Summary

Valutazione dell'usabilità della realtà aumentata: uno studio sui sistemi neuro-informativi

Published: November 30, 2022
doi:

Summary

Questo studio presenta un paradigma sperimentale per un test di usabilità che combina valutazioni soggettive e oggettive. La valutazione oggettiva ha adottato metodi Neuro-Information-Systems (NeuroIS) e la valutazione soggettiva ha adottato un questionario di usabilità e una scala NASA-Task Load Index (NASA-TLX).

Abstract

Questo studio introduce un paradigma sperimentale per un test di usabilità delle tecnologie emergenti in un sistema informativo gestionale (MIS). Il test di usabilità ha incluso valutazioni sia soggettive che oggettive. Per la valutazione soggettiva sono stati adottati un questionario di usabilità e una scala NASA-TLX. Per la valutazione oggettiva sono stati utilizzati metodi di Neuro-Information-Systems (NeuroIS). Dal punto di vista di NeuroIS, questo studio ha utilizzato fNIRS mobili e occhiali di tracciamento oculare per misurazioni multimodali, che hanno risolto il problema della validità ecologica degli strumenti di neuroscienza cognitiva utilizzati negli esperimenti comportamentali del mondo reale. Questo studio ha utilizzato la realtà aumentata (AR) integrata nell’Internet of Things (IoT) come oggetto sperimentale. Confrontando le differenze nei dati di neuroimaging, i dati fisiologici, il questionario di usabilità e i dati di scala NASA-TLX tra le due modalità di ricerca delle informazioni (AR rispetto a un sito Web), la ricerca di informazioni con AR ha avuto una maggiore efficienza e un carico cognitivo inferiore rispetto alla ricerca di informazioni con un sito Web durante il processo decisionale di consumo. I risultati dell’esperimento di usabilità dimostrano che l’AR, come tecnologia emergente nella vendita al dettaglio, può migliorare efficacemente le esperienze dei consumatori e aumentare la loro intenzione di acquisto. Il paradigma sperimentale, che combina valutazioni soggettive e oggettive in questo studio, potrebbe essere applicato a un test di usabilità per tecnologie emergenti, come la realtà aumentata, la realtà virtuale, l’intelligenza artificiale, la tecnologia indossabile, la robotica e i big data. Fornisce una soluzione sperimentale pratica per l’esperienza dell’utente nelle interazioni uomo-computer con l’adozione di tecnologie emergenti.

Introduction

Sei tecnologie di frontiera che interagiscono con i consumatori, tipicamente rappresentate da realtà aumentata, realtà virtuale, intelligenza artificiale, tecnologia indossabile, robotica e big data, stanno rimodellando molti modelli teorici del comportamento dei consumatori1. La realtà aumentata (AR) è una nuova tecnologia che potrebbe migliorare l’esperienza del consumatore e migliorare la soddisfazione dei consumatori. Sovrappone informazioni testuali, immagini, video e altri oggetti virtuali a scenari reali per fondere virtualità e realtà, migliorando così le informazioni nel mondo reale attraverso spiegazioni, guida, valutazione e previsione2. L’AR fornisce un nuovo tipo di interazione uomo-computer, creando un’esperienza di acquisto immersiva per i consumatori e ha portato allo sviluppo di molte applicazioni 3,4. Tuttavia, l’accettazione dei servizi AR da parte dei consumatori è ancora minima e molte aziende sono quindi caute nell’adottare la tecnologia AR 5,6. Il modello di accettazione della tecnologia (TAM) è stato ampiamente utilizzato per spiegare e prevedere il comportamento di adozione delle nuove tecnologie dell’informazione 7,8. Secondo il TAM, l’intenzione di adottare una nuova tecnologia dipende in gran parte dalla sua usabilità9. Pertanto, una possibile spiegazione per la lenta accettazione da parte dei consumatori dei servizi AR dal punto di vista TAM può riguardare l’usabilità delle nuove tecniche, che evidenzia la necessità di valutare l’usabilità dell’AR durante lo shopping10,11.

