Waiting
Login processing...

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

Engineering

הערכת היבטי שימושיות של פתרון מציאות משולבת לניתוח מקיף בתרחישי תעשייה 4.0

Published: October 6, 2020 doi: 10.3791/61349
Automatic Translation
1, 2, 1, 3, 1, 4, 1, 1, 5, 6, 7
1Institute of Databases and Information Systems, Ulm University, 2Department for Psychotherapy and Biopsychosocial Health, Danube University Krems, 3Department of Psychiatry and Psychotherapy, University of Regensburg, 4Faculty of Computer Science, Otto von Guericke University Magdeburg, 5Department of Pediatrics and Adolescent Medicine, Medical University of Vienna, 6Department of Child and Adolescent Psychiatry, Medical University of Vienna, 7Institute of Clinical Epidemiology and Biometry, University of Würzburg

Summary

פרוטוקול זה מתאר את ההגדרה הטכנית של יישום מציאות משולבת מפותח המשמש לניתוח סוחף. על בסיס זה מוצגים מדדים, אשר שימשו במחקר כדי לקבל תובנות לגבי היבטי שימושיות של הפתרון הטכני שפותח.

Abstract

ברפואה או בתעשייה, ניתוח של מערכי נתונים במימדים גבוהים נדרש יותר ויותר. עם זאת, פתרונות טכניים זמינים הם לעתים קרובות מורכבים לשימוש. לכן, גישות חדשות כמו ניתוח אימרסיבי יתקבלו בברכה. ניתוח מקיף מבטיח לחוות ערכות נתונים בממדים גבוהים בצורה נוחה עבור קבוצות משתמשים וערכות נתונים שונות. מבחינה טכנית, התקני מציאות מדומה משמשים כדי לאפשר ניתוח סוחף. בתעשייה 4.0, לדוגמה, תרחישים כמו זיהוי חריגים או חריגות בערכות נתונים רב-ממדיות הם מטרות של ניתוח אימרסיבי. בהקשר זה, יש להתייחס לשתי שאלות חשובות עבור כל פתרון טכני מפותח בנושא ניתוח אימרסיבי: ראשית, האם הפתרונות הטכניים מועילים או לא? שנית, האם החוויה הגופנית של הפתרון הטכני חיובית או שלילית? השאלה הראשונה מכוונת להיתכנות הכללית של פתרון טכני, ואילו השנייה מכוונת לנוחות הלבישה. מחקרים ופרוטוקולים קיימים, העוסקים באופן שיטתי בשאלות אלה הם עדיין נדירים. בעבודה זו מוצג פרוטוקול מחקר, החוקר בעיקר את השימושיות לניתוח אימרסיבי בתרחישי תעשייה 4.0. באופן ספציפי, הפרוטוקול מבוסס על ארבעה עמודי תווך. ראשית, הוא מסווג משתמשים על סמך חוויות קודמות. שנית, מוצגות משימות, אשר ניתן להשתמש בהן כדי להעריך את הכדאיות של הפתרון הטכני. שלישית, מוצגים מדדים, המכמתים את אפקט הלמידה של המשתמש. רביעית, שאלון מעריך את רמת הלחץ בעת ביצוע משימות. בהתבסס על עמודים אלה, יושמה הגדרה טכנית המשתמשת במשקפי מציאות משולבת חכמים כדי ליישם את פרוטוקול המחקר. תוצאות המחקר שנערך מראות את תחולת הפרוטוקול מצד אחד ואת ההיתכנות של ניתוח אימרסיבי בתרחישי תעשייה 4.0 מצד שני. הפרוטוקול המוצג כולל דיון במגבלות שהתגלו.

Introduction

פתרונות מציאות מדומה (פתרונות VR) חשובים יותר ויותר בתחומים שונים. לעתים קרובות, עם פתרונות VR (כולל מציאות מדומה, מציאות משולבת ומציאות רבודה), הביצוע של משימות ונהלים יומיומיים רבים יוקל יותר. לדוגמה, בתחום הרכב, הליך התצורה של מכונית יכול להיות נתמך על ידי שימוש במציאות מדומה1 (VR). חוקרים ואנשי מקצוע חקרו ופיתחו מספר רב של גישות ופתרונות בהקשר זה. עם זאת, מחקרים החוקרים היבטי שימושיות הם עדיין נדירים. ככלל, יש לבחון את ההיבטים לאור שתי שאלות מרכזיות. ראשית, יש להעריך האם פתרון VR אכן עולה בביצועיו על גישה שאינה עושה שימוש בטכניקות VR. שנית, מכיוון שפתרונות VR מסתמכים בעיקר על התקני חומרה כבדים ומורכבים, יש לחקור לעומק פרמטרים כמו נוחות השחיקה והמאמץ המנטלי. בנוסף, יש לחקור תמיד את ההיבטים הנ"ל ביחס לתחום היישום המדובר. למרות שגישות קיימות רבות רואות את הצורך לחקור שאלות אלה2, קיימים פחות מחקרים שהציגו תוצאות.

נושא מחקר בתחום VR, שהוא חשוב כיום, מסומן בניתוח אימרסיבי. הוא נגזר מתחום המחקר של ניתוח חזותי, אשר מנסה לכלול את התפיסה האנושית לתוך משימות ניתוח. תהליך זה ידוע גם בשם כריית נתונים חזותיים4. ניתוח אימרסיבי כולל נושאים מתחומי הדמיית נתונים, ניתוח חזותי, מציאות מדומה, גרפיקה ממוחשבת ואינטראקציה בין אדם למחשב5. היתרונות האחרונים בתצוגות המותקנות על הראש (HMD) הובילו לשיפור האפשרויות לחקור נתונים בצורה סוחפת. לאורך מגמות אלה, אתגרים חדשים ושאלות מחקר צצים, כמו פיתוח מערכות אינטראקציה חדשות, הצורך לחקור עייפות משתמשים, או פיתוח של הדמיות תלת-ממדיות מתוחכמות6. בפרסום קודם6 נדונו עקרונות חשובים של ניתוח אימרסיבי. לאור נתונים גדולים, שיטות כמו ניתוח אימרסיבי נחוצות יותר ויותר כדי לאפשר ניתוח טוב יותר של מאגרי נתונים מורכבים. קיימים רק מחקרים מעטים החוקרים את היבטי השימושיות של פתרונות ניתוח אימרסיביים. כמו כן, יש להתייחס גם לתחום או לתחום המדובר במחקרים אלו. בעבודה זו פותח אב טיפוס אנליטי אימרסיבי, ועל בסיסו פרוטוקול, החוקר את הפתרון שפותח עבור תרחישי תעשייה 4.0. בכך מנצל הפרוטוקול את שיטת ההתנסות2, המבוססת על היבטים סובייקטיביים, ביצועיים ופיזיולוגיים. בפרוטוקול הנדון, ההיבטים הסובייקטיביים נמדדים באמצעות לחץ נתפס של משתמשי המחקר. ביצועים, בתורו, נמדדים באמצעות הזמן הנדרש ושגיאות שנעשו כדי לבצע משימות ניתוח. לבסוף, חיישן מוליכות העור מדד פרמטרים פיזיולוגיים. שני המדדים הראשונים יוצגו בעבודה זו, בעוד מוליכות העור הנמדדת דורשת מאמצים נוספים להערכה.

המחקר המוצג כולל מספר תחומי מחקר, במיוחד היבטים של מדעי המוח ומערכות מידע. באופן מעניין, שיקולים על היבטים של מדעי המוח במערכות מידע משכו לאחרונה תשומת לב של מספר קבוצות מחקר7,8, מה שמראה את הדרישה לחקור את השימוש במערכות IT גם מנקודת מבט קוגניטיבית. תחום נוסף הרלוונטי לעבודה זו מהווה חקירת גורמים אנושיים של מערכות מידע 9,10,11. בתחום האינטראקציה בין אדם למחשב, קיימים מכשירים כדי לחקור את השימושיות של פתרון. שים לב שסולם שימושיות המערכת משמש בעיקר בהקשר זה12. Thinking Aloud פרוטוקולים13 הם טכניקת לימוד נפוצה נוספת כדי ללמוד עוד על השימוש במערכות מידע. למרות שקיימות גישות רבות למדידת היבטי שימושיות של מערכות מידע, וחלקן הוצגו זה מכבר14 , עדיין עולות שאלות הדורשות לחקור מדדים חדשים או שיטות לימוד חדשות. לכן, המחקר בתחום זה פעיל מאוד12,15,16.

