Waiting
Login processing...

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

Behavior

تقييم قابلية استخدام الواقع المعزز: دراسة نظم المعلومات العصبية

Published: November 30, 2022 doi: 10.3791/64667
Automatic Translation
*1, *1, 2,3,4, 5, 1, 1, 1
1Economics and Management School, Jiangsu University of Science and Technology, 2School of Health, Fujian Medical University, 3School of Management, Shanghai University, 4School of Management, Zhejiang University, 5Business School, La Trobe University
* These authors contributed equally

Summary

تقدم هذه الدراسة نموذجا تجريبيا لاختبار قابلية الاستخدام يجمع بين التقييمات الذاتية والموضوعية. اعتمد التقييم الموضوعي أساليب أنظمة المعلومات العصبية (NeuroIS) ، واعتمد التقييم الشخصي استبيان قابلية الاستخدام ومقياس مؤشر حمل المهام التابع لناسا (NASA-TLX).

Abstract

تقدم هذه الدراسة نموذجا تجريبيا لاختبار قابلية استخدام التقنيات الناشئة في نظام المعلومات الإدارية (MIS). تضمن اختبار قابلية الاستخدام تقييمات ذاتية وموضوعية. للتقييم الشخصي ، تم اعتماد استبيان قابلية الاستخدام ومقياس NASA-TLX. للتقييم الموضوعي ، تم استخدام طرق أنظمة المعلومات العصبية (NeuroIS). من منظور NeuroIS ، استخدمت هذه الدراسة fNIRS المحمول ونظارات تتبع العين للقياسات متعددة الوسائط ، والتي حلت مشكلة الصلاحية البيئية لأدوات علم الأعصاب الإدراكي المستخدمة في تجارب السلوك في العالم الحقيقي. استخدمت هذه الدراسة الواقع المعزز (AR) المدمج في إنترنت الأشياء (IoT) ككائن تجريبي. بمقارنة الاختلافات في بيانات التصوير العصبي ، والبيانات الفسيولوجية ، واستبيان قابلية الاستخدام ، وبيانات مقياس NASA-TLX بين وضعي البحث عن المعلومات (AR مقابل موقع ويب) ، كان للبحث عن المعلومات باستخدام AR كفاءة أعلى وحمل معرفي أقل مقارنة بالبحث عن المعلومات مع موقع ويب أثناء عملية اتخاذ قرار الاستهلاك. تظهر نتائج تجربة قابلية الاستخدام أن الواقع المعزز ، كتقنية ناشئة في مجال البيع بالتجزئة ، يمكن أن يعزز بشكل فعال تجارب المستهلكين ويزيد من نية الشراء. يمكن تطبيق النموذج التجريبي ، الذي يجمع بين التقييمات الذاتية والموضوعية في هذه الدراسة ، على اختبار قابلية الاستخدام للتقنيات الناشئة ، مثل الواقع المعزز ، والواقع الافتراضي ، والذكاء الاصطناعي ، والتكنولوجيا القابلة للارتداء ، والروبوتات ، والبيانات الضخمة. يوفر حلا تجريبيا عمليا لتجربة المستخدم في التفاعلات بين الإنسان والحاسوب مع اعتماد التقنيات الناشئة.

Introduction

ست تقنيات رائدة تتفاعل مع المستهلكين ، والتي يمثلها عادة الواقع المعزز ، والواقع الافتراضي ، والذكاء الاصطناعي ، والتكنولوجيا القابلة للارتداء ، والروبوتات ، والبيانات الضخمة ، تعيد تشكيل العديد من النماذج النظرية لسلوك المستهلك1. الواقع المعزز (AR) هو تقنية جديدة يمكن أن تعزز تجربة المستهلك وتحسن رضا المستهلك. يقوم بتركيب المعلومات النصية والصور ومقاطع الفيديو والعناصر الافتراضية الأخرى على سيناريوهات حقيقية لدمج الافتراضية والواقع ، وبالتالي تعزيز المعلومات في العالم الحقيقي من خلال الشرح والتوجيه والتقييم والتنبؤ2. يوفر الواقع المعزز نوعا جديدا من التفاعل بين الإنسان والحاسوب ، مما يخلق تجربة تسوق غامرة للمستهلكين ، وقد أدى إلى تطوير العديد من التطبيقات 3,4. ومع ذلك ، لا يزال قبول المستهلك لخدمات AR ضئيلا ، وبالتالي فإن العديد من الشركات حذرة بشأن اعتماد تقنية AR 5,6. تم استخدام نموذج قبول التكنولوجيا (TAM) على نطاق واسع لشرح والتنبؤ بسلوك اعتماد تقنيات المعلوماتالجديدة 7,8. وفقا ل TAM ، تعتمد نية اعتماد تقنية جديدة إلى حد كبير على قابليتها للاستخدام9. لذلك ، قد يتعلق التفسير المحتمل لقبول المستهلك البطيء لخدمات AR من منظور TAM بقابلية استخدام التقنيات الجديدة ، مما يسلط الضوء على الحاجة إلى تقييم قابلية استخدام AR أثناء التسوق10,11.

يتم تعريف قابلية الاستخدام على أنها الفعالية والكفاءة والرضا عن تحقيق الأهداف المحددة في سياق محدد من قبل مستخدمين محددين12. حاليا ، هناك طريقتان رئيسيتان لتقييم قابلية الاستخدام: التقييمات الذاتية والموضوعية13. تعتمد التقييمات الذاتية بشكل أساسي على طرق التقرير الذاتي باستخدام الاستبيانات والمقاييس. باتباع هذا الخط من البحث ، تضمن الاستبيان المستخدم في هذه الدراسة خمس ميزات مرتبطة بوضع البحث عن المعلومات لتحقيق هدف: (1) الكفاءة ، (2) سهولة الاستخدام ، (3) التذكر (سهل التذكر) ، (4) الرضا (وضع البحث عن المعلومات مريح وممتع) ، و (5) قابلية التعميم على الأشياء الأخرى14،15،16. بالإضافة إلى ذلك ، يعد الحمل المعرفي ، الذي يمثل الحمل أثناء أداء مهمة معينة على النظام المعرفي للمتعلم17 ، مؤشرا أساسيا آخر على قابلية الاستخدام18,19. وبالتالي ، استخدمت هذه الدراسة بالإضافة إلى ذلك مؤشر تحميل مهام ناسا (NASA-TLX)13,20 كمقياس شخصي لقياس الحمل المعرفي أثناء التسوق باستخدام AR مقابل التسوق باستخدام خدمات مواقع الويب. من الجدير بالذكر أن أساليب الإبلاغ الذاتي تعتمد على قدرة الأفراد واستعدادهم للإبلاغ بدقة عن مواقفهم و / أو سلوكياتهم السابقة21 ، مما يترك الباب مفتوحا أمام إمكانية سوء الإبلاغ أو نقص الإبلاغ أو التحيز. وهكذا، يمكن أن تكون التدابير الموضوعية مكملا قيما للأساليب الذاتية التقليدية(22).

تستخدم طرق أنظمة المعلومات العصبية (NeuroIS) للتقييم الموضوعي لقابلية استخدام الواقع المعزز. NeuroIS، الذي صاغه ديموكا وآخرون في مؤتمر ICIS لعام 2007، يجذب اهتماما متزايدا في مجال نظم المعلومات (IS)23. يستخدم NeuroIS نظريات وأدوات علم الأعصاب الإدراكي لفهم تطوير تقنيات IS واعتمادها وتأثيرها بشكل أفضل24,25. حتى الآن ، تستخدم أدوات علم الأعصاب المعرفي ، مثل التصوير بالرنين المغناطيسي الوظيفي (fMRI) ، ومخطط كهربية الدماغ (EEG) ، والتصوير المقطعي المحوسب بالإصدار البوزيتروني ، والتصوير المغناطيسي للدماغ (MEG) ، والتحليل الطيفي الوظيفي القريب من الأشعة تحت الحمراء (fNIRS) ، بشكل شائع في دراسات NeuroIS26,27. على سبيل المثال ، استخدم Dimoka و Davis التصوير بالرنين المغناطيسي الوظيفي لقياس تنشيط الأشخاص عند تفاعلهم مع موقع الويب ، وكشفوا أن سهولة الاستخدام المتصورة أثرت على التنشيط في قشرة الفص الجبهي (PFC) 28. وبالمثل ، باستخدام EEG ، وجد Moridis et al. أن عدم التماثل الجبهي يرتبط ارتباطا وثيقا بالفائدة29. تشير هذه النتائج إلى أن PFC قد يلعب دورا رئيسيا في سهولة الاستخدام.

