Summary
Bu protokol, sürükleyici analizler için kullanılan gelişmiş bir karma gerçeklik uygulamasının teknik ayarını tanımlar. Buna dayanarak, geliştirilen teknik çözümün kullanılabilirlik yönleri hakkında fikir edinmek için bir çalışmada kullanılan önlemler sunulmaktadır.
Abstract
Tıpta veya endüstride, yüksek boyutlu veri kümelerinin analizi giderek daha fazla ihtiyaç duyulmaktadır. Bununla birlikte, mevcut teknik çözümlerin kullanımı genellikle karmaşıktır. Bu nedenle, sürükleyici analitik gibi yeni yaklaşımlar memnuniyetle karşılanmaktadır. Sürükleyici analizler, çeşitli kullanıcı grupları ve veri kümeleri için yüksek boyutlu veri kümelerini uygun bir şekilde deneyimlemeyi vaat ediyor. Teknik olarak, sanal gerçeklik cihazları sürükleyici analitiği etkinleştirmek için kullanılır. Örneğin, Endüstri 4.0'da, yüksek boyutlu veri kümelerindeki aykırı değerlerin veya anormalliklerin tanımlanması gibi senaryolar, sürükleyici analitiğin hedeflerini takip eder. Bu bağlamda, sürükleyici analitik konusunda geliştirilen herhangi bir teknik çözüm için iki önemli soru ele alınmalıdır: Birincisi, teknik çözümler yardımcı oluyor mu, olmuyor mu? İkincisi, teknik çözümün bedensel deneyimi olumlu mu yoksa olumsuz mu? İlk soru teknik bir çözümün genel fizibilitesini hedeflerken, ikincisi kullanım konforunu hedeflemektedir. Bu soruları sistematik olarak ele alan mevcut çalışmalar ve protokoller hala nadirdir. Bu çalışmada, esas olarak Endüstri 4.0 senaryolarında sürükleyici analitik için kullanılabilirliği araştıran bir çalışma protokolü sunulmaktadır. Özellikle, protokol dört sütuna dayanmaktadır. İlk olarak, kullanıcıları önceki deneyimlere göre kategorilere ayırır. İkincisi, teknik çözümün fizibilitesini değerlendirmek için kullanılabilecek görevler sunulmaktadır. Üçüncüsü, bir kullanıcının öğrenme etkisini ölçen önlemler sunulmaktadır. Dördüncüsü, bir anket görevleri yerine getirirken stres seviyesini değerlendirir. Bu sütunlara dayanarak, çalışma protokolünü uygulamak için karma gerçeklik akıllı gözlüklerini kullanan teknik bir ortam uygulandı. Yapılan çalışmanın sonuçları, bir yandan protokolün uygulanabilirliğini, diğer yandan da Endüstri 4.0 senaryolarında sürükleyici analitiğin fizibilitesini göstermektedir. Sunulan protokol, keşfedilen sınırlamaların tartışılmasını içerir.
Introduction
Sanal gerçeklik çözümleri (VR çözümleri) farklı alanlarda giderek daha önemli hale geliyor. Genellikle, VR çözümleriyle (Sanal Gerçeklik, Karma Gerçeklik ve Artırılmış Gerçeklik dahil), birçok günlük görev ve prosedürün yerine getirilmesi kolaylaştırılacaktır. Örneğin, otomotiv alanında, bir otomobilin yapılandırma prosedürü Sanal Gerçeklik1 (VR) kullanılarak desteklenebilir. Araştırmacılar ve uygulayıcılar bu bağlamda çok sayıda yaklaşım ve çözümü araştırmış ve geliştirmişlerdir. Bununla birlikte, kullanılabilirlik yönlerini araştıran çalışmalar hala nadirdir. Genel olarak, yönler iki ana soru ışığında ele alınmalıdır. İlk olarak, bir VR çözümünün VR tekniklerini kullanmayan bir yaklaşımdan daha iyi performans gösterip göstermediği değerlendirilmelidir. İkincisi, VR çözümleri esas olarak ağır ve karmaşık donanım cihazlarına dayandığından, giyim konforu ve zihinsel çaba gibi parametreler daha derinlemesine araştırılmalıdır. Ayrıca söz konusu hususlar her zaman söz konusu uygulama alanı açısından araştırılmalıdır. Birçok mevcut yaklaşım bu soruları araştırmak için gerekli olduğunu görse de2, sonuç veren daha az çalışma vardır.
Şu anda önemli olan VR alanındaki bir araştırma konusu, sürükleyici analizlerle belirtiliyor. İnsan algısını analitik görevlerine dahil etmeye çalışan görsel analitik araştırma alanından türetilmiştir. Bu süreç aynı zamanda görsel veri madenciliği4 olarak da bilinir. Sürükleyici analitik, veri görselleştirme, görsel analitik, sanal gerçeklik, bilgisayar grafikleri ve insan-bilgisayar etkileşimi alanlarından konuları içerir5. Başa takılan ekranlardaki (HMD) son avantajlar, verileri sürükleyici bir şekilde keşfetmek için gelişmiş olanaklara yol açtı. Bu eğilimler boyunca, yeni etkileşim sistemlerinin geliştirilmesi, kullanıcı yorgunluğunu araştırma ihtiyacı veya sofistike 3D görselleştirmelerin geliştirilmesi gibi yeni zorluklar ve araştırma soruları ortaya çıkmaktadır6. Önceki bir yayın6'da, sürükleyici analitiğin önemli ilkeleri tartışılmaktadır. Büyük verilerin ışığında, karmaşık veri havuzlarının daha iyi analiz edilmesini sağlamak için sürükleyici analitik gibi yöntemlere giderek daha fazla ihtiyaç duyulmaktadır. Sürükleyici analitik çözümlerinin kullanılabilirlik yönlerini araştıran yalnızca birkaç çalışma bulunmaktadır. Ayrıca bu tür çalışmalarda söz konusu alan veya alan da göz önünde bulundurulmalıdır. Bu çalışmada, sürükleyici bir analitik prototipi geliştirildi ve buna dayanarak, Endüstri 4.0 senaryoları için geliştirilen çözümü araştıran bir protokol geliştirildi. Böylece protokol, öznel, performans ve fizyolojik yönlere dayanan deneyim yöntemi2'den yararlanır. Eldeki protokolde, öznel yönler , çalışma kullanıcılarının algılanan stresi ile ölçülür. Performans, sırayla, analiz görevlerini yerine getirmek için gerekli zaman ve yapılan hatalarla ölçülür. Son olarak, bir cilt iletkenlik sensörü fizyolojik parametreleri ölçtü. İlk iki önlem bu çalışmada sunulacaktır, ölçülen cilt iletkenliği ise değerlendirilmesi için daha fazla çaba gerektirmektedir.
Sunulan çalışma, özellikle sinirbilim yönleri ve bilgi sistemleri de dahil olmak üzere çeşitli araştırma alanlarını içermektedir. İlginçtir ki, bilgi sistemlerinin sinirbilimsel yönleriyle ilgili düşünceler son zamanlarda birkaç araştırma grubunun dikkatini çekmiştir 7,8 ve BT sistemlerinin kullanımını bilişsel bir bakış açısıyla da keşfetme talebini göstermektedir. Bu çalışma ile ilgili bir diğer alan ise bilgi sistemlerinin insan faktörlerinin araştırılmasını oluşturmaktadır 9,10,11. İnsan-bilgisayar etkileşimi alanında, bir çözümün kullanılabilirliğini araştırmak için araçlar mevcuttur. Sistem Kullanılabilirlik Ölçeği'nin esas olarak bu bağlamda kullanıldığını unutmayın12. Yüksek Sesle Düşünme Protokolleri13, bilgi sistemlerinin kullanımı hakkında daha fazla bilgi edinmek için yaygın olarak kullanılan bir başka çalışma tekniğidir. Bilgi sistemlerinin kullanılabilirlik yönlerini ölçmek için birçok yaklaşım mevcut olmasına ve bunlardan bazıları uzun zaman önce sunulmuş olmasına rağmen14, hala yeni önlemlerin araştırılması veya çalışma yöntemlerinin araştırılması gereken sorular ortaya çıkmaktadır. Bu nedenle, bu alandaki araştırmalar çok aktiftir12,15,16.
