Waiting
Login processing...

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

Behavior

Usability-Evaluation von Augmented Reality: Eine Neuro-Informations-Systems-Studie

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

Die vorliegende Arbeit stellt ein experimentelles Paradigma für einen Usability-Test vor, der subjektive und objektive Bewertungen kombiniert. Für die objektive Evaluation wurden Methoden der Neuro-Information-Systems (NeuroIS) verwendet, für die subjektive Evaluation ein Usability-Fragebogen und eine NASA-Task Load Index (NASA-TLX)-Skala.

Abstract

In dieser Studie wird ein experimentelles Paradigma für einen Usability-Test neuer Technologien in einem Management-Informationssystem (MIS) vorgestellt. Der Usability-Test umfasste sowohl subjektive als auch objektive Bewertungen. Für die subjektive Bewertung wurden ein Usability-Fragebogen und eine NASA-TLX-Skala verwendet. Für die objektive Bewertung wurden Methoden der Neuro-Informations-Systeme (NeuroIS) eingesetzt. Aus der Perspektive von NeuroIS wurden in dieser Studie mobile fNIRS und Eye-Tracking-Brillen für multimodale Messungen verwendet, was das Problem der ökologischen Validität von kognitiven neurowissenschaftlichen Werkzeugen, die in realen Verhaltensexperimenten verwendet werden, löste. In dieser Studie wurde Augmented Reality (AR), die in das Internet der Dinge (IoT) integriert ist, als Versuchsobjekt verwendet. Vergleicht man die Unterschiede in den Neuroimaging-Daten, den physiologischen Daten, dem Usability-Fragebogen und den NASA-TLX-Skalendaten zwischen den beiden Informationssuchmodi (AR versus eine Website), so zeigte die Informationssuche mit AR eine höhere Effizienz und eine geringere kognitive Belastung im Vergleich zur Informationssuche mit einer Website während des Prozesses der Konsumentscheidung. Die Ergebnisse des Usability-Experiments zeigen, dass AR als aufstrebende Technologie im Einzelhandel das Kundenerlebnis effektiv verbessern und ihre Kaufabsicht steigern kann. Das experimentelle Paradigma, das in dieser Studie sowohl subjektive als auch objektive Bewertungen kombiniert, könnte auf einen Usability-Test für neue Technologien wie Augmented Reality, Virtual Reality, künstliche Intelligenz, tragbare Technologie, Robotik und Big Data angewendet werden. Es bietet eine praktische experimentelle Lösung für die Benutzererfahrung in Mensch-Computer-Interaktionen unter Einbeziehung neuer Technologien.

Introduction

Sechs bahnbrechende Technologien, die mit Verbrauchern interagieren und in der Regel durch Augmented Reality, Virtual Reality, künstliche Intelligenz, tragbare Technologie, Robotik und Big Data repräsentiert werden, verändern viele theoretische Modelle des Verbraucherverhaltens1. Augmented Reality (AR) ist eine neue Technologie, die das Kundenerlebnis verbessern und die Kundenzufriedenheit verbessern könnte. Es überlagert Textinformationen, Bilder, Videos und andere virtuelle Gegenstände mit realen Szenarien, um Virtualität und Realität zu verschmelzen und so Informationen in der realen Welt durch Erklärung, Anleitung, Bewertung und Vorhersage zu verbessern2. AR bietet eine neue Art der Mensch-Computer-Interaktion, schafft ein immersives Einkaufserlebnis für Verbraucher und hat zur Entwicklung vieler Anwendungen geführt 3,4. Die Akzeptanz von AR-Diensten bei den Verbrauchern ist jedoch noch minimal, und viele Unternehmen sind daher vorsichtig, wenn es um die Einführung der AR-Technologiegeht 5,6. Das Technologieakzeptanzmodell (TAM) wird häufig verwendet, um das Akzeptanzverhalten neuer Informationstechnologien zu erklären und vorherzusagen 7,8. Laut TAM hängt die Einführungsabsicht einer neuen Technologie weitgehend von ihrer Benutzerfreundlichkeitab 9. Eine mögliche Erklärung für die langsame Verbraucherakzeptanz von AR-Diensten aus Sicht des TAM könnte sich daher auf die Benutzerfreundlichkeit der neuen Techniken beziehen, was die Notwendigkeit unterstreicht, die Benutzerfreundlichkeit von AR beim Einkaufen zu bewerten10,11.

Benutzerfreundlichkeit ist definiert als die Effektivität, Effizienz und Zufriedenheit beim Erreichen bestimmter Ziele in einem bestimmten Kontext durch bestimmte Benutzer12. Derzeit gibt es zwei Hauptmethoden zur Bewertung der Benutzerfreundlichkeit: subjektive und objektive Bewertungen13. Subjektive Einschätzungen beruhen hauptsächlich auf Selbstberichtsmethoden mit Hilfe von Fragebögen und Skalen. In Anlehnung an diese Forschungslinie enthielt der in dieser Studie verwendete Fragebogen fünf Merkmale, die mit dem Informationssuchmodus verbunden sind, um ein Ziel zu erreichen: (1) Effizienz, (2) Benutzerfreundlichkeit, (3) Einprägsamkeit (leicht zu merken), (4) Zufriedenheit (der Informationssuchmodus ist komfortabel und angenehm) und (5) Generalisierbarkeit auf andere Objekte14,15,16. Darüber hinaus ist die kognitive Belastung, die die Belastung beim Ausführen einer bestimmten Aufgabe für das kognitive System eines Lernendendarstellt 17, ein weiterer zentraler Indikator für die Benutzerfreundlichkeit18,19. Daher wurde in dieser Studie zusätzlich der NASA Task Load Index (NASA-TLX)13,20 als subjektive Metrik verwendet, um die kognitive Belastung beim Einkaufen mit AR im Vergleich zum Einkaufen mit Website-Diensten zu messen. Es ist bemerkenswert, dass Selbstberichtsmethoden auf der Fähigkeit und Bereitschaft von Individuen beruhen, ihre Einstellungen und/oder früheren Verhaltensweisen genau zu berichten21, was die Möglichkeit einer falschen Berichterstattung, Untererfassung oder Voreingenommenheit offen lässt. Somit könnten objektive Messungen eine wertvolle Ergänzung zu traditionellen subjektiven Methoden darstellen22.