L’usabilità è definita come l’efficacia, l’efficienza e la soddisfazione del raggiungimento di obiettivi specifici in un contesto specifico da parte di utenti specificati12. Attualmente, esistono due metodi principali per valutare l’usabilità: valutazioni soggettive e oggettive13. Le valutazioni soggettive si basano principalmente su metodi self-report che utilizzano questionari e scale. Seguendo questa linea di ricerca, il questionario utilizzato in questo studio includeva cinque caratteristiche associate alla modalità di ricerca delle informazioni per raggiungere un obiettivo: (1) efficienza, (2) facilità d’uso, (3) memorabilità (facile da ricordare), (4) soddisfazione (la modalità di ricerca delle informazioni è comoda e piacevole) e (5) generalizzabilità ad altri oggetti14,15,16. Inoltre, il carico cognitivo, che rappresenta il carico durante l’esecuzione di un particolare compito sul sistema cognitivo di uno studente17, è un altro indicatore fondamentale dell’usabilità18,19. Pertanto, questo studio ha utilizzato anche il NASA Task Load Index (NASA-TLX)13,20 come metrica soggettiva per misurare il carico cognitivo durante lo shopping utilizzando AR rispetto allo shopping utilizzando i servizi del sito web. È interessante notare che i metodi di auto-segnalazione si basano sulla capacità e la volontà degli individui di riferire accuratamente i loro atteggiamenti e / o comportamenti precedenti21, lasciando aperta la possibilità di segnalazioni errate, sottosegnalazioni o pregiudizi. Pertanto, le misure oggettive potrebbero costituire un valido complemento ai metodi soggettivi tradizionali22.

I metodi Neuro-Information-Systems (NeuroIS) sono utilizzati per la valutazione oggettiva dell’usabilità AR. NeuroIS, coniato da Dimoka et al. alla conferenza ICIS del 2007, sta attirando una crescente attenzione nel campo dei sistemi informativi (IS)23. NeuroIS utilizza teorie e strumenti di neuroscienze cognitive per comprendere meglio lo sviluppo, l’adozione e l’impatto delle tecnologie IS24,25. Ad oggi, gli strumenti di neuroscienza cognitiva, come la risonanza magnetica funzionale (fMRI), l’elettroencefalogramma (EEG), la tomografia computerizzata ad emissione di positroni, la magnetoencefalografia (MEG) e la spettroscopia funzionale nel vicino infrarosso (fNIRS), sono comunemente usati negli studi NeuroIS26,27. Ad esempio, Dimoka e Davis hanno utilizzato la fMRI per misurare le attivazioni dei soggetti quando hanno interagito con il sito Web e hanno rivelato che la facilità d’uso percepita influenzava l’attivazione nella corteccia prefrontale (PFC)28. Allo stesso modo, utilizzando l’EEG, Moridis et al. hanno scoperto che l’asimmetria frontale era strettamente associata all’utilità29. Questi risultati indicano che il PFC può svolgere un ruolo chiave nell’usabilità.

Sebbene siano stati ottenuti risultati in precedenti studi NeuroIS, i paradigmi utilizzati in questi studi avevano limitato i movimenti corporei di soggetti con bassa validità ecologica, limitando i loro contributi teorici e pratici. L’interazione con tecnologie come l’AR durante lo shopping richiede movimenti del corpo libero e i vincoli del soggetto compromettono in gran parte l’esperienza del consumatore, come discusso in He et al.22. Pertanto, sono necessari strumenti di imaging cerebrale con elevata validità ecologica per un test di usabilità dei sistemi informativi. A questo proposito, fNIRS ha vantaggi tecnici unici: durante gli esperimenti fNIRS, i soggetti possono muoversi liberamente30 in una certa misura. Ad esempio, studi precedenti hanno misurato le attivazioni cerebrali dei soggetti durante diverse attività all’aperto come il ciclismo utilizzando fNIRS31 portatile. Inoltre, fNIRS è a basso costo e consente la misurazione delle attivazioni cerebrali per lunghi periodi di tempo32. In questo studio, fNIRS è stato utilizzato per misurare oggettivamente il livello di carico cognitivo dei soggetti durante l’utilizzo dei servizi di shopping di AR rispetto a un sito web.