على الرغم من الإنجازات التي تحققت في دراسات NeuroIS السابقة ، إلا أن النماذج المستخدمة في هذه الدراسات كانت لها حركات جسدية محدودة للأشخاص ذوي الصلاحية البيئية المنخفضة ، مما حد من مساهماتهم النظرية والعملية. يتطلب التفاعل مع تقنيات مثل AR أثناء التسوق حركات جسدية حرة ، وتضعف قيود الموضوع إلى حد كبير تجربة المستهلك كما تمت مناقشته في He et al.22. وبالتالي ، هناك حاجة إلى أدوات تصوير الدماغ ذات الصلاحية البيئية العالية لاختبار قابلية استخدام أنظمة المعلومات. في هذا الصدد ، تتمتع fNIRS بمزايا تقنية فريدة: أثناء تجارب fNIRS ، يمكن للأشخاص التحرك بحرية30 إلى حد ما. على سبيل المثال ، قامت الدراسات السابقة بقياس تنشيط دماغ الأشخاص خلال العديد من الأنشطة الخارجية مثل ركوب الدراجات باستخدام fNIRS31 المحمول. بالإضافة إلى ذلك ، فإن fNIRS منخفض التكلفة ويتيح قياس تنشيط الدماغ لفترات طويلة من الزمن32. في هذه الدراسة ، تم استخدام fNIRS لقياس مستوى الحمل المعرفي لدى الأشخاص بشكل موضوعي أثناء استخدام خدمات التسوق للواقع المعزز مقابل موقع الويب.

كان تتبع العين تقنية نفسية فسيولوجية قيمة للكشف عن الانتباه البصري للمستخدمين أثناء اختبار قابلية الاستخدام في السنوات الأخيرة33 ، كما تم استخدامه على نطاق واسع في دراسات NeuroIS34. تعتمد التقنية على فرضية العين والعقل ، والتي تفترض أن تركيز المراقب يذهب إلى حيث يتم توجيه الانتباه ، وأن الانتباه البصري يمثل العملية العقلية ، وأن أنماط الانتباه البصري تعكس الاستراتيجيات المعرفية البشرية35،36،37. في مجال أبحاث الواقع المعزز ، استخدم Yang et al. تتبع العين ليجد أن إعلان AR حسن مواقف المستهلكين تجاه الإعلان من خلال زيادة فضولهم واهتمامهم38. في الدراسة الحالية ، تم استخدام تتبع العين لقياس انتباه الأشخاص ، بما في ذلك معلمات مثل إجمالي مدة التثبيت ، ومتوسط مدة التثبيت ، وتردد التثبيت ، وتردد saccade ، ومتوسط مدة saccade ، ومتوسط طول مسار المسح.

باختصار ، تقترح هذه الدراسة طريقة اختبار قابلية الاستخدام التي تجمع بين التقييمات الذاتية والموضوعية مع تطبيقات الواقع المعزز كمثال. تم استخدام استبيان قابلية الاستخدام ومقياس NASA-TLX للتقييم الذاتي ، وتم استخدام التدابير متعددة الوسائط التي تجمع بين fNIRS وتتبع العين للتقييم الموضوعي39,40.

التصميم التجريبي
المواد التجريبية: لمحاكاة سياق التسوق الواقعي ، تم بناء رف منتج في المختبر ، وتم وضع علامتين تجاريتين مختلفتين من المياه المعدنية على الرف كمواد تجريبية. كسلع أساسية ، تم اختيار المياه المعدنية لأن المشاركين لن يكون لديهم تحيز في التقييمات الذاتية على أساس خلفيتهم المهنية وجنسهم وقدرتهم الشرائية. تم التحكم في سعر العلامات التجارية وسعتها ومعرفتها (انظر جدول المواد) للقضاء على تداخل المتغيرات غير ذات الصلة.

تضمن اختبار قابلية الاستخدام شرطين: تطبيق AR قائم على الهاتف الذكي (الشكل التكميلي 1) وموقع ويب (الشكل التكميلي 2). تمت برمجة تطبيق AR على أساس محرك AR. تم تطوير موقع الويب باستخدام Python ، استنادا إلى Bootstrap للواجهة الأمامية والقارورة للواجهة الخلفية. تم تشغيل تطبيق AR وموقع الويب وتصفحهما على هاتف ذكي. من بين العلامتين التجاريتين المختلفتين للمياه المعدنية ، تم استخدام أحدهما كمادة تجريبية في حالة AR ، والآخر تم استخدامه في حالة موقع الويب.

المهام التجريبية: طلب من المشاركين إجراء أربع مهام للبحث عن المعلومات مستمدة من سياقات تطبيق إنترنت الأشياء: جودة المياه ودرجة حرارة التخزين والنظام الغذائي المطابق وسعر اللتر. هذه العناصر الأربعة للمعلومات هي ما ينتبه إليه المستهلكون عادة عند شراء المياه المعدنية. لم يكن هناك قيود زمنية للمشاركين لإكمال المهام.

جودة المياه: تتضمن جودة المياه المعدنية عادة مؤشرين: إجمالي المواد الصلبة الذائبة (TDS) وقيمة الأس الهيدروجيني. تعكس المواد الصلبة الذائبة المحتوى المعدني ، وتصف قيمة الأس الهيدروجيني حموضة / قلوية الماء. يرتبط هذان المؤشران بالعناصر النزرة الموجودة في المياه المعدنية وتأثير الذوق. على سبيل المثال ، قسم Bruvold و Ongerth الجودة الحسية للمياه إلى خمس درجات وفقا لمحتوى TDS41. وجد ماركوسن وآخرون أن الماء له صفات حسية جيدة في حدود 100-400 مجم / لتر TDS42. تم قياس قيمة المواد الصلبة الذائبة والأس الهيدروجيني للعلامتين التجاريتين للمياه المعدنية المستخدمة في هذه الدراسة باستخدام TDS ومقاييس الأس الهيدروجيني ، على التوالي ، ثم تم تمييزها على تطبيق AR والموقع الإلكتروني. أثناء أداء المهمة ، طلب من المشاركين الإبلاغ عن قيم المواد الصلبة الذائبة والأس الهيدروجيني للمياه المعدنية وتأكيد ما إذا كانت هذه القيم ضمن النطاق الاسمي. في حالة الواقع المعزز ، يمكن للمشاركين الحصول على هذه المعلومات عن طريق مسح زجاجة الماء. في حالة موقع الويب ، طلب من المشاركين تنفيذ أربع خطوات: (1) العثور على رمز رقمي على ظهر زجاجة المياه المعدنية ، (2) إدخال الرمز الرقمي في مربع استعلام للحصول على قيم المواد الصلبة الذائبة والأس الهيدروجيني للمياه المعدنية ، (3) البحث في النطاق الاسمي للمياه المعدنية على موقع الويب ، و (4) الإبلاغ شفهيا عما إذا كانت قيمة المواد الصلبة الذائبة والأس الهيدروجيني ضمن النطاق الاسمي للمنتج.

درجة حرارة التخزين: قد تنخفض جودة المياه المعدنية أثناء النقل والتخزين بسبب التغيرات في درجة الحرارة. أظهرت التجارب أن درجة الحرارة المناسبة للمياه المعدنية تتراوح بين 5 درجات مئوية و 25 درجة مئوية أثناء النقل والتخزين. في نطاق درجة الحرارة هذا ، لا يحتوي الماء على رائحة كريهة43. في التجربة الحالية ، تم تحديد درجة حرارة تخزين نوعي المياه المعدنية في أماكن مختلفة على تطبيق AR والموقع الإلكتروني. أثناء أداء المهمة ، طلب من المشاركين الإبلاغ عن موقع التخزين ودرجة حرارة الماء المقابلة. في حالة الواقع المعزز ، يمكن للمشاركين الحصول على هذه المعلومات عن طريق مسح زجاجة الماء. في حالة موقع الويب ، يمكن للمشاركين الحصول على هذه المعلومات عن طريق إدخال الرمز الرقمي في مربع الاستعلام.

