Summary
Dieses Papier beschreibt eine Methode für die Durchführung von Multi-User-Experimente an Entscheidungs- und Navigation mit einem vernetzten Computerlabor.
Abstract
Untersuchung der Interaktionen zwischen mehreren Teilnehmern ist eine Herausforderung für Forscher aus verschiedenen Disziplinen, einschließlich der entscheidungswissenschaften und räumliche Wahrnehmung. Mit einem Local Area Network und engagierten Software-Plattform können Experimentatoren effizient überwachen Sie das Verhalten der Teilnehmer, die gleichzeitig in einer virtuellen Desktop-Umgebung eingebettet sind und die gesammelten Daten zu digitalisieren. Diese Funktionen ermöglichen experimentelle Designs in der räumlichen Wahrnehmung und Navigation Forschung, das wäre schwierig (wenn nicht gar unmöglich), in der realen Welt durchzuführen. Mögliche experimentellen Variationen gehören Stress während einer Evakuierung, kooperativ und wettbewerbsfähigen Suchaufgaben und andere Kontextfaktoren, die entstehende Masse Verhalten beeinflussen können. Jedoch erfordert so ein Labor Wartung und strenge Protokolle für die Datenerfassung in einer kontrollierten Umgebung. Während die externe Validität der Laboruntersuchungen mit menschlichen Teilnehmer manchmal in Frage gestellt wird, schlagen eine Reihe von Publikationen, dass die Korrespondenz zwischen realen und virtuellen Umgebungen möglicherweise ausreichend für das soziales Verhalten in Bezug auf Studium Bahnen, zögern und räumliche Entscheidungen. In diesem Artikel beschreiben wir eine Methode für die Durchführung von Experimenten an Entscheidungs- und Navigation mit bis zu 36 Teilnehmer in einem vernetzten Desktop-virtual-Reality-Setup (zB., die Entscheidung Science Laboratory oder DeSciL). Dieses Experiment Protokoll kann angepasst und von anderen Forschern um die Einrichtung einer vernetzten Desktop-virtual Reality-Labor angewendet werden.
Introduction
Forschung auf räumliche Wahrnehmung und Navigation in der Regel untersucht die räumliche Entscheidungsprozesse (zB., drehen nach links oder rechts an der Kreuzung) und mentale Repräsentation der Individuen in realen und virtuellen Umgebungen1,2. Die Vorteile der virtuellen Realität (VR) gehören die Vermeidung von ethischen und Sicherheitsfragen (zB., während eine gefährliche Evakuierung-3), die automatische Messung und Analyse von Geodaten4und eine ausgewogene Kombination von innen- und externe Validität5,6,7. Zum Beispiel erweitert Weisberg und Kollegen frühere Untersuchungen auf individuelle Unterschiede in der räumlichen Wissenserwerbs durch den Nachweis, dass räumliche Aufgaben in der VR eine objektive Verhaltens Bestimmung der räumlichen Möglichkeit8bieten können. Diese Studie auch vorgeschlagen, dass die Navigation Verhalten in der VR reale Navigation nähert, weil die virtuelle Umgebung nach dem Campus der Universität von Schinazi und Kollegen9 verwendet modelliert wurde (siehe auch die Studie von Ruddle und Kollegen 10). VR galt auch für Psychotherapie11, klinische Bewertung12, Verbraucher Verhalten13und Chirurgie14,15. Jedoch die meisten VR-Systemen fehlen propriozeptive und Audio-Feedback, die Präsenz verbessern können und Immersion16,17,18,19, Training mit der Auswerteeinheit20 ,21,22und fehlende soziale Signale. In der Tat, Menschen in der realen Welt bewegen sich oft in Gruppen23, zu vermeiden Sie oder folgen Sie anderen Menschen3,24, und treffen Sie Entscheidungen basierend auf sozialen Kontext25,26.
Zur gleichen Zeit konzentriert sich die Forschung auf Masse Verhalten oft auf emergente Eigenschaften der Massen (z.B. Bahn Bildung, Staus an Engpässen), die auf einem Computer simuliert oder in der realen Welt beobachtet. Z. B. Helbing und Kollegen verwendet eine Kombination von realen Beobachtungen und Computersimulationen, um Verbesserungsvorschläge zu den Verkehrsfluss in einem Knotenpunkt durch die Trennung von zu- und Abfluss mit physischen Barrieren und platzieren ein Hindernis in der 27zu zentrieren. Moussaïd und Kollegen zur eine Heuristik-basiertes Modell um High-Density-Situationen während einer Menge Katastrophe28zu studieren. Dieser Ansatz schlug Verbesserungen an einen ökologischen Rahmen für Großveranstaltungen um Menge Katastrophen zu vermeiden. Mit Hilfe eines vorhandenen open-Source-Rahmens konnte die Implementierung von solchen Simulationen relativ einfach sein. SteerSuite ist ein open-Source-Framework, das Benutzern erlaubt, Lenkung Algorithmen und Masse Verhalten leicht zu simulieren, indem Sie die Werkzeuge für Erleichterung, benchmarking und Testen von29. Dieses Rahmenwerk kann den Kern eines Vermittlers Navigation Begründung, ist entscheidend für erfolgreiche Crowd-Simulation. Darüber hinaus zeigte Singh und Kollegen eine Plattform, die eine Vielzahl von Techniken30Lenkung kombiniert. Während Forscher Design Interventionen mit Hilfe solcher Simulationen vorschlagen können, werden sie nur selten mit menschlichen Teilnehmern in einer kontrollierten Umgebung überprüft. Kontrollierte Experimente sind selten in der Menge Forschung, weil sie schwer zu organisieren und an die Teilnehmer gefährlich sein können.