L’eye tracking è stata una preziosa tecnica psicofisiologica per rilevare l’attenzione visiva degli utenti durante un test di usabilità negli ultimi anni33 ed è stata anche ampiamente utilizzata negli studi NeuroIS34. La tecnica si basa sull’ipotesi occhio-mente, che presuppone che l’attenzione dell’osservatore vada dove l’attenzione è diretta, che l’attenzione visiva rappresenti il processo mentale e che i modelli di attenzione visiva riflettano le strategie cognitive umane35,36,37. Nell’area della ricerca AR, Yang et al. hanno utilizzato il tracciamento oculare per scoprire che la pubblicità AR ha migliorato l’atteggiamento dei consumatori nei confronti della pubblicità aumentando la loro curiosità e attenzione38. Nel presente studio, il tracciamento oculare è stato utilizzato per misurare l’attenzione dei soggetti, inclusi parametri come la durata totale della fissazione, la durata media della fissazione, la frequenza di fissazione, la frequenza di saccade, la durata media della saccade e la lunghezza media del percorso di scansione.

In sintesi, questo studio propone un metodo di test di usabilità che combina valutazioni soggettive e oggettive con applicazioni AR come esempio. Per la valutazione soggettiva sono stati utilizzati un questionario di usabilità e una scala NASA-TLX e perla valutazione oggettiva sono state utilizzate misure multimodali che combinano fNIRS e eye tracking.

Progettazione sperimentale
Materiali sperimentali: per simulare un contesto di acquisto reale, è stato costruito uno scaffale di prodotto in un laboratorio e due diverse marche di acqua minerale sono state posizionate sullo scaffale come materiali sperimentali. Come beni essenziali, l’acqua minerale è stata selezionata perché i partecipanti non avrebbero avuto pregiudizi nelle valutazioni soggettive sulla base del loro background professionale, genere e capacità di acquisto. Il prezzo, la capacità e la familiarità dei marchi sono stati controllati (vedi Tabella dei materiali) per eliminare l’interferenza di variabili irrilevanti.

Il test di usabilità includeva due condizioni: un’applicazione AR basata su smartphone (Figura supplementare 1) e un sito Web (Figura supplementare 2). L’applicazione AR è stata programmata sulla base di un motore AR. Il sito web è stato sviluppato utilizzando Python, basato su Bootstrap per il front-end e Flask per il back-end. L’applicazione AR e il sito Web sono stati eseguiti e sfogliati su uno smartphone. Tra le due diverse marche di acqua minerale, una è stata utilizzata come materiale sperimentale nella condizione AR e l’altra è stata utilizzata nella condizione del sito web.

Attività sperimentali: ai partecipanti è stato chiesto di eseguire quattro attività di ricerca di informazioni derivate da contesti applicativi IoT: la qualità dell’acqua, la temperatura di conservazione, la dieta corrispondente e il prezzo al litro. Queste quattro informazioni sono ciò a cui i consumatori normalmente prestano attenzione quando acquistano acqua minerale. Non c’era alcun vincolo di tempo per i partecipanti per completare le attività.