להלן יידונו הסיבות מדוע לא נלקחו בחשבון בעבודה הנוכחית שתי שיטות נפוצות. ראשית, סולם שימושיות המערכת לא היה בשימוש. הסולם מבוסס על עשר שאלות17 וניתן למצוא את השימוש בו גם במספר מחקרי VR אחרים18. מכיוון שמחקר זה מכוון בעיקר למדידת לחץ19, שאלון הקשור ללחץ היה מתאים יותר. שנית, לא נעשה שימוש בפרוטוקול20 של "חושבים בקול רם". למרות שסוג פרוטוקול זה הוכיח את יעילותו באופן כללי13, הוא לא שימש כאן מכיוון שרמת הלחץ של משתמשי המחקר עשויה לעלות רק בשל העובדה שסשן החשיבה בקול רם חייב להתבצע במקביל לשימוש במכשיר VR כבד ומורכב. למרות ששתי טכניקות אלה לא היו בשימוש, תוצאות של מחקרים אחרונים אחרים שולבו במחקר הנדון. לדוגמה, בעבודות קודמות21,22, המחברים מבחינים בין טירונים למומחים בלימודיהם. בהתבסס על התוצאות המוצלחות של מחקרים אלה, הפרוטוקול העומד לרשותנו משתמש בהפרדה זו המוצגת בין משתמשי המחקר. מדידת המתח, בתורו, מבוססת על רעיונות של העבודות הבאות 15,19,21,22.

בשלב הראשון, לצורך ביצוע המחקר, יש למצוא תרחיש מתאים של תעשייה 4.0 לביצוע משימות אנליטיות. בהשראת עבודה אחרת של המחברים23, זוהו שני תרחישים (כלומר, משימות הניתוח), (1) זיהוי חריגים, ו-(2) זיהוי אשכולות. שני התרחישים מאתגרים, והם רלוונטיים מאוד בהקשר של תחזוקה של מכונות ייצור בתפוקה גבוהה. בהתבסס על החלטה זו, שישה שיקולים עיקריים הניעו את פרוטוקול המחקר המוצג בעבודה זו:

  1. הפתרון שיפותח לצורך המחקר יתבסס טכנית על משקפי מציאות משולבת חכמים (ראו טבלת חומרים) ויפותח כיישום מציאות משולבת.
  2. יש לפתח בדיקה מתאימה, המסוגלת להבחין בין טירונים למשתמשים מתקדמים.
  3. מדדי ביצועים צריכים לקחת בחשבון זמן ושגיאות.
  4. יש לפתח יישום שולחן עבודה, אשר ניתן להשוות לפתרון ניתוח immersive.
  5. יש ליישם מדד כדי להעריך את רמת הלחץ הנתפסת.
  6. בנוסף לנקודה האחרונה, יפותחו תכונות להפחתת רמת הלחץ בזמן שהמשתמש מבצע את ההליך של שתי משימות הניתוח שהוזכרו (כלומר, (1) זיהוי חריגים, ו- (2) זיהוי אשכולות).

בהתבסס על שש הנקודות שהוזכרו, פרוטוקול המחקר משלב את ההליך הבא. משימות זיהוי חריג וניתוח אשכולות צריכות להתבצע בדרך סוחפת באמצעות משקפיים חכמים של מציאות משולבת (ראה טבלת חומרים). לכן, פותחה אפליקציה חדשה. צלילים מרחביים יקלו על ביצוע מטלות ניתוח מבלי להגביר את המאמץ המנטלי. תכונה קולית תקל על הניווט המשמש ליישום המפותח של משקפי המציאות המשולבת החכמים (ראה טבלת חומרים). מבחן רוטציה מנטלי יהיה הבסיס להבחנה בין טירונים למשתמשים מתקדמים. רמת הלחץ נמדדת על סמך שאלון. ביצועים, בתורם, מוערכים בהתבסס על (1) הזמן הדרוש למשתמש עבור משימות הניתוח, ובהתבסס על (2) שגיאות שבוצעו על-ידי משתמש עבור משימות הניתוח. הביצועים בזכוכית חכמה של מציאות משולבת מושווים לביצוע אותן משימות ביישום שולחן עבודה דו-ממדי שפותח לאחרונה וניתן להשוואה. בנוסף, מכשיר מוליכות העור משמש למדידת רמת מוליכות העור כאינדיקטור אפשרי ללחץ. תוצאות מדידה זו כפופות לניתוח נוסף ולא יידונו בעבודה זו. המחברים גילו במחקר אחר עם אותו מכשיר כי נדרשים שיקולים נוספים24.

בהתבסס על פרוטוקול זה, חמש שאלות המחקר הבאות (RQs) מטופלות:

RQ1: האם יכולות הדמיון המרחבי של המשתתפים משפיעות על ביצוע המשימות באופן משמעותי?
RQ2: האם יש שינוי משמעותי בביצועי המשימות לאורך זמן?
RQ3: האם יש שינוי משמעותי בביצועי המשימות בעת שימוש בצלילים מרחביים בפתרון הניתוח הסוחף?
RQ4: האם הניתוח האימרסיבי שפותח נתפס מלחיץ על ידי המשתמשים?
RQ5: האם ביצועי המשתמשים טובים יותר בעת שימוש בפתרון ניתוח מקיף בהשוואה לגישה דו-ממדית?

איור 1 מסכם את הפרוטוקול המוצג ביחס לשני קני מידה. זה מראה את האמצעים המפותחים והמשמשים ואת החידוש שלהם ביחס לרמת האינטראקציה. מאחר שרמת האינטראקציה מהווה היבט חשוב בעת פיתוח תכונות עבור סביבת VR, איור 1 יראה טוב יותר את החידוש של כל הפרוטוקול שפותח בעבודה זו. למרות שההערכה של ההיבטים בתוך שני הסולמות המשמשים היא סובייקטיבית, הערכתם הכוללת מבוססת על העבודה הקשורה הנוכחית ועל השיקולים העיקריים הבאים: עיקרון חשוב אחד מהווה את השימוש בהפשטות של סביבה לאינטראקציה טבעית, שבה המשתמש נעשה קשוב. ביחס לפרוטוקול הנדון, נראה כי הדמיה של ענני נקודה אינטואיטיבית למשתמשים וזיהוי דפוסים בעננים כאלה הוכר כמשימה הניתנת לניהול באופן כללי. עיקרון חשוב נוסף הוא כיסוי של affordances. לפיכך, השימוש בצלילים מרחביים כפי שנעשה בהם שימוש בפרוטוקול הנדון הוא דוגמה, שכן הם מתואמים עם קרבתו של אובייקט שחיפש. המחברים ממליצים לכוונן את הייצוגים באופן שרוב המידע ממוקם באזור הביניים, שהוא החשוב ביותר לתפיסה האנושית. הסיבה לכך שהמחברים לא כללו עיקרון זה הייתה לעודד את המשתמש למצוא את המקום הטוב ביותר בעצמו, כמו גם לנסות להתמצא במרחב ויזואליזציה של נתונים, שהוא גדול מכדי להיות מוצג בבת אחת. בגישה המוצגת, לא נעשו שיקולים נוספים של מאפייני הנתונים התלת-ממדיים שיוצגו. לדוגמה, אם מניחים שממד הוא זמני, ניתן היה להראות תרשימי פיזור. המחברים רואים סוג זה של ויזואליזציה בדרך כלל מעניין בהקשר של תעשייה 4.0. עם זאת, יש להתמקד בקבוצה קטנה למדי של הדמיות. יתר על כן, פרסום קודם כבר התמקד בניתוח שיתופי של נתונים. בעבודה זו, שאלת מחקר זו לא נכללה בשל מורכבותן של הסוגיות האחרות שנדונו במחקר זה. בהגדרה המוצגת כאן, המשתמש יכול לחקור את החלל immersive על ידי הסתובבות. גישות אחרות מציעות בקרים לחקור את המרחב הווירטואלי. במחקר זה, המוקד מוגדר על השימושיות באמצעות סולם שימושיות המערכת (SUS). פרסום קודם אחר ערך מחקר עבור מומחים כלכליים, אך עם משקפי VR. באופן כללי, והכי חשוב, מחקר זה מתלונן על שדה הראייה המוגבל עבור מכשירים אחרים כמו משקפי המציאות המשולבת המשומשים בעבודה זו (ראה טבלת חומרים). הממצאים שלהם מראים כי מתחילים בתחום VR היו מסוגלים להשתמש בכלי האנליטי ביעילות. זה תואם את החוויות של מחקר זה, אם כי בעבודה זו מתחילים לא סווגו יש חוויות VR או משחקים. בניגוד לרוב פתרונות המציאות המדומה, מציאות משולבת אינה מקובעת למיקום מכיוון שהיא מאפשרת לעקוב אחר הסביבה האמיתית. גישות VR כגון מזכירות את השימוש בכיסאות מיוחדים לחוויה של 360° כדי לשחרר את המשתמש משולחן העבודה שלו. מחברי המחקר מצביעים על כך שבעיות תפיסה משפיעות על הביצועים של ניתוח אימרסיבי; לדוגמה, באמצעות צללים. עבור המחקר הנדון, זה לא ריאלי, כמו משקפיים חכמים מציאות משולבת בשימוש (ראה טבלה של חומרים) אינם מסוגלים להציג צללים. פתרון עוקף יכול להיות רצפה וירטואלית, אבל הגדרה כזו הייתה מחוץ לטווח של מחקר זה. מחקר סקר בתחום האנליטיקה האימרסיבית זיהה פיזור תלת-ממדי כאחד הייצוגים הנפוצים ביותר של נתונים רב-ממדיים. בסך הכל, לא ניתן למצוא את ההיבטים המוצגים באיור 1 המורכבים כעת לפרוטוקול החוקר היבטי שימושיות של ניתוח אימרסיבי עבור תרחישי תעשייה 4.0.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