النظام الغذائي المطابق: العلامات التجارية المختلفة للمياه المعدنية مناسبة لقوائم مختلفة بسبب تركيبتها المعدنية الفريدة ومحتواها من الفقاعات44. في التجربة الحالية ، تم وضع علامة على التوصيات الغذائية للمياه المعدنية على تطبيق AR والموقع الإلكتروني. أثناء أداء المهمة ، طلب من المشاركين الإبلاغ عن كيفية تطابق المياه المعدنية مع الطعام في القائمة. في حالة AR ، يمكن للمشاركين الحصول على هذه المعلومات عن طريق مسح زجاجة الماء. في حالة موقع الويب ، يمكن للمشاركين البحث عن هذه المعلومات على موقع الويب.

سعر اللتر: حاليا ، لا تعرض الملصقات الموجودة على زجاجات المياه المعدنية في الصين معلومات سعر اللتر. هذا يجعل من الصعب على المستهلكين التمييز بين الفرق في أسعار الوحدات لأنواع مختلفة من المياه المعدنية. لذلك ، تطلبت التجربة الحالية من المشاركين الإبلاغ عن سعر اللتر. في تطبيق AR ، يمكن للمشاركين الحصول على سعر اللتر مباشرة عن طريق مسح زجاجة الماء. في حالة موقع الويب ، يمكن حساب المعلومات من سعر الوحدة والحجم على الملصق.

استخدمت هذه الدراسة تصميما داخل المشارك ، مع معايير إدراج المشاركين واستبعادهم كما هو موضح في الجدول 1. أكمل ما مجموعه 40 مشاركا التجربة (20 ذكرا و 20 أنثى ، متوسط العمر = 21.31 ± 1.16 سنة). كان جميع المشاركين طلابا جامعيين في جامعة جيانغسو للعلوم والتكنولوجيا وتم ترتيبهم عشوائيا في مجموعتين (A و B). من أجل تجنب تأثير الترتيب ، تم موازنة الترتيب التجريبي عبر المجموعتين (A / B). على وجه التحديد ، نفذت إحدى المجموعات شرط AR أولا ثم شرط موقع الويب ، بينما نفذت المجموعة الأخرى موقع الويب أولا ثم شرط AR. طلب من المشاركين إكمال التحضير للتجربة وارتداء الأدوات وأداء المهام التجريبية. تم ضبط الفاصل الزمني بين التجارب على 10 ثوان للسماح للتنشيط القشري بالعودة إلى مستوى خط الأساس ، وتجنب التأثير المتبادل في المهمة اللاحقة. في نهاية تجربة AR / موقع الويب ، طلب من المشاركين إكمال استبيان قابلية الاستخدام ومقياس NASA-TLX. يظهر المخطط الانسيابي التجريبي في الشكل 1. يتم عرض صورة للإعداد التجريبي في الشكل 2.

الجدول 1: معايير الإدراج والاستبعاد للدراسة. الرجاء الضغط هنا لتنزيل هذا الجدول.

Figure 1
الشكل 1: مخطط انسيابي تجريبي. استمرت كل تجربة ~ 45 دقيقة ، مع فترة راحة مدتها 10 ثوان بين المهام. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Figure 2
الشكل 2: مثال على إعداد المشهد التجريبي. يتم عرض المواد التجريبية والمشارك والمعدات. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

وقد أجريت هذه الدراسة وفقا لمبادئ إعلان هلسنكي. تم إبلاغ جميع المشاركين بالغرض من التجربة وسلامتها ووقعوا على نموذج الموافقة المستنيرة قبل المشاركة. تمت الموافقة على هذه الدراسة من قبل مجلس المراجعة المؤسسية بجامعة جيانغسو للعلوم والتكنولوجيا.

1. إجراء التجربة

  1. التحضير للتجربة
    1. اشرح الموافقة المستنيرة للمشاركين واطلب منهم التوقيع على نموذج الموافقة.
    2. قم بإجراء اختبار رؤية الألوان على المشاركين للتأكد من أن لديهم تمييزا طبيعيا للألوان.
    3. قدم 30 علامة تجارية للمياه المعدنية للمشاركين واطلب منهم اختيار العلامات التجارية التي هم على دراية بها ، للتأكد من أنهم ليسوا على دراية بماركات المياه المعدنية المستخدمة في التجربة.
    4. تقديم إجراءات التجربة للمشاركين.
    5. إجراء تجربة مسبقة على المشاركين الذين يستخدمون علامات تجارية للمياه المعدنية غير تلك المستخدمة في الدراسة ، والتأكد من أنهم على دراية بعمليات الواقع المعزز والموقع الإلكتروني.
    6. وجه كل مشارك من المجموعة أ لإجراء تجربة الواقع المعزز أولا، ثم لإجراء تجربة الموقع الإلكتروني. وجه كل مشارك من المجموعة ب لإجراء تجربة موقع الويب أولا ، ثم لإجراء تجربة الواقع المعزز.
  2. ارتداء الآلات
    1. تحقيقات fNIRS
      1. نظف جلد جبين المشاركين باستخدام جل تحضير الجلد (انظر جدول المواد).
      2. لف المجسات (انظر جدول المواد) في غلاف بلاستيكي لظروف التعرق. قم بتثبيت المجسات في موضع FP1 و FP2 وفقا لنظام 10-20 الدولي مع عصابة رأس سوداء45. استخدم باندانا سوداء لتغطية المجسات لحمايتها من الإضاءة المحيطة وتحسين جودة الإشارة.
      3. نظف جهاز إرسال واستقبال المجسات باستخدام وسادة كحول الأيزوبروبيل بنسبة 70٪ بعد الانتهاء من التجربة.
    2. تعقب العين: التقط حركة العين في بيئات العالم الحقيقي باستخدام نظارات تتبع العين (انظر جدول المواد). قم بتركيب العدسات الطبية على وحدة رأس نظارات تتبع العين مغناطيسيا (إذا لزم الأمر) وتأكد من أن المشاركين يمكنهم التجول بحرية مع تصحيح البصر.
      ملاحظة: نظرا لأن نظارات تتبع العين ليست مصممة للعمل جنبا إلى جنب مع النظارات القياسية ، فقد يظل المشاركون الذين يرتدون النظارات مشمولين في الدراسة باستخدام عدسات طبية اختيارية لتصحيح قصر النظر أو طول النظر. يمكن للمشاركين أيضا ارتداء العدسات اللاصقة القياسية لأنه على الرغم من أنها قد تزيد الضوضاء قليلا ، إلا أنها لا تحدث عادة أخطاء في البيانات. لا يمكن للمشاركين استخدام العدسات الملونة أو غيرها من العدسات التي تغير مظهر التلميذ أو القزحية.

2. التدابير

  1. fNIRS
    1. افتح برنامج التسجيل (انظر جدول المواد). قم بتوصيل المجسات بجهاز كمبيوتر محمول عبر محول Bluetooth ، ثم سجل التغيرات في تركيز الهيموغلوبين المؤكسج (O2Hb) في قشرة الفص الجبهي للمشاركين من خلال الكمبيوتر المحمول ، مع تردد أخذ العينات 10 هرتز.
    2. تحقق من شدة الضوء المستقبلة وجودة مؤشر تشبع الأنسجة (TSI) للتحكم في جودة البيانات. تأكد من أن الإشارة المستقبلة تقع بين 1٪ و 95٪.
    3. تأكد من أن المشاركين يجلسون في وضع مريح على كرسي والحفاظ على حالة الراحة لمدة 2 دقيقة لجمع بيانات خط الأساس قبل التجربة الحقيقية.
    4. انقر فوق الزر "ابدأ " على واجهة البرنامج لتسجيل بيانات fNIRS.
  2. تتبع العين
    1. قم بإعداد الجهاز لنظارات تتبع العين. قم بتوصيل قابس USB الخاص بنظارات تتبع العين بمنفذ USB على الكمبيوتر المحمول. افتح برنامج التسجيل (انظر جدول المواد) واضبط تردد أخذ العينات على 120 هرتز.
    2. المعايرة: قم بإجراء معايرة من نقطة واحدة. اطلب من المشارك التركيز على كائن يمكن التعرف عليه بوضوح في مجال رؤيته على ارتفاع 0.6 متر. حرك مؤشر التقاطع إلى الكائن ، حيث يركز المشارك في فيديو المشهد وانقر على الكائن.
    3. اضغط على زر التسجيل على واجهة البرنامج لبدء التسجيل .
  3. الاستبيان والمقياس: قدم استبيان قابلية الاستخدام ومقياس NASA-TLX للمشاركين بعد إكمال مهام AR / موقع الويب.