Aşağıda, yaygın olarak kullanılan iki yöntemin mevcut çalışmada neden dikkate alınmadığının nedenleri tartışılacaktır. İlk olarak, Sistem Kullanılabilirlik Ölçeği kullanılmamıştır. Ölçek on soruya dayanmaktadır17 ve kullanımı diğer bazı VR çalışmalarında da bulunabilir18. Bu çalışma esas olarak stresölçümünü amaçladığından 19, stresle ilgili bir anket daha uygun bulunmuştur. İkincisi, Yüksek Sesle Düşünme Protokolü20 kullanılmadı. Bu protokol türü genel olarak kullanışlılığını göstermiş olsa da13, çalışma kullanıcılarının stres seviyesi artabileceğinden, yalnızca yüksek sesle düşünme oturumunun ağır ve karmaşık bir VR cihazının kullanımına paralel olarak gerçekleştirilmesi gerektiği için burada kullanılmamıştır. Bu iki teknik kullanılmamış olmasına rağmen, diğer yeni çalışmaların sonuçları eldeki çalışmaya dahil edilmiştir. Örneğin, önceki çalışmalarda21,22, yazarlar çalışmalarında acemiler ve uzmanlar arasında ayrım yapmaktadır. Bu çalışmaların başarılı sonuçlarına dayanarak, eldeki protokol, çalışma kullanıcılarının bu sunulan ayrımını kullanır. Stres ölçümü, sırayla, aşağıdaki çalışmaların fikirlerine dayanmaktadır 15,19,21,22.
İlk başta, çalışmayı yürütmek için, analitik görevleri yerine getirmek için uygun bir Endüstri 4.0 senaryosu bulunmalıdır. Yazarların başka bir çalışmasından esinlenerek23, iki senaryo (yani analiz görevleri) tanımlanmıştır, (1) Aykırı Değerlerin Tespiti ve (2) Kümelerin Tanınması. Her iki senaryo da zordur ve yüksek verimli üretim makinelerinin bakımı bağlamında son derece önemlidir. Bu karara dayanarak, altı ana husus bu çalışmada sunulan çalışma protokolünü yönlendirmiştir:
- Çalışma için geliştirilen çözüm, teknik olarak karma gerçeklik akıllı gözlüklerine dayanacak (bakınız Malzeme Tablosu) ve karma gerçeklik uygulaması olarak geliştirilecektir.
- Acemileri ileri düzey kullanıcılardan ayırt edebilen uygun bir test geliştirilmelidir.
- Performans ölçümleri zaman ve hataları dikkate almalıdır.
- Sürükleyici analiz çözümüyle karşılaştırılabilecek bir masaüstü uygulaması geliştirilmelidir.
- Algılanan stres seviyesini değerlendirmek için bir önlem uygulanmalıdır.
- İkinci noktaya ek olarak, bir kullanıcı bahsedilen iki analiz görevinin prosedürünü yerine getirirken stres seviyesini azaltmak için özellikler geliştirilmelidir (yani, (1) Aykırı Değerlerin Tespiti ve (2) Kümelerin Tanınması).
Bahsedilen altı noktaya dayanarak, çalışma protokolü aşağıdaki prosedürü içerir. Aykırı Değer Algılama ve Küme Tanıma Analizi görevleri, karma gerçeklik akıllı gözlükleri kullanılarak sürükleyici bir şekilde gerçekleştirilmelidir (bkz. Bu nedenle yeni bir uygulama geliştirildi. Uzamsal sesler, zihinsel çabayı arttırmadan analiz görevlerinin yerine getirilmesini kolaylaştıracaktır. Bir ses özelliği, karma gerçeklik akıllı gözlüklerinin geliştirilmiş uygulaması için kullanılan navigasyonu kolaylaştıracaktır (bkz. Zihinsel rotasyon testi, acemileri ileri düzey kullanıcılardan ayırt etmek için temel oluşturacaktır. Stres seviyesi bir ankete dayanarak ölçülür. Performans, sırayla, bir kullanıcının analiz görevleri için ihtiyaç duyduğu (1) zamana ve bir kullanıcı tarafından analiz görevleri için yapılan (2) hatalara göre değerlendirilir. Karma gerçeklik smartglass'ındaki performans, yeni geliştirilen ve karşılaştırılabilir bir 2D masaüstü uygulamasında aynı görevlerin yerine getirilmesiyle karşılaştırılır. Ek olarak, stres için olası bir gösterge olarak cilt iletkenlik seviyesini ölçmek için bir cilt iletkenlik cihazı kullanılır. Bu ölçümün sonuçları daha fazla analize tabidir ve bu çalışmada tartışılmayacaktır. Yazarlar, aynı cihazla yapılan başka bir çalışmada, ek hususların gerekli olduğunu ortaya koymuşlardır24.
Bu protokole dayanarak, aşağıdaki beş araştırma sorusu (RQ) ele alınmaktadır:
RQ1: Katılımcıların mekansal hayal gücü yetenekleri görevlerin performansını önemli ölçüde etkiliyor mu?
RQ2: Görev performansında zaman içinde önemli bir değişiklik var mı?
RQ3: Sürükleyici analiz çözümünde uzamsal sesleri kullanırken görev performansında önemli bir değişiklik var mı?
RQ4: Geliştirilen sürükleyici analizler kullanıcılar tarafından stresli algılanıyor mu?
RQ5: Kullanıcılar sürükleyici bir analiz çözümü kullanırken 2B yaklaşıma kıyasla daha iyi performans gösteriyor mu?