VR wurde eingesetzt, um soziale Verhalten verwenden von einfachen und komplexen virtuellen Umgebungen mit einem oder mehreren computersimulierte Agents zu untersuchen. In der Studie von Bode und Kollegen31,32wurden die Teilnehmer gebeten, eine einfache virtuelle Umgebung von einer Top-Down-Perspektive unter mehreren Agenten zu evakuieren und festgestellt, dass statische Beschilderung und Motivation Ausfahrt Wahl betroffen war. Teilnehmer mit einem komplexeren Umfeld aus einer Ego-Perspektive präsentiert, festgestellt Kinateder und Kollegen, dass die Teilnehmer eher eine computersimulierte Einzelsubstanz während der Flucht aus einem virtuellen Tunnel Feuer25Folgen waren. In einer komplexen virtuellen Umgebung mit mehreren Agenten festgestellt Drury und Kollegen, dass die Teilnehmer einen gefallenen Agenten während einer Evakuierung zu unterstützen tendenziell, wenn sie mit der Masse26identifiziert. Diese Feststellungen zufolge Kollektiv, VR ein wirksames Mittel zur sozialen Verhaltensweisen, auch mit computersimulierte Agenten zu entlocken sein kann. Jedoch können einige Menge Verhaltensweisen nur beobachtet werden, wenn eine realistische soziale Signal vorhanden ist (zB., wenn die Teilnehmer bewusst, dass die anderen Avatare von Menschen3kontrolliert werden). Um diesem Mangel zu begegnen, beschreibt dieses Protokoll ein Verfahren zur Durchführung von kontrollierten Experimenten mit mehreren Benutzern in einem vernetzten VR-Setup. Dieser Ansatz hat in einer aktuellen Studie von Moussaid und Kollegen eingesetzt, um das Verhalten der Evakuierung von 36 vernetzte Teilnehmer3zu untersuchen.
Forschung über vernetzte VR konzentriert sich auf Themen, die in keinem Zusammenhang mit Navigation Strategien33,34 und/oder stützte sich auf bestehende Online-Gaming-Plattformen wie Second Life. Zum Beispiel untersucht Molka-Danielsen und Chabada Evakuierung Verhalten in Bezug auf die Ausfahrt Wahl und räumlichen Wissens des Gebäudes mit Teilnehmern unter den bestehenden Nutzern von Second Life35rekrutiert. Während die Autoren einige aussagekräftige Ergebnisse liefern (zB., Visualisierungen von Trajektorien), diese Studie hatte Schwierigkeiten mit Teilnehmer Rekrutierung, experimentelle Kontrolle und Verallgemeinerung über diesen speziellen Fall. Vor kurzem fand Normoyle und Kollegen, dass bestehende Nutzer von Second Life und Teilnehmer in einem Labor in Bezug auf Leistung und Ausfahrt Wahl Evakuierung und unterschiedlich in Bezug auf Selbstauskünften Präsenz und Frustration mit dem Regler 36-Schnittstelle. Markieren Sie die Erkenntnisse aus diesen zwei Studien einige der Herausforderungen und Möglichkeiten der Online- und Laborversuche. Online-Studien sind in der Lage, Zeichnung von einer viel größeren und motivierte Bevölkerung der potentielle Teilnehmer. Jedoch erlauben Untersuchungen im Labor für experimentelle Kontrolle der physischen Umwelt und mögliche Ablenkungen. Darüber hinaus können Online-Studien einige ethische Bedenken bezüglich Daten Anonymität und Vertraulichkeit darstellen.
