Summary
يحدد هذا البروتوكول الإعداد الفني لتطبيق الواقع المختلط المطور المستخدم للتحليلات الغامرة. بناء على ذلك ، يتم تقديم التدابير ، والتي تم استخدامها في دراسة لاكتساب نظرة ثاقبة حول جوانب قابلية الاستخدام للحل التقني المطور.
Abstract
في الطب أو الصناعة ، هناك حاجة متزايدة إلى تحليل مجموعات البيانات عالية الأبعاد. ومع ذلك ، غالبا ما تكون الحلول التقنية المتاحة معقدة الاستخدام. لذلك ، نرحب بالأساليب الجديدة مثل التحليلات الغامرة. تعد التحليلات الغامرة بتجربة مجموعات البيانات عالية الأبعاد بطريقة ملائمة لمختلف مجموعات المستخدمين ومجموعات البيانات. من الناحية الفنية ، يتم استخدام أجهزة الواقع الافتراضي لتمكين التحليلات الغامرة. في الصناعة 4.0 ، على سبيل المثال ، سيناريوهات مثل تحديد القيم المتطرفة أو الحالات الشاذة في مجموعات البيانات عالية الأبعاد هي أهداف متابعة التحليلات الغامرة. في هذا السياق ، يجب معالجة سؤالين مهمين لأي حل تقني مطور بشأن التحليلات الغامرة: أولا ، هل الحلول التقنية مفيدة أم لا؟ ثانيا ، هل التجربة الجسدية للحل التقني إيجابية أم سلبية؟ يهدف السؤال الأول إلى الجدوى العامة للحل التقني ، بينما يهدف السؤال الثاني إلى راحة الارتداء. لا تزال الدراسات والبروتوكولات الموجودة ، التي تعالج هذه الأسئلة بشكل منهجي نادرة. في هذا العمل ، يتم تقديم بروتوكول دراسة ، والذي يبحث بشكل أساسي في قابلية الاستخدام للتحليلات الغامرة في سيناريوهات الصناعة 4.0. على وجه التحديد ، يعتمد البروتوكول على أربع ركائز. أولا ، يصنف المستخدمين بناء على التجارب السابقة. ثانيا ، يتم تقديم المهام ، والتي يمكن استخدامها لتقييم جدوى الحل التقني. ثالثا ، يتم تقديم المقاييس ، والتي تحدد تأثير التعلم للمستخدم. رابعا ، يقوم الاستبيان بتقييم مستوى التوتر عند أداء المهام. وبناء على هذه الركائز، تم تنفيذ إعداد تقني يستخدم نظارات الواقع المختلط الذكية لتطبيق بروتوكول الدراسة. تظهر نتائج الدراسة التي أجريت إمكانية تطبيق البروتوكول من ناحية وجدوى التحليلات الغامرة في سيناريوهات الصناعة 4.0 من ناحية أخرى. يتضمن البروتوكول المقدم مناقشة للقيود المكتشفة.
Introduction
تتزايد أهمية حلول الواقع الافتراضي (حلول الواقع الافتراضي) في مختلف المجالات. في كثير من الأحيان ، مع حلول الواقع الافتراضي (بما في ذلك الواقع الافتراضي والواقع المختلط والواقع المعزز) ، يجب تسهيل إنجاز العديد من المهام والإجراءات اليومية. على سبيل المثال ، في مجال السيارات ، يمكن دعم إجراء تكوين السيارة باستخدام الواقع الافتراضي1 (VR). قام الباحثون والممارسون بالتحقيق وتطوير العديد من الأساليب والحلول في هذا السياق. ومع ذلك ، لا تزال الدراسات التي تبحث في جوانب قابلية الاستخدام نادرة. وبوجه عام، ينبغي النظر في الجوانب في ضوء مسألتين رئيسيتين. أولا ، يجب تقييم ما إذا كان حل الواقع الافتراضي يتفوق بالفعل على النهج الذي لا يستخدم تقنيات الواقع الافتراضي. ثانيا ، نظرا لأن حلول الواقع الافتراضي تعتمد بشكل أساسي على الأجهزة الثقيلة والمعقدة ، يجب التحقيق في معلمات مثل راحة الارتداء والجهد العقلي بشكل أكثر تعمقا. بالإضافة إلى ذلك ، يجب دائما التحقيق في الجوانب المذكورة فيما يتعلق بمجال التطبيق المعني. على الرغم من أن العديد من الأساليب الموجودة ترى الحاجة إلى التحقيق في هذه الأسئلة2 ، إلا أنه توجد دراسات أقل قدمت نتائج.
يشار إلى موضوع البحث في مجال الواقع الافتراضي ، وهو أمر مهم حاليا ، بتحليلات غامرة. وهو مشتق من مجال البحث في التحليلات المرئية ، والذي يحاول تضمين الإدراك البشري في مهام التحليلات. تعرف هذه العملية أيضا باسم استخراج البيانات المرئية4. تتضمن التحليلات الغامرة موضوعات من مجالات تصور البيانات والتحليلات المرئية والواقع الافتراضي ورسومات الكمبيوتر والتفاعل بين الإنسان والحاسوب5. أدت المزايا الحديثة في شاشات العرض المثبتة على الرأس (HMD) إلى تحسين إمكانيات استكشاف البيانات بطريقة غامرة. على طول هذه الاتجاهات ، تظهر تحديات جديدة وأسئلة بحثية ، مثل تطوير أنظمة تفاعل جديدة ، أو الحاجة إلى التحقيق في إجهاد المستخدم ، أو تطوير تصورات 3D متطورة6. في منشور سابق6 ، تمت مناقشة مبادئ مهمة للتحليلات الغامرة. في ضوء البيانات الضخمة ، هناك حاجة متزايدة إلى طرق مثل التحليلات الغامرة لتمكين تحليل أفضل لمجمعات البيانات المعقدة. لا يوجد سوى عدد قليل من الدراسات التي تبحث في جوانب قابلية الاستخدام لحلول التحليلات الغامرة. علاوة على ذلك ، ينبغي أيضا النظر في المجال أو المجال المعني في مثل هذه الدراسات. في هذا العمل ، تم تطوير نموذج أولي لتحليلات غامرة ، وبناء على ذلك ، بروتوكول يبحث في الحل المطور لسيناريوهات الصناعة 4.0. وبالتالي يستغل البروتوكول طريقة التجربة2 ، والتي تستند إلى الجوانب الذاتية والأداء والفسيولوجية. في البروتوكول المطروح ، يتم قياس الجوانب الذاتية من خلال الإجهاد المتصور لمستخدمي الدراسة. يتم قياس الأداء ، بدوره ، من خلال الوقت المطلوب والأخطاء التي يتم إجراؤها لإنجاز مهام التحليل. أخيرا ، قام مستشعر توصيل الجلد بقياس المعلمات الفسيولوجية. سيتم تقديم أول مقياسين في هذا العمل ، في حين أن توصيل الجلد المقاس يتطلب مزيدا من الجهود ليتم تقييمه.
تتضمن الدراسة المقدمة العديد من المجالات البحثية ، بما في ذلك جوانب علم الأعصاب ونظم المعلومات. ومن المثير للاهتمام ، أن الاعتبارات المتعلقة بجوانب علم الأعصاب في أنظمة المعلومات قد حظيت مؤخرا باهتمام العديد من المجموعات البحثية 7,8 ، مما يدل على الطلب على استكشاف استخدام أنظمة تكنولوجيا المعلومات أيضا من وجهة نظر معرفية. مجال آخر ذو صلة بهذا العمل يشكل التحقيق في العوامل البشرية لنظم المعلومات9،10،11. في مجال التفاعل بين الإنسان والحاسوب ، توجد أدوات للتحقيق في قابلية استخدام الحل. لاحظ أن مقياس قابلية استخدام النظام يستخدم بشكل أساسي في هذا السياق12. بروتوكولات التفكير بصوت عال13 هي تقنية دراسة أخرى مستخدمة على نطاق واسع لمعرفة المزيد حول استخدام أنظمة المعلومات. على الرغم من وجود العديد من الأساليب لقياس جوانب قابلية الاستخدام لنظم المعلومات ، وقد تم تقديم بعضها منذ فترة طويلة14 ، لا تزال هناك أسئلة تتطلب التحقيق في تدابير جديدة أو طرق دراسة. لذلك ، فإن البحث في هذا المجال نشط للغاية12،15،16.