Şekil 1 , sunulan protokolü iki ölçekle özetlemektedir. Geliştirilen ve kullanılan önlemleri ve etkileşim düzeyine göre yeniliklerini gösterir. Bir VR ortamı için özellikler geliştirirken etkileşim seviyesi önemli bir unsur oluşturduğundan, Şekil 1 bu çalışmada geliştirilen tüm protokolün yeniliğini daha iyi gösterecektir. Kullanılan iki ölçekteki yönlerin değerlendirilmesi öznel olsa da, genel değerlendirmeleri mevcut ilgili çalışmaya ve aşağıdaki ana hususlara dayanmaktadır: Önemli bir ilke, kullanıcının uyum sağladığı doğal bir etkileşim için bir ortamın soyutlamalarının kullanılmasını oluşturur. Eldeki protokolle ilgili olarak, nokta bulutlarının görselleştirilmesi kullanıcılar için sezgisel görünmektedir ve bu tür bulutlardaki kalıpların tanınması genel olarak yönetilebilir bir görev olarak kabul edilmiştir. Bir diğer önemli ilke, bütçeleri bindirmeyi oluşturur. Bu nedenle, eldeki protokolde kullanılan uzamsal seslerin kullanımı, aranan bir nesnenin yakınlığı ile ilişkili oldukları için bir örnektir. Yazarlar, temsilleri, çoğu bilginin insan algısı için en önemli olan ara bölgede bulunacağı şekilde ayarlamayı önermektedir. Yazarların bu ilkeye yer vermemesinin nedeni, kullanıcıyı kendi başlarına en iyi noktayı bulmaya teşvik etmek ve kendilerini bir kerede gösterilemeyecek kadar büyük bir veri görselleştirme alanına yönlendirmeye çalışmaktı. Sunulan yaklaşımda, gösterilecek 3D verilerin özellikleri hakkında başka bir değerlendirme yapılmamıştır. Örneğin, bir boyutun geçici olduğu varsayılırsa, dağılım grafikleri gösterilebilirdi. Yazarlar, bu tür görselleştirmeleri Endüstri 4.0 bağlamında genellikle ilginç buluyorlar. Bununla birlikte, oldukça küçük bir görselleştirme kümesine odaklanmalıdır. Dahası, önceki bir yayın zaten verilerin işbirlikçi analizine odaklanmıştı. Bu çalışmada, bu çalışmada ele alınan diğer konuların karmaşıklığı nedeniyle bu araştırma sorusu hariç tutulmuştur. Burada sunulan kurulumda, kullanıcı etrafta dolaşarak sürükleyici alanı keşfedebilir. Diğer yaklaşımlar, sanal alanı keşfetmek için denetleyiciler sunar. Bu çalışmada Sistem Kullanılabilirlik Ölçeği (SUS) kullanılarak kullanılabilirliğe odaklanılmıştır. Daha önceki bir başka yayın, ekonomik uzmanlar için bir çalışma yürüttü, ancak VR kulaklıklarıyla. Genel olarak ve en önemlisi, bu çalışma, bu çalışmada kullanılan karma gerçeklik akıllı gözlükleri gibi diğer cihazlar için sınırlı görüş alanından şikayet etmektedir (bkz. Bulguları, VR alanında yeni başlayanların analitik aracı verimli bir şekilde kullanabildiklerini göstermektedir. Bu, bu çalışmanın deneyimleriyle eşleşir, ancak bu çalışmada yeni başlayanlar VR veya oyun deneyimlerine sahip olacak şekilde sınıflandırılmamıştır. Çoğu VR çözümünün aksine, karma gerçeklik, gerçek ortamı izlemeye izin verdiği için bir konuma sabitlenmez. Kullanıcıyı masaüstünden kurtarmak için 360 ° 'lik bir deneyim için özel sandalyelerin kullanılmasından bahsetmek gibi VR yaklaşımları. Yazarları, algı sorunlarının sürükleyici analitiğin performansını etkilediğini belirtmektedir; örneğin, gölgeleri kullanarak. Eldeki çalışma için, kullanılan karma gerçeklik akıllı gözlükleri (malzeme tablosuna bakın) gölgeleri görüntüleyemediğinden, bu mümkün değildir. Geçici bir çözüm sanal bir zemin olabilir, ancak böyle bir kurulum bu çalışmanın kapsamı dışındaydı. Sürükleyici analitik alanındaki bir anket çalışması, 3D dağılım grafiklerini çok boyutlu verilerin en yaygın temsillerinden biri olarak tanımladı. Şekil 1'de gösterilen yönlerin tamamı, şu anda Endüstri 4.0 senaryoları için sürükleyici analitiğin kullanılabilirlik yönlerini araştıran bir protokolde derlenmiş olarak bulunamamaktadır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Tüm materyal ve yöntemler Ulm Üniversitesi Etik Kurulu tarafından onaylanmış ve onaylanan kılavuzlara uygun olarak gerçekleştirilmiştir. Tüm katılımcılar yazılı bilgilendirilmiş onamlarını verdiler.
1. Uygun Çalışma Ortamı Oluşturmak
NOT: Çalışma, karmaşık donanım ortamıyla başa çıkmak için kontrollü bir ortamda gerçekleştirilmiştir. Kullanılan karma gerçeklik akıllı gözlükleri (bakınız Malzeme Tablosu) ve 2D uygulaması için dizüstü bilgisayar çalışma katılımcılarına açıklanmıştır.
- Her katılımcıdan önce teknik çözümü kontrol edin; varsayılan modda ayarlayın. Anketleri hazırlayın ve bir katılımcının yanına yerleştirin.
- Katılımcıların kullanım örneklerinden aykırı değer algılama ve küme tanıma görevlerini tek bir oturumda çözmelerine izin verin (yani, ortalama süre 43 dakikaydı).
- Çalışmaya, katılımcıları ağırlayarak ve çalışmanın amacını ve genel prosedürü tanıtarak başlayın.
- Cilt iletkenliği ölçüm cihazını kullanan katılımcılar (bakınız Malzeme Tablosu), temel bir ölçüm almak için kısa bir dinlenme aşamasına bağlı kalmalıdır. Katılımcıların sadece yarısı bu cihazı kullandı.
- Tüm katılımcılar, deneyin başlamasından önce Durum-Özellik Kaygısı Envanteri (STAI) anketi31'i doldurmalıdır.
- Daha sonra, katılımcılar zihinsel rotasyon testini (bkz. Şekil 4, bu test mekansal hayal gücü yeteneklerini değerlendirdi), bu da yüksek performanslı kişileri düşük performanslı olanlardan ayırt etmenin temelini oluşturdu (yüksek performans gösterenler ileri düzey kullanıcılar, düşük performans gösterenler ise acemiler), ardından bir katılımcının mekansal işitme yeteneklerini ölçmek için mekansal ses testi yaptılar.
NOT: Zihinsel rotasyon testi32'deki test puanlarının medyan bölünmesi, düşük performans gösterenleri yüksek performanslı olanlardan ayırt etmek için kullanılmıştır.
- Daha sonra, katılımcılar zihinsel rotasyon testini (bkz. Şekil 4, bu test mekansal hayal gücü yeteneklerini değerlendirdi), bu da yüksek performanslı kişileri düşük performanslı olanlardan ayırt etmenin temelini oluşturdu (yüksek performans gösterenler ileri düzey kullanıcılar, düşük performans gösterenler ise acemiler), ardından bir katılımcının mekansal işitme yeteneklerini ölçmek için mekansal ses testi yaptılar.
- Katılımcıları rastgele iki gruba ayırın; aykırı değer algılama veya küme tanıma göreviyle başlayın, daha sonra diğer kullanım örneğine devam edin. Küme tanıma görevi için, katılımcıların yarısı önce kullanılan karma gerçeklik akıllı gözlükleriyle başladı (bkz. Malzeme Tablosu) ve daha sonra 2D uygulamasını kullanırken, diğer yarısı önce 2D uygulamasıyla başladı ve daha sonra karma gerçeklik akıllı gözlüklerini kullandı ( bkz. Aykırı değer algılama görevi için, ses desteği alan bir grubu rastgele seçin, grubun diğer kısmı ise ses desteği almaz.
- Oturumu sonlandırırken, katılımcılar Durum-Özellik Kaygısı Envanteri (STAI) anketi31'i , kendi geliştirdikleri anketi ve demografik bir anketi tekrar cevaplamalıdır.
- Geliştirilen her uygulama tarafından otomatik olarak kaydedilen oluşturulan verileri, oturum tamamlandıktan sonra dizüstü bilgisayarın depolama alanında saklayın.
2. Katılımcılar için Çalışma Protokolü
- Her katılımcı için denemeyi hazırlayın (deneyin odası için Şekil 2'ye bakın). Masaüstü bilgisayarı, kullanılan karma gerçeklik akıllı gözlüklerini sunun ve anketleri dağıtın.