Methoden der Neuro-Information-Systeme (NeuroIS) werden zur objektiven Bewertung der AR-Usability eingesetzt. NeuroIS, das von Dimoka et al. auf der ICIS-Konferenz 2007 geprägt wurde, findet im Bereich der Informationssysteme (IS) zunehmend Beachtung23. NeuroIS nutzt Theorien und Werkzeuge der kognitiven Neurowissenschaften, um die Entwicklung, Akzeptanz und Auswirkungen von IS-Technologien besser zu verstehen24,25. Bis heute werden kognitive neurowissenschaftliche Instrumente wie die funktionelle Magnetresonanztomographie (fMRT), das Elektroenzephalogramm (EEG), die Positronenemissions-Computertomographie, die Magnetenzephalographie (MEG) und die funktionelle Nahinfrarotspektroskopie (fNIRS) häufig in NeuroIS-Studien eingesetzt26,27. Dimoka und Davis verwendeten beispielsweise fMRT, um die Aktivierungen der Probanden zu messen, wenn sie mit der Website interagierten, und zeigten, dass die wahrgenommene Benutzerfreundlichkeit die Aktivierung im präfrontalen Kortex (PFC) beeinflusste28. In ähnlicher Weise fanden Moridis et al. mit Hilfe des EEG heraus, dass frontale Asymmetrie eng mit der Nützlichkeit zusammenhängt29. Diese Ergebnisse deuten darauf hin, dass der PFC eine Schlüsselrolle bei der Benutzerfreundlichkeit spielen kann.

Obwohl in früheren NeuroIS-Studien Erfolge erzielt wurden, hatten die in diesen Studien verwendeten Paradigmen die Körperbewegungen von Probanden mit geringer ökologischer Validität eingeschränkt, was ihre theoretischen und praktischen Beiträge einschränkte. Die Interaktion mit Technologien wie AR beim Einkaufen erfordert freie Körperbewegungen, und Subjektbeschränkungen beeinträchtigen das Verbrauchererlebnis erheblich, wie in He et al.22 erörtert. Daher werden bildgebende Verfahren des Gehirns mit hoher ökologischer Validität für einen Usability-Test von Informationssystemen benötigt. In dieser Hinsicht hat fNIRS einzigartige technische Vorteile: Bei fNIRS-Experimenten können sich die Probanden bis zu einem gewissen Grad frei bewegen30 . In früheren Studien wurde beispielsweise die Gehirnaktivierung von Probanden bei verschiedenen Outdoor-Aktivitäten wie Radfahren mit tragbarem fNIRS31 gemessen. Darüber hinaus ist fNIRS kostengünstig und ermöglicht die Messung von Hirnaktivierungen über lange Zeiträume32. In dieser Studie wurde fNIRS verwendet, um den Grad der kognitiven Belastung der Probanden bei der Nutzung der Einkaufsdienste von AR im Vergleich zu einer Website objektiv zu messen.

Eye-Tracking war in den letzten Jahren eine wertvolle psychophysiologische Technik zur Erfassung der visuellen Aufmerksamkeit der Nutzer während eines Usability-Tests33 und wurde auch in NeuroIS-Studienhäufig eingesetzt 34. Die Technik stützt sich auf die Auge-Geist-Hypothese, die davon ausgeht, dass der Fokus des Beobachters dorthin geht, wohin die Aufmerksamkeit gerichtet ist, dass die visuelle Aufmerksamkeit den mentalen Prozess darstellt und dass Muster der visuellen Aufmerksamkeit menschliche kognitive Strategien widerspiegeln35,36,37. Im Bereich der AR-Forschung stellten Yang et al. mithilfe von Eye-Tracking fest, dass AR-Werbung die Einstellung der Verbraucher gegenüber der Werbung verbessert, indem sie ihre Neugier und Aufmerksamkeit steigert38. In der aktuellen Studie wurde Eye-Tracking verwendet, um die Aufmerksamkeit der Probanden zu messen, einschließlich Parametern wie der Gesamtfixationsdauer, der durchschnittlichen Fixationsdauer, der Fixationshäufigkeit, der Sakkadenfrequenz, der durchschnittlichen Sakkadendauer und der durchschnittlichen Scanpfadlänge.

Zusammenfassend schlägt diese Studie eine Usability-Testmethode vor, die subjektive und objektive Bewertungen am Beispiel von AR-Anwendungen kombiniert. Zur subjektiven Bewertung wurden ein Usability-Fragebogen und eine NASA-TLX-Skala verwendet, für die objektive Bewertung multimodale Messungen, die fNIRS und Eye-Tracking kombinierten39,40.

Versuchsplanung
Experimentalmaterialien: Um einen realen Einkaufskontext zu simulieren, wurde in einem Labor ein Produktregal gebaut und zwei verschiedene Mineralwassermarken als Versuchsmaterialien in das Regal gestellt. Als lebensnotwendiges Gut wurde Mineralwasser ausgewählt, da die Teilnehmer bei subjektiven Bewertungen aufgrund ihres beruflichen Hintergrunds, ihres Geschlechts und ihrer Kauffähigkeit keine Voreingenommenheit aufweisen würden. Der Preis, die Kapazität und die Bekanntheit der Marken wurden kontrolliert (siehe Materialtabelle), um die Interferenz irrelevanter Variablen zu eliminieren.

Der Usability-Test umfasste zwei Bedingungen: eine Smartphone-basierte AR-Anwendung (ergänzende Abbildung 1) und eine Website (ergänzende Abbildung 2). Die AR-Anwendung wurde auf Basis einer AR-Engine programmiert. Die Website wurde mit Python entwickelt, basierend auf Bootstrap für das Frontend und Flask für das Backend. Die AR-Anwendung und die Website wurden auf einem Smartphone ausgeführt und durchsucht. Unter den beiden verschiedenen Mineralwassermarken wurde eine als experimentelles Material im AR-Zustand und die andere im Website-Zustand verwendet.

Experimentelle Aufgaben: Die Teilnehmer wurden gebeten, vier Informationssuchaufgaben durchzuführen, die sich aus IoT-Anwendungskontexten ableiteten: die Qualität des Wassers, die Lagertemperatur, die passende Ernährung und der Preis pro Liter. Auf diese vier Informationen achten Verbraucher in der Regel beim Kauf von Mineralwasser. Es gab keine zeitliche Beschränkung für die Teilnehmer, um die Aufgaben zu erledigen.