Als eine vernetzte Desktop-VR-Labor dient der Entscheidung Science Laboratory (DeSciL) an der ETH Zürich vor allem wirtschaftliche Entscheidungs- und strategischen Interaktionen in einer kontrollierten Umgebung zu untersuchen. Die technische Infrastruktur bei den DeSciL besteht aus Hardware, Software für Laborautomation und Software, die die Multi-User-Desktop VR Setup unterstützt. Die Hardware umfasst Hochleistungs-Desktop-Computer mit Betriebssystem Microsoft Windows 10 Enterprise, Bedienoberflächen (zB., Maus und Tastatur, Joystick), Kopfhörer und Eye-Tracker (Table of Materials). Alle Client-Computer sind mit Ethernet von einem Gigabit pro Sekunde, das Uni-Netzwerk und den gleichen Dateifreigabe im Netzwerk verbunden. Es gibt keine sichtbare Verzögerung oder Verzögerung gibt es 36 Clients verbunden. Die Anzahl der Frames pro Sekunde ist durchweg über 100. Die Experimente sind auch verwaltet und kontrolliert mit Labor-Automatisierungs-Software basierend auf Microsoft PowerShell (d.h.PowerShell gewünscht Zustand Konfiguration und PowerShell Remoting). Alle relevanten Schritte des Protokolls sind vorprogrammiert, mit PowerShell-Skripts genannt Cmdlets (zB., Start-Computer, Stop-Computer). Während des Experiments können diese Skripts gleichzeitig und aus der Ferne auf allen Client-Computern ausgeführt werden. Diese Art der Laborautomation sorgt für eine identische Zustand des Clients Computern, reduziert potenzielle Fehler und Komplexität bei der wissenschaftlichen Prüfung und verhindert, dass Forscher sich wiederholende manuelle Aufgaben. Für die Navigation-Experimente, verwenden wir die Einheit game-Engine (< https://unity3d.com/>) um die Entwicklung von 2D und 3D Umgebungen für Multi-User, interaktive Desktop VR zu unterstützen. Die 36 Client-Computer sind mit einem Server über einen autorisierenden Server-Architektur verbunden. Zu Beginn jedes Experiments jeder Client eine Instanziierung Anforderung an den Server sendet, und der Server antwortet durch Instanziieren eines Avatars für diesen Benutzer auf allen angeschlossenen Computern. Jeder Benutzer Avatar hat eine Kamera mit einem 50 Grad Sichtfeld. Während das Experiment, die Clients senden Benutzer "Eingang auf dem Server und der Server aktualisiert die Bewegung von allen Clients.
Im physikalischen Labor ist jeder Computer in einem separaten Raum innerhalb drei halb-unabhängigen Zimmer (Abbildung 1) enthalten. Die Gesamtgröße des Labors ist 170 m2 (150 m2 für Experiment Zimmer und 20 m2 für Kontrollraum). Jedes dieser Zimmer ist mit Audio- und video Aufnahmegeräten ausgestattet. Experimente werden von einem separaten Nebenraum gesteuert (i.e., indem die Anweisungen und initiieren das experimentelle Programm). Aus diesem Kontrollraum beobachten die Experimentatoren auch die Teilnehmer in physischen und virtuellen Umgebungen. Gemeinsam mit der wirtschaftswissenschaftlichen Fakultät an der Universität Zürich unterhält die DeSciL Registrierung Universitätszentrum für Studienteilnehmer, die implementiert wurde basierend auf h-Wurzel37.
Obwohl ähnliche Systeme in der Literatur38beschrieben wurden, ist die DeSciL das erste funktionale Labor, das für Multi-User Desktop-VR-Experimente auf Navigation und Masse Verhalten nach unserem Kenntnisstand geeignet ist. Hier beschreiben wir das Protokoll für die Durchführung eines Experiments in der DeSciL, repräsentative Ergebnisse aus einer Studie über soziale Navigation Verhalten und die Möglichkeiten und Grenzen dieses Systems zu diskutieren.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
Alle hier beschriebene Methoden wurden von Research Ethics Committee der ETH Zürich im Rahmen des Vorschlags EK 2015-N-37 genehmigt.
(1) die Teilnehmer für die geplante experimentelle Sitzung zu rekrutieren.
- Probieren Sie die Teilnehmer in bestimmten Grenzen (zB., Alter, Geschlecht, Bildungsstand) mit dem Teilnehmer Rekrutierungssystem.
- Senden Sie Einladungen per e-Mail an die zufällig ausgewählte Teilnehmer über die Kontaktdaten von Recruiting-System zur Verfügung gestellt.
- Warten Sie, bis diese Teilnehmer über das Online-System anzumelden. Stellen Sie sicher, dass mehr Teilnehmer als erforderlich (zB., 4 Teilnehmer für eine Session, die 36 Personen erfordert überbucht) registrieren. Überbuchten Teilnehmer dazu beitragen, dass eine Sitzung bei Nichterscheinen lebensfähig ist.
- Stellen Sie sicher, dass eine Bestätigung per e-Mail an registrierte Teilnehmer automatisch gesendet wird.
2. die experimentelle Sitzung vorbereiten.
- Bereiten Sie die Laborumgebung.
- Drucken Sie die Liste den teilnehmenden aus dem Recruiting-System.
- Schalten Sie den Server und die Lichter in den Kontrollraum des der DeSciL und organisieren Sie der Prüfräume entsprechend die erforderliche Anzahl von Teilnehmern zu.
- Kopie der ausführbaren Datei experimentieren Programm und seine entsprechenden Konfigurations-Dateien auf dem Netzlaufwerk. Dieses Programm setzt ein individuell geschriebenen Software-Framework basierend auf der Einheit-game-Engine, Client-Server-Kommunikation zwischen verschiedenen Computern über ein lokales Netzwerk zu unterstützen. Für Navigation Experimente bildet den Rahmen einer Vogelperspektive Beobachter-Server-System für die Überwachung des Auftraggebers Verhaltensweisen während des Experiments.
- Offene PowerShell integrierten Scripting-Umgebung auf dem Windows-Desktop. In der PowerShell-Konsole geben Sie ein Array von Computernamen (z. B.., $pool = "Descil-w01", "Descil-w02"...) eine Client-Pool-Objekt zu erstellen. Als nächstes geben Sie Start-Pool $pool , starten Sie die Clientcomputern und Register-Pool $pool an den Server auf den Client-Computer zu verbinden.