- Katılımcılara, deneyin 40 ila 50 dakika süreceğini ve yarısının ön testlerden sonra başladığını (Çalışma Protokolünün 3-6. Maddelerine bakınız) önce aykırı değer tespit testi (Çalışma Protokolünün 7. Maddesine bakınız), ardından küme tanıma testi (Çalışma Protokolünün 8. Maddesine bakınız), diğerleri ise bu iki testi tam tersi şekilde gerçekleştirir (yani, Çalışma Protokolünün 7. Maddeden önceki 8. maddesi).
- Bir cilt iletkenlik ölçümünün yapılıp yapılmadığına rastgele karar verin. Evet durumunda, cilt iletkenlik ölçüm cihazı33'ü hazırlayın ve katılımcıyı cihazı takması için bilgilendirin. Stres seviyeleri için temel bir ölçüm almak üzere katılımcılardan kısa bir dinlenme aşaması talep edin.
- Katılımcılardan Durum-Özellik Kaygısı Envanteri (STAI) anketi31'i doldurmalarını isteyin ve deneyden önce mevcut algılanan stresi ölçtüğünü bildirin.
- Zihinsel rotasyon testi yapın.
- Katılımcıları zihinsel rotasyon yeteneklerinin değerlendirildiği konusunda bilgilendirin ve onları bir masaüstü bilgisayarın önüne getirin. Katılımcıları test prosedürü hakkında bilgilendirin. Simüle edilmiş bir 3B alanda farklı konumlara sahip benzer nesneleri tanımlamaları gerektiğini unutmayın.
- Katılımcılara, gösterilen beş nesneden yalnızca ikisinin benzer olduğunu ve tüm test için 2 dakikaları olacağını bildirin. Katılımcılara verilen 2 dakika içinde yedi görevin tamamlanabileceğini bildirin ve onlara tamamlanan her görev için performans ölçümlerinin kaydedildiğini söyleyin.
- Uzamsal ses yeteneklerini değerlendirin.
- Katılımcıları uzamsal ses yeteneklerinin değerlendirildiği konusunda bilgilendirin ve onları bir masaüstü bilgisayarın önüne getirin. Katılımcıları test prosedürü hakkında bilgilendirin. Katılımcılara, her biri 13 saniye boyunca çalınacak altı ses örneğinin tespit edilmesi gerektiğini açıklayın.
- Katılımcılara, sesin geldiği yönü (dört pusula yönüne benzer şekilde) tespit etmeleri gerektiğini bildirin.
- Aykırı değer algılama becerilerini değerlendirin.
- Katılımcılardan karma gerçeklik akıllı gözlüklerini takmalarını isteyin. Onlara, karma gerçeklik akıllı gözlükleri için yaratılan dünyada aykırı değerlerin bulunması gerektiğini açıklayın.
- Ayrıca, bir aykırı değerin kırmızı işaretli bir nokta olduğunu, diğer tüm noktaların beyaz işaretli olduğunu bildirin. O zaman onlara, onu tespit etmek için bakışlarını kırmızı renkli noktaya yönlendirmeleri gerektiğini açıklayın.
- Katılımcılara sadece görsel yardım sağlanmadığını, ayrıca çevresel seslerin aykırı değerleri bulmalarını desteklediğini de bildirin. Katılımcılara 8 aykırı görevi yerine getirmeleri gerektiği bilgisini verin, yani sanal dünyada 8 kez kırmızı renkli noktanın bulunması gerekir. Her katılımcı için 4 görev ses destekliyken, 4 görev ses desteksizdir. Her katılımcı için, ses destekli bir görev başlatıp başlatmadıkları rastgele seçilir. Ardından, ilk göreve bağlı olarak, sağlam destek sağlanıp sağlanmadığına bakılmaksızın görevden göreve değişir.
- Katılımcılara hangi bilgilerin kaydedileceğini söyleyin: her görev için gerekli süre, yürüme süresi ve son hareketli konumlarının başlangıç konumlarıyla ilişkili olarak nasıl göründüğünü. Son olarak, katılımcılara kırmızı işaretli noktanın tespit edildiğinde yeşile dönüştüğünü söyleyin (bkz. Şekil 3).
- Küme tanıma becerilerini değerlendirin.
- Katılımcının öncelikle karma gerçeklik akıllı gözlüklerini kullanıp kullanmayacağına veya katılımcıyı bir masaüstü bilgisayara yönlendirip yönlendirmeyeceğine rastgele karar verin. Aşağıda, yalnızca karma gerçeklik ayarının yordamı açıklanmaktadır. Bir katılımcı öncelikle masaüstü bilgisayarla başlarsa, prosedür değişen sırayla aynıdır ve sesli komutlar dışında, yalnızca karma gerçeklik çözümü kullanılırken sağlanır.
- Karma gerçeklik kullanan katılımcılar için: Katılımcılardan karma gerçeklik akıllı gözlüklerini takmalarını isteyin. Katılımcıları, kullanılan karma gerçeklik akıllı gözlükleriyle oluşturulan dünyadaki kümeleri nasıl bulacakları konusunda bilgilendirin. Katılımcılara, örtüşen kümeler arasında hareket ederek onları ayırt etmeleri gerektiğini vurgulayın.
- Karma gerçeklik kullanan katılımcılar için: Katılımcılara sesli komutları kullanarak sanal dünyada ve kümelerin etrafında gezinebileceklerini açıklayın. Son olarak katılımcılara altı küme tespit etmeleri gerektiğini söyleyin.
- Karma gerçeklik kullanan katılımcılar için: Katılımcılardan kullanılmış karma gerçeklik akıllı gözlüklerini çıkarmalarını isteyin. Katılımcıları bir masaüstü bilgisayara yönlendirin ve masaüstü bilgisayarın ekranında gösterilen yazılımı kullanmalarını söyleyin. Onlara, kullanılan karma gerçeklik akıllı gözlüklerinde gösterildiği gibi aynı tür kümelerin masaüstü bilgisayardaki yazılım kullanılarak algılanması gerektiğini bildirin (bkz. Şekil 7 ve Şekil 8).
- Katılımcılardan üç anket doldurmalarını isteyin: Durum-Özellik Kaygısı Envanteri (STAI) anketi31, öznel geri bildirim toplamak için kendi geliştirdikleri bir anket ve onlar hakkında bilgi toplamak için demografik bir anket.
- Katılımcılardan cilt iletkenliği ölçüm cihazını çıkarmalarını isteyin33 Başlangıçta takmaları istenirse.
- Katılım için teşekkür ederek katılımcıları deneyden kurtarın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Deneme için Ölçüler Oluşturma
Aykırı değer algılama görevi için aşağıdaki performans ölçümleri tanımlanmıştır: zaman, yol ve açı. Ölçümler için Şekil 6'ya bakınız.
Kırmızı işaretli bir nokta (yani aykırı değer) bulunana kadar zaman kaydedildi. Bu performans ölçüsü, bir katılımcının kırmızı işaretli noktayı bulması için ne kadar zamana ihtiyacı olduğunu gösterir. Zaman, sonuçlarda "zaman" değişkeni (milisaniye cinsinden) olarak gösterilir.
Katılımcılar kırmızı işaretli noktayı bulmaya çalışırken, yürüyüş yolu uzunlukları belirlendi. Bu hesaplamanın temeli, kullanılan karma gerçeklik akıllı gözlüklerinin (bkz. Malzeme Tablosu), mevcut konumu saniyede 60 karelik bir kare hızında başlangıç konumuna göre bir 3B vektör olarak toplamasıydı. Buna dayanarak, bir katılımcının yürüdüğü yolun uzunluğu hesaplanabilir. Bu performans ölçüsü, katılımcıların çok fazla yürüyüp yürümediğini gösterir. Yol, sonuçlarda PathLength olarak gösterilir. PathLength'e dayanarak, üç performans ölçütü daha türetilmiştir: PathMean, PathVariance ve BoundingBox. PathMean, katılımcıların kare başına metre cinsinden ortalama hızını, PathVariance bir hareketin düzensizliğini ve BoundingBox, katılımcıların sınırlayıcı kutularını yoğun bir şekilde kullanıp kullanmadıklarını gösterir. İkincisi, tüm hareketlerin maksimum ve minimum pozisyonlarına göre belirlenir (yani, yürüme pozisyonlarını sık sık değiştiren katılımcılar daha yüksek BoundingBox değerleri ortaya çıkardı).