Wasserqualität: Die Qualität von Mineralwasser umfasst in der Regel zwei Indikatoren: den Gesamtgehalt an gelösten Feststoffen (TDS) und den pH-Wert. Der TDS spiegelt den Mineralstoffgehalt wider und der pH-Wert beschreibt den Säure-/Basengehalt des Wassers. Diese beiden Indikatoren hängen mit den im Mineralwasser enthaltenen Spurenelementen zusammen und beeinflussen den Geschmack. So teilten Bruvold und Ongerth die sensorische Qualität des Wassers nach seinem TDS-Gehalt41 in fünf Stufen ein. Marcussen et al. fanden heraus, dass Wasser gute sensorische Eigenschaften im Bereich von 100-400 mg/L TDS42 aufweist. Der TDS- und pH-Wert der beiden in dieser Studie verwendeten Mineralwassermarken wurden mit TDS- bzw. pH-Messgeräten gemessen und dann in der AR-Anwendung und auf der Website markiert. Während der Durchführung der Aufgabe mussten die Teilnehmer die TDS- und pH-Werte des Mineralwassers angeben und bestätigen, ob diese Werte innerhalb des Sollbereichs lagen. In der AR-Bedingung konnten die Teilnehmer diese Informationen durch Scannen der Wasserflasche erfassen. In der Website-Bedingung mussten die Teilnehmer vier Schritte ausführen: (1) Finden eines numerischen Codes auf der Rückseite der Mineralwasserflasche, (2) Eingabe des numerischen Codes in ein Abfragefeld, um die TDS- und pH-Werte für Mineralwasser zu erhalten, (3) Durchsuchen des Nennbereichs für Mineralwasser auf der Website und (4) mündliche Meldung, ob TDS und pH-Wert innerhalb des Nennbereichs für das Produkt liegen.

Lagertemperatur: Die Qualität des Mineralwassers kann sich während des Transports und der Lagerung aufgrund von Temperaturschwankungen verschlechtern. Experimente haben gezeigt, dass die geeignete Temperatur für Mineralwasser während des Transports und der Lagerung zwischen 5 °C und 25 °C liegt. In diesem Temperaturbereich hat Wasser keinen schlechten Geruch43. Im vorliegenden Experiment wurde die Lagertemperatur der beiden Mineralwassersorten an unterschiedlichen Orten in der AR-Anwendung und auf der Website markiert. Während der Durchführung der Aufgabe mussten die Teilnehmer den Lagerort und die entsprechende Temperatur des Wassers angeben. In der AR-Bedingung konnten die Teilnehmer diese Informationen durch Scannen der Wasserflasche erfassen. Im Website-Zustand konnten die Teilnehmer diese Informationen abrufen, indem sie den numerischen Code in ein Abfragefeld eingaben.

Passende Ernährung: Verschiedene Mineralwassermarken eignen sich aufgrund ihrer einzigartigen Mineralstoffzusammensetzung und ihres Blasengehalts für unterschiedliche Menüs44. Im vorliegenden Experiment wurden Ernährungsempfehlungen für die beiden Mineralwässer auf der AR-Anwendung und der Website markiert. Während der Durchführung der Aufgabe mussten die Teilnehmer angeben, wie das Mineralwasser zu den Speisen im Menü passt. In der AR-Bedingung konnten die Teilnehmer diese Informationen durch Scannen der Wasserflasche erfassen. Im Website-Zustand konnten die Teilnehmer auf der Website nach diesen Informationen suchen.

Preis pro Liter: Derzeit zeigen die Etiketten auf den Mineralwasserflaschen in China keine Informationen zum Preis pro Liter an. Dies erschwert es den Verbrauchern, die Unterschiede in den Einheitspreisen verschiedener Mineralwassersorten zu unterscheiden. Daher mussten die Teilnehmer im vorliegenden Experiment den Preis pro Liter angeben. In der AR-Anwendung konnten die Teilnehmer den Preis pro Liter direkt durch Scannen der Wasserflasche ermitteln. Im Zustand der Website könnten die Informationen aus dem Stückpreis und der Menge auf dem Etikett berechnet werden.

In dieser Studie wurde ein In-Participant-Design mit Ein- und Ausschlusskriterien für die Teilnehmer verwendet, wie in Tabelle 1 beschrieben. Insgesamt absolvierten 40 Teilnehmer das Experiment (20 Männer und 20 Frauen, mittleres Alter = 21,31 ± 1,16 Jahre). Alle Teilnehmer waren Studenten der Jiangsu University of Science and Technology und wurden nach dem Zufallsprinzip in zwei Gruppen (A und B) eingeteilt. Um den Ordnungseffekt zu vermeiden, wurde die experimentelle Reihenfolge über die beiden Gruppen (A/B) hinweg ausgeglichen. Konkret führte eine Gruppe zuerst die AR-Bedingung und dann die Website-Bedingung durch, während die andere Gruppe zuerst die Website und dann die AR-Bedingung durchführte. Die Teilnehmer mussten die Vorbereitungen für das Experiment abschließen, die Instrumente tragen und die experimentellen Aufgaben ausführen. Das Intervall zwischen den Experimenten wurde auf 10 s festgelegt, damit die kortikale Aktivierung auf das Ausgangsniveau zurückkehren kann, um eine gegenseitige Beeinflussung in der nachfolgenden Aufgabe zu vermeiden. Am Ende des AR/Website-Experiments mussten die Teilnehmer den Fragebogen zur Benutzerfreundlichkeit und die NASA-TLX-Skala ausfüllen. Das experimentelle Flussdiagramm ist in Abbildung 1 dargestellt. Ein Foto des Versuchsaufbaus ist in Abbildung 2 dargestellt.

Tabelle 1: Ein- und Ausschlusskriterien für die Studie. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Figure 1
Abbildung 1: Experimentelles Flussdiagramm. Jedes Experiment dauerte ~45 Minuten, mit einer Ruhezeit von 10 s zwischen den Aufgaben. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Figure 2
Abbildung 2: Beispielhafter Aufbau der experimentellen Szene. Gezeigt werden die Experimentiermaterialien, der Teilnehmer und die Ausrüstung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

Diese Studie wurde in Übereinstimmung mit den Grundsätzen der Deklaration von Helsinki durchgeführt. Alle Teilnehmer wurden über den Zweck und die Sicherheit des Experiments aufgeklärt und unterschrieben vor der Teilnahme die Einwilligungserklärung. Diese Studie wurde vom institutionellen Prüfungsausschuss der Jiangsu University of Science and Technology genehmigt.