Qualità dell’acqua: La qualità dell’acqua minerale comprende comunemente due indicatori: i solidi totali disciolti (TDS) e il valore del pH. Il TDS riflette il contenuto minerale e il valore del pH descrive l’acidità / alcalinità dell’acqua. Questi due indicatori sono legati agli oligoelementi contenuti nell’acqua minerale e influenzano il gusto. Ad esempio, Bruvold e Ongerth hanno diviso la qualità sensoriale dell’acqua in cinque gradi in base al suo contenuto TDS41. Marcussen et al. hanno scoperto che l’acqua ha buone qualità sensoriali nell’intervallo di 100-400 mg / L TDS42. Il valore TDS e pH delle due marche di acqua minerale utilizzate in questo studio sono stati misurati utilizzando rispettivamente TDS e pHmetri e quindi contrassegnati sull’applicazione AR e sul sito web. Durante l’esecuzione del compito, i partecipanti sono stati tenuti a segnalare i valori TDS e pH dell’acqua minerale e confermare se questi valori rientravano nell’intervallo nominale. Nella condizione AR, i partecipanti potevano acquisire queste informazioni scansionando la bottiglia d’acqua. Nelle condizioni del sito Web, ai partecipanti è stato richiesto di eseguire quattro passaggi: (1) trovare un codice numerico sul retro della bottiglia di acqua minerale, (2) inserire il codice numerico in una casella di query per ottenere i valori TDS e pH per l’acqua minerale, (3) cercare l’intervallo nominale per l’acqua minerale sul sito Web e (4) segnalare verbalmente se il valore TDS e pH rientrano nell’intervallo nominale per il prodotto.

Temperatura di stoccaggio: la qualità dell’acqua minerale può diminuire durante il trasporto e lo stoccaggio a causa di variazioni di temperatura. Gli esperimenti hanno dimostrato che la temperatura appropriata per l’acqua minerale è compresa tra 5 °C e 25 °C durante il trasporto e lo stoccaggio. In questo intervallo di temperatura, l’acqua non ha un cattivo odore43. Nel presente esperimento, la temperatura di conservazione dei due tipi di acqua minerale in luoghi diversi è stata contrassegnata sull’applicazione AR e sul sito web. Durante l’esecuzione del compito, ai partecipanti è stato richiesto di segnalare il luogo di stoccaggio e la temperatura corrispondente dell’acqua. Nella condizione AR, i partecipanti potevano acquisire queste informazioni scansionando la bottiglia d’acqua. Nelle condizioni del sito Web, i partecipanti potevano acquisire queste informazioni inserendo il codice numerico in una casella di query.

Dieta abbinata: diverse marche di acqua minerale sono adatte a menu diversi grazie alla loro composizione minerale unica e al contenuto di bolle44. Nel presente esperimento, le raccomandazioni dietetiche per le due acque minerali sono state contrassegnate sull’applicazione AR e sul sito web. Durante l’esecuzione del compito, ai partecipanti è stato richiesto di segnalare come l’acqua minerale corrisponde al cibo nel menu. Nella condizione AR, i partecipanti potevano acquisire queste informazioni scansionando la bottiglia d’acqua. Nelle condizioni del sito web, i partecipanti potevano cercare queste informazioni sul sito web.

Prezzo al litro: Attualmente, le etichette sulle bottiglie di acqua minerale in Cina non mostrano le informazioni sul prezzo al litro. Ciò rende difficile per i consumatori distinguere la differenza nei prezzi unitari dei diversi tipi di acqua minerale. Pertanto, il presente esperimento richiedeva ai partecipanti di segnalare il prezzo al litro. Nell’applicazione AR, i partecipanti potevano acquisire il prezzo al litro direttamente scansionando la bottiglia d’acqua. Nelle condizioni del sito web, le informazioni potrebbero essere calcolate dal prezzo unitario e dal volume sull’etichetta.