في ما يلي ، سيتم مناقشة أسباب عدم النظر في طريقتين مستخدمتين بشكل شائع في العمل الحالي. أولا ، لم يتم استخدام مقياس قابلية استخدام النظام. يعتمد المقياس على عشرة أسئلة17 ويمكن العثور على استخدامه في العديد من دراسات الواقع الافتراضي الأخرى18 أيضا. نظرا لأن هذه الدراسة تهدف بشكل أساسي إلى قياس الإجهاد19 ، فقد كان الاستبيان المتعلق بالإجهاد أكثر ملاءمة. ثانيا ، لم يتم استخدام بروتوكول التفكير بصوت عال20. على الرغم من أن هذا النوع من البروتوكول قد أظهر فائدته بشكل عام13 ، إلا أنه لم يتم استخدامه هنا لأن مستوى الإجهاد لمستخدمي الدراسة قد يزيد فقط بسبب حقيقة أن جلسة التفكير بصوت عال يجب أن تتم بالتوازي مع استخدام جهاز VR ثقيل ومعقد. على الرغم من عدم استخدام هاتين التقنيتين ، فقد تم دمج نتائج الدراسات الحديثة الأخرى في الدراسة قيد البحث. على سبيل المثال ، في الأعمال السابقة21,22 ، يميز المؤلفون بين المبتدئين والخبراء في دراساتهم. بناء على النتيجة الناجحة لهذه الدراسات ، يستخدم البروتوكول الموجود هذا الفصل المقدم لمستخدمي الدراسة. يعتمد قياس الإجهاد ، بدوره ، على أفكار الأعمال التالية15،19،21،22.
في البداية ، لإجراء الدراسة ، يجب العثور على سيناريو مناسب للصناعة 4.0 لإنجاز المهام التحليلية. مستوحاة من عمل آخر للمؤلفين23 ، تم تحديد سيناريوهين (أي مهام التحليل) ، (1) الكشف عن القيم المتطرفة ، و (2) التعرف على المجموعات. كلا السيناريوهين صعبان ، وهما مهمان للغاية في سياق صيانة آلات الإنتاج عالية الإنتاجية. بناء على هذا القرار ، دفعت ستة اعتبارات رئيسية بروتوكول الدراسة المقدم في هذا العمل:
- سيعتمد الحل الذي تم تطويره للدراسة تقنيا على نظارات الواقع المختلط الذكية (انظر جدول المواد) وسيتم تطويره كتطبيق للواقع المختلط.
- يجب تطوير اختبار مناسب قادر على التمييز بين المبتدئين والمستخدمين المتقدمين.
- يجب أن تأخذ مقاييس الأداء في الاعتبار الوقت والأخطاء.
- يجب تطوير تطبيق سطح المكتب ، والذي يمكن مقارنته بحل التحليلات الغامرة.
- يجب تطبيق مقياس لتقييم مستوى الإجهاد المدرك.
- بالإضافة إلى النقطة الأخيرة ، يجب تطوير الميزات للتخفيف من مستوى الإجهاد بينما ينجز المستخدم إجراء مهمتي التحليل المذكورتين (أي (1) الكشف عن القيم المتطرفة ، و (2) التعرف على المجموعات).
بناء على النقاط الست المذكورة ، يتضمن بروتوكول الدراسة الإجراء التالي. يجب إنجاز مهام الكشف عن القيم الخارجية وتحليل التعرف على الكتلة بطريقة غامرة باستخدام نظارات الواقع المختلط الذكية (انظر جدول المواد). لذلك ، تم تطوير تطبيق جديد. يجب أن تسهل الأصوات المكانية أداء مهام التحليل دون زيادة الجهد الذهني. يجب أن تسهل ميزة الصوت التنقل المستخدم للتطبيق المطور للنظارات الذكية للواقع المختلط (انظر جدول المواد). يجب أن يكون اختبار الدوران العقلي هو الأساس لتمييز المبتدئين عن المستخدمين المتقدمين. يتم قياس مستوى التوتر بناء على استبيان. يتم تقييم الأداء بدوره استنادا إلى (1) الوقت الذي يحتاجه المستخدم لمهام التحليل ، واستنادا إلى الأخطاء (2) التي ارتكبها المستخدم لمهام التحليل. تتم مقارنة الأداء في الواقع المختلط smartglass مع إنجاز نفس المهام في تطبيق سطح المكتب 2D المطور حديثا والقابل للمقارنة. بالإضافة إلى ذلك ، يتم استخدام جهاز توصيل الجلد لقياس مستوى توصيل الجلد كمؤشر محتمل للإجهاد. تخضع نتائج هذا القياس لمزيد من التحليل ولن تتم مناقشتها في هذا العمل. كشف المؤلفون في دراسة أخرى بنفس الجهاز أن هناك حاجة إلى اعتبارات إضافية24.
بناء على هذا البروتوكول ، يتم تناول الأسئلة البحثية الخمسة التالية (RQs):
RQ1: هل تؤثر قدرات الخيال المكاني للمشاركين على أداء المهام بشكل كبير؟
RQ2: هل هناك تغيير كبير في أداء المهمة بمرور الوقت؟
RQ3: هل هناك تغيير كبير في أداء المهمة عند استخدام الأصوات المكانية في حل التحليلات الغامرة؟
RQ4: هل ينظر المستخدمون إلى التحليلات الغامرة المطورة بأنها مرهقة؟
RQ5: هل يعمل المستخدمون بشكل أفضل عند استخدام حل تحليلات غامرة مقارنة بنهج 2D؟
يلخص الشكل 1 البروتوكول المقدم فيما يتعلق بجدولين. يوضح التدابير المطورة والمستخدمة وحداثتها فيما يتعلق بمستوى التفاعل. نظرا لأن مستوى التفاعل يشكل جانبا مهما عند تطوير ميزات لإعداد الواقع الافتراضي ، يجب أن يوضح الشكل 1 بشكل أفضل حداثة البروتوكول بأكمله الذي تم تطويره في هذا العمل. على الرغم من أن تقييم الجوانب داخل المقياسين المستخدمين غير موضوعي ، إلا أن تقييمهما العام يعتمد على العمل الحالي ذي الصلة والاعتبارات الرئيسية التالية: أحد المبادئ المهمة هو استخدام تجريدات البيئة للتفاعل الطبيعي ، والتي أصبح المستخدم متناغما معها. وفيما يتعلق بالبروتوكول قيد النظر، يبدو أن تصور السحب النقطية بديهي بالنسبة للمستعملين، وقد تم الاعتراف بالتعرف على الأنماط في هذه السحب كمهمة يمكن إدارتها بشكل عام. مبدأ مهم آخر يشكل تراكب التكاليف. بموجب هذا ، فإن استخدام الأصوات المكانية كما هو مستخدم في البروتوكول قيد الاستخدام هو مثال ، لأنها ترتبط بقرب كائن تم البحث عنه. يوصي المؤلفون بضبط التمثيلات بطريقة تقع فيها معظم المعلومات في المنطقة المتوسطة ، وهو الأمر الأكثر أهمية للإدراك البشري. كان السبب في عدم تضمين المؤلفين لهذا المبدأ هو تشجيع المستخدم على العثور على أفضل مكان بنفسه وكذلك محاولة توجيه أنفسهم في مساحة تصور البيانات ، وهي كبيرة جدا بحيث لا يمكن عرضها في وقت واحد. في النهج المقدم ، لم يتم إجراء أي اعتبارات أخرى لخصائص بيانات 3D التي سيتم عرضها. على سبيل المثال، إذا افترض أن البعد مؤقت، فيمكن عرض مخططات التشتت. يعتبر المؤلفون هذا النوع من التصور مثيرا للاهتمام بشكل عام في سياق الصناعة 4.0. ومع ذلك ، يجب أن تركز على مجموعة صغيرة بشكل معقول من التصورات. علاوة على ذلك ، ركز منشور سابق بالفعل على التحليل التعاوني للبيانات. في هذا العمل ، تم استبعاد هذا السؤال البحثي بسبب تعقيد القضايا الأخرى التي تم تناولها في هذه الدراسة. في الإعداد المقدم هنا ، يمكن للمستخدم استكشاف المساحة الغامرة من خلال التجول. تقدم الأساليب الأخرى وحدات تحكم لاستكشاف الفضاء الافتراضي. في هذه الدراسة ، يتم التركيز على قابلية الاستخدام باستخدام مقياس قابلية استخدام النظام (SUS). أجرى منشور سابق آخر دراسة للخبراء الاقتصاديين ، ولكن مع سماعات رأس VR. بشكل عام ، والأهم من ذلك ، تشكو هذه الدراسة من مجال الرؤية المحدود للأجهزة الأخرى مثل نظارات الواقع المختلط الذكية المستخدمة في هذا العمل (انظر جدول المواد). تظهر النتائج التي توصلوا إليها أن المبتدئين في مجال الواقع الافتراضي كانوا قادرين على استخدام الأداة التحليلية بكفاءة. يتطابق هذا مع تجارب هذه الدراسة ، على الرغم من أن المبتدئين في هذا العمل لم يتم تصنيفهم على أنهم يمتلكون تجارب VR أو الألعاب. على عكس معظم حلول الواقع الافتراضي ، لا يتم تثبيت الواقع المختلط في موضع لأنه يسمح بتتبع البيئة الحقيقية. نهج الواقع الافتراضي مثل ذكر استخدام كراسي خاصة لتجربة 360 درجة لتحرير المستخدم من سطح المكتب الخاص به. يشير مؤلفو إلى أن قضايا الإدراك تؤثر على أداء التحليلات الغامرة. على سبيل المثال، باستخدام الظلال. بالنسبة للدراسة المطروحة ، هذا غير ممكن ، لأن النظارات الذكية المستخدمة للواقع المختلط (انظر جدول المواد) غير قادرة على عرض الظلال. يمكن أن يكون الحل البديل عبارة عن أرضية افتراضية ، لكن مثل هذا الإعداد كان خارج نطاق هذه الدراسة. حددت دراسة استقصائية في مجال التحليلات الغامرة 3D scatterplots باعتبارها واحدة من التمثيلات الأكثر شيوعا للبيانات متعددة الأبعاد. إجمالا ، لا يمكن العثور على الجوانب الموضحة في الشكل 1 مجمعة حاليا في بروتوكول يبحث في جوانب قابلية الاستخدام للتحليلات الغامرة لسيناريوهات الصناعة 4.0.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
تمت الموافقة على جميع المواد والأساليب من قبل لجنة الأخلاقيات بجامعة أولم ، وتم تنفيذها وفقا للمبادئ التوجيهية المعتمدة. وقدم جميع المشاركين موافقتهم الخطية المستنيرة.