כל החומרים והשיטות אושרו על ידי ועדת האתיקה של אוניברסיטת אולם, ובוצעו בהתאם להנחיות שאושרו. כל המשתתפים נתנו את הסכמתם מדעת בכתב.

1. יצירת סביבת לימוד מתאימה

הערה: המחקר נערך בסביבה מבוקרת כדי להתמודד עם הגדרת החומרה המורכבת. משקפי המציאות המשולבת המשומשים (ראו טבלת חומרים) והמחשב הנייד עבור היישום הדו-ממדי הוסברו למשתתפי המחקר.

  1. בדוק את הפתרון הטכני לפני כל משתתף; הגדר במצב ברירת מחדל. הכינו את השאלונים והניחו ליד משתתף.
  2. תן למשתתפים לפתור משימות ממקרי השימוש זיהוי חריג וזיהוי אשכולות בהפעלה אחת (כלומר, הזמן הממוצע היה 43 דקות).
  3. התחל את המחקר על ידי קבלת פני המשתתפים והצגת מטרת המחקר, כמו גם את ההליך הכולל.
  4. משתתפים המשתמשים במכשיר למדידת מוליכות העור (ראו טבלת חומרים) חייבים להקפיד על שלב מנוחה קצר, כדי לקבל מדידה בסיסית. רק מחצית מהמשתתפים השתמשו במכשיר זה.
  5. כל המשתתפים צריכים למלא את שאלון מצאי חרדת תכונות המדינה (STAI)31, לפני תחילת הניסוי.
    1. לאחר מכן, המשתתפים צריכים לבצע את מבחן הסיבוב המנטלי (ראו איור 4, מבחן זה העריך את יכולות הדמיון המרחבי), שהיה הבסיס להבחנה בין ביצועים גבוהים לנמוכים (בעלי ביצועים גבוהים הם משתמשים מתקדמים, בעוד שבעלי ביצועים נמוכים הם טירונים), ואחריו מבחן הצליל המרחבי למדידת יכולות השמיעה המרחבית של משתתף.
      הערה: פיצול חציוני של ציוני המבחן במבחן הסיבוב המנטלי32 שימש להבחנה בין ביצועים נמוכים לגבוהים.
  6. הפרדת המשתתפים באופן אקראי לשתי קבוצות; התחל עם המשימה על זיהוי חריג או זיהוי אשכולות, תוך המשך עם מקרה השימוש האחר לאחר מכן. עבור משימת זיהוי האשכולות, מחצית מהמשתתפים התחילו תחילה עם משקפי המציאות המשולבת החכמים המשומשים (ראה טבלת חומרים), ולאחר מכן השתמשו ביישום הדו-ממדי, בעוד שהמחצית השנייה התחילה עם היישום הדו-ממדי, ולאחר מכן השתמשה במשקפיים החכמים של המציאות המשולבת (ראה טבלת חומרים). עבור משימת הזיהוי החריג, בחר באופן אקראי קבוצה אחת שמקבלת תמיכה קולית, בעוד שהחלק השני של הקבוצה אינו מקבל תמיכה קולית.
  7. בסיום המפגש, המשתתפים צריכים לענות שוב על שאלון מצאי חרדת תכונות המדינה (STAI)31 , כמו גם על שאלון מפותח ודמוגרפי.
  8. אחסן את הנתונים שנוצרו, אשר נרשמו באופן אוטומטי על ידי כל יישום שפותח, על האחסון של המחשב הנייד לאחר ההפעלה הושלמה.

