方法在线测试视觉注意
Summary
To replicate laboratory settings, online data collection methods for visual tasks require tight control over stimulus presentation. We outline methods for the use of a web application to collect performance data on two tests of visual attention.
Abstract
在线数据收集方法有特殊的吸引力行为科学家，因为他们提供了更大的承诺，更具有代表性的数据样本比通常可以收集在大学校园里。然而，这样的方法可以广泛地采用之前，一些技术挑战必须克服 – 特别是在实验中严格控制的刺激特性是必要的。这里，我们提出的方法，用于收集关于视觉注意两个试验的性能数据。这两项测试要求控制在刺激的视觉角度（而这又需要观看距离，显示器的尺寸，屏幕分辨率等方面的知识）和刺激的时机（如测试涉及两种简单地闪过了移动的刺激或刺激在具体的利率）。从超过1700在线参与者收集了这些测试数据与收集在实验室为基础的版本完全相同的测试数据一致。这些结果建议适当的照顾，定时/刺激大小相关的任务可以部署在基于web的设置。
Introduction
在过去的五年里，一直关注于利用在线行为数据收集方法激增。虽然刊物的心理学领域绝大多数都采用潜在非代表受人口1（ 即，主要是大学本科生），往往相当小的样本量，以及（ 即通常在几十科目的范围），在线方式提供了更加多样化和更大的样品的承诺。举例来说，亚马逊的机械土耳其人的服务一直是最近的一些研究的主题，既描述了“工人”群体的特点和行为研究2-6使用这种人口。
然而，涉及到这样的方法之一显著关注的是相对缺乏对关键变量刺激控制。例如，在大多数的视觉心理物理学的任务，刺激在来描述可视角度。视觉角度的计算需要观看距离，屏幕大小，以及屏幕分辨率的精确测量。虽然这些参数是微不足道的测量和控制在实验室设置中（其中，有一个已知的显示器和参与者观看的刺激而在下巴休息置于从监视器的已知距离），同样是不在线数据收集如此。在网络环境下，不仅会参与者难免使用各种不同尺寸不同的软件设置的显示器，他们也可能不容易接触到的统治者/磁带措施，让他们来决定自己的显示器尺寸还是有必要的知识，以确定他们的软件和硬件设置（ 例如，刷新率，分辨率）。
在这里，我们描述了一套方法来收集关于视觉注意力两个著名的测试数据-的视图（UFOV）用现场范式7和多目标跟踪（MOT）的任务<sup> 8 -同时避免尽可能变异中固有在线测量的来源。这些任务可以通过与互联网连接和HTML5兼容的浏览器的任何参与者运行。与会者谁不知道他们的屏幕尺寸是通过采用标准尺寸的常用项目的测量过程中走了（ 即，信用卡/ CD -参见图1）。
这两个任务的数据是从1700多名参与者在海量网络公开课收集。这个在线样本平均表现在完全相同的任务9,10严格控制的实验室为基础的措施，得到的结果高度一致。我们的结果是由此与文献证明的在线数据收集方法的效果的增长的身体相一致，即使是在需要超过观看条件的具体的控制任务。
Protocol
Representative Results
Discussion
在线数据采集的数超过标准实验室为基础的数据采集的优点。这些包括采样远远代表种群比典型的大学本科池在该领域中使用的潜力，并获得更大的样本大小在更短的时间比需要获得样本大小是一个数量级在实验室小的能力1-6（ 例如，从1,700+参与者当前纸张收集到的数据点是在不到一周获得）。
所描述的方法在网上都能够复制从之前进行的实验为基础的研究?…
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
The authors have nothing to disclose.
Materials
| Name of Reagent/ Equipment | Company | Catalog Number | Comments/Description |
| Computer/tablet | N/A | N/A | It must have an internet connection and an HTML5 compatible browser |
| CD or credit card | N/A | N/A | May not be needed if participant already knows the monitor size |
Riferimenti
- Henrich, J., Heine, S. J., Norenzayan, A. The weirdest people in the world. The Behavioral And Brain Sciences. 33, 61-135 (2010).
- Buhrmester, M., Kwang, T., Gosling, S. D. Amazon’s Mechanical Turk: A new source of inexpensive, yet high-quality, data. Perspectives on Psychological Science. 6 (1), 3-5 (2011).
- Goodman, J. K., Cryder, C. E., Cheema, A. Data collection in a flat world: the strengths and weaknesses of mechanical turk samples. Journal of Behavioral Decision Making. 26 (3), 213-224 (2013).
- Mason, W., Suri, S. Conducting behavioral research on Amazon’s Mechanical Turk. Behavior Research Methods. 44 (1), 1-23 (2012).
- Crump, M. J., McDonnell, J. V., Gureckis, T. M. Evaluating Amazon’s Mechanical Turk as a tool for experimental behavioral research. PLoS One. 8, e57410 (1371).
- Lupyan, G. The difficulties of executing simple algorithms: why brains make mistakes computers don’t. Cognition. 129, 615-636 (2013).
- Ball, K., Owsley, C. The useful field of view test: a new technique for evaluating age-related declines in visual function. J Am Optom Assoc. 64 (1), 71-79 (1993).
- Pylyshyn, Z. W., Storm, R. W. Tracking multiple independent targets: Evidence for a parallel tracking mechanism. Spatial Vision. 3 (3), 179-197 (1988).
- Dye, M. W. G., Bavelier, D. Differential development of visual attention skills in school-age children. Vision Research. 50 (4), 452-459 (2010).
- Green, C. S., Bavelier, D. Enumeration versus multiple object tracking: The case of action video game players. Cognition. 101 (1), 217-245 (2006).
- Chengalur, S. N., Rodgers, S. H., Bernard, T. E. Chapter 1. Kodak Company. Ergonomics Design Philosophy. Kodak’s Ergonomic Design for People at Work. , (2004).
- Elze, T., Bex, P. P1-7: Modern display technology in vision science: Assessment of OLED and LCD monitors for visual experiments. i-Perception. 3 (9), 621 (2012).
- Elze, T., Tanner, T. G. Temporal Properties of Liquid Crystal Displays: Implications for Vision Science Experiments. PLoS One. 7 (9), e44048 (2012).