1. تهيئة بيئة دراسية مناسبة
ملاحظة: أجريت الدراسة في بيئة خاضعة للرقابة للتعامل مع إعداد الأجهزة المعقدة. تم شرح النظارات الذكية للواقع المختلط المستخدمة (انظر جدول المواد) والكمبيوتر المحمول لتطبيق 2D للمشاركين في الدراسة.
- تحقق من الحل التقني قبل كل مشارك ؛ تعيين في الوضع الافتراضي. قم بإعداد الاستبيانات ووضعها بجانب أحد المشاركين.
- اسمح للمشاركين بحل المهام من حالات الاستخدام والكشف عن القيم المتطرفة والتعرف على الكتلة في جلسة واحدة (أي أن متوسط الوقت كان 43 دقيقة).
- ابدأ الدراسة بالترحيب بالمشاركين وتقديم الهدف من الدراسة ، بالإضافة إلى الإجراء العام.
- يجب على المشاركين الذين يستخدمون جهاز قياس توصيل الجلد (انظر جدول المواد) الالتزام بمرحلة راحة قصيرة ، لتلقي قياس خط الأساس. استخدم نصف المشاركين فقط هذا الجهاز.
- يجب على جميع المشاركين ملء استبيان جرد قلق سمات الحالة (STAI)31 ، قبل بدء التجربة.
- بعد ذلك ، يتعين على المشاركين إجراء اختبار الدوران العقلي (انظر الشكل 4 ، قام هذا الاختبار بتقييم قدرات الخيال المكاني) ، والذي كان الأساس للتمييز بين ذوي الأداء العالي والأداء المنخفض (أصحاب الأداء العالي هم مستخدمون متقدمون ، في حين أن ذوي الأداء المنخفض هم مبتدئون) ، يليه اختبار الصوت المكاني لقياس قدرات السمع المكانية للمشارك.
ملاحظة: تم استخدام تقسيم متوسط لدرجات الاختبار في اختبار الدوران العقلي32 للتمييز بين ذوي الأداء المنخفض والعالي.
- بعد ذلك ، يتعين على المشاركين إجراء اختبار الدوران العقلي (انظر الشكل 4 ، قام هذا الاختبار بتقييم قدرات الخيال المكاني) ، والذي كان الأساس للتمييز بين ذوي الأداء العالي والأداء المنخفض (أصحاب الأداء العالي هم مستخدمون متقدمون ، في حين أن ذوي الأداء المنخفض هم مبتدئون) ، يليه اختبار الصوت المكاني لقياس قدرات السمع المكانية للمشارك.
- فصل المشاركين بشكل عشوائي إلى مجموعتين ؛ إما أن تبدأ بالمهمة المتعلقة بالكشف عن القيم المتطرفة أو التعرف على المجموعة ، مع الاستمرار في حالة الاستخدام الأخرى بعد ذلك. بالنسبة لمهمة التعرف على الكتلة ، بدأ نصف المشاركين أولا بالنظارات الذكية للواقع المختلط المستخدمة (انظر جدول المواد) ، ثم استخدموا تطبيق 2D ، بينما بدأ النصف الآخر أولا بتطبيق 2D ، ثم استخدموا نظارات الواقع المختلط الذكية (انظر جدول المواد). بالنسبة لمهمة الكشف عن القيم المتطرفة ، حدد عشوائيا مجموعة واحدة تتلقى دعما صوتيا ، بينما لا يتلقى الجزء الآخر من المجموعة أي دعم صوتي.
- في ختام الجلسة ، يتعين على المشاركين الإجابة على استبيان جرد قلق سمات الحالة (STAI)31 مرة أخرى ، بالإضافة إلى الاستبيان الذاتي والاستبيان.
- قم بتخزين البيانات التي تم إنشاؤها ، والتي تم تسجيلها تلقائيا بواسطة كل تطبيق مطور ، على وحدة تخزين الكمبيوتر المحمول بعد الانتهاء من الجلسة.
2. بروتوكول الدراسة للمشاركين
- قم بإعداد التجربة (انظر الشكل 2 لغرفة التجربة) لكل مشارك. قدم جهاز الكمبيوتر المكتبي ، والنظارات الذكية المستخدمة للواقع المختلط ، ووزع الاستبيانات.
- أبلغ المشاركين أن التجربة ستستغرق من 40 إلى 50 دقيقة ، وأن نصفهم يبدأ بعد الاختبارات المسبقة (انظر النقاط 3-6 من بروتوكول الدراسة) أولا باختبار الكشف عن القيم المتطرفة (انظر النقطة 7 من بروتوكول الدراسة) ، يليه اختبار التعرف على الكتلة (انظر النقطة 8 من بروتوكول الدراسة) ، بينما ينجز الآخرون هذين الاختبارين بالعكس (أي ، النقطة 8 من بروتوكول الدراسة قبل النقطة 7).
- قرر عشوائيا ما إذا كان يتم قياس توصيل الجلد. في حالة الإجابة بنعم ، قم بإعداد جهاز قياس توصيل الجلد33 وإبلاغ المشارك بوضعه على الجهاز. اطلب مرحلة راحة قصيرة من المشاركين لتلقي قياس أساسي لمستوى التوتر لديهم.
- اطلب من المشاركين ملء استبيان جرد قلق سمات الحالة (STAI)31 وإبلاغهم أنه يقيس الإجهاد المتصور الحالي قبل التجربة.
- إجراء اختبار الدوران العقلي.
- أخبر المشاركين أن قدراتهم على الدوران العقلي يتم تقييمها وتوجيههم أمام جهاز كمبيوتر مكتبي. أبلغ المشاركين عن إجراء الاختبار. لاحظ أنه كان عليهم تحديد كائنات مماثلة لها مواضع مختلفة في مساحة محاكاة 3D.
- أبلغ المشاركين أن اثنين فقط من الكائنات الخمسة المعروضة متشابهة وأنه سيكون لديهم 2 دقيقة للاختبار بأكمله. أبلغ المشاركين أنه يمكن إنجاز سبع مهام في غضون 2 دقيقة محددة وأخبرهم أنه يتم تسجيل مقاييس الأداء لكل مهمة منجزة.
- تقييم قدرات الصوت المكاني.