3. تحليل البيانات

  1. معالجة بيانات fNIRS
    1. تحويل قيم الكثافة الضوئية التي تم الحصول عليها من برنامج تسجيل fNIRS إلى تركيزات (ميكرومول) وفقا لقانون بير لامبرتالمعدل 46.
    2. قم بتصفية البيانات الأولية عند تمرير منخفض 0.5 هرتز لإزالة الضوضاء المنتظمة مثل ضربات القلب والتنفس.
    3. تحقق من البيانات الخاصة بعناصر الحركة وصححها عن طريق إزالة مقاطع البيانات التي تجاوزت ثلاثة انحرافات معيارية فوق السلسلة الزمنية47 بأكملها.
    4. قم بتصدير بيانات المتوسط والحد الأقصى ل fNIRS في ظروف AR وموقع الويب ، ثم اطرحها من بيانات خط الأساس.
  2. معالجة بيانات تتبع العين
    1. تصدير تردد التثبيت (العدد / الثانية) ، وإجمالي وقت التثبيت (مللي ثانية) ، ومتوسط وقت التثبيت (مللي ثانية) ، وتردد saccade (العدد / الثانية) ، ومتوسط وقت التثبيت (مللي ثانية) ، ومتوسط طول مسار المسح (px / s) للمشاركين.
  3. التحليل الإحصائي
    1. قم بإجراء اختبار ثنائي الطرف عند مستوى أهمية 0.05. تحقق من الحالة الطبيعية للبيانات باستخدام اختبار Shapiro-Wilk وقم بإجراء اختبار الفرق. قم بإجراء تصحيحات مقارنة متعددة للقيم p باستخدام طريقة معدل الاكتشاف الخاطئ (FDR).
      ملاحظة: أثناء إجراء اختبار الفرق ، تم تحليل البيانات التي اتبعت التوزيع الطبيعي باستخدام اختبار t للعينات المزدوجة ، وتم تحليل البيانات التي لم تتبع التوزيع الطبيعي باستخدام اختبار رتبة Wilcoxon الموقع.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

تشمل النتائج التمثيلية لهذه الدراسة نتائج استبيان قابلية الاستخدام ، وتحليل بيانات تتبع العين ، وبيانات مقياس NASA-TLX ، وتحليل بيانات fNIRS ، وتغييرات الحمل المعرفي الديناميكي. بالنسبة لنتائج استبيان قابلية الاستخدام ، تم إجراء تحليل بيانات تتبع العين وبيانات مقياس NASA-TLX وتحليل بيانات fNIRS واختبارات الحالة الطبيعية واختبارات الاختلافات. بالنسبة لتغيرات الحمل المعرفي الديناميكي ، اختارت هذه الدراسة fNIRS وبيانات تتبع العين من مشارك واحد لإثبات صحة القياس متعدد الوسائط.

نتائج استبيان قابلية الاستخدام
لم يتبع أي من البنود في استبيان قابلية الاستخدام التوزيع العادي (الجدول 2). تم اختبار موثوقية AR والموقع الإلكتروني في استبيان قابلية الاستخدام ، واعتبرت درجة ألفا في كرونباخ مقبولة (ألفا كرونباخ = 0.974).

الجدول 2: اختبار الحالة الطبيعية لاستبيان قابلية الاستخدام. لم يتبع أي من العناصر في استبيان قابلية الاستخدام التوزيع العادي. تم تحليل البيانات باستخدام اختبار رتبة ويلكوكسون الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

يوضح الجدول 3 متوسط درجات الفرق في استبيان قابلية الاستخدام بين الواقع المعزز والموقع الإلكتروني. يتم عرض توزيعات البيانات الخاصة بظروف AR وموقع الويب في الشكل 3. لوحظ اختلاف كبير بين ظروف AR وموقع الويب ، حيث كان متوسط درجات AR أعلى من تلك الخاصة بموقع الويب. أظهرت النتائج أن المشاركين لديهم تجربة مستخدم أفضل في حالة الواقع المعزز مقارنة بحالة موقع الويب.

الجدول 3: متوسط درجات الفرق في استبيان قابلية الاستخدام بين ظروف الواقع المعزز والموقع الإلكتروني. كان متوسط الدرجات للواقع المعزز أعلى بكثير من تلك الخاصة بالموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

Figure 3
الشكل 3: توزيع بيانات استبيان قابلية الاستخدام. رسم تخطيطي لتوزيع البيانات لاستبيان قابلية الاستخدام. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

تحليل بيانات تتبع العين
تم اختبار جميع مؤشرات تتبع العين للتأكد من طبيعتها ، والنتائج معروضة في الجدول 4. في المهمتين 1 و 3 ، اتبع تواتر التثبيت فقط التوزيع العادي ، في حين أن جميع المؤشرات الأخرى لم تتبع التوزيع العادي. وفي المهمة 2، اتبع تواتر التثبيت وتردد التثبيت التوزيع الطبيعي، ولكن بقية المؤشرات لم تتبع التوزيع الطبيعي. بالنسبة للمهمة 4 ، اتبع تردد saccade فقط التوزيع الطبيعي. عند مقارنة الاختلافات بين ظروف الواقع المعزز وموقع الويب ، تم الإبلاغ عن البيانات بشكل منفصل بناء على الحالة الطبيعية / غير الطبيعية. ويبين الجدول 5 الاختلافات في مؤشرات تتبع العين بين ظروف الواقع المعزز والموقع الشبكي في المهمة 1 (نوعية المياه). كانت هناك فروق ذات دلالة إحصائية في جميع مؤشرات تتبع العين بين ظروف AR والموقع الإلكتروني ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في حالة AR منه في حالة موقع الويب (متوسطAR = 586.85 ، المدى الربيعي (IQR) = 482.55-714.6 ؛ متوسطالموقع = 398.05 ، IQR = 362.775-445.275). كانت المؤشرات الأخرى أقل بكثير في حالة AR منها في حالة موقع الويب.

الجدول 4: اختبار الحالة الطبيعية لمؤشرات تتبع العين. تم تحليل بيانات تتبع العين التي تتبع التوزيع الطبيعي باستخدام اختبار t للعينات المزدوجة ، وتم تحليل بيانات تتبع العين التي لم تتبع التوزيع الطبيعي باستخدام اختبار رتبة Wilcoxon الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

الجدول 5: الاختلافات في مؤشرات تتبع العين بين الواقع المعزز والموقع الشبكي في المهمة 1. كانت هناك اختلافات ذات دلالة إحصائية في جميع مؤشرات تتبع العين بين ظروف AR والموقع الإلكتروني ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في الواقع المعزز منه في حالة الموقع (متوسطAR = 586.85 ، النطاق الربيعي (IQR) = 482.55-714.6 ؛ متوسطالموقع = 398.05 ، IQR = 362.775-445.275). كانت المؤشرات الأخرى أقل بكثير في الواقع المعزز مما كانت عليه في حالة الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

ويبين الجدول 6 الاختلافات في مؤشرات تتبع العين بين ظروف الواقع المعزز والموقع الشبكي في المهمة 2 (درجة حرارة التخزين). أظهرت جميع مؤشرات تتبع العين اختلافات كبيرة بين AR وظروف موقع الويب ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في حالة AR منه في حالة موقع الويب (متوسطAR = 477.2,IQR = 398.675-596.575; متوسطالموقع = 397.1 ، IQR = 353.35-451.075). كانت المؤشرات الأخرى أقل بكثير في حالة AR منها في حالة موقع الويب.