2. פרוטוקול המחקר למשתתפים

  1. הכינו את הניסוי (ראו איור 2 לחדר הניסוי) עבור כל משתתף. הצג את המחשב השולחני, את משקפי המציאות המשולבת החכמים המשומשים וחלק את השאלונים.
  2. הודיעו למשתתפים כי הניסוי יימשך 40 עד 50 דקות, וכי מחציתם יתחילו לאחר המבחנים המקדימים (ראו נקודות 3-6 בפרוטוקול המחקר) תחילה עם מבחן הזיהוי החריג (ראו נקודה 7 של פרוטוקול המחקר), ולאחר מכן מבחן זיהוי האשכולות (ראו נקודה 8 של פרוטוקול המחקר), בעוד שהאחרים יבצעו את שני המבחנים הללו להיפך (כלומר, נקודה 8 של פרוטוקול המחקר לפני נקודה 7).
  3. החליטו באופן אקראי אם מתבצעת מדידת מוליכות העור. במקרה של כן, הכינו את מכשיר מדידת מוליכות העור33 והודיעו למשתתף לשים על המכשיר. בקשו מהמשתתפים שלב מנוחה קצר כדי לקבל מדידה בסיסית של רמת הלחץ שלהם.
  4. בקש מהמשתתפים למלא את שאלון מצאי חרדת תכונות המדינה (STAI)31 וליידע אותם שהוא מודד את הלחץ הנתפס הנוכחי לפני הניסוי.
  5. ערכו מבחן רוטציה מנטלית.
    1. ליידע את המשתתפים כי יכולות הסיבוב המנטלי שלהם מוערכות ולהוביל אותם מול מחשב שולחני. ליידע את המשתתפים על הליך הבדיקה. שימו לב שהיה עליהם לזהות עצמים דומים בעלי מיקומים שונים במרחב תלת-ממדי מדומה.
    2. הודיעו למשתתפים שרק שניים מתוך חמשת האובייקטים המוצגים דומים ושיהיו להם 2 דקות לכל המבחן. הודע למשתתפים שניתן לבצע שבע משימות בתוך 2 הדקות הנתונות ואמור להם שמדדי ביצועים נרשמים עבור כל משימה שבוצעה.
  6. הערכת יכולות צליל מרחביות.
    1. ליידע את המשתתפים כי יכולות הצליל המרחבי שלהם מוערכות ולהוביל אותם מול מחשב שולחני. ליידע את המשתתפים על הליך הבדיקה. הסבירו למשתתפים שיש לזהות שש דגימות קול, אשר יושמעו במשך 13 שניות כל אחת.
    2. הודיעו למשתתפים שעליהם לזהות את הכיוון (באופן מקביל לארבעת כיווני המצפן) שממנו מגיע הצליל.
  7. להעריך מיומנויות זיהוי חריגות.
    1. בקש מהמשתתפים להרכיב את משקפי המציאות המשולבת החכמים. הסבירו להם שיש למצוא חריגים בתוך העולם שנוצר עבור משקפי המציאות המשולבת.
    2. כמו כן, הודע להם כי חריג הוא נקודה מסומנת באדום, כל שאר הנקודות מסומנות בלבן. הסבירו להם שעליהם לכוון את מבטם לנקודה האדומה כדי להבחין בה.
    3. כמו כן, ליידע את המשתתפים כי לא רק עזרה חזותית מסופקת, בנוסף צלילים סביבתיים לתמוך בהם כדי למצוא חריגים. ספק את המידע למשתתפים שהם צריכים לבצע 8 משימות חריגות, כלומר 8 פעמים בתוך העולם הווירטואלי, הנקודה האדומה צריכה להימצא. עבור כל משתתף, 4 משימות נתמכות צליל, בעוד 4 משימות אינן נתמכות קול. עבור כל משתתף, הוא נבחר באופן אקראי אם הוא מתחיל משימה הנתמכת בצליל או לא. לאחר מכן, בהתאם למשימה הראשונה, היא משתנה ממשימה למשימה בין אם ניתנת תמיכה קולית ובין אם לאו.
    4. ספרו למשתתפים איזה מידע יירשם: הזמן הנדרש לכל משימה, משך ההליכה וכיצד נראית תנוחת התנועה הסופית שלהם ביחס לתנוחת המוצא שלהם. לבסוף, אמרו למשתתפים שהנקודה המסומנת באדום משתנה לירוקה אם היא זוהתה (ראו איור 3).
  8. הערך מיומנויות זיהוי אשכולות.
    1. החליטו באופן אקראי עבור המשתתף אם להשתמש תחילה במשקפי המציאות המשולבת או להוביל את המשתתף למחשב שולחני. בהמשך, רק ההליך עבור הגדרת המציאות המשולבת מתואר. אם משתתף מתחיל תחילה עם המחשב השולחני, ההליך זהה בסדר שהשתנה ולמעט הפקודות הקוליות, הן מסופקות רק בעת שימוש בפתרון המציאות המשולבת.
    2. עבור משתתפים המשתמשים במציאות משולבת: בקש מהמשתתפים להרכיב משקפיים חכמים של מציאות משולבת. הודע למשתתפים כיצד למצוא אשכולות בעולם שנוצרו באמצעות משקפי המציאות המשולבת החכמים המשומשים. הדגישו בפני המשתתפים כי היה עליהם להבחין בין אשכולות חופפים על ידי תנועה סביבם.
    3. למשתתפים המשתמשים במציאות משולבת: הסבירו למשתתפים שהם יכולים לנווט בעולם הווירטואלי וסביב האשכולות באמצעות פקודות קוליות. לבסוף אמרו למשתתפים שהם היו צריכים לזהות שישה אשכולות.
    4. עבור משתתפים המשתמשים במציאות משולבת: בקש מהמשתתפים להסיר את משקפי המציאות המשולבת החכמים הנמצאים בשימוש. סדרו את המשתתפים למחשב שולחני ואמרו להם להשתמש בתוכנה המוצגת על מסך המחשב השולחני. הודיעו להם שאותו סוג של אשכולות כמו שמוצג במשקפיים החכמים של המציאות המשולבת היה צריך להיות מזוהה באמצעות התוכנה במחשב השולחני (ראו איור 7 ואיור 8).
  9. בקש מהמשתתפים למלא שלושה שאלונים, כלומר שאלון מצאי חרדת תכונות מדינה (STAI)31, שאלון שפותח בעצמו לאיסוף משוב סובייקטיבי, ושאלון דמוגרפי לאיסוף מידע עליהם.
  10. בקש מהמשתתפים להסיר את מכשיר מדידת מוליכות העור33 אם הם התבקשו בהתחלה ללבוש אותו.
  11. שחררו את המשתתפים מהניסוי על ידי אמירת תודה על ההשתתפות.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

הגדרת אמצעים לניסוי
עבור משימת הזיהוי החריגה, הוגדרו מדדי הביצועים הבאים: זמן, נתיב וזווית. ראו איור 6 למדידות המדידות.

הזמן נרשם עד שנמצאה נקודה מסומנת באדום (כלומר, החריגה). מדד ביצועים זה מציין כמה זמן נדרש למשתתף כדי למצוא את הנקודה המסומנת באדום. הזמן מסומן כמשתנה "זמן" (באלפיות השנייה) בתוצאות.

בזמן שהמשתתפים ניסו למצוא את הנקודה המסומנת באדום, נקבע אורך מסלול ההליכה שלהם. הבסיס לחישוב זה היה שהמשקפיים החכמים המשומשים של מציאות משולבת (ראו טבלת חומרים) אוספים את המיקום הנוכחי כווקטור תלת-ממדי יחסית לעמדת ההתחלה בקצב פריימים של 60 פריימים לשנייה. בהתבסס על כך, ניתן היה לחשב את אורך הנתיב שמשתתף הלך. מדד ביצועים זה מציין אם המשתתפים הלכו הרבה או לא. נתיב מסומן כ- PathLength בתוצאות. בהתבסס על PathLength, נגזרו שלושה מדדי ביצועים נוספים: PathMean, PathVariance ו- BoundingBox. PathMean מציין את המהירות הממוצעת של המשתתפים במטר למסגרת, PathVariance את חוסר היציבות של תנועה, ו- BoundingBox מציין אם המשתתפים השתמשו באופן אינטנסיבי בתיבה התוחמת שלהם. האחרון נקבע על סמך התנוחות המקסימליות והמינימליות של כל התנועות (כלומר, משתתפים שלעתים קרובות משנים את תנוחת ההליכה שלהם חשפו ערכי BoundingBox גבוהים יותר).

הערך האחרון שנמדד מסומן ב- AngleMean ומהווה ערך נגזר של הזווית, המסומן ב- AngleMean. האחרון מציין את הסיבוב בין המיקום הנוכחי לבין עמדת המוצא של משתתף בקצב מסגרות של 60 לשנייה. על בסיס זה חושבה מהירות הסיבוב הממוצעת במעלות למסגרת. נגזר מערך זה, חושבה אי היציבות של הסיבוב באמצעות השונות, המסומנת כ- AngleVariance.

לסיכום המטרות של ערכי הנתיב והזוויות המחושבים, הנתיב מציין אם המשתמשים הולכים הרבה או לא. אם הם לא הולכים הרבה, זה עשוי להצביע על חוסר ההתמצאות שלהם. הזווית, בתורו, צריכה לציין אם המשתתפים מבצעים תנועות ראש מהירות או פתאומיות. אם הם מבצעים תנועות ראש פתאומיות במספר פעמים, זה עשוי להצביע שוב על חוסר התמצאות.

עבור משימת זיהוי האשכולות הוגדרו מדדי הביצועים הבאים: זמן ושגיאות. הזמן נרשם עד לנקודת הזמן שבה המשתתפים דיווחו כמה אשכולות הם זיהו. מדד ביצועים זה מציין כמה זמן נדרשו למשתתפים למצוא אשכולות. הזמן מסומן כזמן (באלפיות השנייה). טעויות מזוהות במובן של החלטה בינארית (true/false). או שמספר האשכולות שדווחו היה נכון (true) או לא נכון (false). שגיאות מסומנות בשגיאות.

גרסת המדינה של שאלון מצאי חרדת תכונה ממלכתית (STAI)31 שימשה למדידת חרדת המדינה, מבנה דומה ללחץ המדינה. השאלון כולל 20 פריטים וחולק לפני תחילת המחקר, כמו גם לאחר מכן כדי להעריך את השינויים בחרדת המדינה. לצורך הערכת שאלון זה, כל התכונות החיוביות התהפכו (למשל, תשובה '4' הופכת ל- '1'), וכל התשובות מסוכמות לציון STAI סופי. מוליכות העור נמדדה עבור 30 משתתפים שנבחרו באופן אקראי באמצעות מכשיר מדידת מוליכות העור (ראו טבלת חומרים)33.