- إبلاغ المشاركين بأن قدراتهم الصوتية المكانية يتم تقييمها وتوجيههم أمام كمبيوتر سطح المكتب. أبلغ المشاركين عن إجراء الاختبار. اشرح للمشاركين أنه يجب اكتشاف ست عينات صوتية ، والتي سيتم تشغيلها لمدة 13 ثانية لكل منها.
- أخبر المشاركين أنه يتعين عليهم اكتشاف الاتجاه (على غرار اتجاهات البوصلة الأربعة) الذي يأتي منه الصوت.
- تقييم مهارات الكشف عن القيم المتطرفة.
- اطلب من المشاركين ارتداء نظارات الواقع المختلط الذكية. اشرح لهم أنه يجب العثور على القيم المتطرفة داخل العالم الذي تم إنشاؤه للنظارات الذكية للواقع المختلط.
- أخبرهم كذلك أن القيم المتطرفة هي نقطة حمراء ، وجميع النقاط الأخرى ذات علامة بيضاء. اشرح لهم بعد ذلك أنه يجب عليهم توجيه نظرهم إلى النقطة ذات اللون الأحمر لاكتشافها.
- أبلغ المشاركين أنه لا يتم تقديم المساعدة البصرية فحسب ، بل تدعمهم الأصوات البيئية أيضا للعثور على القيم المتطرفة. قدم المعلومات للمشاركين أنه يتعين عليهم إنجاز 8 مهام شاذة ، مما يعني أنه يجب العثور على النقطة ذات اللون الأحمر 8 مرات داخل العالم الافتراضي. لكل مشارك ، 4 مهام مدعومة بالصوت ، بينما 4 مهام غير مدعومة بالصوت. لكل مشارك ، يتم تحديده عشوائيا سواء بدأوا مهمة مدعومة بالصوت أم لا. بعد ذلك ، اعتمادا على المهمة الأولى ، يتغير من مهمة إلى أخرى سواء تم توفير الدعم الصوتي أم لا.
- أخبر المشاركين بالمعلومات التي سيتم تسجيلها: الوقت المطلوب لكل مهمة ، وطول المشي ، وكيف يبدو وضعهم المتحرك النهائي مرتبطا بموضع البداية. أخيرا ، أخبر المشاركين أن النقطة ذات العلامة الحمراء تتغير إلى اللون الأخضر إذا تم اكتشافها (انظر الشكل 3).
- تقييم مهارات التعرف على المجموعات.
- قرر عشوائيا للمشارك ما إذا كان أولا سيستخدم نظارات الواقع المختلط الذكية أو يقود المشارك إلى كمبيوتر سطح المكتب. في ما يلي ، يتم وصف الإجراء الخاص بإعداد الواقع المختلط فقط. إذا بدأ أحد المشاركين أولا بكمبيوتر سطح المكتب ، فإن الإجراء هو نفسه بترتيب متغير وباستثناء الأوامر الصوتية ، يتم توفيرها فقط عند استخدام حل الواقع المختلط.
- للمشاركين الذين يستخدمون الواقع المختلط: اطلب من المشاركين ارتداء نظارات الواقع المختلط الذكية. أبلغ المشاركين بكيفية العثور على مجموعات داخل العالم تم إنشاؤها باستخدام نظارات الواقع المختلط الذكية المستخدمة. أكد للمشاركين أنه كان عليهم التمييز بين المجموعات المتداخلة عن طريق التحرك حولها.
- للمشاركين الذين يستخدمون الواقع المختلط: اشرح للمشاركين أنه يمكنهم التنقل في العالم الافتراضي وحول المجموعات باستخدام الأوامر الصوتية. أخيرا أخبر المشاركين أنه كان عليهم اكتشاف ست مجموعات.
- للمشاركين الذين يستخدمون الواقع المختلط: اطلب من المشاركين إزالة نظارات الواقع المختلط الذكية المستخدمة. أدخل المشاركين إلى جهاز كمبيوتر مكتبي واطلب منهم استخدام البرنامج المعروض على شاشة كمبيوتر سطح المكتب. أخبرهم أنه يجب اكتشاف نفس النوع من المجموعات كما هو موضح في نظارات الواقع المختلط الذكية المستخدمة باستخدام البرنامج الموجود على كمبيوتر سطح المكتب (انظر الشكل 7 والشكل 8).
- اطلب من المشاركين ملء ثلاثة استبيانات ، وهي استبيان جرد قلق سمات الدولة (STAI)31 ، واستبيان تم تطويره ذاتيا لجمع ردود فعل ذاتية ، واستبيان ديموغرافي لجمع معلومات عنهم.
- اطلب من المشاركين إزالة جهاز قياس التوصيل الجلدي33 إذا طلب منهم في البداية ارتدائه.
- أعف المشاركين من التجربة بقول شكرا على المشاركة.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
وضع تدابير للتجربة
بالنسبة لمهمة الكشف عن القيم المتطرفة ، تم تحديد مقاييس الأداء التالية: الوقت والمسار والزاوية. انظر الشكل 6 للحصول على القياسات.
تم تسجيل الوقت حتى تم العثور على نقطة حمراء (أي القيم المتطرفة). يشير مقياس الأداء هذا إلى المدة التي يحتاجها المشارك للعثور على النقطة ذات العلامة الحمراء. يشار إلى الوقت على أنه "الوقت" المتغير (بالمللي ثانية) في النتائج.
بينما حاول المشاركون العثور على النقطة ذات العلامة الحمراء ، تم تحديد طول مسار المشي الخاص بهم. كان أساس هذا الحساب هو أن النظارات الذكية المستخدمة للواقع المختلط (انظر جدول المواد) تجمع الموضع الحالي كمتجه 3D نسبيا إلى موضع البداية بمعدل إطارات يبلغ 60 إطارا في الثانية. بناء على ذلك ، يمكن حساب طول المسار الذي سلكه المشارك. يشير مقياس الأداء هذا إلى ما إذا كان المشاركون قد مشوا كثيرا أم لا. يشار إلى المسار باسم PathLength في النتائج. استنادا إلى PathLength، تم اشتقاق ثلاثة مقاييس أداء أخرى: PathMean و PathVariance و BoundingBox. يشير PathMean إلى متوسط سرعة المشاركين بالمتر لكل إطار ، ويشير PathVariance إلى عدم انتظام الحركة ، ويشير BoundingBox إلى ما إذا كان المشاركون قد استخدموا صندوقهم المحيط بشكل مكثف. يتم تحديد هذا الأخير بناء على الحد الأقصى والحد الأدنى من المواقف لجميع الحركات (على سبيل المثال ، كشف المشاركون الذين غالبا ما يغيرون وضع المشي عن قيم BoundingBox أعلى).
يشار إلى القيمة الأخيرة التي تم قياسها ب AngleMean وتشكل قيمة مشتقة من الزاوية ، والتي يشار إليها ب AngleMean. يشير الأخير إلى الدوران بين الموضع الحالي وموضع البداية للمشارك بمعدل إطارات يبلغ 60 في الثانية. بناء على ذلك ، تم حساب متوسط سرعة الدوران بالدرجات لكل إطار. مشتقة من هذه القيمة ، تم حساب عدم انتظام الدوران باستخدام التباين ، والذي يشار إليه باسم AngleVariance.
لتلخيص أغراض قيم المسار والزاوية المحسوبة ، يشير المسار إلى ما إذا كان المستخدمون يمشون كثيرا أم لا. إذا كانوا لا يمشون كثيرا ، فقد يشير ذلك إلى افتقارهم إلى التوجيه. يجب أن تشير الزاوية بدورها إلى ما إذا كان المشاركون يقومون بحركات رأس سريعة أو مفاجئة. إذا كانوا يقومون بحركات رأس مفاجئة في عدة مرات ، فقد يشير ذلك مرة أخرى إلى نقص في الاتجاه.
بالنسبة لمهمة الكشف عن نظام المجموعة، تم تحديد مقاييس الأداء التالية: الوقت والأخطاء. تم تسجيل الوقت حتى النقطة الزمنية التي أبلغ فيها المشاركون عن عدد المجموعات التي اكتشفوها. يشير مقياس الأداء هذا إلى المدة التي يحتاجها المشاركون للعثور على مجموعات. يشار إلى الوقت على أنه الوقت (بالمللي ثانية). يتم تحديد الأخطاء بمعنى القرار الثنائي (صواب / خطأ). إما أن عدد المجموعات المبلغ عنها كان صحيحا (صحيحا) أو غير صحيح (خطأ). يشار إلى الأخطاء مع الأخطاء.