Questo studio ha utilizzato un disegno all’interno del partecipante, con criteri di inclusione ed esclusione dei partecipanti come descritto nella Tabella 1. Un totale di 40 partecipanti hanno completato l’esperimento (20 maschi e 20 femmine, età media = 21,31 ± 1,16 anni). Tutti i partecipanti erano studenti universitari della Jiangsu University of Science and Technology e sono stati disposti in modo casuale in due gruppi (A e B). Al fine di evitare l’effetto dell’ordine, l’ordine sperimentale è stato controbilanciato tra i due gruppi (A / B). In particolare, un gruppo ha eseguito prima la condizione AR e poi la condizione del sito Web, mentre l’altro gruppo ha eseguito prima la condizione Web e quindi la condizione AR. Ai partecipanti è stato richiesto di completare la preparazione per l’esperimento, indossare gli strumenti ed eseguire i compiti sperimentali. L’intervallo inter-esperimento è stato impostato su 10 s per consentire all’attivazione corticale di tornare al livello basale, evitando l’influenza incrociata nel compito successivo. Alla fine dell’esperimento AR / sito web, ai partecipanti è stato richiesto di completare il questionario di usabilità e la scala NASA-TLX. Il diagramma di flusso sperimentale è mostrato nella Figura 1. Una fotografia della configurazione sperimentale è presentata nella Figura 2.

Tabella 1: Criteri di inclusione ed esclusione dello studio. Clicca qui per scaricare questa tabella.

Figure 1
Figura 1: Diagramma di flusso sperimentale. Ogni esperimento è durato ~ 45 minuti, con un periodo di riposo di 10 s tra i compiti. Fare clic qui per visualizzare una versione ingrandita di questa figura.

Figure 2
Figura 2: Esempio di impostazione della scena sperimentale. Vengono mostrati i materiali sperimentali, il partecipante e l’attrezzatura. Fare clic qui per visualizzare una versione ingrandita di questa figura.

Protocol

Questo studio è stato condotto conformemente ai principi della Dichiarazione di Helsinki. Tutti i partecipanti sono stati informati dello scopo e della sicurezza dell’esperimento e hanno firmato il modulo di consenso informato prima della partecipazione. Questo studio è stato approvato dal comitato di revisione istituzionale della Jiangsu University of Science and Technology. 1. Procedura sperimentale Preparazione per l’esperimentoSpiegare il consenso infor…

Representative Results

I risultati rappresentativi di questo studio includono i risultati del questionario di usabilità, l’analisi dei dati di tracciamento oculare, i dati della scala NASA-TLX, l’analisi dei dati fNIRS e i cambiamenti dinamici del carico cognitivo. Per i risultati del questionario di usabilità, sono stati condotti analisi dei dati di tracciamento oculare, dati della scala NASA-TLX e analisi dei dati fNIRS, test di normalità e test di differenze. Per i cambiamenti dinamici del carico cognitivo, questo studio ha selezionato i…

Discussion

Passaggi critici all’interno del protocollo
Durante l’esperimento, sono stati considerati diversi passaggi per garantire l’affidabilità dei risultati. In primo luogo, i partecipanti che hanno familiarità con le marche di acqua minerale utilizzate nell’esperimento sono stati esclusi, perché questi partecipanti avrebbero eseguito il compito in base alla loro conoscenza del marchio. In secondo luogo, i partecipanti hanno completato un pre-esperimento utilizzando altre marche di acqua minerale, che è …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Questo studio è stato sostenuto dal Progetto di ricerca di filosofia e scienze sociali del Dipartimento provinciale dell’istruzione di Jiangsu (2018SJA1089), dalla borsa di studio del governo di Jiangsu per studi all’estero (JS-2018-262), dalla Fondazione di scienze naturali della provincia di Zhejiang (LY19G020018) e dalla National Natural Science Foundation of China (NSFC) (72001096).