الجدول 6: الاختلافات في مؤشرات تتبع العين بين الواقع المعزز والموقع الشبكي في المهمة 2. كانت هناك فروق ذات دلالة إحصائية في جميع مؤشرات تتبع العين بين ظروف الواقع المعزز والموقع الإلكتروني ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في الواقع المعزز منه في حالة الموقع (متوسطAR = 477.2 ، IQR = 398.675-596.575 ؛ متوسط الموقع = 397.1 ، IQR = 353.35-451.075). كانت المؤشرات الأخرى أقل بكثير في الواقع المعزز مما كانت عليه في حالة الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

يوضح الجدول 7 الاختلافات في مؤشرات تتبع العين بين ظروف AR والموقع الشبكي في المهمة 3 (النظام الغذائي المطابق). كانت هناك فروق ذات دلالة إحصائية في جميع مؤشرات تتبع العين بين ظروف AR والموقع الإلكتروني ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في حالة الواقع المعزز منه في حالة الموقع (متوسطAR = 420.45,IQR = 352.275-467.8; متوسط الموقع = 360.6 ، IQR = 295-399.075). كانت المؤشرات الأخرى أقل بكثير في حالة AR منها في حالة موقع الويب.

الجدول 7: الاختلافات في مؤشرات تتبع العين بين الواقع المعزز والموقع الشبكي في المهمة 3. كانت هناك فروق ذات دلالة إحصائية في جميع مؤشرات تتبع العين بين ظروف AR والموقع الإلكتروني ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في الواقع المعزز منه في حالة الموقع (متوسطAR = 420.45,IQR = 352.275-467.8; متوسط الموقع = 360.6 ، IQR = 295-399.075). كانت المؤشرات الأخرى أقل بكثير في الواقع المعزز مما كانت عليه في حالة الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

ويبين الجدول 8 الاختلافات في مؤشرات تتبع العين بين ظروف الواقع المعزز والموقع الشبكي في المهمة 4 (سعر اللتر). كانت هناك فروق ذات دلالة إحصائية في جميع مؤشرات تتبع العين بين ظروف AR والموقع الإلكتروني ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في حالة AR منه في حالة موقع الويب (متوسطAR = 495.25,IQR = 404.8-628.65; متوسط الموقع = 263.1 ، IQR = 235.45-326.2). ومع ذلك ، كانت المؤشرات الأخرى أقل بكثير في حالة AR منها في حالة موقع الويب.

الجدول 8: الاختلافات في مؤشرات تتبع العين بين الواقع المعزز والموقع الشبكي في المهمة 4. كانت هناك فروق ذات دلالة إحصائية في جميع مؤشرات تتبع العين بين ظروف AR والموقع الإلكتروني ، p < 0.001. كان متوسط مدة التثبيت أطول بكثير في الواقع المعزز منه في حالة الموقع (متوسطAR = 495.25,IQR = 404.8-628.65; متوسط الموقع = 263.1 ، IQR = 235.45-326.2). كانت المؤشرات الأخرى أقل بكثير في الواقع المعزز مما كانت عليه في حالة الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

بالنسبة لمهام البحث المرئي ، ارتبطت مؤشرات تتبع العين المنخفضة بكفاءة أعلى للبحث عن المعلومات (باستثناء متوسط مدة التثبيت). مجتمعة ، أظهرت بيانات تتبع العين أن المشاركين لديهم كفاءة بحث أعلى في المعلومات عند استخدام الواقع المعزز مقارنة باستخدام موقع الويب.

بيانات مقياس NASA-TLX
لم يتبع أي من عناصر مقياس NASA-TLX التوزيع الطبيعي (الجدول 9). اعتبرت درجة ألفا كرونباخ مقبولة (ألفا كرونباخ = 0.924).

الجدول 9: اختبار الحالة الطبيعية لمقياس NASA-TLX. لم يتبع أي من عناصر مقياس NASA-TLX توزيعا طبيعيا. تم تحليل البيانات باستخدام اختبار رتبة ويلكوكسون الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

يتم عرض متوسط درجات الفرق لمقياس NASA-TLX بين AR وظروف موقع الويب في الجدول 10. يتم عرض توزيعات البيانات لظروف AR وموقع الويب في الشكل 4. لوحظ اختلاف كبير بين AR وظروف موقع الويب. كانت درجات مقياس NASA-TLX لحالة AR أقل من تلك الخاصة بحالة موقع الويب ، مما يشير إلى أن تقنية AR أدت إلى حمل معرفي أقل من ذلك الموجود في موقع الويب.

الجدول 10: متوسط درجات الفرق في مقياس NASA-TLX بين AR وموقع الويب. كانت درجات مقياس NASA-TLX لحالة AR أقل بكثير من تلك الخاصة بحالة موقع الويب. الرجاء الضغط هنا لتنزيل هذا الجدول.

Figure 4
الشكل 4: توزيع البيانات لمقياس NASA-TLX. رسم تخطيطي لتوزيع البيانات لمقياس NASA-TLX. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

تحليل بيانات fNIRS
تم اختبار متوسط قيم O2Hb من أجل الحالة الطبيعية ، والنتائج معروضة في الجدول 11. عند مقارنة الاختلافات بين ظروف الواقع المعزز والموقع الإلكتروني ، تم الإبلاغ عن البيانات بشكل منفصل بناء على الحالة الطبيعية / غير الطبيعية. يتم عرض الاختلافات في متوسط O2Hb بين ظروف AR والموقع الإلكتروني في الجدول 12. كانت هناك اختلافات كبيرة بين الشرطين عندما قام المشاركون بأداء المهمة 1 (المعدلة p = 0.002) والمهمة 3 (p المعدلة = 0.007) والمهمة 4 (p المعدلة < 0.001). كان متوسط O2Hb للمهام المنجزة في حالة AR أقل بكثير مما كان عليه في حالة موقع الويب (المهمة 1: متوسط AR = -1.012 ، SDAR = 0.472 ، متوسط موقع الويب = 0.63 ،موقع SD = 0.529 ؛ المهمة 3: متوسط AR = -0.386 ، SDAR = 0.493 ، متوسط موقع الويب = 1.12 ،موقع SD = 0.554 ؛ المهمة 4: متوسط AR = -0.46 ، SDAR = 0.467 ، متوسط موقع الويب = 2.27 ،موقع SD = 0.576). أثناء تنفيذ المهمة 2 ، لم تصل الاختلافات بين ظروف AR وموقع الويب إلى مستوى كبير (p = 0.154 > 0.05). تشير هذه النتائج إلى أن المشاركين كان لديهم عبء معرفي أقل عند استخدام تقنية الواقع المعزز مقارنة باستخدام موقع الويب.

الجدول 11: اختبار الحالة الطبيعية لمتوسط O2Hb. تم تحليل بيانات fNIRS التي تتبع التوزيع الطبيعي باستخدام اختبار t للعينات المزدوجة ، وتم تحليل بيانات fNIRS التي لم تتبع التوزيع الطبيعي باستخدام اختبار رتبة Wilcoxon الموقع. الرجاء الضغط هنا لتنزيل هذا الجدول.

الجدول 12: الاختلافات في متوسط O2Hb بين AR وموقع الويب.  كانت هناك اختلافات كبيرة بين الشرطين عندما قام المشاركون بأداء المهمة 1 (p = 0.002) والمهمة 3 (p المعدلة = 0.007) والمهمة 4 (p المعدلة < 0.001). كان متوسط O2Hb للمهام المنجزة في حالة AR أقل بكثير مما كان عليه في حالة موقع الويب (المهمة 1: متوسط AR = -1.012 ، SDAR = 0.472 ، متوسط موقع الويب = 0.63 ،موقع SD = 0.529 ؛ المهمة 3: متوسط AR = -0.386 ، SDAR = 0.493 ، متوسط موقع الويب = 1.12 ،موقع SD = 0.554 ؛ المهمة 4: متوسط AR = -0.46 ، SDAR = 0.467 ، متوسط موقع الويب = 2.27 ،موقع SD = 0.576). أثناء تنفيذ المهمة 2 ، لم تصل الاختلافات بين ظروف AR وموقع الويب إلى مستوى كبير (p = 0.154 > 0.05). الرجاء الضغط هنا لتنزيل هذا الجدول.