تم استخدام نسخة الولاية من استبيان جرد قلق سمات الحالة (STAI)31 لقياس قلق الحالة ، وهو بناء مشابه لإجهاد الحالة. يتكون الاستبيان من 20 بندا وتم توزيعه قبل بدء الدراسة ، وكذلك بعد ذلك لتقييم التغييرات في قلق الحالة. لتقييم هذا الاستبيان ، تم قلب جميع السمات الإيجابية (على سبيل المثال ، تصبح الإجابة "4" "1") ، ويتم تلخيص جميع الإجابات حتى درجة STAI النهائية. تم قياس التوصيل الجلدي ل 30 مشاركا تم اختيارهم عشوائيا باستخدام جهاز قياس التوصيل الجلدي (انظر جدول المواد)33.
بعد إنجاز نوعي المهام ، تم توزيع استبيان تم تطويره ذاتيا في نهاية الدراسة لطلب ملاحظات المشاركين. ويرد الاستبيان في الجدول 1. علاوة على ذلك ، سأل استبيان ديموغرافي عن الجنس والعمر والتعليم لجميع المشاركين.
إجراءات الدراسة الشاملة ومعلومات الدراسة
يوضح الشكل 9 إجراء الدراسة الشاملة التي تم إجراؤها. انضم 60 مشاركا إلى الدراسة. تم تجنيد المشاركين في الغالب في جامعة أولم وشركات البرمجيات من أولم. كان الطلاب المشاركون بشكل رئيسي من مجالات علوم الكمبيوتر وعلم النفس والفيزياء. وكان من الإناث 10 منهم ومن الذكور 50 منهم.
بناء على الاختبار القبلي للدوران العقلي ، تم تصنيف 31 على أنهم ذوو أداء منخفض ، بينما تم تصنيف 29 على أنهم ذوو أداء عال. على وجه التحديد ، تم تصنيف 7 إناث و 24 ذكرا على أنهم ذوو أداء منخفض ، بينما تم تصنيف 3 إناث و 26 ذكرا على أنهم ذوو أداء عال. بالنسبة للتقييمات الإحصائية ، تم استخدام 3 أدوات برمجية (انظر جدول المواد).
تم حساب التكرارات والنسب المئوية والوسائل والانحرافات المعيارية كإحصاءات وصفية. تمت مقارنة الأداء المنخفض والعالي في المتغيرات الديموغرافية الأساسية باستخدام اختبارات فيشر الدقيقة واختبارات t للعينات المستقلة. بالنسبة ل RQ1 -RQ5 ، تم تنفيذ نماذج خطية متعددة المستويات مع تقدير أقصى احتمال كامل. تم تضمين مستويين ، حيث يمثل المستوى الأول التقييمات المتكررة (إما في الكشف عن القيم الخارجية أو التعرف على المجموعات) ، والمستوى الثاني المشاركين. كانت مقاييس الأداء (باستثناء الأخطاء) هي المتغيرات التابعة في هذه النماذج. في RQ 1 ، تم أيضا استخدام اختبارات فيشر الدقيقة لاحتمالات الخطأ. في RQ3 ، تم التحقيق في الأداء في الوقت المناسب في الأصوات المكانية مقابل عدم وجود أصوات (تم تضمين الصوت مقابل عدم وجود صوت كمتنبئ في النماذج). تم تقييم درجات STAI باستخدام اختبارات t للعينات التابعة ل RQ4. في RQ5 ، تم التحقيق في تأثير تطبيق 2D مقابل نظارات الواقع المختلط المستخدمة (انظر جدول المواد) ، باستخدام اختبار McNemar لاحتمال الخطأ. تم إجراء جميع الاختبارات الإحصائية اثنين الذيل. تم تعيين قيمة الأهمية على P<.05.
لم يتم تحليل نتائج توصيل الجلد وتخضع للعمل في المستقبل. الأهم من ذلك ، كشف المؤلفون في دراسة أخرى بنفس الجهاز أن هناك حاجة إلى اعتبارات إضافية24.
بالنسبة لاختبار الدوران الذهني ، تم استخدام الاختلافات في نتائج اختبار الدوران العقلي بين المشاركين للتمييز بين ذوي الأداء المنخفض والعالي. بالنسبة لاختبار القدرة المكانية ، أظهر جميع المشاركين درجات جيدة ، وبالتالي تم تصنيفهم جميعا إلى ذوي الأداء العالي فيما يتعلق بقدراتهم المكانية.
في البداية ، يتم تلخيص النتائج المهمة للمشاركين: لم يظهر الأداء المنخفض والعالي في الدوران العقلي أي اختلافات في متغيراتهم الأساسية (الجنس والعمر والتعليم). ومن الناحية الوصفية، كان لدى ذوات الأداء المنخفض نسبة مئوية أعلى من المشاركات من المشاركات ذوات الأداء المرتفع، وكان أصحاب الأداء المرتفع أصغر سنا من ذوي الأداء المنخفض. يلخص الجدول 2 الخصائص المتعلقة بالمشاركين.
فيما يتعلق بنتائج RQ1 ، بالنسبة لمهمة التعرف على الكتلة ، لم يختلف الأداء المنخفض والعالي بشكل كبير بالنسبة لتطبيق 2D (4 أخطاء للأداء المنخفض و 2 للأداء العالي) والنهج ثلاثي الأبعاد (8 أخطاء للأداء المنخفض و 2 للأداء العالي). بالنسبة لمهمة الكشف عن القيم المتطرفة ، كان الأداء العالي أسرع بكثير من ذوي الأداء المنخفض. بالإضافة إلى ذلك ، تطلب أصحاب الأداء العالي مسافة مشي أقصر لحل المهام. بالنسبة لمهمة القيم المتطرفة ، يلخص الجدول 3 النتائج التفصيلية.
فيما يتعلق بنتائج RQ2 ، ظهرت نتائج مهمة فقط لمهمة الكشف عن القيم المتطرفة. زاد المربع المحيط ، وطول المسار ، وتباين المسار ، والمسار ، وتباين الزاوية ، وتباين الزاوية بشكل ملحوظ من مهمة إلى أخرى (انظر الجدول 4). الوقت المسجل ، بدوره ، لم يتغير بشكل كبير من مهمة إلى أخرى باستخدام نظارات الواقع المختلط الذكية (انظر جدول المواد).
فيما يتعلق بنتائج RQ3 ، بناء على الأصوات المكانية ، تمكن المشاركون من حل المهام في حالة الكشف عن القيم المتطرفة بشكل أسرع من دون استخدام الأصوات المكانية (انظر الجدول 5).
فيما يتعلق بنتائج RQ4 ، في التقييم المسبق ، كان متوسط الحالة على درجات STAI M = 44.58 (SD = 4.67). في مرحلة ما بعد التقييم ، كان M = 45.72 (SD = 4.43). لم يحقق هذا التغيير أهمية إحصائية (p = .175). يتم عرض الإحصاءات الوصفية للإجابات في الاستبيان المطور ذاتيا في الشكل 10.
فيما يتعلق بنتائج RQ5 ، يشير نهج نظارات الواقع المختلط الذكية (انظر جدول المواد) إلى أوقات التعرف على الكتلة بشكل أسرع بكثير من استخدام كمبيوتر سطح المكتب (انظر Table 6). ومع ذلك ، كانت ميزة السرعة عند استخدام نظارات الواقع المختلط الذكية (انظر جدول المواد) صغيرة إلى حد ما (أي في نطاق ميلي ثانية).
أخيرا ، لاحظ أنه يمكن العثور على بيانات هذه الدراسة في36.