Materials

AR Engine Unity Technologies 2020.3.1 AR development platform
AR SDK PTC Vuforia Engine 9.8.5 AR development kit
Eye Tracker (eye tracking glasses) SMI, Germany SMI ETG Head-mounted eye tracking
system
Eye Tracker Recording software SMI, Germany iViewETG Software Eye Tracker Recording software
fNIRS probes Artinis Medical Systems BV, Netherlands Artinis PortaLite Light source: Light emitting diodes
Wavelengths: Standard nominal 760 and 850 nm
fNIRS software Artinis Medical Systems BV, Netherlands OxySoft 3.2.70 fNIRS data recording and analysis software
Mineral Water Groupe Danone Badoit  Experimental material in the AR condition   Capacity: 330ml
Price: Equation 16
Mineral Water Nestlé Acqua Panna Experimental material in the website condition Capacity: 250ml
Price: Equation 15.4
Skin Preparation Gel Weaver and Company Nuprep Clean the forehead skin of the participants
Smartphone Xiaomi Redmi K30 Ultra Smartphone-based AR application and website

References

  1. Ameen, N., Hosany, S., Tarhini, A. Consumer interaction with cutting-edge technologies: Implications for future research. Computers in Human Behavior. 120, 106761 (2021).
  2. Javornik, A. Augmented reality: Research agenda for studying the impact of its media characteristics on consumer behaviour. Journal of Retailing and Consumer Services. 30, 252-261 (2016).
  3. Caboni, F., Hagberg, J. Augmented reality in retailing: a review of features, applications and value. International Journal of Retail & Distribution Management. 47 (11), 1125-1140 (2019).
  4. Kumar, H. Augmented reality in online retailing: a systematic review and research agenda. International Journal of Retail & Distribution Management. 50 (4), 537-559 (2022).
  5. Yim, M. Y. C., Park, S. Y. I am not satisfied with my body, so I like augmented reality (AR): Consumer responses to AR-based product presentations. Journal of Business Research. 100, 581-589 (2019).
  6. Chylinski, M., et al. Augmented reality marketing: A technology-enabled approach to situated customer experience. Australasian Marketing Journal. 28 (4), 374-384 (2020).
  7. Davis, F. D. . A Technology Acceptance Model for Empirically Testing New End-User Information Systems: Theory and Results. , (1985).
  8. Venkatesh, V., Morris, M. G., Davis, G. B., Davis, F. D. User acceptance of information technology: Toward a unified view. MIS Quarterly. 27 (3), 425-478 (2003).
  9. Davis, F. D. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly. 13 (3), 319-340 (1989).
  10. Chen, R., Perry, P., Boardman, R., McCormick, H. Augmented reality in retail: a systematic review of research foci and future research agenda. International Journal of Retail & Distribution Management. 50 (4), 498-518 (2022).
  11. Poushneh, A., Vasquez-Parraga, A. Z. Discernible impact of augmented reality on retail customer’s experience, satisfaction and willingness to buy. Journal of Retailing and Consumer Services. 34, 229-234 (2017).
  12. ISO. ISO 1998. Ergonomic requirements for office work with visual display terminals (VDTs)-Part 11: guidance on usability. ISO. , (2022).
  13. Hornbæk, K. Current practice in measuring usability: Challenges to usability studies and research. International Journal of Human-Computer Studies. 64 (2), 79-102 (2006).
  14. Tullis, T., Albert, B. . Measuring the User Experience: Collecting, Analyzing, and Presenting Usability Metrics. , (2008).
  15. Shneiderman, B., Plaisant, C., Cohen, M., Jacobs, S. M., Elmqvist, N. . Designing the User Interface: Strategies for Effective Human-Computer Interaction. , (2017).
  16. Morillo, P., Orduña, J. M., Casas, S., Fernández, M. A comparison study of AR applications versus pseudo-holographic systems as virtual exhibitors for luxury watch retail stores. Multimedia Systems. 25 (4), 307-321 (2019).