Ölçülen son değer AngleMean ile gösterilir ve AngleMean ile gösterilen açının türetilmiş bir değerini oluşturur. İkincisi, geçerli konum ile bir katılımcının başlangıç konumu arasındaki dönüşü saniyede 60 kare hızında gösterir. Buna dayanarak, kare başına derece cinsinden ortalama dönüş hızı hesaplandı. Bu değer üzerinden türetilen, varyansı kullanarak rotasyonun düzensizliği hesaplandı ve bu da AngleVarians olarak gösterildi.
Hesaplanan yol ve açı değerlerinin amaçlarını özetlemek gerekirse, yol kullanıcıların çok yürüyüp yürümediğini gösterir. Çok fazla yürüyemiyorlarsa, oryantasyon eksikliğini gösterebilir. Açı, sırayla, katılımcıların hızlı veya ani kafa hareketleri yapıp yapmadıklarını göstermelidir. Birden fazla kez ani baş hareketleri yapıyorlarsa, bu yine oryantasyon eksikliğini gösterebilir.
Küme algılama görevi için aşağıdaki performans ölçütleri tanımlanmıştır: zaman ve hatalar. Zaman, katılımcıların kaç küme tespit ettiklerini bildirdikleri zaman noktasına kadar kaydedildi. Bu performans ölçüsü, katılımcıların kümeleri bulmak için ne kadar zamana ihtiyaç duyduklarını gösterir. Zaman, Zaman (milisaniye cinsinden) olarak gösterilir. Hatalar ikili karar (doğru/yanlış) anlamında tanımlanır. Bildirilen kümelerin sayısı doğruydu (doğru) veya doğru değildi (yanlış). Hatalar hatalarla gösterilir.
Durum-Özellik Kaygısı Envanteri (STAI) anketi31'in devlet versiyonu, devlet stresine benzer bir yapı olan devlet kaygısını ölçmek için kullanılmıştır. Anket 20 maddeden oluşmaktadır ve çalışma başlamadan önce ve daha sonra devlet kaygısındaki değişiklikleri değerlendirmek için dağıtılmıştır. Bu anketin değerlendirilmesi için, tüm olumlu nitelikler çevrildi (örneğin; '4' cevabı '1' olur) ve tüm cevaplar nihai bir STAI puanına kadar özetlenir. Cilt iletkenliği, deri iletkenliği ölçüm cihazı kullanılarak rastgele seçilen 30 katılımcı için ölçülmüştür (bakınız Malzeme Tablosu)33.
İki görev türü tamamlandıktan sonra, katılımcının geri bildirimini istemek için çalışmanın sonunda kendi geliştirdiği bir anket dağıtıldı. Anket formu Tablo 1'de gösterilmiştir. Ayrıca, demografik bir anket tüm katılımcıların cinsiyeti, yaşı ve eğitimi hakkında sorular sordu.
Genel Çalışma Prosedürü ve Çalışma Bilgileri
Genel olarak yürütülen çalışma prosedürü Şekil 9'da gösterilmiştir. Çalışmaya 60 katılımcı katıldı. Katılımcılar çoğunlukla Ulm Üniversitesi'nde ve Ulm'dan yazılım şirketlerinde işe alındı. Katılan öğrenciler ağırlıklı olarak bilgisayar bilimi, psikoloji ve fizik alanlarındandı. On tanesi kadın, 50'si erkekti.
Zihinsel rotasyon ön testine dayanarak, 31'i düşük performans gösteren, 29'u ise yüksek performanslı olarak kategorize edildi. Spesifik olarak, 7 kadın ve 24 erkek düşük performanslı olarak kategorize edilirken, 3 kadın ve 26 erkek yüksek performanslı olarak kategorize edildi. İstatistiksel değerlendirmeler için 3 yazılım aracı kullanılmıştır (bkz.
Frekanslar, yüzdeler, ortalamalar ve standart sapmalar tanımlayıcı istatistikler olarak hesaplandı. Düşük ve yüksek performans gösterenler, bağımsız örnekler için Fisher'ın kesin testleri ve t-Testleri kullanılarak temel demografik değişkenlerde karşılaştırıldı. RQ1 -RQ5 için, tam maksimum olasılık tahminine sahip doğrusal çok seviyeli modeller gerçekleştirildi. Birinci düzeyin tekrarlanan değerlendirmeleri (aykırı değer tespitinde veya küme tanımada) temsil ettiği iki düzey ve ikinci düzey katılımcılar dahil edilmiştir. Performans ölçümleri (hatalar hariç) bu modellerdeki bağımlı değişkenlerdi. RQ 1'de, hata olasılıkları için Fisher'ın kesin testleri de kullanılmıştır. RQ3'te, uzamsal seslerde zaman içindeki performansa karşı hiç ses araştırılmamıştır (modellerde öngörücü olarak sese karşı ses dahil edilmiştir). STAI skorları, RQ4 için bağımlı numuneler için t-Testleri kullanılarak değerlendirildi. RQ5'te, 2D uygulamasının kullanılan karma gerçeklik akıllı gözlüklerine karşı etkisi (malzeme tablosuna bakınız), McNemar'ın hata olasılığı testi kullanılarak araştırıldı. Tüm istatistiksel testler iki kuyruklu olarak yapıldı; anlamlılık değeri P<.05 olarak ayarlandı.
Cilt iletkenlik sonuçları analiz edilmemiştir ve gelecekteki çalışmalara tabidir. Daha da önemlisi, yazarlar aynı cihazla yapılan başka bir çalışmada, ek hususların gerekli olduğunu ortaya koymuşlardır24.
Zihinsel rotasyon testi için, katılımcılar arasındaki zihinsel rotasyon testi sonuçlarının farklılıkları, düşük performans gösterenleri yüksek performanslı olanlardan ayırt etmek için kullanılmıştır. Mekansal yetenek testi için, tüm katılımcılar iyi puanlar gösterdi ve bu nedenle hepsi mekansal yeteneklerine göre yüksek performans gösterenlere kategorize edildi.
İlk başta, katılımcıların önemli sonuçları özetlenmiştir: Zihinsel rotasyondaki düşük ve yüksek performans gösterenler, temel değişkenlerinde (cinsiyet, yaş ve eğitim) hiçbir fark göstermemiştir. Tanımlayıcı olarak, düşük performans gösterenler kadın katılımcıların yüksek performans gösterenlerden daha yüksek bir yüzdesine sahipti ve yüksek performans gösterenler düşük performans gösterenlerden daha gençti. Tablo 2'de katılımcılarla ilgili özellikler özetlenmiştir.
RQ1 sonuçları ile ilgili olarak, küme tanıma görevi için, düşük ve yüksek performans gösterenler 2B uygulama (düşük performans gösterenler için 4 hata ve yüksek performans gösterenler için 2 hata) ve 3B yaklaşım (düşük performans gösterenler için 8 hata ve yüksek performans gösterenler için 2 hata) için önemli ölçüde farklılık göstermedi. Aykırı değerin algılama görevi için, yüksek performans gösterenler düşük performans gösterenlerden önemli ölçüde daha hızlıydı. Ek olarak, yüksek performanslı kişiler görevleri çözmek için daha kısa bir yürüme mesafesine ihtiyaç duyuyorlardı. Aykırı değerin görevi için, Tablo 3 ayrıntılı sonuçları özetler.