לאחר ששני סוגי המשימות הושלמו, חולק בסוף המחקר שאלון שפותח באופן עצמאי כדי לבקש משוב מהמשתתפים. השאלון מוצג בטבלה 1. כמו כן, נשאל שאלון דמוגרפי על מין, גיל והשכלה של כל המשתתפים.

נוהל לימוד כולל ומידע על המחקר
הליך המחקר הכולל מומחש באיור 9. 60 משתתפים הצטרפו למחקר. המשתתפים גויסו ברובם מאוניברסיטת אולם ובחברות תוכנה מאולם. הסטודנטים המשתתפים היו בעיקר מתחומי מדעי המחשב, פסיכולוגיה ופיזיקה. עשר מהן היו נשים ו-50 גברים.

בהתבסס על מבחן הרוטציה המנטלית, 31 סווגו כבעלי ביצועים נמוכים, בעוד 29 סווגו כבעלי ביצועים גבוהים. באופן ספציפי, 7 נקבות ו -24 גברים סווגו כבעלי ביצועים נמוכים, בעוד 3 נקבות ו -26 גברים סווגו כבעלי ביצועים גבוהים. לצורך ההערכות הסטטיסטיות נעשה שימוש ב-3 כלי תוכנה (ראו טבלת חומרים).

תדרויות, אחוזים, אמצעים וסטיות תקן חושבו כסטטיסטיקה תיאורית. בעלי ביצועים נמוכים וגבוהים הושוו במשתנים דמוגרפיים בסיסיים באמצעות המבחנים המדויקים של פישר ומבחני t עבור מדגמים בלתי תלויים. עבור RQ1 -RQ5, בוצעו מודלים רב-שכבתיים ליניאריים עם הערכת הסבירות המרבית המלאה. נכללו שתי רמות, כאשר רמה אחת מייצגת את ההערכות החוזרות ונשנות (בזיהוי חריג או בזיהוי אשכולות), ורמה שנייה את המשתתפים. מדדי הביצועים (למעט שגיאות) היו המשתנים התלויים במודלים אלה. ב-RQ 1 נעשה שימוש גם בבדיקות המדויקות של פישר להסתברויות השגיאה. ב-RQ3 נבדקו ביצועים בזמן בצלילים מרחביים לעומת צלילים ללא צלילים (צליל לעומת אי-צליל נכלל כמנבא במודלים). ציוני STAI הוערכו באמצעות t-Tests עבור דגימות תלויות עבור RQ4. ב-RQ5 נבדקה ההשפעה של היישום הדו-ממדי לעומת משקפי המציאות המשולבת המשומשים (ראו טבלת חומרים), תוך שימוש במבחן של מקנמר להסתברות השגיאה. כל הבדיקות הסטטיסטיות בוצעו בשני זנבות; ערך המשמעות נקבע ל- P<.05.

תוצאות מוליכות העור לא נותחו והן כפופות לעבודה עתידית. חשוב לציין כי במחקר אחר עם אותו מכשיר גילו המחברים כי נדרשים שיקולים נוספים24.

עבור מבחן הסיבוב המנטלי, ההבדלים בתוצאות מבחן הסיבוב המנטלי בין המשתתפים שימשו כדי להבחין בין ביצועים נמוכים לגבוהים. במבחן היכולת המרחבית, כל המשתתפים הראו ציונים טובים ולכן כולם סווגו לביצועים גבוהים ביחס ליכולות המרחביות שלהם.

תחילה מסוכמים תוצאות חשובות של המשתתפים: בעלי ביצועים נמוכים וגבוהים בסבב מנטלי לא הראו הבדלים במשתני הבסיס שלהם (מין, גיל והשכלה). מבחינה תיאורית, למשתתפים בעלי הביצועים הנמוכים היה אחוז גבוה יותר של נשים מאשר למשתתפים גבוהים ובעלי הביצועים הגבוהים היו צעירים יותר מבעלי הביצועים הנמוכים. טבלה 2 מסכמת את המאפיינים של המשתתפים.

באשר לתוצאות עבור RQ1, עבור משימת זיהוי האשכולות, ביצועים נמוכים וגבוהים לא היו שונים באופן משמעותי עבור היישום הדו-ממדי (4 שגיאות עבור שגיאות נמוכות ו-2 שגיאות עבור בעלי ביצועים גבוהים) והגישה התלת-ממדית (8 שגיאות עבור ביצועים נמוכים ו-2 שגיאות עבור בעלי ביצועים גבוהים). עבור משימת הזיהוי של החריג, בעלי ביצועים גבוהים היו מהירים משמעותית מבעלי ביצועים נמוכים. בנוסף, בעלי ביצועים גבוהים דרשו מרחק הליכה קצר יותר כדי לפתור את המשימות. עבור משימת החריג, טבלה 3 מסכמת את התוצאות המפורטות.

לגבי התוצאות עבור RQ2, תוצאות משמעותיות התגלו רק עבור משימת הזיהוי של החריג. BoundingBox, PathLength, PathVariance, PathMean, Angle-Variance ו- AngleMean גדלו באופן משמעותי ממשימה לפעילות (ראה טבלה 4). הזמן המוקלט, בתורו, לא השתנה באופן משמעותי ממשימה למשימה באמצעות משקפי המציאות המשולבת החכמים (ראה טבלת חומרים).

באשר לתוצאות עבור RQ3, בהתבסס על הצלילים המרחביים, המשתתפים הצליחו לפתור את המשימות במקרה הזיהוי החריג מהר יותר מאשר ללא שימוש בצלילים מרחביים (ראה טבלה 5).

לגבי התוצאות עבור RQ4, בהערכה המוקדמת, המצב הממוצע בציוני STAI היה M = 44.58 (SD = 4.67). לאחר ההערכה, זה היה M = 45.72 (SD = 4.43). שינוי זה לא קיבל מובהקות סטטיסטית (p = .175). נתונים תיאוריים של התשובות בשאלון שפותח בעצמם מוצגים באיור 10.

באשר לתוצאות עבור RQ5, גישת משקפי המציאות המשולבת (ראו טבלת חומרים) מצביעה על זמני זיהוי אשכולות מהירים משמעותית בהשוואה לשימוש במחשב שולחני (ראו Table 6). עם זאת, יתרון המהירות בעת שימוש במשקפיים חכמים של מציאות משולבת (ראה טבלת חומרים) היה קטן למדי (כלומר, בטווח של אלפיות השנייה).

לבסוף, שים לב כי הנתונים של מחקר זה ניתן למצוא ב36.

Figure 1
איור 1: היבטים נחקרים בסולם אינטראקציה לעומת חידוש. האיור מציג את המדדים המשומשים ואת החידוש שלהם ביחס לרמת האינטראקציה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 2
איור 2: תמונות של חדר העבודה. מוצגות שתי תמונות של חדר העבודה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 3
איור 3: זוהה חריג. צילום המסך מציג חריגה שזוהתה. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 4
איור 4: דוגמה למבחן הרוטציה המנטלית. צילום המסך מראה את האובייקטים התלת-ממדיים שהמשתתפים התעמתו איתם; כלומר, שניים מתוך חמישה עצמים במיקומים שונים עם אותו מבנה אובייקט היו צריכים להמר על זיהוי. נתון זה שונה בהתבסס על עבודה זו35. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 5
איור 5: הגדרה למבחן היכולת המרחבית. ב- (A), תצורת השמע עבור המשימה Back מוצגת, ואילו ב- (B), ממשק המשתמש הסכמטי של הבדיקה מוצג. נתון זה שונה בהתבסס על עבודה זו35. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 6
איור 6: איור של ההגדרה לזיהוי חריג המשימה. שלושה היבטים עיקריים מוצגים. ראשית, החריגים מאוירים. שנית, מוצגים מדדי ביצועים. שלישית, האופן שבו חושבה התמיכה הקולית מוצג. נתון זה שונה בהתבסס על עבודה זו35. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 7
איור 7: איור של ההגדרה עבור זיהוי אשכול פעילויות. שקול את התרחישים A-C עבור רושם טוב יותר, המשתתפים היו צריכים לשנות את מבטם כדי לזהות אשכולות כראוי. נתון זה שונה בהתבסס על עבודה זו35. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 8
איור 8: איור של ההגדרה לזיהוי אשכול משימות ב- Matlab. האיור ממחיש אשכולות שסופקו במטלאב, שהיה הבסיס ליישום שולחן העבודה הדו-ממדי. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 9
איור 9: הליך המחקר הכולל במבט חטוף. איור זה מציג את הצעדים שהמשתתפים היו צריכים לבצע, בסדר הכרונולוגי שלהם. נתון זה שונה בהתבסס על עבודה זו35. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