  17. Paas, F. G., Van Merriënboer, J. J. Instructional control of cognitive load in the training of complex cognitive tasks. Educational Psychology Review. 6 (4), 351-371 (1994).
  18. Ismail, R., Fabil, N., Saleh, A. Extension of pacmad model for usability evaluation metrics using goal question metrics (Gqm) approach. Journal of Theoretical and Applied Information Technology. 79 (1), 90-100 (2015).
  19. Fan, X., Chai, Z., Deng, N., Dong, X. Adoption of augmented reality in online retailing and consumers’ product attitude: A cognitive perspective. Journal of Retailing and Consumer Services. 53, 101986 (2020).
  20. Hart, S. G., Staveland, L. E. Development of NASA-TLX (Task Load Index): Results of empirical and theoretical research. Advances in Psychology. 52, 139-183 (1988).
  21. Petty, R. E., Cacioppo, J. T., Schumann, D. Central and peripheral routes to advertising effectiveness: The moderating role of involvement. Journal of Consumer Research. 10 (2), 135-146 (1983).
  22. He, L., Pelowski, M., Yu, W., Liu, T. Neural resonance in consumers’ right inferior frontal gyrus predicts attitudes toward advertising. Psychology & Marketing. 38 (9), 1538-1549 (2021).
  23. Riedl, R., Fischer, T., Léger, P. M., Davis, F. D. A decade of NeuroIS research: Progress, challenges, and future directions. ACM SIGMIS Database: the DATA BASE for Advances in Information Systems. 51 (3), 13-54 (2020).
  24. Vom Brocke, J., Liang, T. P. Guidelines for Neuroscience Studies in Information Systems Research. Journal of Management Information Systems. 30 (4), 211-234 (2014).
  25. Dimoka, A., Pavlou, P. A., Davis, F. NeuroIS: The potential of cognitive neuroscience for information systems research. Information Systems Research. 22 (4), 687-702 (2011).
  26. de Guinea, A. O., Titah, R., Léger, P. M. Explicit and implicit antecedents of users’ behavioral beliefs in information systems: A neuropsychological investigation. Journal of Management Information Systems. 30 (4), 179-210 (2014).
  27. Dimoka, A. How to conduct a Functional Magnetic Resonance (fmri) study in social science research. MIS Quarterly. 36 (3), 811-840 (2012).
  28. Dimoka, A., Davis, F. D. Where does TAM reside in the brain? The neural mechanisms underlying technology adoption. ICIS 2008 Proceedings. , 1-19 (2008).
  29. Moridis, C. N., Terzis, V., Economides, A. A., Karlovasitou, A., Karabatakis, V. E. Using EEG frontal asymmetry to predict IT user’s perceptions regarding usefulness, ease of use and playfulness. Applied Psychophysiology and Biofeedback. 43 (1), 1-11 (2018).
  30. Pinti, P., et al. A review on the use of wearable functional near-infrared spectroscopy in naturalistic environments. Japanese Psychological Research. 60 (4), 347-373 (2018).
  31. Piper, S. K., et al. A wearable multi-channel fNIRS system for brain imaging in freely moving subjects. Neuroimage. 85, 64-71 (2014).
  32. Quaresima, V., Ferrari, M. Functional Near-Infrared Spectroscopy (fNIRS) for assessing cerebral cortex function during human behavior in natural/social situations: A concise review. Organizational Research Methods. 22 (1), 46-68 (2019).
  33. Wang, J., et al. Exploring relationships between eye tracking and traditional usability testing data. International Journal of Human-Computer Interaction. 35 (6), 483-494 (2019).
  34. Dimoka, A., et al. On the use of neurophysiological tools in IS research: Developing a research agenda for NeuroIS. MIS Quarterly. 36, 679-702 (2012).
  35. Just, M. A., Carpenter, P. A. Eye fixations and cognitive processes. Cognitive Psychology. 8 (4), 441-480 (1976).
  36. Alex, P., Ball, L. J. Eye Tracking in Human-Computer Interaction and Usability Research: Current Status and Future. Encyclopedia of Human Computer Interaction, IGI Global. , 211-219 (2006).