1. Ablauf des Experiments

  1. Vorbereitung auf das Experiment
    1. Erklären Sie den Teilnehmern die Einverständniserklärung und bitten Sie sie, die Einverständniserklärung zu unterschreiben.
    2. Führen Sie bei den Teilnehmern einen Farbsehtest durch, um zu bestätigen, dass sie eine normale Farbunterscheidung haben.
    3. Stellen Sie den Teilnehmern 30 Mineralwassermarken vor und bitten Sie sie, die Marken auszuwählen, mit denen sie vertraut sind, um sicherzustellen, dass sie mit den im Experiment verwendeten Mineralwassermarken nicht vertraut sind.
    4. Stellen Sie den Teilnehmern den Ablauf des Experiments vor.
    5. Führen Sie ein Vorexperiment mit den Teilnehmern durch, die andere als die in der Studie verwendeten Mineralwassermarken verwenden, und stellen Sie sicher, dass sie mit der AR und den Website-Abläufen vertraut sind.
    6. Weisen Sie jeden Teilnehmer aus Gruppe A an, zuerst das AR-Experiment und dann das Website-Experiment durchzuführen. Weisen Sie jeden Teilnehmer aus Gruppe B an, zuerst das Website-Experiment und dann das AR-Experiment durchzuführen.
  2. Tragen von Instrumenten
    1. fNIRS-Sonden
      1. Reinigen Sie die Stirnhaut der Teilnehmer mit Hautvorbereitungsgel (siehe Materialtabelle).
      2. Wickeln Sie die Sonden (siehe Materialtabelle) in eine Plastikfolie für schweißtreibende Umstände. Befestigen Sie die Sonden an der Position FP1 und FP2 gemäß dem internationalen 10-20-System mit einem schwarzen Kopfband45. Verwenden Sie ein schwarzes Bandana, um die Sonden abzudecken, um sie vor Umgebungslicht zu schützen und die Signalqualität zu verbessern.
      3. Reinigen Sie den Sender und den Empfänger der Sonden nach Abschluss des Experiments mit einem Pad aus 70%igem Isopropylalkohol.
    2. Eyetracker: Erfassen Sie Augenbewegungen in realen Umgebungen mit einer Eye-Tracking-Brille (siehe Materialtabelle). Setzen Sie Korrektionsgläser magnetisch auf die Headunit der Eyetracking-Brille (falls erforderlich) und sorgen Sie dafür, dass sich die Teilnehmer mit korrigiertem Sehvermögen frei bewegen können.
      HINWEIS: Da die Eye-Tracking-Brille nicht für die Verwendung in Verbindung mit Standardbrillen ausgelegt ist, können Teilnehmer, die eine Brille tragen, dennoch in die Studie einbezogen werden, indem sie optionale Korrektionsgläser zur Korrektur von Kurz- oder Weitsichtigkeit verwenden. Die Teilnehmer können auch Standard-Kontaktlinsen tragen, da sie zwar das Rauschen leicht verstärken können, aber normalerweise keine Fehler in den Daten verursachen. Die Teilnehmer dürfen keine farbigen oder anderen Linsen verwenden, die das Aussehen der Pupille oder der Iris verändern.

2. Maßnahmen

  1. fNIRS
    1. Öffnen Sie die Aufnahmesoftware (siehe Materialtabelle). Verbinden Sie die Sonden über einen Bluetooth-Adapter mit einem Laptop und zeichnen Sie dann die Konzentrationsänderungen des sauerstoffhaltigen Hämoglobins (O2Hb) im präfrontalen Kortex der Teilnehmer über den Laptop mit einer Abtastfrequenz von 10 Hz auf.
    2. Überprüfen Sie die Qualität der empfangenen Lichtintensität und des Gewebesättigungsindex (TSI), um die Datenqualität zu kontrollieren. Stellen Sie sicher, dass das empfangene Signal zwischen 1 % und 95 % liegt.
    3. Stellen Sie sicher, dass die Teilnehmer in einer bequemen Position auf einem Stuhl sitzen und den Ruhezustand für 2 Minuten beibehalten, um vor dem eigentlichen Experiment Ausgangsdaten zu sammeln.
    4. Klicken Sie auf der Softwareoberfläche auf die Schaltfläche Start , um die fNIRS-Daten aufzuzeichnen.
  2. Eye-Tracking
    1. Richten Sie die Hardware für die Eye-Tracking-Brille ein. Verbinden Sie den USB-Stecker der Eye-Tracking-Brille mit einem USB-Anschluss des Laptops. Öffnen Sie die Aufnahmesoftware (siehe Materialtabelle) und stellen Sie die Abtastfrequenz auf 120 Hz ein.
    2. Kalibrierung: Führen Sie eine Ein-Punkt-Kalibrierung durch. Bitten Sie den Teilnehmer, auf ein klar identifizierbares Objekt in seinem Sichtfeld in 0,6 m Entfernung zu fokussieren. Bewegen Sie den Fadenkreuz-Cursor auf das Objekt, auf das der Teilnehmer im Szenenvideo fokussiert ist, und klicken Sie auf das Objekt.
    3. Drücken Sie die Aufnahmetaste auf der Softwareoberfläche, um die Aufnahme zu starten.
  3. Fragebogen und Skala: Präsentieren Sie den Teilnehmern den Usability-Fragebogen und die NASA-TLX-Skala, nachdem sie die Aufgaben der AR/Website erledigt haben.