تغيرات الحمل المعرفي الديناميكي
يوضح الشكل 5 التغييرات في تركيز O2Hb عندما قام أحد المشاركين بأداء المهمة 4 في حالة موقع الويب. عند النقطة 1 ، واجه المشارك مشكلة في حساب سعر اللتر. أدت عملية البحث المكثفة إلى زيادة تركيز O2Hb ، مما يشير إلى زيادة في الحمل الفوري. عندما تلقى المشارك إشارة ، انخفض تركيز O 2 Hb إلى النقطة2، ووصل الحمل الفوري إلى قيمة الوادي في تلك اللحظة. ثم بدأ المشارك العمل بجد لحساب سعر اللتر وأراد إكمال المهمة في أقرب وقت ممكن. في هذا السياق ، استمر تركيز O2Hb في الزيادة ووصل إلى الحد الأقصى (النقطة 3). باختصار ، يمكن للقياس متعدد الوسائط لتتبع العين و fNIRS أن يقيس بشكل فعال التغيرات الديناميكية في الحمل المعرفي أثناء التفاعل مع أنظمة المعلومات ويمكنه أيضا فحص الاختلافات الفردية في سلوك المستهلك.

Figure 5
الشكل 5: الحمل الفوري fNIRS. رسم تخطيطي لتغيرات الحمل المعرفي الديناميكي باستخدام الحمل الفوري fNIRS. يرجى النقر هنا لعرض نسخة أكبر من هذا الرقم.

بأخذ المهام الأربع للواقع المعزز المدمجة في إنترنت الأشياء كأمثلة ، جمعت هذه الدراسة بين مناهج NeuroIS وطرق التقييم الذاتية. أشارت النتائج التجريبية إلى ما يلي: (1) بالنسبة لاستبيان قابلية الاستخدام ، كان لدى المشاركين تقييم شخصي أفضل في حالة الواقع المعزز مقارنة بحالة موقع الويب (الجدول 3 والشكل 3) ؛ (2) بالنسبة لبيانات تتبع العين ، كان لدى المشاركين كفاءة بحث أعلى في المعلومات عند استخدام الواقع المعزز مقارنة باستخدام موقع الويب (الجدول 5 والجدول 6 والجدول 7 والجدول 8) ؛ (3) بالنسبة لبيانات مقياس NASA-TLX وبيانات fNIRS ، أدت تقنية AR إلى حمل معرفي أقل من ذلك مع موقع الويب (الجدول 10 والجدول 12) ؛ و (4) بالنسبة للحمل المعرفي الديناميكي ، يمكن للقياس متعدد الوسائط لتتبع العين و fNIRS أن يقيس بشكل فعال التغيرات الديناميكية للحمل المعرفي أثناء التفاعل مع أنظمة المعلومات ، ويمكنه أيضا فحص الاختلافات الفردية في سلوك المستهلك (الشكل 5). من خلال مقارنة الاختلافات في بيانات التصوير العصبي والبيانات الفسيولوجية والبيانات المبلغ عنها ذاتيا باستخدام استبيان قابلية الاستخدام ومقياس NASA-TLX بين ظروف AR وموقع الويب ، يمكن لتقنية AR تعزيز كفاءة البحث عن المعلومات وتقليل الحمل المعرفي أثناء عملية التسوق. وبالتالي ، كتقنية تجزئة ناشئة ، يمكن للواقع المعزز أن يعزز بشكل فعال تجربة المستخدم للمستهلكين ، وبالتالي قد يزيد من نية الشراء.

الشكل التكميلي 1: لقطة شاشة للمعلومات المعروضة على تطبيق AR المستخدم في الدراسة. الرجاء الضغط هنا لتنزيل هذا الملف.

الشكل التكميلي 2: لقطة شاشة للمعلومات المعروضة على موقع الويب المستخدم في الدراسة. الرجاء الضغط هنا لتنزيل هذا الملف.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

الخطوات الحاسمة داخل البروتوكول
خلال التجربة ، تم النظر في عدة خطوات لضمان موثوقية النتائج. أولا ، تم استبعاد المشاركين الذين هم على دراية بالعلامات التجارية للمياه المعدنية المستخدمة في التجربة ، لأن هؤلاء المشاركين كانوا سيؤدون المهمة بناء على معرفتهم بالعلامة التجارية. ثانيا، أكمل المشاركون تجربة مسبقة باستخدام علامات تجارية أخرى من المياه المعدنية، والتي تم توظيفها للتأكد من أن المشاركين على دراية بعمليات الواقع المعزز والموقع الإلكتروني. ثالثا ، عند ارتداء مجسات fNIRS ، تم استخدام باندانا سوداء لتغطية المجسات لحماية المجسات من الضوء المحيط وتحسين جودة الإشارة. رابعا ، لم يسمح للمشاركين الذين يرتدون العدسات اللاصقة باستخدام العدسات الملونة أو غيرها من العدسات التي من شأنها تغيير مظهر التلميذ أو القزحية. خامسا ، قبل التجربة الحقيقية ، طلب من المشاركين الجلوس في وضع مريح على كرسي والحفاظ على حالة الراحة لمدة 2 دقيقة لجمع بيانات خط الأساس ، والتي تم استخدامها لتصحيح خط الأساس لبيانات fNIRS47.

التعديلات واستكشاف الأخطاء وإصلاحها
يمكن توسيع النموذج التجريبي المقترح في هذه الدراسة ليشمل التطبيقات التجارية في العالم الحقيقي. التحدي الأكبر في تطبيق أساليب علم الأعصاب المعرفي على مشاكل العمل هو الصلاحية البيئية48,49. أظهر البروتوكول التجريبي باستخدام التصوير المحمول للدماغ / الجسم جدوى حل هذه المشكلة50. استخدم Krampe et al. fNIRS المحمولة لدراسة سلوك المستهلك في سيناريو تسوق البقالة الواقعي وقدم مفهوم "علم الأعصاب للمتسوق"51. تعمل النهج متعددة الوسائط على تحسين الصلاحية الإيكولوجية بشكل كبير. من خلال تطبيق fNIRS المحمولة ونظارات تعقب العين ، تعد هذه الدراسة هي الأولى التي تدرس تجارب المستهلك باستخدام أوضاع البحث عن المعلومات المختلفة أمام رف المنتج. من خلال التجربة ، توسع هذه الدراسة نطاق البحث في NeuroIS ليشمل سيناريوهات البيع بالتجزئة والتسوق وتمكن الباحثين من فهم العمليات المعرفية بشكل أفضل. وتجدر الإشارة إلى أنه في سياق التسوق الواقعي ، من المرجح أن تتأثر قياسات fNIRS بإزاحة الموقع والضوء البيئي. لذلك ، يوصى باستخدام الضمادات والأشرطة و / أو الأشرطة لربط المجسات جيدا بالمشاركين واستخدام قطعة قماش سوداء لتغطية الأنسجة والجهاز لتجنب تأثير أي ضوء بيئي.

حدود التقنية
هناك بعض القيود على التجربة. أولا ، نظرا لاستخدام متتبع العين في التجربة ، تم استبعاد المشاركين الذين يعانون من قصر النظر الشديد والاستجماتيزم من التجربة. في هذه الحالة ، لا يمكن استخدام البروتوكول للمكفوفين أو ضعاف البصر. ثانيا ، تدرس هذه الدراسة فقط التجارب الحسية البصرية. قد تمتد التجارب المستقبلية إلى قنوات حسية أخرى ، مثل السمع واللمس. ثالثا ، تدرس هذه الدراسة تقنيات الواقع المعزز فقط ، ويجب تقييم التقنيات الناشئة الأخرى باستخدام نفس النموذج التجريبي في الدراسات المستقبلية.