  37. Just, M. A., Carpenter, P. A. A theory of reading: from eye fixations to comprehension. Psychological Review. 87 (4), 329 (1980).
  38. Yang, S., Carlson, J. R., Chen, S. How augmented reality affects advertising effectiveness: The mediating effects of curiosity and attention toward the ad. Journal of Retailing and Consumer Services. 54, 102020 (2020).
  39. Debie, E., et al. Multimodal fusion for objective assessment of cognitive workload: A review. IEEE Transactions on Cybernetics. 51 (3), 1542-1555 (2021).
  40. Işbilir, E., Çakır, M. P., Acartürk, C., Tekerek, A. &. #. 3. 5. 0. ;. Towards a multimodal model of cognitive workload through synchronous optical brain imaging and eye tracking measures. Frontiers in Human Neuroscience. 13, 375 (2019).
  41. Bruvold, W. H., Ongerth, H. J. Taste quality of mineralized water. Journal-American Water Works Association. 61 (4), 170-174 (1969).
  42. Marcussen, H., Holm, P. E., Hansen, H. Chr.B. Composition, flavor, chemical food safety, and consumer preferences of bottled water. Comprehensive Reviews in Food Science and Food Safety. 12 (4), 333-352 (2013).
  43. Whelton, A. J., Dietrich, A. M. Relationship between intensity, concentration, and temperature for drinking water odorants. Water Research. 38 (6), 1604-1614 (2004).
  44. (LIFESTYLE) What your choice of water says about you. FT live Available from: https://m.ftchinese.com/story/001006284/en?archive (2006)
  45. Pellegrini-Laplagne, M., et al. Effect of simultaneous exercise and cognitive training on executive functions, baroreflex sensitivity, and pre-frontal cortex oxygenation in healthy older adults: a pilot study. GeroScience. , (2022).
  46. Delpy, D. T., et al. Estimation of optical pathlength through tissue from direct time of flight measurement. Physics in Medicine & Biology. 33 (12), 1433-1442 (1988).
  47. Han, W., Gao, L., Wu, J., Pelowski, M., Liu, T. Assessing the brain ‘on the line’: An ecologically-valid assessment of the impact of repetitive assembly line work on hemodynamic response and fine motor control using fNIRS. Brain and Cognition. 136, 103613 (2019).
  48. Spiers, H. J., Maguire, E. A. Decoding human brain activity during real-world experiences. Trends in Cognitive Sciences. 11 (8), 356-365 (2007).
  49. Spence, C. Neuroscience-Inspired Design: From Academic Neuromarketing to Commercially Relevant Research. Organizational Research Methods. 22 (1), 275-298 (2019).
  50. Grasso-Cladera, A., Costa-Cordella, S., Rossi, A., Fuchs, N. F., Parada, F. J. Mobile brain/body imaging: Challenges and opportunities for the implementation of research programs based on the 4E perspective to cognition. Adaptive Behavior. , 1-26 (2022).
  51. Krampe, C., Strelow, E., Haas, A., Kenning, P. The application of mobile fNIRS to "shopper neuroscience" – first insights from a merchandising communication study. European Journal of Marketing. 52, 244-259 (2018).
  52. Meade, A. W., Watson, A. M., Kroustalis, C. M. Assessing common methods bias in organizational research. 22nd annual meeting of the society for industrial and organizational psychology. , 1-10 (2007).
  53. Liang, T. P., Lin, Y. L., Shiau, W. L., Chen, S. F. Investigating common method bias via an EEG study of the flow experience in website design. Journal of Electronic Commerce Research. 22 (4), 305-321 (2021).
  54. Kim, Y. M., Rhiu, I., Yun, M. H. A systematic review of a virtual reality system from the perspective of user experience. International Journal of Human-Computer Interaction. 36 (10), 893-910 (2020).

Play Video

Cite This Article
Wu, J., Zhang, D., Liu, T., Yang, H. H., Wang, Y., Yao, H., Zhao, S. Usability Evaluation of Augmented Reality: A Neuro-Information-Systems Study. J. Vis. Exp. (189), e64667, doi:10.3791/64667 (2022).

View Video