3. Datenanalyse

  1. fNIRS-Datenverarbeitung
    1. Konvertieren Sie die von der fNIRS-Aufzeichnungssoftware erhaltenen optischen Dichtewerte in Konzentrationen (μmol) gemäß dem modifizierten Beer-Lambert-Gesetz46.
    2. Filtern Sie die Rohdaten bei 0,5 Hz Tiefpass, um systematische Geräusche wie Herzschlag und Atmung zu entfernen.
    3. Überprüfen und korrigieren Sie die Daten auf Bewegungsartefakte, indem Sie die Datensegmente entfernen, die drei Standardabweichungen über der gesamten Zeitreihe47 überschritten haben.
    4. Exportieren Sie die mittleren und maximalen fNIRS-Daten in den AR- und Website-Bedingungen, und subtrahieren Sie sie dann von den Basisdaten.
  2. Eye-Tracking-Datenverarbeitung
    1. Exportieren Sie die Fixationshäufigkeit (Anzahl/s), die gesamte Fixationszeit (ms), die durchschnittliche Fixationszeit (ms), die Sakkadenfrequenz (count/s), die durchschnittliche Sakkadenzeit (ms) und die durchschnittliche Scanpfadlänge (px/s) der Teilnehmer.
  3. Statistische Analyse
    1. Führen Sie einen zweiseitigen Test mit einem Signifikanzniveau von 0,05 durch. Überprüfen Sie die Datennormalverteilung mit dem Shapiro-Wilk-Test und führen Sie einen Differenztest durch. Führen Sie mehrere Vergleichskorrekturen für p-Werte mithilfe der FDR-Methode (False Discovery Rate) durch.
      HINWEIS: Bei der Durchführung des Differenztests wurden die Daten, die einer Normalverteilung folgten, mit einem t-Test für gepaarte Stichproben analysiert, und die Daten, die keiner Normalverteilung folgten, wurden mit einem Wilcoxon-Rangtest mit Vorzeichen analysiert.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

Zu den repräsentativen Ergebnissen dieser Studie gehören die Ergebnisse des Usability-Fragebogens, die Analyse von Eye-Tracking-Daten, NASA-TLX-Skalendaten, die fNIRS-Datenanalyse und dynamische kognitive Belastungsänderungen. Für die Ergebnisse des Usability-Fragebogens wurden Eye-Tracking-Datenanalysen, NASA-TLX-Skalendaten und fNIRS-Datenanalysen, Normalitätstests und Differenztests durchgeführt. Für dynamische kognitive Belastungsänderungen wählte diese Studie fNIRS- und Eye-Tracking-Daten eines einzelnen Teilnehmers aus, um die Validität der multimodalen Messung zu demonstrieren.

Ergebnisse des Usability-Fragebogens
Keines der Items im Usability-Fragebogen folgte der Normalverteilung (Tabelle 2). Die Zuverlässigkeit von AR und der Website im Usability-Fragebogen wurde getestet, und der Cronbach-Alpha-Score wurde als akzeptabel eingestuft (Cronbach-Alpha = 0,974).

Tabelle 2: Normalitätstest des Usability-Fragebogens. Keines der Items im Usability-Fragebogen folgte der Normalverteilung. Die Daten wurden mit dem Wilcoxon-Rangtest analysiert. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Die Median-Differenzwerte des Usability-Fragebogens zwischen AR und der Website sind in Tabelle 3 dargestellt. Die Datenverteilungen der AR- und Website-Bedingungen sind in Abbildung 3 dargestellt. Es wurde ein signifikanter Unterschied zwischen den AR- und Website-Bedingungen beobachtet, wobei die Medianwerte für AR höher waren als die für die Website. Die Ergebnisse zeigten, dass die Teilnehmer im AR-Zustand eine bessere Benutzererfahrung hatten als im Website-Zustand.

Tabelle 3: Mediane Differenzwerte des Usability-Fragebogens zwischen den AR- und Website-Bedingungen. Die Medianwerte für AR waren signifikant höher als die für die Website. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Figure 3
Abbildung 3: Datenverteilung des Usability-Fragebogens. Eine schematische Darstellung der Datenverteilung des Usability-Fragebogens. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Analyse von Eye-Tracking-Daten
Alle Eye-Tracking-Indikatoren wurden auf Normalverteilung getestet, und die Ergebnisse sind in Tabelle 4 dargestellt. In den Aufgaben 1 und 3 folgte nur die Fixierungshäufigkeit der Normalverteilung, während alle anderen Indikatoren nicht der Normalverteilung folgten. In Aufgabe 2 folgten die Fixationshäufigkeit und die Sakkadenhäufigkeit der Normalverteilung, die übrigen Indikatoren folgten jedoch nicht der Normalverteilung. Bei Aufgabe 4 folgte nur die Sakkadenhäufigkeit der Normalverteilung. Beim Vergleich der Unterschiede zwischen dem AR- und dem Website-Zustand wurden die Daten getrennt nach Normalität/Nicht-Normalität angegeben. Tabelle 5 zeigt Unterschiede bei den Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen in Aufgabe 1 (Wasserqualität). Es gab signifikante Unterschiede in allen Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR-Bedingung signifikant länger als in der Website-Bedingung (MedianAR = 586,85, Interquartilsabstand (IQR) = 482,55-714,6; MedianWebsite = 398,05, IQR = 362,775-445,275). Die anderen Indikatoren waren im AR-Zustand signifikant niedriger als im Website-Zustand.

Tabelle 4: Normalitätstest von Eye-Tracking-Indikatoren. Die Eye-Tracking-Daten, die einer Normalverteilung folgten, wurden mit einem t-Test für gepaarte Stichproben analysiert, und die Eye-Tracking-Daten, die keiner Normalverteilung folgten, wurden mit dem Wilcoxon-Rangtest mit Vorzeichen analysiert. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 5: Unterschiede in den Eye-Tracking-Indikatoren zwischen AR und der Website in Aufgabe 1. Es gab signifikante Unterschiede in allen Eye-Tracking-Indikatoren zwischen AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR signifikant länger als in der Website-Bedingung (MedianAR = 586,85, Interquartilsabstand (IQR) = 482,55-714,6; MedianWebsite = 398,05,IQR = 362,775-445,275). Die anderen Indikatoren waren in AR signifikant niedriger als im Website-Zustand. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 6 zeigt die Unterschiede in den Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen in Task 2 (Lagertemperatur). Alle Eye-Tracking-Indikatoren zeigten signifikante Unterschiede zwischen AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR-Bedingung signifikant länger als in der Website-Bedingung (MedianAR = 477,2, IQR = 398,675-596,575; MedianeWebsite = 397,1, IQR = 353,35-451,075). Die anderen Indikatoren waren im AR-Zustand signifikant niedriger als im Website-Zustand.