الشكل 1: الجوانب التي تم التحقيق فيها على مقياس التفاعل مقابل الجدة. يوضح الشكل المقاييس المستخدمة وحداثتها فيما يتعلق بمستوى التفاعل. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 2: صور لغرفة الدراسة. يتم تقديم صورتين لغرفة الدراسة. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3: القيم المتطرفة المكتشفة. تعرض لقطة الشاشة قيمة متطرفة تم اكتشافها. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 4: مثال على اختبار الدوران الذهني. تظهر لقطة الشاشة كائنات 3D التي واجهها المشاركون ؛ على سبيل المثال ، كان على اثنين من كل خمسة كائنات في مواضع مختلفة لها نفس بنية الكائن أن تراهن على اكتشافها. تم تعديل هذا الرقم بناء على هذا العمل35. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 5: الإعداد لاختبار القدرة المكانية. في (A) ، يتم عرض التكوين الصوتي للمهمة Back ، بينما في (B) ، يتم عرض واجهة المستخدم التخطيطية للاختبار. تم تعديل هذا الرقم بناء على هذا العمل35. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 6: رسم توضيحي لإعداد اكتشاف القيم المتطرفة للمهمة. يتم عرض ثلاثة جوانب رئيسية. أولا ، يتم توضيح القيم المتطرفة. ثانيا ، يتم عرض مقاييس الأداء. ثالثا ، يتم عرض الطريقة التي تم بها حساب دعم الصوت. تم تعديل هذا الرقم بناء على هذا العمل35. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 7: رسم توضيحي لإعداد التعرف على مجموعة المهام. ضع في اعتبارك السيناريوهات A-C للحصول على انطباع أفضل ، كان على المشاركين تغيير نظراتهم لتحديد المجموعات بشكل صحيح. تم تعديل هذا الرقم بناء على هذا العمل35. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 8: رسم توضيحي لإعداد التعرف على مجموعة المهام في Matlab. يوضح الشكل المجموعات المقدمة في Matlab ، والتي كانت أساس تطبيق سطح المكتب 2D. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 9: لمحة عن إجراءات الدراسة الشاملة. يعرض هذا الشكل الخطوات التي كان على المشاركين إنجازها ، بترتيبها الزمني. تم تعديل هذا الرقم بناء على هذا العمل35. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 10: نتائج الاستبيان الذي تم تطويره ذاتيا (انظر الجدول 1). يتم عرض النتائج باستخدام مخططات مربعة. تم تعديل هذا الرقم بناء على هذا العمل35. الرجاء الضغط هنا لعرض نسخة أكبر من هذا الشكل.
| #Question | سؤال | هدف | مِيزَان | معنى |
| 1 | ما مدى إرهاق تجربة ارتداء النظارات؟ | يرتدي | 1-10 | 10 تعني عالية ، 1 تعني منخفضة |
| 2 | ما مدى إرهاق مهمة القيم المتطرفة؟ | المتطرفه | 1-10 | 10 تعني عالية ، 1 تعني منخفضة |
| 3 | ما مدى إرهاقك للأصوات المكانية؟ | صوت | 1-10 | 10 تعني عالية ، 1 تعني منخفضة |
| 4 | ما مدى إرهاق مجموعات العثور على المهام في الواقع المختلط؟ | الكتلة MR | 1-10 | 10 تعني عالية ، 1 تعني منخفضة |
| 5 | ما مدى إرهاق مجموعات العثور على المهام في نهج سطح المكتب؟ | الكتلة DT | 1-10 | 10 تعني عالية ، 1 تعني منخفضة |
| 6 | ما مدى إرهاق استخدام الأوامر الصوتية؟ | صوت | 1-10 | 10 تعني عالية ، 1 تعني منخفضة |
| 7 | هل شعرت بدعم الأصوات المكانية؟ | صوت | 1-10 | 10 تعني عالية ، 1 تعني منخفضة |
الجدول 1: استبيان مطور ذاتيا لتعليقات المستخدمين. وهو يتألف من 7 أسئلة. لكل سؤال ، كان على المشاركين تحديد قيمة داخل مقياس من 1-10 ، حيث يعني 1 قيمة منخفضة (أي ردود فعل سيئة) ، و 10 قيمة عالية (أي ردود فعل جيدة جدا).
| متغير | أداء منخفض (ن = 31) | أداء عالي | قيمة P |
| (ن = 31) | (ن = 29) | ||
| الجنس، ن (٪) | |||
| أنثى | 7 (23%) | 3 (10%) | |
| ذكر | 24 (77%) | 26 (90%) | .302 (أ) |
| الفئة العمرية، ن (٪) | |||
| <25 | 1 (3%) | 5 (17%) | |
| 25-35 | 27 (87%) | 21 (72%) | |
| 36-45 | 0 (0%) | 2 (7%) | |
| 46-55 | 1 (3%) | 0 (0%) | |
| >55 | 2 (6%) | 1 (3%) | .099 (أ) |
| أعلى تعليم، n(٪) | |||
| المرحلة الثانوية | 3 (10%) | 5 (17%) | |
| أعزب | 7 (23%) | 6 (21%) | |
| أحسن | 21 (68%) | 18 (62%) | .692 (أ) |
| اختبار الدوران العقلي ، المتوسط (SD) | |||
| الإجابات الصحيحة | 3.03 (1.40) | 5.31 (0.76) | .001 (ب) |
| إجابات خاطئة | 2.19 (1.47) | 1.21 (0.56) | .000 (ب) |
| اختبار السمع المكاني ، المتوسط (SD) © | |||
| الإجابات الصحيحة | 4.39 (1.09) | 4.31 (1.00) | .467 (ب) |
| إجابات خاطئة | 1.61 (1.09) | 1.69 (1.00) | .940 (ب) |
| ج: اختبار فيشر الدقيق | |||
| ب: اختبار t ثنائي العينة | |||
| ج: الانحراف المعياري SD | |||
الجدول 2: وصف عينة المشاركين والمقارنة بين ذوي الأداء المنخفض والعالي في متغيرات خط الأساس. يعرض الجدول بيانات للأسئلة الديموغرافية الثلاثة حول الجنس والعمر والتعليم. بالإضافة إلى ذلك ، يتم تقديم نتائج الاختبارين المسبقين.
| متغير | تقدير | SE (أ) | نتيجة |
| BoundingBox للأداء المنخفض عبر المهام | 2,224 | .438 | t(60.00) = 5.08; ص<.001 |
| تعديل BoundingBox للأداء العالي عبر المهام | +.131 | .630 | ر (60.00) = .21 ؛ ع = .836 |
| الوقت المناسب للأداء المنخفض عبر المهام | 20,919 | 1,045 | t(60.00) = 20.02; ص<.001 |
| تغيير الوقت للأداء العالي عبر المهام | -3,863 | 1,503 | t(60.00) = -2.57; ع = .013 |
| طول المسار للأداء المنخفض عبر المهام | 5,637 | .613 | ر (60.00) = 9.19 ؛ ص<.001 |
| تغيير طول المسار للأداء العالي عبر المهام | -1,624 | .882 | t(60.00) = -1.84; ع = .071 |
| تباين المسار للأداء المنخفض عبر المهام | 3.4E-4 | 4.7E-5 | ر (65.15) = 9.25 ؛ ص<.001 |
| تغيير PathVariance للأداء العالي عبر المهام | +4.3E-6 | 6.7E-5 | ر (65.15) = .063 ؛ ع = .950 |
| PathMean للأداء المنخفض عبر المهام | .0047 | 5.3E-4 | t(60.00) = 8.697; ص<.001 |
| تغيير PathMean للأداء العالي عبر المهام | +3.8E-5 | 7.7E-4 | t(60.00) = .05; ع = .960 |
| تباين الزاوية للأداء المنخفض عبر المهام | .0012 | 7.3E-5 | ر (85.70) = 16.15 ؛ ص<.001 |
| تغيير AngleVariance للأداء العالي عبر المهام | -2.7E-5 | 1.0E-4 | ر (85.70) = -.26 ؛ ع = .796 |
| AngleMean للأداء المنخفض عبر المهام | .015 | .001 | ر (60.00) = 14.27 ؛ ص<.001 |
| تغيير AngleMean للأداء العالي عبر المهام | -3.0E-4 | 1.5E-3 | ر (60.00) = -.20 ؛ ع = .842 |
| (أ) SE = خطأ معياري | |||
الجدول 3: نتائج النماذج متعددة المستويات ل RQ1 (الكشف عن القيم المتطرفة باستخدام النظارات الذكية). يوضح الجدول النتائج الإحصائية ل RQ1 لمهمة الكشف عن القيم المتطرفة (لجميع مقاييس الأداء).