الأهمية فيما يتعلق بالأساليب الحالية
تنعكس أهمية هذه الدراسة في جانبين. أولا، استخدمت النهج المتعددة الوسائط للتقييم الموضوعي لقابلية الاستخدام. كما هو موضح في الشكل 5 ، نظرا لأن متتبع العين سجل مقاطع فيديو في وقت واحد من منظور المشاركين أثناء عملية التسوق ، فقد كان من السهل على الباحثين مطابقة سيناريو التسوق مع بيانات fNIRS. لذلك ، فإن هذه التقنية التجريبية التي تستخدم مناهج متعددة الوسائط لا تتمتع فقط بميزة القياس المستمر في الوقت الفعلي مع صلاحية بيئية عالية ، ولكنها تجمع أيضا بين مزايا التقنيات المختلفة لتحديد التغييرات الديناميكية في سيناريوهات التسوق. قدمت هذه الدراسة طريقة اختبار قابلية استخدام فعالة لمصنعي المنتجات لتحسين تصميم المنتج ، وتجار التجزئة لتحسين تخطيط المنتجات على الرف ، والمستهلكين لتحسين تجربة المستخدم. ثانيا ، اقترحت هذه الدراسة طريقة اختبار قابلية الاستخدام التي تجمع بين التقييمات الموضوعية والذاتية. كشف بعض الباحثين أن طرق التقرير الذاتي قد تعاني من تحيز شائع للطريقة (CMB)52,53. نظرا لأن القياسات من علم الأعصاب المعرفي عادة ما تكون أقل عرضة للتحيز الذاتي ، وتحيز الرغبة الاجتماعية ، وتأثيرات الطلب ، فإن بيانات التقييم الموضوعية هذه يمكن أن تكمل بيانات التقييم الذاتية ، وتعزز قوة النتيجة التجريبية25,34. استخدم Liang et al. أساليب EEG والتقرير الذاتي للتحقيق في العلاقة بين جودة موقع الويب ورضا المستخدم من خلال تجربة على تجربة التدفق. أشارت النتائج إلى أن طريقة علم الأعصاب الإدراكي تقلل من CMB53. في هذه الدراسة ، أظهر الجمع بين التقييمات الموضوعية والذاتية أن (1) يفضل المستهلكون حالة تسوق AR بناء على التقييم الذاتي. (2) عززت تقنية الواقع المعزز كفاءة البحث المرئي وسهولة الاستخدام بناء على بيانات تتبع العين ؛ (3) قللت تقنية الواقع المعزز من الحمل المعرفي للمستهلكين وحسنت تجارب المستخدم الخاصة بهم بناء على بيانات مقياس fNIRS و NASA-TLX ؛ و (4) جنبا إلى جنب مع معلومات الفيديو المسجلة عن طريق تتبع العين ، فقد مكن من فحص الفروق الفردية وفهم أفضل لاختلافات الحالة في سلوك المستهلك.

التطبيقات المستقبلية
تقترح هذه الدراسة نموذجا تجريبيا لاختبار قابلية استخدام التقنيات الناشئة في نظام المعلومات الإدارية. يستخدم اختبار قابلية الاستخدام لتقييم تجربة المستخدم للتقنيات الناشئة في التفاعلات بين الإنسانوالحاسوب 54. نظرا لاستخدام التقنيات الناشئة (مثل الواقع المعزز والواقع الافتراضي والذكاء الاصطناعي والتكنولوجيا القابلة للارتداء والروبوتات والبيانات الضخمة) بشكل متزايد في نظم المعلومات الإدارية ، يمكن استخدام النموذج التجريبي لاختبار قابلية الاستخدام للتحقق من المزايا التقنية للتقنيات الناشئة على تجربة المستخدم في المستقبل.

في الختام ، تقترح هذه الدراسة نموذجا تجريبيا يجمع بين التقييمات الذاتية والموضوعية في نظام المعلومات الإدارية ، والذي يمكنه تقييم قابلية استخدام التقنيات الناشئة مثل AR بشكل فعال.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

ليس لدى المؤلفين ما يكشفون عنه.

Acknowledgments

تم دعم هذه الدراسة من قبل مشروع أبحاث الفلسفة والعلوم الاجتماعية التابع لوزارة التعليم بمقاطعة جيانغسو (2018SJA1089) ، ومنحة حكومة جيانغسو للدراسات الخارجية (JS-2018-262) ، ومؤسسة العلوم الطبيعية بمقاطعة تشجيانغ (LY19G020018) والمؤسسة الوطنية للعلوم الطبيعية في الصين (NSFC) (72001096).

Materials

Name Company Catalog Number Comments
AR Engine Unity Technologies 2020.3.1 AR development platform
AR SDK PTC Vuforia Engine 9.8.5 AR development kit
Eye Tracker (eye tracking glasses) SMI, Germany SMI ETG Head-mounted eye tracking
system
Eye Tracker Recording software SMI, Germany iViewETG Software Eye Tracker Recording software
fNIRS probes Artinis Medical Systems BV, Netherlands Artinis PortaLite Light source: Light emitting diodes
Wavelengths: Standard nominal 760 and 850 nm
fNIRS software Artinis Medical Systems BV, Netherlands OxySoft 3.2.70 fNIRS data recording and analysis software
Mineral Water Groupe Danone Badoit  Experimental material in the AR condition   Capacity: 330ml
Price: Equation 16
Mineral Water Nestlé Acqua Panna Experimental material in the website condition Capacity: 250ml
Price: Equation 15.4
Skin Preparation Gel Weaver and Company Nuprep Clean the forehead skin of the participants
Smartphone Xiaomi Redmi K30 Ultra Smartphone-based AR application and website