Tabelle 6: Unterschiede in den Eye-Tracking-Indikatoren zwischen AR und der Website in Aufgabe 2. Es gab signifikante Unterschiede in allen Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR signifikant länger als in der Website-Bedingung (MedianAR = 477,2, IQR = 398,675-596,575; MedianeWebsite = 397,1, IQR = 353,35-451,075). Die anderen Indikatoren waren in AR signifikant niedriger als im Website-Zustand. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 7 zeigt die Unterschiede in den Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen in Aufgabe 3 (passende Ernährung). Es gab signifikante Unterschiede in allen Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR-Bedingung signifikant länger als in der Website-Bedingung (MedianAR = 420,45, IQR = 352,275-467,8; MedianWebsite = 360,6, IQR = 295-399,075). Die anderen Indikatoren waren im AR-Zustand signifikant niedriger als im Website-Zustand.

Tabelle 7: Unterschiede in den Eye-Tracking-Indikatoren zwischen AR und der Website in Aufgabe 3. Es gab signifikante Unterschiede in allen Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR signifikant länger als in der Website-Bedingung (MedianAR = 420,45, IQR = 352,275-467,8; MedianWebsite = 360,6, IQR = 295-399,075). Die anderen Indikatoren waren in AR signifikant niedriger als im Website-Zustand. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 8 zeigt Unterschiede in den Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen in Aufgabe 4 (Preis pro Liter). Es gab signifikante Unterschiede in allen Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR-Bedingung signifikant länger als in der Website-Bedingung (MedianAR = 495,25, IQR = 404,8-628,65; MedianeWebsite = 263,1, IQR = 235,45-326,2). Die anderen Indikatoren waren jedoch im AR-Zustand signifikant niedriger als im Website-Zustand.

Tabelle 8: Unterschiede in den Eye-Tracking-Indikatoren zwischen AR und Website in Aufgabe 4. Es gab signifikante Unterschiede in allen Eye-Tracking-Indikatoren zwischen den AR- und Website-Bedingungen, p < 0,001. Die durchschnittliche Fixationsdauer war in der AR signifikant länger als in der Website-Bedingung (MedianAR = 495,25, IQR = 404,8-628,65; MedianeWebsite = 263,1, IQR = 235,45-326,2). Die anderen Indikatoren waren in AR signifikant niedriger als im Website-Zustand. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Bei den visuellen Suchaufgaben waren niedrigere Eye-Tracking-Indikatoren mit einer höheren Effizienz der Informationssuche assoziiert (mit Ausnahme der durchschnittlichen Fixationsdauer). Zusammengenommen zeigten die Eye-Tracking-Daten, dass die Teilnehmer bei der Nutzung von AR eine höhere Effizienz bei der Informationssuche aufwiesen als bei der Nutzung der Website.

NASA-TLX-Daten
Keines der Items der NASA-TLX-Skala folgte einer Normalverteilung (Tabelle 9). Der Cronbach-Alpha-Score wurde als akzeptabel angesehen (Cronbach-Alpha = 0,924).

Tabelle 9: Normalverteilungstest der NASA-TLX-Skala. Keines der Items der NASA-TLX-Skala folgte einer Normalverteilung. Die Daten wurden mit dem Wilcoxon-Rangtest analysiert. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Die mittleren Differenzwerte der NASA-TLX-Skala zwischen AR- und Website-Bedingungen sind in Tabelle 10 dargestellt. Die Datenverteilungen von AR und Website-Bedingungen sind in Abbildung 4 dargestellt. Es wurde ein signifikanter Unterschied zwischen AR- und Website-Bedingungen beobachtet. Die Werte der NASA-TLX-Skala der AR-Bedingung waren niedriger als die der Website-Bedingung, was darauf hindeutet, dass die AR-Technik zu einer geringeren kognitiven Belastung führte als die der Website.

Tabelle 10: Mediane Differenzwerte der NASA-TLX-Skala zwischen AR und der Website. Die Werte der NASA-TLX-Skala der AR-Bedingung waren signifikant niedriger als die der Website-Bedingung. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Figure 4
Abbildung 4: Datenverteilung der NASA-TLX-Skala. Eine schematische Darstellung der Datenverteilung der NASA-TLX-Skala. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

fNIRS-Datenanalyse
Die mittlerenO2Hb-Wertewurden auf Normalverteilung getestet, und die Ergebnisse sind in Tabelle 11 dargestellt. Beim Vergleich der Unterschiede zwischen den AR- und Website-Bedingungen wurden die Daten getrennt nach Normalität/Nicht-Normalität angegeben. Die Unterschiede im Mittelwert O2Hb zwischen den AR- und Website-Bedingungen sind in Tabelle 12 dargestellt. Es gab signifikante Unterschiede zwischen den beiden Bedingungen, wenn die Teilnehmer Aufgabe 1 (adjustiert p = 0,002), Aufgabe 3 (adjustiert p = 0,007) und Aufgabe 4 (adjustiert p < 0,001) durchführten. Der Mittelwert O2Hb der im AR-Zustand ausgeführten Aufgaben war signifikant niedriger als im Website-Zustand (Aufgabe 1: Mittelwert AR = -1,012, SDAR = 0,472, Mittelwert Website = 0,63,SD-Website = 0,529; Aufgabe 3: Mittelwert AR = -0,386, SDAR = 0,493, Mittelwert der Website = 1,12,SD-Website = 0,554; Aufgabe 4: Mittelwert AR = -0,46, SDAR = 0,467, Mittelwert Website = 2,27, SDWebsite = 0,576). Bei der Durchführung von Aufgabe 2 erreichten die Unterschiede zwischen den AR- und Website-Bedingungen kein signifikantes Niveau (adjustiert p = 0,154 > 0,05). Diese Ergebnisse deuten darauf hin, dass die Teilnehmer bei der Verwendung der AR-Technik eine geringere kognitive Belastung aufwiesen als bei der Nutzung der Website.