Figure 10
תרשים 10: תוצאות השאלון שפותח באופן עצמאי (ראה טבלה 1). התוצאות מוצגות באמצעות תרשימי תיבות. נתון זה שונה בהתבסס על עבודה זו35. אנא לחץ כאן כדי להציג גרסה גדולה יותר של איור זה.

#Question שאלה יעד סולם משמעות
1 עד כמה חווית את הרכבת המשקפיים מלחיצה? לובש 1-10 10 פירושו גבוה, 1 פירושו נמוך
2 עד כמה המשימה של החריג הייתה מלחיצה? חריגים 1-10 10 פירושו גבוה, 1 פירושו נמוך
3 עד כמה חווית את הצלילים המרחביים מלחיצים? קול 1-10 10 פירושו גבוה, 1 פירושו נמוך
4 עד כמה המשימה למצוא אשכולות במציאות משולבת הייתה מלחיצה? אשכול MR 1-10 10 פירושו גבוה, 1 פירושו נמוך
5 עד כמה המשימה שמצאה אשכולות בגישת שולחן העבודה הייתה מלחיצה? אשכול DT 1-10 10 פירושו גבוה, 1 פירושו נמוך
6 עד כמה השימוש בפקודות הקוליות היה מלחיץ? קול 1-10 10 פירושו גבוה, 1 פירושו נמוך
7 הרגשת נתמך על ידי הצלילים המרחביים? קול 1-10 10 פירושו גבוה, 1 פירושו נמוך

טבלה 1: שאלון שפותח באופן עצמאי עבור משוב משתמשים. הוא כולל 7 שאלות. עבור כל שאלה, המשתתפים היו צריכים לקבוע ערך בתוך סולם מ 1-10, כאשר 1 פירושו ערך נמוך (כלומר, משוב רע), ו -10 ערך גבוה (כלומר, משוב טוב מאוד).

משתנה ביצועים נמוכים (n = 31) ביצועים גבוהים ערך P
(n=31) (n=29)
מין, n(%)
נקבה 7 (23%) 3 (10%)
זכר 24 (77%) 26 (90%) .302 (א)
קטגוריית גיל, n(%)
<25 1 (3%) 5 (17%)
25-35 27 (87%) 21 (72%)
36-45 0 (0%) 2 (7%)
46-55 1 (3%) 0 (0%)
>55 2 (6%) 1 (3%) 0.099 (א)
השכלה גבוהה, n(%)
תיכון 3 (10%) 5 (17%)
רווק 7 (23%) 6 (21%)
מאסטר 21 (68%) 18 (62%) .692 (א)
מבחן סיבוב מנטלי, ממוצע (SD)
תשובות נכונות 3.03 (1.40) 5.31 (0.76) .001 (ב)
תשובות שגויות 2.19 (1.47) 1.21 (0.56) .000 (ב)
בדיקת שמיעה מרחבית, ממוצע (SD) ©
תשובות נכונות 4.39 (1.09) 4.31 (1.00) .467 (ב)
תשובות שגויות 1.61 (1.09) 1.69 (1.00) .940 (ב)
א:המבחן המדויק של פישר
ב:מבחן t דו-מדגמי
ג: סטיית תקן SD

טבלה 2: תיאור מדגם המשתתפים והשוואה בין בעלי ביצועים נמוכים וגבוהים במשתני בסיס. הטבלה מציגה נתונים לשלוש השאלות הדמוגרפיות בנושאי מגדר, גיל והשכלה. בנוסף, מוצגות תוצאות שתי הבדיקות המקדימות.

משתנה הערכה SE (א) תוצאה
BoundingBox עבור ביצועים נמוכים בין משימות 2,224 .438 T(60.00) = 5.08; עמ<.001
שינוי של BoundingBox עבור ביצועים גבוהים בין משימות +.131 .630 t(60.00) = .21; p=.836
זמן לביצועים נמוכים במשימות שונות 20,919 1,045 t(60.00) = 20.02; עמ<.001
שינוי הזמן עבור ביצועים גבוהים בין משימות -3,863 1,503 t(60.00) = -2.57; p=.013
אורך נתיב עבור ביצועים נמוכים בין פעילויות 5,637 .613 T(60.00) = 9.19; עמ<.001
שינוי אורך נתיב עבור ביצועים גבוהים בין פעילויות -1,624 .882 t(60.00) = -1.84; p=.071
PathVariance עבור ביצועים נמוכים בין פעילויות 4.3E-4 4.7E-5 t(65.15) = 9.25; עמ<.001
שינוי של PathVariance עבור ביצועים גבוהים בין משימות +4.3E-6 6.7E-5 t(65.15) = .063; p=.950
PathMean עבור ביצועים נמוכים בין משימות .0047 5.3E-4 t(60.00) = 8.697; עמ<.001
שינוי של PathMean עבור ביצועים גבוהים בין משימות +3.8E-5 7.7E-4 t(60.00) = .05; p=.960
AngleVariance עבור ביצועים נמוכים בין משימות .0012 7.3ה-5 t(85.70) = 16.15; עמ<.001
שינוי של AngleVariance עבור ביצועים גבוהים בין משימות -2.7E-5 1.0E-4 t(85.70) = -.26; p=.796
AngleMean עבור ביצועים נמוכים בין משימות .015 .001 t(60.00) = 14.27; עמ<.001
שינוי של AngleMean עבור ביצועים גבוהים בין משימות -3.0E-4 1.5E-3 t(60.00) = -.20; p=.842
(א) SE = שגיאת תקן

טבלה 3: תוצאות המודלים הרב-שכבתיים עבור RQ1 (זיהוי חריג באמצעות משקפיים חכמים). הטבלה מציגה תוצאות סטטיסטיות של RQ1 עבור משימת הזיהוי של החריג (עבור כל מדדי הביצועים).

משתנה הערכה SE (א) תוצאה
BoundingBox במשימה הראשונה .984 .392 t(138.12) = 2.51; p=.013
שינוי של BoundingBox ממשימה לפעילות +.373 .067 t(420.00) = 5.59; עמ<.001
זמן במשימה הראשונה 19,431 1,283 t(302.08) = 15.11; עמ<.001
שינוי הזמן ממשימה למשימה -.108 .286 t(420.00) = -.37; p=.709
אורך נתיב בפעילות הראשונה 3,903 .646 T(214.81) = 6.05; עמ<.001
שינוי אורך נתיב ממשימה לפעילות +.271 .131 t(420.00) = 2.06; p=.040
PathVariance בפעילות הראשונה 3.1E-4 3.7E-5 t(117.77) = 8.43; עמ<.001
שינוי של PathVariance ממשימה למשימה +3.5E-5 4.5E-6 T(455.00) = 7.90; עמ<.001
PathMean במשימה הראשונה .0033 4.2E-4 T(88.98) = 7.66; עמ<.001
שינוי PathMean ממשימה למשימה +4.1E-4 5.2E-5 T(420.00) = 7.81; עמ<.001
AngleVariance במשימה הראשונה .001 5.7E-5 t(129.86) = 17.92; עמ<.001
שינוי שונות זווית ממשימה למשימה +4.1E-5 6.5E-6 T(541.75) = 6.34; עמ<.001
AngleMean במשימה הראשונה .0127 8.1E-4 t(82.17) = 15.52; עמ<.001
שינוי AngleMean ממשימה למשימה +6.1E-4 9.0E-5 T(420.00) = 6.86; עמ<.001
(א) SE = שגיאת תקן

טבלה 4: תוצאות המודלים הרב-שכבתיים עבור RQ2 (זיהוי חריג באמצעות משקפיים חכמים). הטבלה מציגה תוצאות סטטיסטיות של RQ2 עבור משימת הזיהוי של החריג (עבור כל מדדי הביצועים).