RQ2 sonuçları ile ilgili olarak, yalnızca aykırı değerin algılama görevi için önemli sonuçlar ortaya çıkmıştır. BoundingBox, PathLength, PathVariance, PathMean, Angle-Variance ve AngleMean görevden göreve önemli ölçüde artmıştır (bkz. Tablo 4). Kaydedilen süre, sırayla, karma gerçeklik akıllı gözlükleri kullanılarak görevden göreve önemli ölçüde değişmedi (bkz.
RQ3 sonuçları ile ilgili olarak, uzamsal seslere dayanarak, katılımcılar aykırı değer algılama durumundaki görevleri uzamsal sesleri kullanmadan daha hızlı çözebildiler (bkz. Tablo 5).
RQ4 sonuçları ile ilgili olarak, ön değerlendirmede, STAI skorlarındaki ortalama durum M = 44.58 (SD = 4.67) idi. Değerlendirme sonrasında, M = 45.72 (SD = 4.43) idi. Bu değişiklik istatistiksel anlamlılığa ulaşmamıştır (p = .175). Kendi geliştirdiği anketteki cevapların tanımlayıcı istatistikleri Şekil 10'da sunulmuştur.
RQ5 sonuçlarıyla ilgili olarak, karma gerçeklik akıllı gözlükleri (bkz. Malzeme Tablosu) yaklaşımı, masaüstü bilgisayar kullanmaktan çok daha hızlı küme tanıma sürelerini gösterir (bkz. Bununla birlikte, karma gerçeklik akıllı gözlüklerini kullanırken hız avantajı ( bkz. Malzeme Tablosu) oldukça küçüktü (yani, milisaniye aralığında).
Son olarak, bu çalışmanın verilerinin36'da bulunabileceğini unutmayın.
Şekil 1: Etkileşim ve Yenilik ölçeğinde İncelenen Yönler. Şekil, kullanılan ölçümleri ve etkileşim düzeyine göre yeniliklerini göstermektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Resim 2: Çalışma odasının resimleri. Çalışma odasının iki resmi sunulmuştur. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 3: Algılanan Aykırı Değer. Ekran görüntüsünde algılanan bir aykırı değer gösterilmektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 4: Zihinsel rotasyon testi örneği. Ekran görüntüsü, katılımcıların karşılaştığı 3D nesneleri göstermektedir; yani, aynı nesne yapısına sahip farklı pozisyonlardaki beş nesneden ikisinin tespit edilmesi gerekiyordu. Bu rakam bu çalışmaya dayanarak değiştirilmiştir35. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 5: Uzamsal Yetenek Testi için ayar. (A)'da, Geri görevinin ses yapılandırması gösterilirken, (B)'de testin şematik kullanıcı arabirimi gösterilir. Bu rakam bu çalışmaya dayanarak değiştirilmiştir35. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 6: Görev aykırı değerinin algılanması için ayarın çizimi. Üç ana husus gösterilmektedir. İlk olarak, aykırı değerler gösterilmiştir. İkincisi, performans ölçümleri gösterilir. Üçüncü olarak, ses desteğinin nasıl hesaplandığı gösterilir. Bu rakam bu çalışmaya dayanarak değiştirilmiştir35. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 7: Görev kümesi tanıma ayarının çizimi. Daha iyi bir izlenim için A-C senaryolarını düşünün, katılımcılar kümeleri doğru bir şekilde tanımlamak için bakışlarını değiştirmek zorunda kaldılar. Bu rakam bu çalışmaya dayanarak değiştirilmiştir35. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 8: Matlab'da Görev Kümesi Tanıma ayarının çizimi. Şekilde, 2B masaüstü uygulamasının temeli olan Matlab'da sağlanan kümeler gösterilmektedir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 9: Bir Bakışta Genel Çalışma Prosedürü. Bu şekil, katılımcıların kronolojik sırasına göre gerçekleştirmeleri gereken adımları sunmaktadır. Bu rakam bu çalışmaya dayanarak değiştirilmiştir35. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
Şekil 10: Kendi geliştirdiği anketin sonuçları (bakınız Tablo 1). Sonuçlar kutu grafikleri kullanılarak gösterilir. Bu rakam bu çalışmaya dayanarak değiştirilmiştir35. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.
| #Question | Soru | Hedef | Ölçeklemek | Anlam |
| 1 | Gözlük takarken ne kadar stresli oldunuz? | Giyi | 1-10 | 10 yüksek demektir, 1 düşük demektir |
| 2 | Aykırı değerin görevi ne kadar stresliydi? | Aykırı | 1-10 | 10 yüksek demektir, 1 düşük demektir |
| 3 | Mekansal sesleri ne kadar stresli deneyimlediniz? | Ses | 1-10 | 10 yüksek demektir, 1 düşük demektir |
| 4 | Karma Gerçeklikte küme bulma görevi ne kadar stresliydi? | Küme MR | 1-10 | 10 yüksek demektir, 1 düşük demektir |
| 5 | Masaüstü yaklaşımında küme bulma görevi ne kadar stresliydi? | Küme DT | 1-10 | 10 yüksek demektir, 1 düşük demektir |
| 6 | Sesli komutların kullanımı ne kadar stresliydi? | Ses | 1-10 | 10 yüksek demektir, 1 düşük demektir |
| 7 | Uzamsal sesler tarafından desteklendiğinizi hissettiniz mi? | Ses | 1-10 | 10 yüksek demektir, 1 düşük demektir |
Tablo 1: Kullanıcı geri bildirimi için kendi geliştirdiği anket. 7 sorudan oluşmaktadır. Her soru için, katılımcılar 1-10 arasında bir ölçekte bir değer belirlemek zorunda kaldılar; bu sayede 1, düşük bir değer (yani, kötü geri bildirim) ve 10 yüksek bir değer (yani, çok iyi bir geri bildirim) anlamına gelir.
| Değişken | Düşük performans gösteren (n=31) | Yüksek performans | P Değeri |
| (n=31) | (n=29) | ||
| Cinsiyet, n(%) | |||
| Dişi | 7 (23%) | 3 (10%) | |
| Erkek | 24 (77%) | 26 (90%) | .302 (a) |
| Yaş Kategorisi, 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%) | .099 (a) |
| En Yüksek Eğitim, n(%) | |||
| Lise | 3 (10%) | 5 (17%) | |
| Bekâr | 7 (23%) | 6 (21%) | |
| Efendi | 21 (68%) | 18 (62%) | .692 (a) |
| Zihinsel Rotasyon Testi, Ortalama (SD) | |||
| Doğru Cevaplar | 3.03 (1.40) | 5.31 (0.76) | .001 (b) |
| Yanlış Cevaplar | 2.19 (1.47) | 1.21 (0.56) | .000 (b) |
| Uzamsal İşitme Testi, Ortalama (SD) © | |||
| Doğru Cevaplar | 4.39 (1.09) | 4.31 (1.00) | .467 (b) |
| Yanlış Cevaplar | 1.61 (1.09) | 1.69 (1.00) | .940 (b) |
| a:Fisher'ın Kesin Testi | |||
| b: İki örnekli t-testi | |||
| c: SD Standart Sapma | |||
Tablo 2: Katılımcı örneklem tanımı ve temel değişkenlerde düşük ve yüksek performans gösterenler arasındaki karşılaştırma. Tablo, cinsiyet, yaş ve eğitim ile ilgili üç demografik soruya ilişkin verileri göstermektedir. Ek olarak, iki ön testin sonuçları sunulmaktadır.