Tabelle 11: Normalverteilungstest des MittelwertsO2Hb. Die fNIRS-Daten, die einer Normalverteilung folgten, wurden mit einem t-Test für gepaarte Stichproben analysiert, und die fNIRS-Daten, die keiner Normalverteilung folgten, wurden mit dem Wilcoxon-Rangtest mit Vorzeichen analysiert. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Tabelle 12: Unterschiede im MittelwertØ 2Hb zwischen AR und Website.  Es gab signifikante Unterschiede zwischen den beiden Bedingungen, wenn die Teilnehmer Aufgabe 1 (adjustiert p = 0,002), Aufgabe 3 (adjustiert p = 0,007) und Aufgabe 4 (adjustiert p < 0,001) ausführten. Der Mittelwert O2Hb der im AR-Zustand ausgeführten Aufgaben war signifikant niedriger als im Website-Zustand (Aufgabe 1: Mittelwert AR = -1,012, SDAR = 0,472, Mittelwert Website = 0,63,SD-Website = 0,529; Aufgabe 3: Mittelwert AR = -0,386, SDAR = 0,493, Mittelwert der Website = 1,12,SD-Website = 0,554; Aufgabe 4: Mittelwert AR = -0,46, SDAR = 0,467, Mittelwert Website = 2,27, SDWebsite = 0,576). Bei der Durchführung von Task 2 erreichten die Unterschiede zwischen AR- und Website-Bedingungen kein signifikantes Niveau (adjustiertes p = 0,154 > 0,05). Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

Dynamische Änderungen der kognitiven Belastung
Abbildung 5 zeigt die Veränderungen derO2Hb-Konzentration, wenn ein Teilnehmer Aufgabe 4 im Website-Zustand ausführte. Bei Punkt 1 hatte der Teilnehmer Schwierigkeiten, den Preis pro Liter zu berechnen. Der intensive Suchprozess induzierte einen Anstiegder O2Hb-Konzentration, was auf einen Anstieg der momentanen Belastung hindeutete. Wenn der Teilnehmer einen Hinweis erhielt, sank dieO2Hb-Konzentrationauf Punkt 2, und die momentane Belastung erreichte in diesem Moment einen Talwert. Der Teilnehmer machte sich dann an die Arbeit, um den Preis pro Liter zu berechnen und wollte die Aufgabe so schnell wie möglich erledigen. In diesem Zusammenhang stieg dieO2Hb-Konzentrationweiter an und erreichte ein Maximum (Punkt 3). Zusammenfassend lässt sich sagen, dass die multimodale Messung von Eyetracking und fNIRS dynamische Veränderungen der kognitiven Belastung während der Interaktion mit Informationssystemen effektiv messen und auch individuelle Unterschiede im Konsumverhalten untersuchen kann.

Figure 5
Abbildung 5: fNIRS-Momentanlast. Eine schematische Darstellung der dynamischen kognitiven Belastungsänderungen unter Verwendung der fNIRS-Momentanlast. Bitte klicken Sie hier, um eine größere Version dieser Abbildung zu sehen.

Am Beispiel der vier in IoT integrierten Aufgaben von AR wurden in dieser Studie NeuroIS-Ansätze mit subjektiven Bewertungsmethoden kombiniert. Die experimentellen Ergebnisse deuten darauf hin, dass: (1) die Teilnehmer für den Usability-Fragebogen eine bessere subjektive Bewertung in der AR-Bedingung als in der Website-Bedingung hatten (Tabelle 3 und Abbildung 3); (2) Bei den Eye-Tracking-Daten hatten die Teilnehmer bei der Verwendung von AR eine höhere Effizienz bei der Informationssuche als bei der Nutzung der Website (Tabelle 5, Tabelle 6, Tabelle 7 und Tabelle 8); (3) Bei den Daten auf der NASA-TLX-Skala und den fNIRS-Daten führte die AR-Technik zu einer geringeren kognitiven Belastung als die der Website (Tabelle 10 und Tabelle 12); und (4) für die dynamische kognitive Belastung könnte die multimodale Messung von Eye-Tracking und fNIRS dynamische Veränderungen der kognitiven Belastung während der Interaktion mit Informationssystemen effektiv messen und auch die individuellen Unterschiede im Konsumentenverhalten untersuchen (Abbildung 5). Durch den Vergleich der Unterschiede in den Neuroimaging-Daten, physiologischen Daten und selbstberichteten Daten unter Verwendung des Usability-Fragebogens und der NASA-TLX-Skala zwischen den AR- und Website-Bedingungen könnte die AR-Technik die Effizienz der Informationssuche fördern und die kognitive Belastung während des Einkaufsprozesses reduzieren. Als aufstrebende Einzelhandelstechnologie könnte AR also die Benutzererfahrung der Verbraucher effektiv verbessern und damit ihre Kaufabsicht erhöhen.

Ergänzende Abbildung 1: Screenshot der Informationen, die in der in der Studie verwendeten AR-Anwendung angezeigt werden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Abbildung 2: Screenshot der Informationen, die auf der in der Studie verwendeten Website angezeigt werden. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Kritische Schritte innerhalb des Protokolls
Während des Experiments wurden mehrere Schritte in Betracht gezogen, um die Zuverlässigkeit der Ergebnisse zu gewährleisten. Zunächst wurden Teilnehmer, die mit den im Experiment verwendeten Mineralwassermarken vertraut sind, ausgeschlossen, da diese Teilnehmer die Aufgabe aufgrund ihres Wissens über die Marke durchgeführt hätten. Zweitens absolvierten die Teilnehmer ein Vorexperiment mit Mineralwasser anderer Marken, um sicherzustellen, dass die Teilnehmer mit AR und Website-Betrieb vertraut waren. Drittens wurde beim Tragen von fNIRS-Sonden ein schwarzes Bandana verwendet, um die Sonden abzudecken, um die Sonden vor Umgebungslicht zu schützen und die Signalqualität zu verbessern. Viertens durften die Teilnehmer, die Kontaktlinsen trugen, keine farbigen oder anderen Linsen verwenden, die das Aussehen der Pupille oder der Iris verändern würden. Fünftens mussten die Teilnehmer vor dem eigentlichen Experiment in einer bequemen Position auf einem Stuhl sitzen und 2 Minuten lang einen Ruhezustand beibehalten, um Ausgangsdaten zu sammeln, die für die Ausgangslinienkorrektur für die fNIRS-Daten verwendet wurden47.