| متغير | تقدير | SE (أ) | نتيجة |
| المربع المحيط في المهمة الأولى | .984 | .392 | ر (138.12) = 2.51 ؛ ع = .013 |
| تغيير BoundingBox من مهمة إلى أخرى | +.373 | .067 | ر (420.00) = 5.59 ؛ ص<.001 |
| الوقت في المهمة الأولى | 19,431 | 1,283 | ر (302.08) = 15.11 ؛ ص<.001 |
| تغيير الوقت من مهمة إلى أخرى | -.108 | .286 | t(420.00) = -.37; ع = .709 |
| طول المسار في المهمة الأولى | 3,903 | .646 | t(214.81) = 6.05; ص<.001 |
| تغيير طول المسار من مهمة إلى أخرى | +.271 | .131 | t(420.00) = 2.06; ع = .040 |
| تباين المسار في المهمة الأولى | 3.1E-4 | 3.7E-5 | ر (117.77) = 8.43 ؛ ص<.001 |
| تغيير تباين المسار من مهمة إلى أخرى | +3.5E-5 | 4.5E-6 | t(455.00) = 7.90; ص<.001 |
| PathMean في المهمة الأولى | .0033 | 4.2E-4 | ر (88.98) = 7.66 ؛ ص<.001 |
| تغيير PathMean من مهمة إلى أخرى | +4.1E-4 | 5.2E-5 | t(420.00) = 7.81; ص<.001 |
| AngleVariance في المهمة الأولى | .001 | 5.7E-5 | ر (129.86) = 17.92 ؛ ص<.001 |
| تغيير تباين الزاوية من مهمة إلى أخرى | +4.1E-5 | 6.5E-6 | ر (541.75) = 6.34 ؛ ص<.001 |
| AngleMean في المهمة الأولى | .0127 | 8.1E-4 | ر (82.17) = 15.52 ؛ ص<.001 |
| تغيير AngleMean من مهمة إلى أخرى | +6.1E-4 | 9.0E-5 | ر (420.00) = 6.86 ؛ ص<.001 |
| (أ) SE = خطأ معياري | |||
الجدول 4: نتائج النماذج متعددة المستويات ل RQ2 (الكشف عن القيم المتطرفة باستخدام النظارات الذكية). يوضح الجدول النتائج الإحصائية ل RQ2 لمهمة الكشف عن القيم المتطرفة (لجميع مقاييس الأداء).
| متغير | تقدير | SE (أ) | نتيجة |
| BoundingBox بدون صوت عبر المهام | 2,459 | .352 | ر (93.26) = 6.98 ؛ ص<.001 |
| تعديل BoundingBox مع الصوت عبر المهام | -.344 | .316 | t(420.00) = -1.09; ع = .277 |
| وقت بدون صوت عبر المهام | 20,550 | 1,030 | t(161.17) = 19.94; ص<.001 |
| تغيير الوقت مع الصوت عبر المهام | -2,996 | 1,319 | t(420.00) = -2.27; ع = .024 |
| طول المسار بدون صوت عبر المهام | 5,193 | .545 | ر (121.81) = 9.54 ؛ ص<.001 |
| تغيير طول المسار مع الصوت عبر المهام | -.682 | .604 | t(420.00) = -1.13; ع = .260 |
| PathVariance بدون صوت عبر المهام | .0004 | 3.5E-5 | ر (79.74) = 12.110 ؛ ص<.001 |
| تغيير PathVariance مع الصوت عبر المهام | +1.3E-5 | 2.2E-5 | t(429.20) = .592; ع = .554 |
| PathMean بدون صوت عبر المهام | .005 | 4.0E-4 | ر (73.66) = 11.35 ؛ ص<.001 |
| تغيير PathMean مع الصوت عبر المهام | +1.4E-4 | 2.5E-4 | ر (420.00) = .56 ؛ ع = .575 |
| تباين الزاوية بدون صوت عبر المهام | .0012 | 5.4E-5 | t(101.32) = 21.00; ص<.001 |
| تغيير AngleVariance مع الصوت عبر المهام | +3.3E-5 | 3.1E-5 | ر (648.56) = 1.07 ؛ ع = .284 |
| Angleيعني بدون صوت عبر المهام | .0145 | 7.8E-4 | ر (70.17) = 18.51 ؛ ص<.001 |
| تغيير AngleMean مع الصوت عبر المهام | +6.0E-4 | 3.4E-4 | ر (420.00) = 1.39 ؛ ع = .166 |
| (أ) SE = خطأ معياري | |||
الجدول 5: نتائج النماذج متعددة المستويات ل RQ3 (الكشف عن القيم المتطرفة باستخدام النظارات الذكية). يوضح الجدول النتائج الإحصائية ل RQ3 لمهمة الكشف عن القيم المتطرفة (لجميع مقاييس الأداء).
| متغير | تقدير | SE (أ) | نتيجة |
| الوقت مع سطح المكتب عبر المهام | 10,536 | .228 | ر (156.43) = 46.120 ؛ ص<.001 |
| تغيير الوقت مع Hololens عبر المهام | -.631 | .286 | t(660.00) = -2.206; ع = .028 |
| (أ) SE = خطأ معياري | |||
الجدول 6: نتائج النماذج متعددة المستويات ل RQ5 (التعرف على الكتلة باستخدام النظارات الذكية). يوضح الجدول النتائج الإحصائية ل RQ5 لمهمة التعرف على الكتلة (لجميع مقاييس الأداء).
Subscription Required. Please recommend JoVE to your librarian.
Discussion
فيما يتعلق بتطبيق نظارات الواقع المختلط الذكية المطورة (انظر جدول المواد) ، كان هناك جانبان مفيدان بشكل خاص. تم إدراك استخدام الأصوات المكانية لمهمة الكشف عن القيم المتطرفة بشكل إيجابي من ناحية (انظر نتائج RQ3). من ناحية أخرى ، كان استخدام الأوامر الصوتية ينظر إليه بشكل إيجابي (انظر الشكل 10).
فيما يتعلق بالمشاركين في الدراسة ، على الرغم من أن عدد المشاركين المعينين كان صغيرا إلى حد ما بالنسبة للدراسة التجريبية ، إلا أن العدد تنافسي مقارنة بالعديد من الأعمال الأخرى. ومع ذلك ، يتم التخطيط لدراسة واسعة النطاق بناء على البروتوكول المعروض. ومع ذلك ، نظرا لأنها أظهرت جدواها بالنسبة ل 60 مشاركا ، فمن المتوقع ألا يكشف المزيد من المشاركين عن أي تحديات أخرى. ونوقش أن اختيار المشاركين يمكن أن يكون أوسع نطاقا (بمعنى المجالات التي يأتي منها المشاركون) وأن عدد متغيرات خط الأساس للتمييز بين ذوي الأداء العالي والمنخفض يمكن أن يكون أعلى. من ناحية أخرى ، إذا تم تغيير هذه الجوانب إلى أرقام أعلى ، فلا يجب تغيير البروتوكول نفسه بشكل عميق.
بشكل عام ، لا تؤثر القيود التي تم الكشف عنها على إجراء دراسة بناء على البروتوكول الموضح في هذا العمل ، بل تؤثر فقط على التوظيف والأسئلة المستخدمة للاستبيان الديموغرافي. ومع ذلك ، فإن أحد قيود هذه الدراسة مهم: الوقت الإجمالي المطلوب لإنهاء التجربة لمشارك واحد مرتفع. من ناحية أخرى ، نظرا لأن المشاركين لم يشتكوا من راحة الارتداء ، أو أن جهاز الاختبار يثقل كاهلهم كثيرا ، يمكن اعتبار وقت إجراء البروتوكول العام لأحد المشاركين مقبولا. أخيرا ، في تجربة مستقبلية ، يجب إضافة عدة جوانب إلى البروتوكول. على وجه الخصوص ، يجب أيضا تقييم مهمة الكشف عن القيم المتطرفة في تطبيق سطح المكتب 2D. علاوة على ذلك ، يجب أيضا تقييم الأجهزة الأخرى مثل نظارات الواقع المختلط المستخدمة (انظر جدول المواد). ومع ذلك ، يبدو أن البروتوكول مفيد بمعنى أوسع.
تم اكتساب الأفكار الرئيسية التالية للبروتوكول المقدم. أولا ، أظهرت جدواها لتقييم التحليلات الغامرة لحل الواقع المختلط. على وجه التحديد ، كشفت النظارات الذكية للواقع المختلط المستخدمة (انظر جدول المواد) عن جدواها لتقييم التحليلات الغامرة في تطبيق الواقع المختلط لسيناريوهات الصناعة 4.0. ثانيا ، كانت مقارنة تطبيق النظارات الذكية للواقع المختلط المستخدم (انظر جدول المواد) مع تطبيق سطح المكتب 2D مفيدة للتحقيق فيما إذا كان حل الواقع المختلط يمكن أن يتفوق على تطبيق لا يستخدم تقنيات الواقع الافتراضي. ثالثا ، يجب دائما مراعاة قياس المعلمات الفسيولوجية أو العلامات الحيوية في مثل هذه التجارب. في هذا العمل ، تم قياس الإجهاد باستخدام استبيان وجهاز توصيل الجلد. على الرغم من أن هذا الأخير يعمل بشكل صحيح من الناحية الفنية ، إلا أن المؤلفين كشفوا في دراسة أخرى بنفس الجهاز أن هناك حاجة إلى اعتبارات إضافية24. رابعا ، كان اختبار القدرة المكانية والفصل بين ذوي الأداء العالي والمنخفض مفيدا. باختصار ، على الرغم من أن البروتوكول المقدم يبدو معقدا للوهلة الأولى (انظر الشكل 9) ، إلا أنه أظهر فائدته تقنيا. فيما يتعلق بالنتائج ، كشفت أيضا عن فائدتها.