| Değişken | Tahmin | SE (a) | Sonuç |
| Görevler arasında düşük performans için BoundingBox | 2,224 | .438 | t(60,00) = 5,08; s<.001 |
| BoundingBox'ın görevler arasında yüksek performans için değiştirilmesi | +.131 | .630 | t(60.00) = .21; p=.836 |
| Görevler arasında düşük performans gösterme süresi | 20,919 | 1,045 | t(60,00) = 20,02; s<.001 |
| Görevler arasında yüksek performans için Zamanın Değiştirilmesi | -3,863 | 1,503 | t(60.00) = -2.57; p=.013 |
| Görevler arasında düşük performans için yol uzunluğu | 5,637 | .613 | t(60,00) = 9,19; s<.001 |
| Görevler arasında yüksek performans için Yol Uzunluğunun değiştirilmesi | -1,624 | .882 | t(60.00) = -1.84; p=.071 |
| Görevler arasında düşük performans için PathVariance | 4.3E-4 | 4.7E-5 | t(65,15) = 9,25; s<.001 |
| Görevler arasında yüksek performans için PathVariance'ın değiştirilmesi | +4,3E-6 | 6.7E-5 | t(65.15) = .063; p=.950 |
| Görevler arasında düşük performans için PathMean | .0047 | 5.3E-4 | t(60,00) = 8,697; s<.001 |
| PathAverage'ın görevler arasında yüksek performans için değiştirilmesi | +3,8E-5 | 7.7E-4 | t(60.00) = .05; p=.960 |
| Görevler arasında düşük performans için AngleVariance | .0012 | 7.3E-5 | t(85,70) = 16,15; s<.001 |
| Görevler arasında yüksek performans için AngleVariance'ın değiştirilmesi | -2.7E-5 | 1.0E-4 | t(85.70) = -.26; p=.796 |
| AngleMean görevler arasında düşük performans için | .015 | .001 | t(60,00) = 14,27; s<.001 |
| Görevler arasında yüksek performans için AngleAverage'ın değiştirilmesi | -3.0E-4 | 1.5E-3 | t(60.00) = -.20; p=.842 |
| (a) SE = Standart Hata | |||
Tablo 3: RQ1 için Çok Düzeyli Modellerin Sonuçları (Akıllı Gözlükleri Kullanarak Aykırı Değer Algılama). Tablo, aykırı değerin algılama görevi için RQ1'in istatistiksel sonuçlarını göstermektedir (tüm performans ölçümleri için).
| Değişken | Tahmin | SE (a) | Sonuç |
| İlk görevde BoundingBox | .984 | .392 | t(138,12) = 2,51; p=.013 |
| BoundingBox'ın görevden göreve değiştirilmesi | +.373 | .067 | t(420,00) = 5,59; s<.001 |
| İlk görevde zaman | 19,431 | 1,283 | t(302.08) = 15.11; s<.001 |
| Zamanın Görevden Göreve Değiştirilmesi | -.108 | .286 | t(420.00) = -.37; p=.709 |
| İlk görevde yol uzunluğu | 3,903 | .646 | t(214,81) = 6,05; s<.001 |
| Yol Uzunluğunun görevden göreve değiştirilmesi | +.271 | .131 | t(420,00) = 2,06; p=.040 |
| İlk görevde PathVariance | 3.1E-4 | 3.7E-5 | t(117,77) = 8,43; s<.001 |
| PathVariance'ın görevden göreve değiştirilmesi | +3,5E-5 | 4.5E-6 | t(455,00) = 7,90; s<.001 |
| İlk görevde PathMean | .0033 | 4.2E-4 | t(88,98) = 7,66; s<.001 |
| PathAverage'ın görevden göreve değiştirilmesi | +4,1E-4 | 5.2E-5 | t(420,00) = 7,81; s<.001 |
| İlk görevde AngleVariance | .001 | 5.7E-5 | t(129,86) = 17,92; s<.001 |
| AngleVaryans'ın görevden göreve değiştirilmesi | +4,1E-5 | 6.5E-6 | t(541,75) = 6,34; s<.001 |
| İlk görevde AngleMean | .0127 | 8.1E-4 | t(82.17) = 15.52; s<.001 |
| AngleAverage'ın görevden göreve değiştirilmesi | +6,1E-4 | 9.0E-5 | t(420,00) = 6,86; s<.001 |
| (a) SE = Standart Hata | |||
Tablo 4: RQ2 için Çok Düzeyli Modellerin Sonuçları (Akıllı Gözlükler Kullanılarak Aykırı Değer Algılama). Tablo, aykırı değerin algılama görevi için RQ2'nin istatistiksel sonuçlarını göstermektedir (tüm performans ölçümleri için).
| Değişken | Tahmin | SE (a) | Sonuç |
| Görevler arasında ses olmadan BoundingBox | 2,459 | .352 | t(93,26) = 6,98; s<.001 |
| BoundingBox'ın görevler arasında sesle değiştirilmesi | -.344 | .316 | t(420,00) = -1,09; p=.277 |
| Görevler arasında sessiz zaman | 20,550 | 1,030 | t(161,17) = 19,94; s<.001 |
| Görevler arasında sesle zamanın değiştirilmesi | -2,996 | 1,319 | t(420,00) = -2,27; p=.024 |
| Görevler arasında ses olmadan yol uzunluğu | 5,193 | .545 | t(121,81) = 9,54; s<.001 |
| Yol Uzunluğunun görevler arasında sesle değiştirilmesi | -.682 | .604 | t(420,00) = -1,13; p=.260 |
| Görevler arasında ses olmadan PathVariance | .0004 | 3.5E-5 | t(79,74) = 12,110; s<.001 |
| PathVariance'ın görevler arasında sesle değiştirilmesi | +1,3E-5 | 2.2E-5 | t(429.20) = .592; p=.554 |
| PathMean görevler arasında ses olmadan | .005 | 4.0E-4 | t(73,66) = 11,35; s<.001 |
| PathMean'ın görevler arasında sesle değiştirilmesi | +1,4E-4 | 2.5E-4 | t(420,00) = .56; p=.575 |
| Görevler arasında ses olmadan AngleVariance | .0012 | 5.4E-5 | t(101,32) = 21,00; s<.001 |
| AngleVariance'ın görevler arasında sesle değiştirilmesi | +3,3E-5 | 3.1E-5 | t(648,56) = 1,07; p=.284 |
| AngleMean görevler arasında ses olmadan | .0145 | 7.8E-4 | t(70,17) = 18,51; s<.001 |
| AngleMean'ın görevler arasında sesle değiştirilmesi | +6,0E-4 | 4.3E-4 | t(420,00) = 1,39; p=.166 |
| (a) SE = Standart Hata | |||
Tablo 5: RQ3 için Çok Düzeyli Modellerin Sonuçları (Akıllı Gözlükleri Kullanarak Aykırı Değer Algılama). Tablo, aykırı değerin algılama görevi için RQ3'ün istatistiksel sonuçlarını göstermektedir (tüm performans ölçümleri için).
| Değişken | Tahmin | SE (a) | Sonuç |
| Görevler arasında masaüstüyle geçirilen süre | 10,536 | .228 | t(156.43) = 46.120; s<.001 |
| Hololens ile görevler arasında zamanın değiştirilmesi | -.631 | .286 | t(660,00) = -2,206; p=.028 |
| (a) SE = Standart Hata | |||
Tablo 6: RQ5 için Çok Düzeyli Modellerin Sonuçları (Akıllı Gözlükleri Kullanarak Küme Tanıma). Tabloda, küme tanıma görevi için RQ5'in istatistiksel sonuçları gösterilmektedir (tüm performans ölçümleri için).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Geliştirilen karma gerçeklik akıllı gözlükleri ( bakınız Malzeme Tablosu) uygulaması ile ilgili olarak, iki husus özellikle faydalıydı. Aykırı değerin algılama görevi için uzamsal seslerin kullanımı bir yandan olumlu algılandı (RQ3'ün sonuçlarına bakınız). Öte yandan, sesli komutların kullanımı da olumlu algılandı (bkz. Şekil 10).