Modifikationen und Fehlerbehebung
Das in dieser Studie vorgeschlagene experimentelle Paradigma kann auf reale kommerzielle Anwendungen ausgeweitet werden. Die größte Herausforderung bei der Anwendung kognitiver neurowissenschaftlicher Methoden auf betriebswirtschaftliche Probleme ist die ökologische Validität48,49. Das experimentelle Protokoll mit mobiler Bildgebung des Gehirns und des Körpers hat die Machbarkeit der Lösung dieses Problems gezeigt50. Krampe et al. verwendeten tragbare fNIRS, um das Verbraucherverhalten in einem realistischen Lebensmitteleinkaufsszenario zu untersuchen, und stellten das Konzept der "Shopper Neuroscience" vor51. Die multimodalen Ansätze verbessern die ökologische Validität erheblich. Durch den Einsatz von tragbaren fNIRS- und Eye-Tracker-Brillen ist diese Studie die erste, die die Erfahrungen der Verbraucher mit verschiedenen Informationssuchmodi vor einem Produktregal untersucht. Durch das Experiment erweitert diese Studie den Forschungsbereich von NeuroIS auf Einzelhandels- und Einkaufsszenarien und ermöglicht es den Forschern, kognitive Prozesse besser zu verstehen. Es ist zu beachten, dass fNIRS-Messungen im realen Einkaufskontext wahrscheinlich durch den Positionsversatz und das Umgebungslicht beeinflusst werden. Daher wird empfohlen, Bandagen, Klebebänder und/oder Bänder zu verwenden, um die Sonden gut an den Teilnehmern zu befestigen, und ein schwarzes Tuch zu verwenden, um das Gewebe und das Gerät abzudecken, um die Wirkung von Umgebungslicht zu vermeiden.

Grenzen der Technik
Das Experiment hat einige Einschränkungen. Da im Experiment ein Eyetracker verwendet wurde, wurden zunächst Teilnehmer mit hoher Kurzsichtigkeit und Hornhautverkrümmung vom Experiment ausgeschlossen. In diesem Fall kann das Protokoll nicht für blinde oder sehbehinderte Menschen verwendet werden. Zweitens werden in dieser Studie nur visuelle Sinneserfahrungen untersucht. Die zukünftigen Experimente könnten sich auch auf andere Sinneskanäle wie Hören und Tastsinn erstrecken. Drittens werden in dieser Studie nur AR-Techniken untersucht, andere aufkommende Technologien sollten in zukünftigen Studien mit dem gleichen experimentellen Paradigma bewertet werden.

Bedeutung im Vergleich zu bestehenden Methoden
Die Bedeutung dieser Studie spiegelt sich in zwei Aspekten wider. Zunächst wurden multimodale Ansätze zur objektiven Bewertung der Usability eingesetzt. Wie Abbildung 5 zeigt, war es für die Forscher ein Leichtes, das Einkaufsszenario mit den fNIRS-Daten abzugleichen, da der Eyetracker während des Einkaufsprozesses gleichzeitig Videos aus der Perspektive der Teilnehmer aufzeichnete. Daher hat diese experimentelle Technik mit multimodalen Ansätzen nicht nur den Vorteil einer kontinuierlichen Echtzeitmessung mit hoher ökologischer Validität, sondern kombiniert auch die Vorteile verschiedener Techniken zur Identifizierung dynamischer Veränderungen in Einkaufsszenarien. Diese Studie lieferte eine effektive Usability-Testmethode für Produkthersteller, um das Produktdesign zu verbessern, Einzelhändler, um das Layout der Produkte im Regal zu optimieren, und Verbraucher, um die Benutzererfahrung zu verbessern. Zweitens wurde in dieser Studie eine Usability-Testmethode vorgeschlagen, die objektive und subjektive Bewertungen kombiniert. Einige Forscher haben herausgefunden, dass Selbstberichtsmethoden unter einem Common Method Bias (CMB) leiden können52,53. Da Messungen aus den kognitiven Neurowissenschaften in der Regel weniger anfällig für subjektive Verzerrungen, soziale Erwünschtheitsverzerrungen und Nachfrageeffekte sind, könnten diese objektiven Bewertungsdaten die subjektiven Bewertungsdaten ergänzen und die Robustheit des experimentellen Ergebnisses stärken25,34. Liang et al. verwendeten EEG- und Selbstberichtsmethoden, um den Zusammenhang zwischen Website-Qualität und Nutzerzufriedenheit durch ein Experiment zur Flow Experience zu untersuchen. Die Ergebnisse deuten darauf hin, dass die kognitive neurowissenschaftliche Methode CMB53 reduziert. In dieser Studie zeigte die Kombination aus objektiven und subjektiven Bewertungen, dass (1) die Verbraucher eine AR-Einkaufsbedingung auf der Grundlage einer subjektiven Bewertung bevorzugten; (2) Die AR-Technik förderte die Effizienz und Benutzerfreundlichkeit der visuellen Suche auf der Grundlage der Eye-Tracking-Daten; (3) Die AR-Technik reduzierte die kognitive Belastung der Verbraucher und verbesserte ihre Benutzererfahrung auf der Grundlage der fNIRS- und der NASA-TLX-Skalendaten. und (4) in Kombination mit den durch Eye-Tracking aufgezeichneten Videoinformationen ermöglichte es die Untersuchung individueller Unterschiede und ein besseres Verständnis der Zustandsunterschiede im Verbraucherverhalten.

Zukünftige Anwendungen
Diese Studie schlägt ein experimentelles Paradigma für Usability-Tests neuer Technologien in einem MIS vor. Ein Usability-Test wird verwendet, um die Benutzererfahrung neuer Technologien in Mensch-Computer-Interaktionen zu bewerten54. Da neue Technologien (z. B. Augmented Reality, Virtual Reality, künstliche Intelligenz, Wearable-Technologie, Robotik und Big Data) zunehmend in einem MIS eingesetzt werden, kann das experimentelle Paradigma eines Usability-Tests verwendet werden, um die technischen Vorteile neuer Technologien für die Benutzererfahrung in der Zukunft zu überprüfen.

Zusammenfassend schlägt diese Studie ein experimentelles Paradigma vor, das sowohl subjektive als auch objektive Bewertungen in einem MIS kombiniert, das die Benutzerfreundlichkeit neuer Technologien wie AR effektiv bewerten kann.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts zu verraten.

Acknowledgments

Diese Studie wurde unterstützt durch das Philosophy and Social Science Research Project des Bildungsministeriums der Provinz Jiangsu (2018SJA1089), das Stipendium der Regierung von Jiangsu für Auslandsstudien (JS-2018-262), die Natural Science Foundation der Provinz Zhejiang (LY19G020018) und die National Natural Science Foundation of China (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

Diesen Monat in JoVE Ausgabe 189 Neuro-Informations-Systeme NeuroIS Usability fNIRS Eye Tracking Augmented Reality
Usability-Evaluation von Augmented Reality: Eine Neuro-Informations-Systems-Studie
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