نظرا لأن اكتشاف القيم المتطرفة والتعرف على المجموعات هي مهام نموذجية في تقييم العديد من مجموعات البيانات عالية الأبعاد في سيناريوهات الصناعة 4.0 ، فإن استخدامها في دراسة تجريبية يمثل هذا المجال من البحث. أظهر البروتوكول أن هذه السيناريوهات يمكن دمجها بشكل جيد في دراسة قابلية الاستخدام على التحليلات الغامرة. لذلك ، يمكن التوصية بالإعداد المستخدم لدراسات أخرى في هذا السياق.
نظرا لأن نتائج الدراسة الموضحة أظهرت أن استخدام حل الواقع المختلط القائم على النظارات الذكية المستخدمة (انظر جدول المواد) مفيد للتحقيق في التحليلات الغامرة لسيناريوهات الصناعة 4.0 ، يمكن استخدام البروتوكول لدراسات قابلية الاستخدام الأخرى في سياق معين أيضا.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
ليس لدى المؤلفين ما يكشفون عنه.
Acknowledgments
ليس لدى المؤلفين ما يعترفون به.
Materials
| Name | Company | Catalog Number | Comments |
| edaMove | movisens | ||
| HoloLens | Microsoft | ||
| Matlab R2017a | MathWorks | ||
| RPY2 | GNU General Public License v2 or later (GPLv2+) (GPLv2+) | https://pypi.org/project/rpy2/ | |
| SPSS 25.0 | IBM |
References
- Korinth, M., Sommer-Dittrich, T., Reichert, M., Pryss, R. Design and Evaluation of a Virtual Reality-Based Car Configuration Concept. Science and Information Conference. , Springer, Cham. 169-189 (2019).
- Whalen, T. E., Noël, S., Stewart, J. Measuring the human side of virtual reality. IEEE International Symposium on Virtual Environments, Human-Computer Interfaces and Measurement Systems, 2003. , IEEE. 8-12 (2003).
- Martens, M. A., et al. It feels real: physiological responses to a stressful virtual reality environment and its impact on working memory. Journal of Psychopharmacology. 33 (10), 1264-1273 (2019).
- Keim, D. A. Information visualization and visual data mining. IEEE transactions on Visualization and Computer Graphics. 8 (1), 1-8 (2002).
- Dwyer, T., et al. Immersive analytics: An introduction. Immersive analytics. , Springer, Cham. 1-23 (2018).
- Moloney, J., Spehar, B., Globa, A., Wang, R. The affordance of virtual reality to enable the sensory representation of multi-dimensional data for immersive analytics: from experience to insight. Journal of Big Data. 5 (1), 53 (2018).
- Davis, F. D., Riedl, R., Vom Brocke, J., Léger, P. M., Randolph, A. B. Information Systems and Neuroscience. , Springer. (2018).
- Huckins, J. F., et al. Fusing mobile phone sensing and brain imaging to assess depression in college students. Frontiers in Neuroscience. 13, 248 (2019).
- Preece, J., et al. Human-computer interaction. , Addison-Wesley Longman Ltd. (1994).
- Card, S. K. The psychology of human-computer interaction. , CRC Press. (2018).
- Pelayo, S., Senathirajah, Y. Human factors and sociotechnical issues. Yearbook of Medical Informatics. 28 (01), 078-080 (2019).
- Bangor, A., Kortum, P., Miller, J. Determining what individual SUS scores mean: adding an adjective rating scale. Journal of Usability Studies. 4 (3), 114-123 (2009).
- Krahmer, E., Ummelen, N. Thinking about thinking aloud: A comparison of two verbal protocols for usability testing. IEEE Transactions on Professional Communication. 47 (2), 105-117 (2004).
- Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
- Peppa, V., Lysikatos, S., Metaxas, G. Human-Computer interaction and usability testing: Application adoption on B2C websites. Global Journal of Engineering Education. 14 (1), 112-118 (2012).
- Alwashmi, M. F., Hawboldt, J., Davis, E., Fetters, M. D. The iterative convergent design for mobile health usability testing: mixed-methods approach. JMIR mHealth and uHealth. 7 (4), 11656 (2019).
- System Usability Scale (SUS). Assistant Secretary for Public Affairs. , Available from: https://www.hhs.gov/about/agencies/aspa/how-to-and-tools/methods/system-usability-scale.html (2013).
- Fang, Y. M., Lin, C. The Usability Testing of VR Interface for Tourism Apps. Applied Sciences. 9 (16), 3215 (2019).
- Pryss, R., et al. Exploring the Time Trend of Stress Levels While Using the Crowdsensing Mobile Health Platform, TrackYourStress, and the Influence of Perceived Stress Reactivity: Ecological Momentary Assessment Pilot Study. JMIR mHealth and uHealth. 7 (10), 13978 (2019).
- Zugal, S., et al. Investigating expressiveness and understandability of hierarchy in declarative business process models. Software & Systems Modeling. 14 (3), 1081-1103 (2015).
- Schobel, J., et al. Learnability of a configurator empowering end users to create mobile data collection instruments: usability study. JMIR mHealth and uHealth. 6 (6), 148 (2018).
- Schobel, J., Probst, T., Reichert, M., Schickler, M., Pryss, R. Enabling Sophisticated Lifecycle Support for Mobile Healthcare Data Collection Applications. IEEE Access. 7, 61204-61217 (2019).
- Hoppenstedt, B., et al. Dimensionality Reduction and Subspace Clustering in Mixed Reality for Condition Monitoring of High-Dimensional Production Data. Sensors. 19 (18), 3903 (2019).
- Winter, M., Pryss, R., Probst, T., Reichert, M. Towards the Applicability of Measuring the Electrodermal Activity in the Context of Process Model Comprehension: Feasibility Study. Sensors. 20, 4561 (2020).
- Butscher, S., Hubenschmid, S., Müller, J., Fuchs, J., Reiterer, H. Clusters, trends, and outliers: How immersive technologies can facilitate the collaborative analysis of multidimensional data. Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. , 1-12 (2018).
- Wagner Filho, J. A., Rey, M. F., Freitas, C. M. D. S., Nedel, L. Immersive analytics of dimensionally-reduced data scatterplots. 2nd Workshop on Immersive Analytics. , (2017).
- Batch, A., et al. There is no spoon: Evaluating performance, space use, and presence with expert domain users in immersive analytics. IEEE Transactions on Visualization and Computer Graphics. 26 (1), 536-546 (2019).
- Cliquet, G., Perreira, M., Picarougne, F., Prié, Y., Vigier, T. Towards hmd-based immersive analytics. HAL. , Available from: https://hal.archives-ouvertes.fr/hal-01631306 (2017).
- Luboschik, M., Berger, P., Staadt, O. On spatial perception issues in augmented reality based immersive analytics. Proceedings of the 2016 ACM Companion on Interactive Surfaces and Spaces. , 47-53 (2016).
- Fonnet, A., Prié, Y.
- Spielberger, C. D., Gorsuch, R. L., Lushene, R. E. STAI Manual for the Stait-Trait Anxiety Inventory (self-evaluation questionnaire). Consulting Psychologist. 22, Palo Alto, CA, USA. 1-24 (1970).
- Vandenberg, S. G., Kuse, A. R. Mental rotations, a group test of three-dimensional spatial visualization. Perceptual Motor Skills. 47 (2), 599-604 (1978).
- Härtel, S., Gnam, J. P., Löffler, S., Bös, K. Estimation of energy expenditure using accelerometers and activity-based energy models-Validation of a new device. European Review of Aging and Physical Activity. 8 (2), 109-114 (2011).
- Gautier, L. RPY2: A Simple and Efficient Access to R from Python. , Available from: https://sourceforge.net/projects/rpy/ (2020).
- Hoppenstedt, B., et al. Applicability of immersive analytics in mixed reality: Usability study. IEEE Access. 7, 71921-71932 (2019).
- Hoppenstedt, B. Applicability of Immersive Analytics in Mixed Reality: Usability Study. IEEE Dataport. , (2019).