- Bereiten Sie den Computer auf der Clientseite vor dem Start des Programms. Geben Sie Invoke-Pool {Mount-NetworkShare $path} , Computer, geben den richtigen Ordner-Pfad zu lenken.
- Die vorbereitete Funktionen auf dem Server ausführen (i.e., Start-GameServer) und auf den Clients (i.e., Invoke-Pool {Start-GameClient}). Geben Sie die IP-Adresse des Servers als Parameter der Funktion.
- Warten Sie auf eine Nachricht auf dem Server Monitor, die eine erfolgreiche Verbindung anzeigt.
- Verteilen Sie die Einverständniserklärungen und Stifte in jeder Kabine. Die Einverständniserklärungen enthält Informationen zur Studie (zB., das Ziel der Studie, potenzielle Risiken und Vorteile des Experiments), die Kontaktinformationen für den Experimentator und eine juristische Verzichtserklärung.
- Mischen Sie die Karten der Sitzplätze Karten, die die Sitzordnung der Teilnehmer angeben.
- Begrüßen Sie die Teilnehmer.
- Bitten Sie die Teilnehmer außerhalb des Labors zu warten. 5 Minuten vor der offiziellen Startzeit, überprüfen Sie die Teilnehmer-Ausweise um sicherzustellen, dass sie die Liste der registrierten Teilnehmer. Zur gleichen Zeit lassen Sie die Teilnehmer eine Karte wählen, die ihre Sitzplatz-Nummer angibt. Haben Sie die Teilnehmer auf der entsprechenden Kabine gehen und warten, bis das Experiment zu beginnen.
- Warten Sie ein paar Minuten die Teilnehmer lesen und unterzeichnen die Einverständniserklärungen. Sammeln Sie diese Formen vor der Durchführung des Experiments.
3. führen Sie das Experiment.
- Übertragen Sie die versuchsanleitung mit dem Mikrofon an alle Teilnehmer. Informieren Sie sie über die Grundregeln, einschließlich keine Kommunikation mit anderen Teilnehmern und keine persönlichen elektronischen Geräte gestattet. Bitten Sie die Teilnehmer, ihre Hand zu heben, wenn sie irgendwelche Fragen bezüglich des Experiments haben.
- Beginnen Sie das Experiment durch die Vorlage des demografischen Fragebogens (zB., Geschlecht und Alter) auf jedem Client.
- Bereitstellen der Ausbildung-Szene, um den Teilnehmern beibringen, wie man durch die virtuelle Umgebung zu manövrieren. Wenn die Teilnehmer haben Probleme bei der Verwendung von der Auswerteeinheit (zB., Maus und Tastatur), gehen Sie in Richtung ihrer Kabine um ihnen behilflich zu sein. Halten die Teilnehmer Fortschritte indem Sie Screenshots von allen Clients anfordern (i.e., geben Sie Get-ScreenShots auf PowerShell-Konsole), bis alle Teilnehmer die Trainingseinheit beendet haben.
- Nach dem Training beginnt die Testphase des Experiments. Beobachten Sie die Teilnehmer Verhaltensweisen aus der Vogelperspektive Schnittstelle auf dem Servercomputer. Senden Sie Warnmeldungen an die Teilnehmer durch das Programm, wenn sie etwas abnorme tun, indem Sie auf ihren Avatar. Ansonsten versuchen Sie nicht, mit den Teilnehmern während des Experiments zu stören.
- Stellen Sie sicher, dass es eine kurze Wartezeit vor jeder Verhandlung ist für das Laden der nächsten Szene und ermöglicht die Teilnehmern, die Anweisungen zu lesen.
4. Schließen Sie das Experiment.
- Schließen Sie die Server- und Client-Programm durch die Eingabe von Stop-GameClient und Stop-GameServer in der PowerShell-Konsole.
- Bitten Sie die Teilnehmer sitzen bleiben, bis ihre Nummer, über das Mikrofon aufgerufen wird.
- Extrahieren Sie endgültige Ergebnisse der Teilnehmer aus der Datei "Score.txt" im Ordner "Projekt" auf dem Servercomputer zu und konvertieren Sie ihre Noten in eine Geldleistung.
- Rufen Sie die Kabine Zahlen von eins zu einem Zeitpunkt, und treffen Sie jeder Teilnehmer an der Rezeption. Danken Sie die Teilnehmer und Ihnen Sie die entsprechende Zahlung.
- Prüfen der Kabinen und sammeln Sie alle restlichen Stifte oder Formen.
- Kopieren Sie und speichern Sie die Experimentdaten vom Server auf eine externe Festplatte zur späteren Analyse.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Für jeden Client auf jeden Versuch, die Testdaten aus dem DeSciL in der Regel gehören Flugbahnen, Zeitstempel und Maßnahmen der Leistung (zB., ob der Teilnehmer in die "richtige" Richtung zu einer bestimmten Kreuzung aktiviert). Eine repräsentative Studie untersucht die Auswirkungen der Beschilderung Komplexität auf die Routenwahl für eine Menge von menschlichen Teilnehmern (mit virtuellen Avataren) in einer einfachen y-förmigen virtuelle Umgebung. In diesem Experiment, 28 Teilnehmer (12 Frauen und 16 Männer; mittleres Alter = 22,5) erhielten am selben Ziel-Ort (zB., Tor Nummer) und wurden gebeten, an der Kreuzung mit einer Karte der entsprechenden Routenoption auszuwählen (siehe Abbildung 2).
