Methoden om visuele aandacht online test
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
Online dataverzameling methoden bijzondere aantrekkingskracht op gedragswetenschappers omdat ze bieden de belofte van veel grotere en veel meer representatieve gegevens monsters dan kan meestal worden opgevangen op universiteitscampus. Voordat dergelijke werkwijzen algemeen kan worden vastgesteld, een aantal technologische problemen moeten worden overwonnen – vooral in experimenten waarbij strakke controle stimulus eigenschappen noodzakelijk. Hier presenteren we methoden voor het verzamelen van gegevens over de prestaties op twee tests van visuele aandacht. Beide testen vereisen controle over de visuele hoek van de stimuli (die op zijn beurt vereist kennis van de kijkafstand, de monitor, de schermresolutie, etc.) en de timing van de stimuli (als de tests betrekken ofwel kort flitste stimuli of stimuli die bewegen op specifieke tarieven). Gegevens verzameld over deze tests uit meer dan 1.700 online deelnemers kwamen overeen met de gegevens in het laboratorium op basis versies van exact dezelfde proeven wordt opgevangen. Deze resultatensuggereren dat met de juiste zorg, timing / stimulus grootte afhankelijke taken kan worden in web-based instellingen ingezet.
Introduction
In de afgelopen vijf jaar is er een golf van interesse in het gebruik van online behavioral methoden voor gegevensverzameling is geweest. Terwijl de overgrote meerderheid van de publicaties in het domein van de psychologie potentieel niet-representatieve onderwerp populatie hebben gebruikt 1 (dat wil zeggen, in de eerste plaats college studenten) en vaak redelijk kleine steekproeven en (dwz, meestal in het bereik van tientallen proefpersonen), online methoden bieden de belofte van veel meer divers en grotere monsters. Zo heeft Amazon Mechanical Turk dienst het onderwerp van een aantal recente studies, zowel die de kenmerken van de "werknemer" populatie en het gebruik van deze populatie in gedragsonderzoek 2-6.
Echter, een significant probleem in samenhang met dergelijke werkwijzen is het relatieve gebrek aan controle over kritische stimulus variabelen. Bijvoorbeeld, in de meeste visuele psychofysica taken stimuli worden beschreven in termen vanvisuele hoek. De berekening van de visuele hoeken vereist een nauwkeurige metingen van de kijkafstand, grootte van het scherm, en de schermresolutie. Hoewel deze parameters zijn triviaal te meten en controle in een lab omgeving (waar sprake is van een bekende monitor en deelnemers bekijken stimuli, terwijl in een kin rust plaatste een bekende afstand van de monitor), hetzelfde geldt niet voor het online verzamelen van gegevens. In een online-omgeving, zal niet alleen de deelnemers onvermijdelijk gebruik maken van een breed scala van monitoren van verschillende maten met verschillende software-instellingen, kunnen zij ook niet gemakkelijk toegang hebben tot heersers / meetlinten dat zou hen in staat stellen om hun beeldscherm maat te bepalen of de kennis die nodig is om hun software en hardware-instellingen (bv, refresh rate, resolutie) te bepalen.
Hier beschrijven we een set van methoden om gegevens op twee bekende testen van visuele aandacht te verzamelen – de Handige gezichtsveld (UFOV) paradigma 7 en de meervoudige object tracking (MOT) taak <sup> 8 – terwijl zoveel mogelijk de bronnen van variabiliteit die inherent online metingen voorkomen. Deze taken kunnen worden uitgevoerd door een deelnemer met een internetverbinding en een HTML5 compatibele browser. Deelnemers die niet weten hun schermgrootte worden gelopen door een meetproces gebruik te maken van algemeen beschikbare artikelen van standaard formaat (dwz, creditcard / CD – zie figuur 1).
Gegevens over deze twee taken werden verzameld uit meer dan 1.700 deelnemers in een Massive Online Open Course. Gemiddelde prestatie van deze online steekproef was zeer consistent met resultaten verkregen in streng gecontroleerde laboratorium op basis van maatregelen van exact dezelfde taken 9,10. Onze resultaten zijn dus in overeenstemming met de groeiende hoeveelheid literatuur om de effectiviteit van online dataverzameling methoden, zelfs in de taken die specifieke controle over het bekijken omstandigheden dit vereisen.
Protocol
Representative Results
Discussion
Online verzamelen van gegevens heeft een aantal voordelen ten opzichte van standaard-laboratorium op basis van het verzamelen van gegevens. Deze omvatten de mogelijkheid om veel representatieve populaties proeven dan de typische undergraduate pool gebruikt in het veld, en de mogelijkheid om veel grotere steekproeven verkregen in minder tijd dan nodig is om steekproeven die een orde van grootte kleiner in het laboratorium zijn verkregen 1-6 (bijvoorbeeld de gegevenspunten verzameld 1,700+ deelnemers a…
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).
