Summary

オンライン視覚的注意をテストする方法

Published: February 19, 2015
doi:

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

これらは一般的に大学のキャンパスに収集することができるよりもはるかに大きいとはるかに代表データサンプルの約束を提供するのでオンラインデータ収集方法は、行動科学者に特定の魅力を持っている。刺激特性を厳密に制御する必要がある実験で、特に – このような方法を広く採用することができる前に、しかし、技術的課題の数は、克服しなければならない。ここでは、視覚的注意の2テストでパフォーマンスデータを収集するための方法を提示する。テストが伴うように両方のテストでは、どちらか簡単に移動するの刺激または刺激を点滅さ(順番に視聴距離、モニタサイズ、画面解像度などの知識を必要とする)刺激の視角を制御し、刺激のタイミングを(必要とする特定のレートで)。 1700以上のオンライン参加者からこれらのテストで収集されたデータは正確に同じテストの実験室ベースのバージョンで収集されたデータと一致した。これらの結果適切なケアで、タイミング/刺激サイズ依存タスクは、Webベースの設定で展開できることを示唆している。

Introduction

過去5年間のオンライン行動データ収集方法の使用に関心の高まりがあった。心理学の分野で出版物の大部分は、同様に( すなわち、一般的に被験者の数の範囲)、オンライン方法は、潜在的に非代表対象集団1( すなわち、主に大学の学部)としばしば適度に小さいサンプルサイズを利用してきたがはるかに多様で、より大きなサンプルの約束を提供しています。例えば、Amazonのメカニカルタークサービスは、最近の多くの研究の主題となっている両方の「作業者」集団の特性および行動研究2-6のこの集団の使用を記載する。

しかし、このような方法に関連する1つ大きな問題は、重要な刺激変数の制御の相対的な欠如である。例えば、ほとんどの視覚心理物理学のタスクで、刺激の観点から説明されている視角。視角の算出は、視距離、画面サイズ、画面解像度の正確な測定を必要とする。これらのパラメータは(知らモニターと参加者がある場合に顎当てにモニターから既知の距離に配置しながら、刺激を表示)ラボ設定で測定するのは簡単や制御ですが、同じことがオンラインデータ収集の真実ではない。オンライン環境では、だけでなく、参加者は必然的に異なるソフトウェア設定の異なるサイズのモニターを幅広く使用され、彼らはまた、彼らのモニターのサイズを決定するか、必要な知識を持つことを可能にする定規/巻尺に簡単にアクセスできないかもしれない彼らのソフトウェアとハードウェアの設定( 例えば、リフレッシュレート、解像度)を決定する。

ここでは、視覚的注意の2つのよく知られたテストに関するデータを収集するための一連のメソッドを記述する-ビューの有用なフィールド(UFOV)パラダイム7と、複数のオブジェクトトラッキング(MOT)タスク<sup> 8 -オンライン測定に内在する変動性の源を極力回避しつつ。これらのタスクは、インターネット接続とHTML5互換性のあるブラウザで任意の参加者が実行することができます。彼らの画面サイズを知らない参加者は、標準サイズの一般的に入手可能なアイテムを利用し、測定プロセスを歩いている( つまり、クレジットカード/ CDは- 図1を参照)。

これら二つのタスクに関するデータは大規模なオンラインオープンコースで1,700以上の参加者から収集した。このオンラインサンプルの平均パフォーマンスは、正確に同じタスク9,10の厳密に制御実験室ベースの措置で得られた結果と非常に一致していた。我々の結果はさえ観察条件の上の特定の制御を必要とするタスクで、オンラインのデータ収集方法の有効性を実証する文学の成長体とこのように一致している。

Protocol

プロトコルは、ウィスコンシン大学マディソン校での治験審査委員会によって承認された。次の手順は、記載されたWebアプリケーションの自動化されたプロセスを複製するプログラマのためのガイドとして書かれています。 1.ログイン参加 :インターネット対応のコンピュータを使用して、HTML5互換性のあるブラウザを用いてWebアプリケーションに移動し、参加?…

Representative Results

外れ値の除去 1779参加者の合計はUFOVタスクを完了した。これらのうち、32の参加者は、彼らが指示通りに作業を行うことができなかったことを示唆し、平均から3より大きい標準偏差たUFOVしきい値を持っていた。このように、これらの参加者からUFOVデータ1747の参加者の合計を残し、最終分析から除去した。 データは、MOTタスクの1746の参加者から得た。…

Discussion

オンラインデータ収集は、標準的な実験室ベースのデータ収集に比べて多くの利点を有している。これらの分野で利用される典型的な大学学部プールよりもはるかに多くの代表的な集団をサンプリングする可能性、それは実験室での小さな大きさのオーダーであるサンプルサイズを得るために要するよりも短い時間ではるかに大きなサンプルサイズを得る能力を含む1-6( 例えば、…

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

  1. Henrich, J., Heine, S. J., Norenzayan, A. The weirdest people in the world. The Behavioral And Brain Sciences. 33, 61-135 (2010).
  2. 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).
  3. 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).
  4. Mason, W., Suri, S. Conducting behavioral research on Amazon’s Mechanical Turk. Behavior Research Methods. 44 (1), 1-23 (2012).
  5. 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).
  6. Lupyan, G. The difficulties of executing simple algorithms: why brains make mistakes computers don’t. Cognition. 129, 615-636 (2013).
  7. 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).
  8. Pylyshyn, Z. W., Storm, R. W. Tracking multiple independent targets: Evidence for a parallel tracking mechanism. Spatial Vision. 3 (3), 179-197 (1988).
  9. Dye, M. W. G., Bavelier, D. Differential development of visual attention skills in school-age children. Vision Research. 50 (4), 452-459 (2010).
  10. Green, C. S., Bavelier, D. Enumeration versus multiple object tracking: The case of action video game players. Cognition. 101 (1), 217-245 (2006).
  11. 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).
  12. 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).
  13. Elze, T., Tanner, T. G. Temporal Properties of Liquid Crystal Displays: Implications for Vision Science Experiments. PLoS One. 7 (9), e44048 (2012).
check_url/it/52470?article_type=t

Play Video

Citazione di questo articolo
Yung, A., Cardoso-Leite, P., Dale, G., Bavelier, D., Green, C. S. Methods to Test Visual Attention Online. J. Vis. Exp. (96), e52470, doi:10.3791/52470 (2015).

View Video