Die Karte Komplexität variiert über 16 Studien und die Hypothese war, dass die Entscheidungszeit und Genauigkeit wäre höher, für Karten, die viel komplexer sind. Während wir die Richtigkeit der Entscheidung insgesamt relativ hoch sein erwarten, können die Teilnehmer Trajektorien in zukünftige Experimente um zu die Wanderwegen des Agenten zu definieren, die eine realistische soziale Signal vermitteln verwendet werden (zB., glaubwürdige Bewegungen). Das gesamte Experiment Mal war ca. 1 h, einschließlich der Begrüßung der Teilnehmer, Durchführung von der Trainingseinheit (für die Bedienoberfläche) und Testen auf dem y-förmigen Flur. Die gewonnenen Daten sind in Tabelle 1zusammengefasst.
Abbildung 3 zeigt die minimalen und maximalen Abschlusszeiten für jeden Versuch. Diese deskriptive Statistiken liefern ein indirektes Maß der Überlastung während des Prozesses. Die gewonnenen Daten können auch für die Visualisierung von Trajektorien von der virtuellen Masse erzeugt (siehe Abbildung 4). Räumliche Statistiken können dann verwendet werden, die Änderungen im Flugbahnen über Studien zu analysieren. Z. B. möglicherweise die Forscher interessiert, wie die Teilnehmer einander gefolgt oder wie reibungslos die Teilnehmer mit speziellen Schnittstellen zu manövrieren.
Abbildung 1: Fotos des Labors DeSciL. (a) die Leitwarte enthält den Server, der empfängt den Datenverkehr von 36 Clientcomputern und überwacht die Teilnehmer in ihren Kabinen. Dieses Zimmer kann von der Prüfräume in Bezug auf Bild und Ton isoliert werden. Mitteilung an die Teilnehmer erfolgt über Mikrofon und Lautsprecher-System. (b) der drei Prüfräume enthalten 36 Kabinen. (c) jedes Feld enthält einen Desktop-Computer, einen Monitor, eine Maus und eine Tastaturschnittstelle, Kopfhörer und ein Eye-Tracker. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 2: Blick auf die y-förmigen virtuelle Umgebung. (a) vom Server beobachten die Forscher die Teilnehmer in Richtung der Kreuzung. (b) von den Clients können die Teilnehmer während der Bewegung der virtuellen Umgebung und anderen Avataren aus einem First-Person-Perspektive sehen. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 3: Vertreter ergibt sich aus experimentellen Studien 16. Die maximalen und minimalen Zeiten sind die Zeiten der schnellsten und langsamsten Teilnehmer bis zum Ziel auf jede Prüfung erforderlich. Bitte klicken Sie hier für eine größere Version dieser Figur.
Abbildung 4: Teilnehmer Flugbahnen von (a) Test 1 und (b) Studie 16. Die X - und y-Achse sind die Standorte der Avatare in der Menge. Die Farbe bar stellt Zeit verstrichen während des Prozesses. Bitte klicken Sie hier für eine größere Version dieser Figur.
| Prüfungsnummer | MapType | Accuracy(%) | Durchschnittliche Zeit/s |
| 1 | Einfach | 100 | 42.01 |
| 2 | Komplex | 96,4 | 40.51 |
| 3 | Einfach | 100 | 39,15 |
| 4 | Komplex | 100 | 38.66 |
| 5 | Komplex | 100 | 38.52 |
| 6 | Komplex | 100 | 38,87 |
| 7 | Einfach | 100 | 38.43 |
| 8 | Komplex | 100 | 38,26 |
| 9 | Einfach | 100 | 37,43 |
| 10 | Einfach | 100 | 38.44 |
| 11 | Komplex | 100 | 37.08 |
| 12 | Komplex | 100 | 36,8 |
| 13 | Einfach | 100 | 37,67 |
| 14 | Komplex | 100 | 36.52 |
| 15 | Einfach | 100 | 36,83 |
| 16 | Einfach | 100 | 37.88 |
Tabelle 1: Vertreter ergibt sich aus experimentellen Studien 16. Entscheidung, die Genauigkeit stellt den Prozentsatz der richtigen Entscheidungen (i.e., drehen auf das richtige Tor) über alle Teilnehmer. Meine Entscheidung ist die mittlere Zeit erforderlich, um das Ziel zu erreichen (ob richtig oder nicht) über alle Versuche.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
In diesem Artikel beschriebenen wir ein Multi-User Desktop-virtual Reality-Labor, in dem bis zu 36 Teilnehmer interagieren können und gleichzeitig Navigieren durch die verschiedenen virtuellen Umgebungen. Das experimentelle Protokoll beschreibt die Schritte für diese Art der Forschung und einzigartige Multi-User-Szenarien. Spezielle Überlegungen zu diesen Szenarien umfassen die Anzahl der Teilnehmer anwesend, die Kosten für scheinbar kleine Experimentator Fehler Rendern und networking-Kapazitäten (beide Server - und Client-seitig), training mit der Bedienoberfläche und Daten Sicherheit. Überbuchung Teilnehmer ist notwendig, um eine genaue Anzahl der Teilnehmer in einer experimentellen Sitzung zu gewährleisten. Wenn zu wenig Teilnehmer nicht teilnehmen, ist die Kosten für eine fehlgeschlagene experimentelle Sitzung relativ hoch. In ähnlicher Weise können experimentelle Fehler zu einer fehlerhaften Sitzung führen wenn entweder die Teilnehmerdaten kontaminiert waren, bevor der Fehler erkannt wurde, oder das Experiment kann nicht aufgrund von Fehlern der Soft- oder Hardware durchgeführt werden. Beispielsweise, wenn zu viele Informationen über das Netzwerk verteilt wird, kann dann ein Relaunch des gesamten Systems erforderlich sein. Dies ist besonders problematisch, wenn das Experiment bereits begonnen hat. Darüber hinaus erfordern die Teilnehmer im virtuellen Navigation Experimente Erfahrung und/oder eine Ausbildung mit der Bedienoberfläche, weil die Kontrollen sind weniger intuitiv als Real zu Fuß21 und die Interaktion mit den Steuerelementen kann räumliche stören Speicher-Aufgaben-20. Verantwortlich Datenmanagement wird auch besonders wichtig, angesichts der großen Menge an Daten, die pro Sitzung.