DOWNLOAD MATERIALS LIST

References

  1. Ameen, N., Hosany, S., Tarhini, A. Consumer interaction with cutting-edge technologies: Implications for future research. Computers in Human Behavior. 120, 106761 (2021).
  2. Javornik, A. Augmented reality: Research agenda for studying the impact of its media characteristics on consumer behaviour. Journal of Retailing and Consumer Services. 30, 252-261 (2016).
  3. Caboni, F., Hagberg, J. Augmented reality in retailing: a review of features, applications and value. International Journal of Retail & Distribution Management. 47 (11), 1125-1140 (2019).
  4. Kumar, H. Augmented reality in online retailing: a systematic review and research agenda. International Journal of Retail & Distribution Management. 50 (4), 537-559 (2022).
  5. Yim, M. Y. C., Park, S. Y. I am not satisfied with my body, so I like augmented reality (AR): Consumer responses to AR-based product presentations. Journal of Business Research. 100, 581-589 (2019).
  6. Chylinski, M., et al. Augmented reality marketing: A technology-enabled approach to situated customer experience. Australasian Marketing Journal. 28 (4), 374-384 (2020).
  7. Davis, F. D. A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Results. , Massachusetts Institute of Technology. Doctoral dissertation (1985).
  8. Venkatesh, V., Morris, M. G., Davis, G. B., Davis, F. D. User acceptance of information technology: Toward a unified view. MIS Quarterly. 27 (3), 425-478 (2003).
  9. Davis, F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly. 13 (3), 319-340 (1989).
  10. Chen, R., Perry, P., Boardman, R., McCormick, H. Augmented reality in retail: a systematic review of research foci and future research agenda. International Journal of Retail & Distribution Management. 50 (4), 498-518 (2022).
  11. Poushneh, A., Vasquez-Parraga, A. Z. Discernible impact of augmented reality on retail customer's experience, satisfaction and willingness to buy. Journal of Retailing and Consumer Services. 34, 229-234 (2017).
  12. ISO. ISO 1998. Ergonomic requirements for office work with visual display terminals (VDTs)-Part 11: guidance on usability. ISO. , (2022).
  13. Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
  14. Tullis, T., Albert, B. Measuring the User Experience: Collecting, Analyzing, and Presenting Usability Metrics. , Morgan Kaufmann. Amsterdam, Boston. (2008).
  15. Shneiderman, B., Plaisant, C., Cohen, M., Jacobs, S. M., Elmqvist, N. Designing the User Interface: Strategies for Effective Human-Computer Interaction. , Pearson. Boston. (2017).
  16. Morillo, P., Orduña, J. M., Casas, S., Fernández, M. A comparison study of AR applications versus pseudo-holographic systems as virtual exhibitors for luxury watch retail stores. Multimedia Systems. 25 (4), 307-321 (2019).
  17. Paas, F. G., Van Merriënboer, J. J. Instructional control of cognitive load in the training of complex cognitive tasks. Educational Psychology Review. 6 (4), 351-371 (1994).
  18. Ismail, R., Fabil, N., Saleh, A. Extension of pacmad model for usability evaluation metrics using goal question metrics (Gqm) approach. Journal of Theoretical and Applied Information Technology. 79 (1), 90-100 (2015).
  19. Fan, X., Chai, Z., Deng, N., Dong, X. Adoption of augmented reality in online retailing and consumers' product attitude: A cognitive perspective. Journal of Retailing and Consumer Services. 53, 101986 (2020).
  20. Hart, S. G., Staveland, L. E. Development of NASA-TLX (Task Load Index): Results of empirical and theoretical research. Advances in Psychology. 52, 139-183 (1988).
  21. Petty, R. E., Cacioppo, J. T., Schumann, D. Central and peripheral routes to advertising effectiveness: The moderating role of involvement. Journal of Consumer Research. 10 (2), 135-146 (1983).
  22. He, L., Pelowski, M., Yu, W., Liu, T. Neural resonance in consumers' right inferior frontal gyrus predicts attitudes toward advertising. Psychology & Marketing. 38 (9), 1538-1549 (2021).
  23. Riedl, R., Fischer, T., Léger, P. M., Davis, F. D. A decade of NeuroIS research: Progress, challenges, and future directions. ACM SIGMIS Database: the DATA BASE for Advances in Information Systems. 51 (3), 13-54 (2020).
  24. Vom Brocke, J., Liang, T. P. Guidelines for Neuroscience Studies in Information Systems Research. Journal of Management Information Systems. 30 (4), 211-234 (2014).
  25. Dimoka, A., Pavlou, P. A., Davis, F. NeuroIS: The potential of cognitive neuroscience for information systems research. Information Systems Research. 22 (4), 687-702 (2011).
  26. de Guinea, A. O., Titah, R., Léger, P. M. Explicit and implicit antecedents of users' behavioral beliefs in information systems: A neuropsychological investigation. Journal of Management Information Systems. 30 (4), 179-210 (2014).
  27. Dimoka, A. How to conduct a Functional Magnetic Resonance (fmri) study in social science research. MIS Quarterly. 36 (3), 811-840 (2012).
  28. Dimoka, A., Davis, F. D. Where does TAM reside in the brain? The neural mechanisms underlying technology adoption. ICIS 2008 Proceedings. , 1-19 (2008).
  29. Moridis, C. N., Terzis, V., Economides, A. A., Karlovasitou, A., Karabatakis, V. E. Using EEG frontal asymmetry to predict IT user's perceptions regarding usefulness, ease of use and playfulness. Applied Psychophysiology and Biofeedback. 43 (1), 1-11 (2018).
  30. Pinti, P., et al. A review on the use of wearable functional near-infrared spectroscopy in naturalistic environments. Japanese Psychological Research. 60 (4), 347-373 (2018).
  31. Piper, S. K., et al. A wearable multi-channel fNIRS system for brain imaging in freely moving subjects. Neuroimage. 85, 64-71 (2014).
  32. Quaresima, V., Ferrari, M. Functional Near-Infrared Spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2019).
  33. Wang, J., et al. Exploring relationships between eye tracking and traditional usability testing data. International Journal of Human-Computer Interaction. 35 (6), 483-494 (2019).
  34. Dimoka, A., et al. On the use of neurophysiological tools in IS research: Developing a research agenda for NeuroIS. MIS Quarterly. 36, 679-702 (2012).
  35. Just, M. A., Carpenter, P. A. Eye fixations and cognitive processes. Cognitive Psychology. 8 (4), 441-480 (1976).
  36. Alex, P., Ball, L. J. Eye Tracking in Human-Computer Interaction and Usability Research: Current Status and Future. Encyclopedia of Human Computer Interaction, IGI Global. , 211-219 (2006).
  37. Just, M. A., Carpenter, P. A. A theory of reading: from eye fixations to comprehension. Psychological Review. 87 (4), 329 (1980).
  38. Yang, S., Carlson, J. R., Chen, S. How augmented reality affects advertising effectiveness: The mediating effects of curiosity and attention toward the ad. Journal of Retailing and Consumer Services. 54, 102020 (2020).
  39. Debie, E., et al. Multimodal fusion for objective assessment of cognitive workload: A review. IEEE Transactions on Cybernetics. 51 (3), 1542-1555 (2021).
  40. Işbilir, E., Çakır, M. P., Acartürk, C., Tekerek, A. Ş Towards a multimodal model of cognitive workload through synchronous optical brain imaging and eye tracking measures. Frontiers in Human Neuroscience. 13, 375 (2019).
  41. Bruvold, W. H., Ongerth, H. J. Taste quality of mineralized water. Journal-American Water Works Association. 61 (4), 170-174 (1969).
  42. Marcussen, H., Holm, P. E., Hansen, H. Chr.B. Composition, flavor, chemical food safety, and consumer preferences of bottled water. Comprehensive Reviews in Food Science and Food Safety. 12 (4), 333-352 (2013).
  43. Whelton, A. J., Dietrich, A. M. Relationship between intensity, concentration, and temperature for drinking water odorants. Water Research. 38 (6), 1604-1614 (2004).
  44. (LIFESTYLE) What your choice of water says about you. FT live. , Available from: https://m.ftchinese.com/story/001006284/en?archive (2006).
  45. Pellegrini-Laplagne, M., et al. Effect of simultaneous exercise and cognitive training on executive functions, baroreflex sensitivity, and pre-frontal cortex oxygenation in healthy older adults: a pilot study. GeroScience. , (2022).
  46. Delpy, D. T., et al. Estimation of optical pathlength through tissue from direct time of flight measurement. Physics in Medicine & Biology. 33 (12), 1433-1442 (1988).
  47. Han, W., Gao, L., Wu, J., Pelowski, M., Liu, T. Assessing the brain 'on the line': An ecologically-valid assessment of the impact of repetitive assembly line work on hemodynamic response and fine motor control using fNIRS. Brain and Cognition. 136, 103613 (2019).
  48. Spiers, H. J., Maguire, E. A. Decoding human brain activity during real-world experiences. Trends in Cognitive Sciences. 11 (8), 356-365 (2007).
  49. Spence, C. Neuroscience-Inspired Design: From Academic Neuromarketing to Commercially Relevant Research. Organizational Research Methods. 22 (1), 275-298 (2019).
  50. Grasso-Cladera, A., Costa-Cordella, S., Rossi, A., Fuchs, N. F., Parada, F. J. Mobile brain/body imaging: Challenges and opportunities for the implementation of research programs based on the 4E perspective to cognition. Adaptive Behavior. 0 (0), 1-26 (2022).
  51. Krampe, C., Strelow, E., Haas, A., Kenning, P. The application of mobile fNIRS to "shopper neuroscience" - first insights from a merchandising communication study. European Journal of Marketing. 52, 244-259 (2018).
  52. Meade, A. W., Watson, A. M., Kroustalis, C. M. Assessing common methods bias in organizational research. 22nd annual meeting of the society for industrial and organizational psychology. , New York. 1-10 (2007).
  53. Liang, T. P., Lin, Y. L., Shiau, W. L., Chen, S. F. Investigating common method bias via an EEG study of the flow experience in website design. Journal of Electronic Commerce Research. 22 (4), 305-321 (2021).
  54. Kim, Y. M., Rhiu, I., Yun, M. H. A systematic review of a virtual reality system from the perspective of user experience. International Journal of Human-Computer Interaction. 36 (10), 893-910 (2020).

Tags

هذا الشهر في JoVE ، العدد 189 ، أنظمة المعلومات العصبية ، NeuroIS، سهولة الاستخدام ، fNIRS ، تتبع العين ، الواقع المعزز
تقييم قابلية استخدام الواقع المعزز: دراسة نظم المعلومات العصبية
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Wu, J., Zhang, D., Liu, T., Yang, H. … More

Wu, J., Zhang, D., Liu, T., Yang, H. H., Wang, Y., Yao, H., Zhao, S. Usability Evaluation of Augmented Reality: A Neuro-Information-Systems Study. J. Vis. Exp. (189), e64667, doi:10.3791/64667 (2022).

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