le pourcentage de réponse correct des 44 essais sur cette condition). Pour comparer le coefficient de corrélation des deux conditions, le test z proposé par Steiger27 a été utilisé comme moyen de comparer les coefficients de corrélation mesurés chez le même individu. Sur le site de Pz, il a été constaté que la corrélation entre la performance et le rapport alpha était statistiquement différente entre les deux conditions (p = 0,032; intervalle de confiance à 95% = 0,054-1,220) (voir Figure 4). Parce que les corrélations de chaque condition étaient de signes opposés, il a été démontré que les processus d’inhibition avaient un impact différent sur les performances dans les deux conditions, avec un rapport alpha plus élevé conduisant à une meilleure performance pendant la condition de marche, tandis que dans la condition de textos, la performance était entravée par un rapport alpha plus élevé. Ces résultats montrent que lorsque vous envoyez des SMS en marchant, la quantité de ressources nécessaires pour inhiber l’ensemble de tâches précédent a eu un impact négatif sur les performances. Ainsi, la mesure dans laquelle les participants ont engagé des ressources dans l’inhibition de l’ensemble des tâches avait plus d’effet sur le rendement à venir lorsqu’ils envoyaient des textos. En ce qui concerne le site Cz, aucune différence significative n’a été trouvée, ce qui suggère que l’effet était principalement localisé dans la région pariétale du cuir chevelu.

Le ratio d’engagement cognitif et son effet sur la performance ont également été comparés entre les deux conditions. En ce qui concerne le rapport alpha, le test z proposé par Steiger27 a également été utilisé pour cette analyse. Les résultats ont montré une différence statistiquement significative entre les deux conditions, où l’engagement sur la tâche effectuée immédiatement avant l’apparition du stimulus (c.-à-d. marcher ou envoyer des SMS en marchant) avait un impact différent sur la performance dans chaque condition (p = 0,027; intervalle de confiance à 95% = -1,062 - -0,061). Là encore, les corrélations étaient de signes opposés. Nos résultats suggèrent que lorsque les participants marchaient avant le changement de tâche, un ratio plus élevé d’engagement cognitif était lié à une diminution de la performance, alors que lorsque les participants envoyaient des SMS en marchant avant le changement de tâche, un ratio plus élevé d’engagement cognitif était lié à une augmentation de la performance. Cela montre que le coût plus élevé de changement de tâche de textos en marchant n’était pas dû à un engagement cognitif plus élevé dans cette tâche.

Movie 1
Figure 1: Dans cette vidéo, une silhouette marchant vers le côté droit du sujet est visible. Veuillez cliquer ici pour visionner cette vidéo. (Cliquez avec le bouton droit de la souris pour télécharger.)

Figure 2
Figure 2 : Configuration expérimentale de la salle. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 3
Figure 3 : Effet des textos sur la précision et le temps de réponse. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Figure 4
Figure 4 : Corrélation entre Alpha à Fz et performance. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Un choix critique lors de l’utilisation du protocole serait d’assurer la qualité des données neurophysiologiques. Il y a une complication inhérente à l’utilisation d’un outil comme l’EEG pendant le mouvement, car un mouvement excessif peut créer beaucoup de bruit dans les données. Il est donc important de considérer, avant la collecte de données, comment les données seront préparées pour supprimer autant d’artefacts que possible sans modifier le signal réel. Néanmoins, il est tout à fait probable qu’il y aura des taux plus élevés d’exclusion des données parce que les participants marchent sur un tapis roulant tout au long de l’expérience. Les données de certains participants seront inutilisables en raison d’artefacts causés par des mouvements excessifs du visage, de la tête et du corps, ainsi qu’en raison du risque de transpiration excessive et de dysfonctionnement de l’équipement. Pour éviter de biaiser ou d’avoir un impact sur les résultats, les exclusions de données doivent être déterminées avant l’analyse comportementale. Depuis la réalisation de cette étude, notre laboratoire a acquis la capacité de localiser la position des électrodes et nous espérons utiliser cette technologie dans de futures études pour mieux analyser l’activité de la source. Nous recommandons que les études futures tirent parti de la technologie de localisation des électrodes pour permettre l’estimation à la source des signaux EEG connexes.