משתנה הערכה SE (א) תוצאה
BoundingBox ללא קול בין משימות 2,459 .352 T(93.26) = 6.98; עמ<.001
שינוי של BoundingBox עם צליל בין משימות -.344 .316 t(420.00) = -1.09; p=.277
זמן ללא קול בין משימות 20,550 1,030 t(161.17) = 19.94; עמ<.001
שינוי הזמן באמצעות צליל בין משימות -2,996 1,319 t(420.00) = -2.27; p=.024
אורך נתיב ללא קול בין פעילויות 5,193 .545 t(121.81) = 9.54; עמ<.001
שינוי אורך נתיב עם צליל בין פעילויות -.682 .604 t(420.00) = -1.13; p=.260
PathVariance ללא צליל בין פעילויות .0004 3.5E-5 t(79.74) = 12.110; עמ<.001
שינוי של PathVariance עם צליל בין משימות +1.3E-5 2.2E-5 t(429.20) = .592; p=.554
PathMean ללא קול בין פעילויות .005 4.0E-4 t(73.66) = 11.35; עמ<.001
שינוי PathMean עם צליל בין משימות +1.4E-4 2.5E-4 t(420.00) = .56; p=.575
AngleVariance ללא צליל בין משימות .0012 5.4E-5 t(101.32) = 21.00; עמ<.001
שינוי של AngleVariance עם צליל בין משימות +3.3E-5 3.1E-5 t(648.56) = 1.07; p=.284
AngleMean ללא קול בין משימות .0145 7.8E-4 t(70.17) = 18.51; עמ<.001
שינוי של AngleMean עם צליל בין משימות +6.0E-4 4.3E-4 t(420.00) = 1.39; p=.166
(א) SE = שגיאת תקן

טבלה 5: תוצאות המודלים הרב-שכבתיים עבור RQ3 (זיהוי חריג באמצעות המשקפיים החכמים). הטבלה מציגה תוצאות סטטיסטיות של RQ3 עבור משימת הזיהוי של החריג (עבור כל מדדי הביצועים).

משתנה הערכה SE (א) תוצאה
זמן עם שולחן העבודה בין משימות 10,536 .228 t(156.43) = 46.120; עמ<.001
שינוי הזמן עם Hololens בין משימות -.631 .286 t(660.00) = -2.206; p=.028
(א) SE = שגיאת תקן

טבלה 6: תוצאות המודלים הרב-שכבתיים עבור RQ5 (זיהוי אשכולות באמצעות משקפיים חכמים). הטבלה מציגה תוצאות סטטיסטיות של RQ5 עבור משימת זיהוי אשכולות (עבור כל מדדי הביצועים).

Subscription Required. Please recommend JoVE to your librarian.

Discussion

בנוגע ליישום המשקפיים החכמים שפותחו במציאות משולבת (ראו טבלת חומרים), שני היבטים היו מועילים במיוחד. השימוש בצלילים מרחביים למשימת הזיהוי של החריג נתפס באופן חיובי מצד אחד (ראו תוצאות RQ3). מצד שני, גם השימוש בפקודות קוליות נתפס באופן חיובי (ראו איור 10).

לגבי משתתפי המחקר, למרות שמספר המשתתפים שגויסו היה קטן למדי עבור מחקר אמפירי, המספר תחרותי בהשוואה לעבודות רבות אחרות. עם זאת, מתוכנן מחקר בקנה מידה גדול יותר על בסיס הפרוטוקול המוצג. עם זאת, מכיוון שהיא הראתה היתכנות עבור 60 משתתפים, משתתפים נוספים צפויים לחשוף אתגרים נוספים. דובר על כך שבחירת המשתתפים יכולה להיות רחבה יותר (במובן של התחומים שמהם מגיעים המשתתפים) ושמספר משתני הבסיס להבחנה בין בעלי ביצועים גבוהים לנמוכים יכול להיות גבוה יותר. מצד שני, אם היבטים אלה משתנים למספרים גבוהים יותר, אין לשנות את הפרוטוקול עצמו באופן עמוק.

ככלל, המגבלות הגלויות אינן משפיעות על ביצוע מחקר המבוסס על הפרוטוקול המוצג בעבודה זו, הן משפיעות רק על הגיוס ועל השאלות המשמשות לשאלון הדמוגרפי. עם זאת, מגבלה אחת של מחקר זה חשובה בכל זאת: הזמן הכולל הנדרש לסיום הניסוי עבור משתתף אחד הוא גבוה. מצד שני, מכיוון שהמשתתפים לא התלוננו על נוחות הלבישה, או שמכשיר הבדיקה מכביד עליהם יותר מדי, הזמן של ביצוע הפרוטוקול הכולל עבור משתתף אחד יכול להיחשב מקובל. לבסוף, בניסוי עתידי, יש להוסיף לפרוטוקול מספר היבטים. בפרט, יש להעריך את משימת הזיהוי החריג גם ביישום שולחן העבודה הדו-ממדי. יתר על כן, יש להעריך גם התקני חומרה אחרים כמו משקפי המציאות המשולבת המשומשים (ראה טבלת חומרים). עם זאת, נראה כי הפרוטוקול מועיל במובן רחב יותר.

התובנות העיקריות הבאות הושגו עבור הפרוטוקול המוצג. ראשית, היא הראתה את ההיתכנות שלה להערכת ניתוח אימרסיבי עבור פתרון מציאות משולבת. באופן ספציפי, משקפי המציאות המשולבת החכמים המשומשים (ראה טבלת חומרים) חשפו את ההיתכנות שלהם להעריך ניתוח סוחף ביישום מציאות משולבת עבור תרחישי תעשייה 4.0. שנית, ההשוואה בין יישום משקפי המציאות המשולבת המשומשים שפותח (ראו טבלת חומרים) לבין יישום שולחן עבודה דו-ממדי סייעה לחקור האם פתרון המציאות המעורבת יכול לעלות בביצועיו על יישום שאינו עושה שימוש בטכניקות VR. שלישית, מדידת פרמטרים פיזיולוגיים או סימנים חיוניים צריכה תמיד להילקח בחשבון בניסויים כאלה. בעבודה זו נמדד מתח באמצעות שאלון ומכשיר מוליכות עור. למרות שהאחרון עבד כראוי מבחינה טכנית, המחברים גילו במחקר אחר עם אותו מכשיר כי נדרשים שיקולים נוספים24. רביעית, מבחן היכולת המרחבית וההפרדה בין ביצועים גבוהים ונמוכים היו יתרון. לסיכום, למרות שהפרוטוקול המוצג נראה מורכב במבט ראשון (ראה איור 9), הוא הראה את התועלת שלו מבחינה טכנית. לגבי התוצאות, זה גם חשף את התועלת שלה.

מכיוון שאיתור חריגים וזיהוי אשכולות הם משימות אופייניות בהערכת מערכי נתונים רבים במימדים גבוהים בתרחישי תעשייה 4.0, השימוש בהם במחקר אמפירי מייצג תחום מחקר זה. הפרוטוקול הראה כי תרחישים אלה יכולים להיות משולבים היטב במחקר שימושיות על ניתוח immersive. לכן, ניתן להמליץ על ההגדרה המשומשת למחקרים אחרים בהקשר זה.

מכיוון שתוצאות המחקר המוצג הראו כי השימוש בפתרון מציאות משולבת המבוסס על המשקפיים החכמים המשמשים (ראה טבלת חומרים) שימושי כדי לחקור ניתוח אימרסיבי עבור תרחישי תעשייה 4.0, הפרוטוקול עשוי לשמש גם למחקרי שימושיות אחרים בהקשר הנתון.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

למחברים אין מה לחשוף.