Zwar gibt es viele Möglichkeiten der DeSciL, bleiben mindestens drei Einschränkungen. Erstens ist das derzeitige System Setup für bis zu 36 gleichzeitige Teilnehmer. Experimente auf größere virtuelle Massen erfordern computergesteuerten Agenten, Spuren von menschlichen Teilnehmern aus mehreren Sitzungen oder die Fähigkeit, einschließlich Online-Teilnehmer. Zweite, zukünftige Hardware-Upgrades (z. B.., für bessere Grafikkarten und bessere Prozessoren) werden sehr viel teurer als die traditionellen, Einzelplatz-System. Dritte, Multi-User Desktop-VR Forschung kann nicht noch durchgeführt werden, mit Schnittstellen, die mehr ähnlich sind echte zu Fuß. Forschung zur Fortbewegung und die physikalischen Wechselwirkungen zwischen den Teilnehmern deshalb begrenzt.
Trotz dieser Einschränkungen bietet die DeSciL mehrere Vorteile gegenüber realen, Einzelplatz-Laboruntersuchungen, sowie Multi-User online-Studien. Der Software-Automatisierung bietet die Forscher die Fähigkeiten, das experimentelle Protokoll in Bezug auf ihre Bedürfnisse anzupassen. Im Vergleich zu realen und Online-Studien, ermöglicht die DeSciL eine experimentelle Kontrolle. Zum Beispiel können Experimente in der DeSciL systematische Schwankungen der Umwelt beschäftigen und bieten direkten Beobachtung der Teilnehmer im virtuellen und physischen Welten. Im Vergleich zu Einzelplatz-Desktop-virtual-Reality-Studien mit computergesteuerten Agenten, die Teilnehmer können miteinander in Echtzeit, und das emergente Verhalten der virtuellen Masse ist weniger abhängig von der Experimentator Vorurteile. Computergesteuerte Agenten in der VR oft Skriptaktionen abhängen und nicht auf die Benutzer Bewegungen in Echtzeit anpassen. Im Gegensatz dazu vernetzten Desktop-VR bietet einen ökologischen Kontext in der Mensch-gesteuerten Avatare beeinflussen (und davon betroffen sind) gegenseitig ihre Bewegungen. Darüber hinaus kann dieser Ansatz die Bewegungsparameter informieren (zB., walking, Geschwindigkeit und zögern) künftiger agentenbasierte Modelle in der Menge Forschung (zB., für Evakuierung Szenarien39). Im Allgemeinen bieten Multi-User Desktop-virtual-Reality-Studien für eine genauere Messung des räumlichen Verhaltens und die Erkennung von Mustern, die bisher übersehen wurden.
Vor kurzem wurde die DeSciL in einer Reihe von Entscheidungen40,41 und Navigation Studien3,21bereits erfolgreich eingesetzt. Z. B. Moussaid und Kollegen der Multi-Desktop-VR Benutzereinrichtung um die Wirkung von Stress auf Masse Verhalten während einer Evakuierung3zu studieren. In dieser Studie die "richtige" Ausfahrt variiert von Studie zu Studie, und nur ein Teil der Teilnehmer informierten sich die richtige Ausfahrt. Die Ergebnisse zeigten, dass die Teilnehmer unter Stress führte zu eine effizientere Evakuierung, dieser Befund kann jedoch auf die Art und Weise, die wie die Kollisionen umgesetzt wurden. Darüber hinaus tendenziell Teilnehmer folgen anderen Avataren unter Stress, was darauf hindeutet, dass ein soziales Signal unter den Teilnehmern trotz des Mangels an direkte physische Interaktion vermittelt wurde. Diese Ergebnisse unterstreichen die Vorteile der Multi-User-VR gegenüber Einzelplatz-VR mit computergesteuerten Agenten. Zukünftige Studien umfassen den Vergleich von Multi-User-Daten, die entweder online oder im Labor, komplexere Umweltveränderungen und die Zugabe von Peripheriegeräten wie Eye-Tracker oder physiologische Geräte erworben. Diese Fortschritte ermöglicht die Sammlung von verschiedenen Arten von komplexen Verhaltensdaten42. Beispielsweise können Low Cost Eye Tracker eingebaut werden, um die Teilnehmer Aufmerksamkeit überwachen oder grob Bereiche des Interesses auf dem Bildschirm erkennen.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Die Autoren haben nichts preisgeben.