Une étape critique à laquelle il faut prêter attention dans ce protocole est le script de la conversation textuelle du participant avec l’assistant de recherche. Il est important que les conversations textuelles soient guidées par des sujets prédéfinis et des questions ouvertes. Il y a beaucoup de valeur à suivre un tel script. Tout d’abord, nous veillons à ce que tous les participants aient des types de conversation similaires, de sorte que nous éliminons la variabilité qui existerait dans une conversation naturelle. De cette façon, nous nous assurons que le niveau de distraction ne varie pas en raison de la conversation excessivement différente entre les participants. Deuxièmement, nous pouvons nous assurer que la conversation ne conduit pas à de fortes réactions émotionnelles en choisissant judicieusement les sujets. Les interactions chargées d’émotion peuvent modifier l’analyse EEG et les niveaux de distractibilité, ce qui compliquerait à son tour l’interprétation des résultats comportementaux et neurophysiologiques. Toutes les conversations par texto varieront inévitablement dans une certaine mesure, mais avoir un script nous permet un certain contrôle sur cette variabilité. Pour limiter davantage la variabilité de la conversation, il serait préférable d’avoir un assistant de recherche désigné responsable de cette tâche pendant toute la durée du projet de recherche. Néanmoins, en adhérant à un scénario, nous perdons également la validité écologique d’une telle conversation. Lorsque les individus ont des conversations avec leurs amis, par exemple, ces conversations peuvent être chargées émotionnellement, ce qui peut en fait modifier le coût du changement de tâche. Pourtant, il est important de considérer que pour analyser l’impact des types de conversation sur le coût du changement de tâche, l’objectif de l’étude devrait se concentrer sur cet aspect, en raison de la complexité d’une telle analyse. Par conséquent, pour nos besoins, l’utilisation d’un script était plus appropriée.

Il faut également faire preuve de prudence lors de la création du fichier de base de données où les réponses des participants seront notées. La formule que nous avons utilisée dans Excel pour tester l’exactitude (c.-à-d. =IF(A1=B1,1,0)) dépend du format (par exemple, elle sera influencée par des espaces blancs supplémentaires et des lettres majuscules). Il est donc recommandé d’écrire R pour droite ou L pour gauche, dans le même format que celui utilisé dans la sortie extraite du logiciel de présentation visuelle de l’expérience. Toute erreur dans l’écriture du fichier peut entraîner des faux négatifs dans l’indice de précision. Enfin, pour ce type d’étude, où le traitement visuel joue un rôle important, il est important que tous les participants aient une vision normale ou corrigée à la normale. Parce que nous utilisons des outils EEG, il est également pertinent de dépilepsie et de diagnostiquer des diagnostics neurologiques, ainsi que psychiatriques, qui pourraient avoir un impact sur les signaux cérébraux des participants. Il est sage d’exclure ces participants de l’étude, car les différences d’activité cérébrale peuvent biaiser les résultats.

Cette méthodologie peut être modifiée pour tester plusieurs utilisations de téléphones intelligents (p. ex., lecture, médias sociaux, jeux, visualisation d’images, etc.) 28. Des questionnaires peuvent également être ajoutés entre les conditions expérimentales, ou à la fin de l’expérience, pour mieux comprendre les caractéristiques et les perceptions des participants (voir Mourra29). Les questionnaires entre les tâches ne devraient pas prendre beaucoup de temps pour éviter d’augmenter inutilement la fatigue des participants pour les conditions suivantes. Ce moment est très utile pour tester différentes constructions liées à la tâche, telles que la perception du temps, l’intérêt pour la tâche que le participant vient de terminer et la difficulté perçue. Les questionnaires à la fin de l’expérience peuvent prendre plus de temps, mais la fatigue de finaliser les conditions doit être prise en compte. Le calendrier des questionnaires doit être fait de manière à éviter que les réponses des participants ne soient biaisées par leur expérience au cours de la tâche et à éviter que le comportement des participants ne soit biaisé en raison des questions posées précédemment.