Çalışma katılımcıları ile ilgili olarak, işe alınan katılımcıların sayısı ampirik bir çalışma için oldukça küçük olmasına rağmen, sayı diğer birçok çalışmaya kıyasla rekabetçidir. Bununla birlikte, gösterilen protokole dayanarak daha büyük ölçekli bir çalışma planlanmaktadır. Bununla birlikte, 60 katılımcı için fizibilitesini gösterdiği için, daha fazla katılımcının daha fazla zorluk ortaya koymaması beklenmektedir. Katılımcıların seçiminin daha geniş olabileceği (katılımcıların geldiği alanlar anlamında) ve yüksek ve düşük performans gösterenleri ayırt etmek için temel değişkenlerin sayısının daha yüksek olabileceği tartışılmıştır. Öte yandan, eğer bu yönler daha yüksek sayılara değiştirilirse, protokolün kendisinin derinden değiştirilmemesi gerekir.
Genel olarak, ortaya çıkan sınırlamalar, bu çalışmada gösterilen protokole dayanan bir çalışmanın yürütülmesini etkilemez, yalnızca işe alımı ve demografik anket için kullanılan soruları etkiler. Bununla birlikte, bu çalışmanın bir sınırlaması yine de önemlidir: bir katılımcı için deneyi bitirmek için gereken genel süre yüksektir. Öte yandan, katılımcılar giyim rahatlığından şikayet etmediklerinden veya test cihazının kendilerine çok fazla yük getirdiğinden dolayı, bir katılımcı için genel protokolün uygulanma süresi kabul edilebilir olarak kabul edilebilir. Son olarak, gelecekteki bir deneyde, protokole birkaç yönün eklenmesi gerekir. Özellikle, aykırı değer algılama görevi 2B masaüstü uygulamasında da değerlendirilmelidir. Ayrıca, kullanılan karma gerçeklik akıllı gözlükleri gibi diğer donanım aygıtları da değerlendirilmelidir ( bkz. Bununla birlikte, protokol daha geniş anlamda faydalı görünmektedir.
Sunulan protokol için aşağıdaki önemli bilgiler edinilmiştir. İlk olarak, karma gerçeklik çözümü için sürükleyici analitiği değerlendirmek için fizibilitesini gösterdi. Özellikle, kullanılan karma gerçeklik akıllı gözlükleri (bkz. Malzeme Tablosu), Endüstri 4.0 senaryoları için karma gerçeklik uygulamasında sürükleyici analitiği değerlendirmek için fizibilitelerini ortaya koydu. İkincisi, geliştirilen kullanılmış karma gerçeklik akıllı gözlükleri ( Malzeme Tablosuna bakınız) uygulamasının bir 2D masaüstü uygulamasıyla karşılaştırılması, karma gerçeklik çözümünün VR tekniklerini kullanmayan bir uygulamadan daha iyi performans gösterip gösteremeyeceğini araştırmak için yararlı oldu. Üçüncüsü, fizyolojik parametrelerin veya hayati belirtilerin ölçümü bu tür deneylerde her zaman göz önünde bulundurulmalıdır. Bu çalışmada, stres bir anket ve bir cilt iletkenlik cihazı kullanılarak ölçülmüştür. İkincisi teknik olarak düzgün çalışmasına rağmen, yazarlar aynı cihazla yapılan başka bir çalışmada ek hususların gerekli olduğunu ortaya koymuşlardır24. Dördüncüsü, mekansal yetenek testi ve yüksek ve düşük performans gösterenlerin ayrılması avantajlıydı. Özetle, sunulan protokol ilk bakışta karmaşık gibi görünse de (bkz. Şekil 9), teknik olarak kullanışlılığını göstermiştir. Sonuçlarla ilgili olarak, kullanışlılığını da ortaya koydu.
Aykırı değerlerin tespiti ve kümelerin tanınması, Endüstri 4.0 senaryolarında birçok yüksek boyutlu veri kümesinin değerlendirilmesinde tipik görevler olduğundan, ampirik bir çalışmada kullanımları bu araştırma alanını temsil etmektedir. Protokol, bu senaryoların sürükleyici analitik üzerine bir kullanılabilirlik çalışmasına iyi entegre edilebileceğini gösterdi. Bu nedenle, kullanılan ayar bu bağlamdaki diğer çalışmalar için önerilebilir.
Gösterilen çalışmanın sonucu, kullanılan akıllı gözlüklere dayanan karma gerçeklik çözümünün kullanılmasının ( Malzeme Tablosuna bakınız) Endüstri 4.0 senaryoları için sürükleyici analitiği araştırmak için yararlı olduğunu gösterdiğinden, protokol verilen bağlamda diğer kullanılabilirlik çalışmaları için de kullanılabilir.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarların açıklayacak hiçbir şeyleri yoktur.
Acknowledgments
Yazarların kabul edecek hiçbir şeyleri yoktur.
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 |
References
- 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).
- 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).
- 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).
- Keim, D. A. Information visualization and visual data mining. IEEE transactions on Visualization and Computer Graphics. 8 (1), 1-8 (2002).
- Dwyer, T., et al. Immersive analytics: An introduction. Immersive analytics. , Springer, Cham. 1-23 (2018).
- 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).
- Davis, F. D., Riedl, R., Vom Brocke, J., Léger, P. M., Randolph, A. B. Information Systems and Neuroscience. , Springer. (2018).
- Huckins, J. F., et al. Fusing mobile phone sensing and brain imaging to assess depression in college students. Frontiers in Neuroscience. 13, 248 (2019).
- Preece, J., et al. Human-computer interaction. , Addison-Wesley Longman Ltd. (1994).
- Card, S. K. The psychology of human-computer interaction. , CRC Press. (2018).
- Pelayo, S., Senathirajah, Y. Human factors and sociotechnical issues. Yearbook of Medical Informatics. 28 (01), 078-080 (2019).
- 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).
- 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).
- Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
- 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).
- 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).
- 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).
- Fang, Y. M., Lin, C. The Usability Testing of VR Interface for Tourism Apps. Applied Sciences. 9 (16), 3215 (2019).
- 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).
- Zugal, S., et al. Investigating expressiveness and understandability of hierarchy in declarative business process models. Software & Systems Modeling. 14 (3), 1081-1103 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- Fonnet, A., Prié, Y.
- 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).
- Vandenberg, S. G., Kuse, A. R. Mental rotations, a group test of three-dimensional spatial visualization. Perceptual Motor Skills. 47 (2), 599-604 (1978).
- 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).
- Gautier, L. RPY2: A Simple and Efficient Access to R from Python. , Available from: https://sourceforge.net/projects/rpy/ (2020).
- Hoppenstedt, B., et al. Applicability of immersive analytics in mixed reality: Usability study. IEEE Access. 7, 71921-71932 (2019).
- Hoppenstedt, B. Applicability of Immersive Analytics in Mixed Reality: Usability Study. IEEE Dataport. , (2019).
