Methoden zur Visuelle Aufmerksamkeit Online Testen
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 Datenerhebungsmethoden haben besondere Appell an Verhaltensforscher, weil sie das Versprechen der viel größer und viel repräsentativer Datenstichproben, als in der Regel an den Hochschulen erhoben bieten. In Experimenten, bei denen eine strenge Kontrolle über Reizeigenschaften notwendig ist, insbesondere – aber vor einem solchen Verfahren weithin angenommen werden können, eine Reihe von technischen Herausforderungen überwunden werden. Hier präsentieren wir Methoden für die Erfassung Leistungsdaten auf zwei Tests der visuellen Aufmerksamkeit. Beide Tests erfordern die Kontrolle über den Blickwinkel der Reize (die wiederum die Kenntnis der Betrachtungsabstand, Bildschirmgröße, Bildschirmauflösung, usw. benötigt) und das Timing der Reize (wie die Tests beinhalten entweder kurz blitzte Reize oder Stimuli, die bewegen an bestimmten Raten). Auf diese Tests von über 1.700 Online-Teilnehmer gesammelten Daten waren konsistent mit Daten im Labor-basierten Versionen von der exakt gleichen Tests gesammelt. Diese Ergebnissedarauf hin, dass mit der richtigen Pflege können Timing / Reizgröße abhängigen Vorgänge in Web-basierte Einstellungen eingesetzt werden.
Introduction
In den letzten fünf Jahren gab es eine Welle von Interesse an der Nutzung von Online-Verhaltensdatenerhebungsmethoden. Während die überwiegende Mehrheit der Publikationen auf dem Gebiet der Psychologie haben möglicherweise nicht repräsentativer unterworfene Bevölkerung genutzt 1 (dh vor allem College-Studenten) und oft recht kleinen Stichproben sowie (dh typischerweise im Bereich von einigen zehn Probanden), Online-Verfahren versprechen eine weit vielfältigere und größere Proben. So hat Amazon Mechanical Turk Service war Gegenstand einer Reihe von aktuellen Studien, sowohl diejenigen Merkmale beschrieben, die "Arbeiter" Bevölkerung und Verwendung dieser Bevölkerung in Verhaltensforschung 6.2.
Ist ein wesentliches Anliegen, solche Verfahren im Zusammenhang jedoch der relative Mangel an Kontrolle über kritische Reiz Variablen. Zum Beispiel in den meisten visuellen Psycho Aufgaben Reize in Bezug auf beschriebenSichtwinkel. Die Berechnung der Blickwinkel erfordert präzise Messungen der Augenabstand, Bildschirmgröße und Bildschirmauflösung. Während diese Parameter sind trivial, Messung und Steuerung in einer Testumgebung (wo es einen bekannten Monitor und die Teilnehmer sehen können Reize und in einer Kinnstütze platziert einen bekannten Abstand vom Monitor), ist dieselbe nicht wahr, von Online-Datenerfassung. In einer Online-Umgebung, nicht nur die Teilnehmer zwangsläufig verwenden eine Vielzahl von Monitoren verschiedener Größen mit unterschiedlicher Software-Einstellungen, können sie auch nicht über einen einfachen Zugang zu Herrschern / Bandmaße, die es ihnen ermöglichen, ihre Bildschirmgröße zu ermitteln oder über die erforderlichen Kenntnisse um ihre Software und Hardware-Einstellungen (zB Bildwiederholfrequenz, Auflösung) zu bestimmen.
Das Nützliche Field of View (UFOV) Paradigma 7 und die mehrfache Objektverfolgung (MOT) Aufgabe – eine Reihe von Methoden, um Daten über zwei bekannte Tests der visuellen Aufmerksamkeit sammeln Hier beschreiben wir <sup> 8 -, während so viel wie möglich die Quellen der Variabilität, die inhärent in der Online-Messungen sind vermieden. Diese Aufgaben können von jedem Teilnehmer mit Internet-Anschluss und ein HTML5 fähigen Browser ausgeführt werden. Teilnehmer, die nicht wissen, ihre Bildschirmgröße werden durch ein Messverfahren unter Verwendung von handelsüblichen Produkte der Standardgröße ging (dh, Kreditkarte / CD – siehe Abbildung 1).
Daten zu diesen beiden Aufgaben wurden von über 1.700 Teilnehmern in einem Massive Online Open Course gesammelt. Durchschnittliche Leistung dieser Online-Probe war sehr konsistent mit den Ergebnissen in streng kontrollierten Laborbezogene Maßnahmen der exakt gleichen Aufgaben 9,10 erhalten. Unsere Ergebnisse sind demnach mit dem wachsenden Körper der Literatur, die die Wirksamkeit von Online-Datenerfassungsmethoden, auch in Aufgaben, die spezifische Steuerung über Sichtverhältnisse erfordern.
Protocol
Representative Results
Discussion
Online-Datensammlung hat eine Reihe von Vorteilen gegenüber üblichen Laborbasierte Datensammlung. Dazu gehören das Potenzial, weit mehr repräsentative Populationen als die typische College Bachelor-Pool auf dem Gebiet eingesetzt zu probieren, und die Fähigkeit, viel größere Probenmengen in kürzerer Zeit zu erhalten, als es braucht, um Stichprobengrößen, die um eine Größenordnung kleiner im Labor sind zu erhalten 1-6 (beispielsweise die Datenpunkte von 1.700 Teilnehmer im aktuellen Papier …
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).