Acknowledgments

למחברים אין מה להודות.

Materials

Name Company Catalog Number Comments
edaMove movisens
HoloLens Microsoft
Matlab R2017a MathWorks
RPY2 GNU General Public License v2 or later (GPLv2+) (GPLv2+) https://pypi.org/project/rpy2/
SPSS 25.0 IBM

DOWNLOAD MATERIALS LIST

References

  1. Korinth, M., Sommer-Dittrich, T., Reichert, M., Pryss, R. Design and Evaluation of a Virtual Reality-Based Car Configuration Concept. Science and Information Conference. , Springer, Cham. 169-189 (2019).
  2. Whalen, T. E., Noël, S., Stewart, J. Measuring the human side of virtual reality. IEEE International Symposium on Virtual Environments, Human-Computer Interfaces and Measurement Systems, 2003. , IEEE. 8-12 (2003).
  3. Martens, M. A., et al. It feels real: physiological responses to a stressful virtual reality environment and its impact on working memory. Journal of Psychopharmacology. 33 (10), 1264-1273 (2019).
  4. Keim, D. A. Information visualization and visual data mining. IEEE transactions on Visualization and Computer Graphics. 8 (1), 1-8 (2002).
  5. Dwyer, T., et al. Immersive analytics: An introduction. Immersive analytics. , Springer, Cham. 1-23 (2018).
  6. Moloney, J., Spehar, B., Globa, A., Wang, R. The affordance of virtual reality to enable the sensory representation of multi-dimensional data for immersive analytics: from experience to insight. Journal of Big Data. 5 (1), 53 (2018).
  7. Davis, F. D., Riedl, R., Vom Brocke, J., Léger, P. M., Randolph, A. B. Information Systems and Neuroscience. , Springer. (2018).
  8. Huckins, J. F., et al. Fusing mobile phone sensing and brain imaging to assess depression in college students. Frontiers in Neuroscience. 13, 248 (2019).
  9. Preece, J., et al. Human-computer interaction. , Addison-Wesley Longman Ltd. (1994).
  10. Card, S. K. The psychology of human-computer interaction. , CRC Press. (2018).
  11. Pelayo, S., Senathirajah, Y. Human factors and sociotechnical issues. Yearbook of Medical Informatics. 28 (01), 078-080 (2019).
  12. Bangor, A., Kortum, P., Miller, J. Determining what individual SUS scores mean: adding an adjective rating scale. Journal of Usability Studies. 4 (3), 114-123 (2009).
  13. Krahmer, E., Ummelen, N. Thinking about thinking aloud: A comparison of two verbal protocols for usability testing. IEEE Transactions on Professional Communication. 47 (2), 105-117 (2004).
  14. Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
  15. Peppa, V., Lysikatos, S., Metaxas, G. Human-Computer interaction and usability testing: Application adoption on B2C websites. Global Journal of Engineering Education. 14 (1), 112-118 (2012).
  16. Alwashmi, M. F., Hawboldt, J., Davis, E., Fetters, M. D. The iterative convergent design for mobile health usability testing: mixed-methods approach. JMIR mHealth and uHealth. 7 (4), 11656 (2019).
  17. System Usability Scale (SUS). Assistant Secretary for Public Affairs. , Available from: https://www.hhs.gov/about/agencies/aspa/how-to-and-tools/methods/system-usability-scale.html (2013).
  18. Fang, Y. M., Lin, C. The Usability Testing of VR Interface for Tourism Apps. Applied Sciences. 9 (16), 3215 (2019).
  19. Pryss, R., et al. Exploring the Time Trend of Stress Levels While Using the Crowdsensing Mobile Health Platform, TrackYourStress, and the Influence of Perceived Stress Reactivity: Ecological Momentary Assessment Pilot Study. JMIR mHealth and uHealth. 7 (10), 13978 (2019).
  20. Zugal, S., et al. Investigating expressiveness and understandability of hierarchy in declarative business process models. Software & Systems Modeling. 14 (3), 1081-1103 (2015).
  21. Schobel, J., et al. Learnability of a configurator empowering end users to create mobile data collection instruments: usability study. JMIR mHealth and uHealth. 6 (6), 148 (2018).
  22. Schobel, J., Probst, T., Reichert, M., Schickler, M., Pryss, R. Enabling Sophisticated Lifecycle Support for Mobile Healthcare Data Collection Applications. IEEE Access. 7, 61204-61217 (2019).
  23. Hoppenstedt, B., et al. Dimensionality Reduction and Subspace Clustering in Mixed Reality for Condition Monitoring of High-Dimensional Production Data. Sensors. 19 (18), 3903 (2019).
  24. Winter, M., Pryss, R., Probst, T., Reichert, M. Towards the Applicability of Measuring the Electrodermal Activity in the Context of Process Model Comprehension: Feasibility Study. Sensors. 20, 4561 (2020).
  25. Butscher, S., Hubenschmid, S., Müller, J., Fuchs, J., Reiterer, H. Clusters, trends, and outliers: How immersive technologies can facilitate the collaborative analysis of multidimensional data. Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. , 1-12 (2018).
  26. Wagner Filho, J. A., Rey, M. F., Freitas, C. M. D. S., Nedel, L. Immersive analytics of dimensionally-reduced data scatterplots. 2nd Workshop on Immersive Analytics. , (2017).
  27. Batch, A., et al. There is no spoon: Evaluating performance, space use, and presence with expert domain users in immersive analytics. IEEE Transactions on Visualization and Computer Graphics. 26 (1), 536-546 (2019).
  28. Cliquet, G., Perreira, M., Picarougne, F., Prié, Y., Vigier, T. Towards hmd-based immersive analytics. HAL. , Available from: https://hal.archives-ouvertes.fr/hal-01631306 (2017).
  29. Luboschik, M., Berger, P., Staadt, O. On spatial perception issues in augmented reality based immersive analytics. Proceedings of the 2016 ACM Companion on Interactive Surfaces and Spaces. , 47-53 (2016).
  30. Fonnet, A., Prié, Y. Survey of Immersive Analytics. IEEE Transactions on Visualization and Computer. , (2019).
  31. Spielberger, C. D., Gorsuch, R. L., Lushene, R. E. STAI Manual for the Stait-Trait Anxiety Inventory (self-evaluation questionnaire). Consulting Psychologist. 22, Palo Alto, CA, USA. 1-24 (1970).
  32. Vandenberg, S. G., Kuse, A. R. Mental rotations, a group test of three-dimensional spatial visualization. Perceptual Motor Skills. 47 (2), 599-604 (1978).
  33. Härtel, S., Gnam, J. P., Löffler, S., Bös, K. Estimation of energy expenditure using accelerometers and activity-based energy models-Validation of a new device. European Review of Aging and Physical Activity. 8 (2), 109-114 (2011).
  34. Gautier, L. RPY2: A Simple and Efficient Access to R from Python. , Available from: https://sourceforge.net/projects/rpy/ (2020).
  35. Hoppenstedt, B., et al. Applicability of immersive analytics in mixed reality: Usability study. IEEE Access. 7, 71921-71932 (2019).
  36. Hoppenstedt, B. Applicability of Immersive Analytics in Mixed Reality: Usability Study. IEEE Dataport. , (2019).

Tags

הנדסה גיליון 164 ניתוח אימרסיבי מציאות משולבת צלילים מרחביים ניתוח חזותי משקפיים חכמים שימושיות רמת מתח יכולת למידה
הערכת היבטי שימושיות של פתרון מציאות משולבת לניתוח מקיף בתרחישי תעשייה 4.0
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Hoppenstedt, B., Probst, T.,… More

Hoppenstedt, B., Probst, T., Reichert, M., Schlee, W., Kammerer, K., Spiliopoulou, M., Schobel, J., Winter, M., Felnhofer, A., Kothgassner, O. D., Pryss, R. Evaluating Usability Aspects of a Mixed Reality Solution for Immersive Analytics in Industry 4.0 Scenarios. J. Vis. Exp. (164), e61349, doi:10.3791/61349 (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