Cette méthode est limitée en ce sens que les environnements piétonniers réels ont de nombreux stimuli présentés simultanément, de sorte que la charge cognitive requise dans ces environnements est probablement beaucoup plus élevée que dans cette étude (voir Pourchon et al.7). Néanmoins, pour pouvoir vraiment identifier les mécanismes neurophysiologiques sous-jacents, il semblait nécessaire de faire un tel compromis. Selon le but de l’étude particulière, le stimulus visuel peut être modifié pour tester différents facteurs qui peuvent avoir une incidence sur le coût de changement de tâche de l’utilisation d’un smartphone en marchant. Dans cette méthodologie, la figure du marcheur à lumière ponctuelle a été utilisée au lieu d’une figure humaine réelle parce que ce marcheur à lumière ponctuelle est moins sujet aux biais. L’apparence d’un déambulateur humain réel pourrait être plus agréable ou déplaisante pour certains participants, ce qui pourrait avoir un impact sur l’attention qui lui est attribuée. En utilisant un groupe de points représentant une forme humaine et un mouvement humain, nous pouvons contourner cette variable étrangère potentielle du sexe, des vêtements, de l’image corporelle du marcheur humain, entre autres variables qui peuvent fausser les résultats. Par exemple, les participants qui trouvent le marcheur humain plus attrayant peuvent être plus enclins à concentrer leur attention sur le déambulateur qu’ils ne l’auraient fait autrement.

Cette méthodologie peut être utilisée pour différentes applications dans des études futures. En modifiant, par exemple, le stimulus visuel pour avoir des caractéristiques différentes, il serait possible d’étudier comment les caractéristiques de l’objet dans un environnement peuvent influencer le coût de commutation des tâches. Il peut également être intéressant d’utiliser cette méthode avec un tapis roulant manuel, où l’action des pieds des participants contre le pont déplace la ceinture du tapis roulant. De cette façon, nous pourrions déterminer comment la vitesse fluctue au cours de l’expérience en raison du multitâche ou en raison de la commutation des tâches. Cela augmenterait la validité écologique tout en ajoutant une nouvelle variable à considérer dans l’analyse (p. ex., est-ce que s’arrêter ou marcher plus lentement ou plus vite influence la performance des participants?). Ainsi, tant en termes de stimuli que de mouvement du sujet, il existe de nombreuses autres possibilités que celles proposées dans cette méthode (c.-à-d. marcheur à lumière ponctuelle et tapis roulant automatique) pour étudier les comportements de textos en marchant (Pourchon et al.7, Schabrun et al.30). Cela augmenterait la validité interne ou externe des études futures. De plus, il faut noter que notre décision d’utiliser les données EEG de seulement deux électrodes comporte certaines limites. Les recherches futures devraient tenter d’étendre l’analyse aux régions d’intérêt englobant plusieurs électrodes. Il serait également possible de ne pas utiliser un script de conversation et de laisser la conversation se dérouler naturellement. Dans de tels cas, le contenu de la conversation pourrait être analysé avec une analyse de contenu, et l’impact de différents types de conversations pourrait être étudié de manière naturelle. En somme, cette méthodologie peut être la base sur laquelle des études plus complexes peuvent s’appuyer pour approfondir les connaissances sur les différents facteurs qui peuvent avoir un impact sur notre capacité à effectuer plusieurs tâches à la fois avec un smartphone tout en marchant.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Les auteurs n’ont rien à divulguer.

Acknowledgments

Les auteurs reconnaissent le soutien financier du Conseil de recherches en sciences humaines du Canada (CRSH).

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

Comportement numéro 158 changement de tâche processus attentionnels neuroergonomie analyse des accidents appareil mobile EEG

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

Mesurer le coût de commutation de l’utilisation d’un smartphone en marchant
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