Acknowledgments
Die repräsentative Studie wurde durch den Schweizerischen Nationalfonds im Rahmen des Stipendiums "Signaletik im sozialen Umfeld" (Nr. 100014_162428) finanziert. Wir möchten M. Moussaid für aufschlussreiche Gespräche danken. Wir wollen auch C. Wilhelm, F. Thaler, H. Abdelrahman, S. Madjiheurem, A. Ingold und A. Grossrieder während der Softwareentwicklung für ihre Arbeit danken.
Materials
| Name | Company | Catalog Number | Comments |
| PC | Lenovo | IdeaCentre AIO 700 | 24’’ screen, 16 GB RAM, and SSDs. CPU: Intel core i7. GPU:NVidia GeForce GTX 950A |
| Keyboard | Lenovo | LXH-EKB-10YA | |
| Mouse | Lenovo | SM-8825 | |
| Eye tracker | Tobii Technology | Tobii EyeX | Data rate: 60 Hz. Tracking screen size: Up to 27″ |
| Communication audio system | Biamp Systems | Networked paging station - 1 | Ethernet:100BaseTX |
References
- Waller, D., Nadel, L. Handbook of Spatial Cognition. , American Psychological Association. Washington D.C. (2013).
- Denis, M. Space and Spatial Cognition: A Multidisciplinary Perspective. , Routledge. Abingdon, Oxon. (2017).
- Moussaïd, M., Kapadia, M., Thrash, T., Sumner, R. W., Gross, M., Helbing, D., Hölscher, C. Crowd behaviour during high-stress evacuations in an immersive virtual environment. Journal of the Royal Society Interface. 13 (122), 20160414 (2016).
- Grübel, J., Weibel, R., Jiang, M. H., Hölscher, C., Hackman, D. A., Schinazi, V. R. EVE: A Framework for Experiments in Virtual Environments. Spatial Cognition X: Lecture Notes in Artificial Intelligence. , 159-176 (2017).
- Loomis, J. M., Blascovich, J. J., Beall, A. C. Immersive virtual environment technology as a basic research tool in psychology. Behavior Research Methods, Instruments, & Computers. 31 (4), 557-564 (1999).
- Brooks, F. P. What's Real About Virtual Reality? Proceedings IEEE Virtual Reality. , Cat. No. 99CB36316 (1999).
- Moorthy, K., Munz, Y., Jiwanji, M., Bann, S., Chang, A., Darzi, A. Validity and reliability of a virtual reality upper gastrointestinal simulator and cross validation using structured assessment of individual performance with video playback. Surgical Endoscopy and Other Interventional Techniques. 18 (2), 328-333 (2004).
- Weisberg, S. M., Schinazi, V. R., Newcombe, N. S., Shipley, T. F., Epstein, R. A. Variations in cognitive maps: Understanding individual differences in navigation. Journal of Experimental Psychology: Learning Memory and Cognition. 40 (3), 669-682 (2014).
- Schinazi, V. R., Nardi, D., Newcombe, N. S., Shipley, T. F., Epstein, R. A. Hippocampal size predicts rapid learning of a cognitive map in humans. Hippocampus. 23 (6), 515-528 (2013).
- Ruddle, R. A., Payne, S. J., Jones, D. M. Navigating Large-Scale "Desk- Top" Virtual Buildings: Effects of orientation aids and familiarity. Presence. 7 (2), 179-192 (1998).
- Riva, G.
- Ruse, S. A., et al. Development of a Virtual Reality Assessment of Everyday Living Skills. Journal of Visualized Experiments. (86), 1-8 (2014).
- Ploydanai, K., van den Puttelaar, J., van Herpen, E., van Trijp, H. Using a Virtual Store As a Research Tool to Investigate Consumer In-store Behavior. Journal of Visualized Experiments. (125), 1-15 (2017).
- Satava, R. M. Virtual reality surgical simulator - The first steps. Surgical Endoscopy. 7 (3), 203-205 (1993).
- Stanney, K. M., Hale, K. S. Handbook of virtual environments: Design, implementation, and applications. , CRC Press. 811-834 (2014).
- Ryu, J., Kim, G. J. Using a vibro-tactile display for enhanced collision perception and presence. Proceedings of the ACM symposium on Virtual reality software and technology VRST 04. , 89 (2004).
- Louison, C., Ferlay, F., Mestre, D. R. Spatialized vibrotactile feedback contributes to goal-directed movements in cluttered virtual environments. 2017 IEEE Symposium on 3D User Interfaces (3DUI). , 99-102 (2017).
- Knierim, P., et al. Tactile Drones - Providing Immersive Tactile Feedback in Virtual Reality through Quadcopters. Proceedings of the 2017 CHI Conference Extended Abstracts on Human Factors in Computing Systems - CHI EA '17. , 433-436 (2017).
- Serafin, S., Nordahl, R., De Götzen, A., Erkut, C., Geronazzo, M., Avanzini, F. Sonic interaction in virtual environments. 2015 IEEE 2nd VR Workshop on Sonic Interactions for Virtual Environments (SIVE). , 1-2 (2015).
- Grübel, J., Thrash, T., Hölscher, C., Schinazi, V. R. Evaluation of a conceptual framework for predicting navigation performance in virtual reality. PLoS One. 12 (9), (2017).
- Thrash, T., Kapadia, M., Moussaid, M., Wilhelm, C., Helbing, D., Sumner, R. W., Hölscher, C. Evaluation of control interfaces for desktop virtual environments. Presence. 24 (4), (2015).
- Ruddle, R. A., Volkova, E., Bülthoff, H. H. Learning to walk in virtual reality. ACM Transactions on Applied Perception. 10 (2), 1-17 (2013).
- Moussaïd, M., Perozo, N., Garnier, S., Helbing, D., Theraulaz, G. The walking behaviour of pedestrian social groups and its Impact on crowd dynamics. PLoS One. 5 (4), e10047 (2010).
- Bode, N. W. F., Franks, D. W., Wood, A. J., Piercy, J. J. B., Croft, D. P., Codling, E. A. Distinguishing Social from Nonsocial Navigation in Moving Animal Groups. The American Naturalist. 179 (5), 621-632 (2012).
- Kinateder, M., et al. Social influence on route choice in a virtual reality tunnel fire. Transportation Research Part F: Traffic Psychology and Behaviour. 26, 116-125 (2014).
- Drury, J., et al. Cooperation versus competition in a mass emergency evacuation: A new laboratory simulation and a new theoretical model. Behavior Research Methods. 41 (3), 957-970 (2009).
- Helbing, D., Buzna, L., Johansson, A., Werner, T. Self-Organized Pedestrian Crowd Dynamics: Experiments, Simulations, and Design Solutions. Transportation Science. 39 (1), 1-24 (2005).
- Moussaïd, M., Helbing, D., Theraulaz, G. How simple rules determine pedestrian behavior and crowd disasters. Proceedings of the National Academy of Sciences of the United States of America. 108 (17), 6884-6888 (2011).
- Singh, S., Kapadia, M., Faloutsos, P., Reinman, G. An open framework for developing, evaluating, and sharing steering algorithms. International Workshop on Motion in Games. , Springer. Berlin, Heidelberg. 158-169 (2009).
- Singh, S., Kapadia, M., Hewlett, B., Reinman, G., Faloutsos, P. A modular framework for adaptive agent-based steering. Symposium on Interactive 3D Graphics and Games. , ACM. (2011).
- Bode, N., Codling, E. Human exit route choice in virtual crowd evacuations. Animal Behaviour. 86, 347-358 (2013).
- Bode, N. W. F., Kemloh Wagoum, A. U., Codling, E. A. Human responses to multiple sources of directional information in virtual crowd evacuations. Journal of the Royal Society Interface. 11 (91), 20130904 (2014).
- Pandzic, I. S., Capin, T., Lee, E., Thalmann, N. M., Thalmann, D. A flexible architecture for virtual humans in networked collaborative virtual environments. Computer Graphics Forum. 16, Blackwell Publishers Ltd. (1997).
- Joslin, C., Pandzic, I. S., Thalmann, N. M. Trends in networked collaborative virtual environments. Computer Communications. 26 (5), 430-437 (2003).
- Molka-Danielsen, J., Chabada, M. Application of the 3D multi user virtual environment of Second Life to emergency evacuation simulation. System Sciences (HICSS), 2010 43rd Hawaii International Conference. , IEEE. 1-9 (2010).
- Normoyle, A., Drake, J., Safonova, A. Egress online: Towards leveraging massively, multiplayer environments for evacuation studies. , Tech Reports No MS-CIS-12-15 (2012).
- Bock, O., Baetge, I., Nicklisch, A. hroot: Hamburg registration and organization online tool. European Economic Review. 71, 117-120 (2014).
- Tanvir Ahmed, D., Shirmohammadi, S., Oliveira, J., Bonney, J. Supporting large-scale networked virtual environments. Virtual Environments, Human-Computer Interfaces and Measurement Systems, 2007. IEEE Symposium. , 150-154 (2007).
- Cipresso, P., Bessi, A., Colombo, D., Pedroli, E., Riva, G. Computational psychometrics for modeling system dynamics during stressful disasters. Frontiers in Psychology. 8, 1-6 (2017).
- Bernold, E., Gsottbauer, E., Ackermann, K., Murphy, R. Social framing and cooperation: The roles and interaction of preferences and beliefs. , 1-26 (2015).
- Balietti, S., Goldstone, R. L., Helbing, D. Peer review and competition in the Art Exhibition Game. Proceedings of the National Academy of Sciences of the United States of America. 113 (30), 8414-8419 (2016).
- Gomez-Marin, A., Paton, J. J., Kampff, A. R., Costa, R. M., Mainen, Z. F. Big behavioral data: Psychology, ethology and the foundations of neuroscience. Nature Neuroscience. 17 (11), 1455-1462 (2014).
