Цель: выявить причины изменения внимания при использовании интерфейсов дополненной реальности (AR) — какие технические и содержательные факторы приводят к перераспределению, снижению или переключению внимания.
Краткая схема исследования
- Дизайн: внутри‑subject (кроссовер) с манипуляциями AR‑факторов; дополнительно между‑subject фактор для сравнения устройств/модальностей при необходимости.
- Участники: здоровые взрослые, возрастной диапазон задаётся задачей; рекомендуемая мощность исследования — примерно $\approx 32$ человек для обнаружения среднего эффекта ($d=0.5$) с мощностью $\beta =0.8$ и $\alpha =0.05$, по формуле
$$n={\left(\frac{Z_{1-\alpha /2}+Z_{1-\beta }}{d}\right)}^2,Z_{1-\alpha /2}=1.96,Z_{1-\beta }=\mathrm{0.84.}$$
Гипотезы (примерные)
1. Визуальный шум (clutter) в AR приводит к увеличению времени реакции и уменьшению точности: предсказание — рост средних RT и снижение accuracy.
2. Задержка рендеринга (latency) увеличивает когнитивную нагрузку и частоту переключений внимания: предсказание — увеличение диаметра зрачка и числа переключений взгляда.
3. Ошибка регистрации (misregistration) повышает количество фиксирующих возвращений к реальному объекту и ухудшает качество выполнения задачи.
4. Аудио‑подсказки частично компенсируют визуальную перегрузку, уменьшая визуальную нагрузку и число ошибок.
Независимые переменные (манипуляции)
- Уровень визуального шума: низкий / средний / высокий.
- Задержка: $\text{latency}=0\text{ms},100\text{ms},200\text{ms}$.
- Регистрация: точная / смещение $\Delta x,\Delta y$ (например $\{0,5^{\circ },10^{\circ }\}$).
- Модальность подсказки: визуальная / аудио / комбинированная.
- Контроль: реальное (non‑AR) условие.
Зависимые переменные (сбор данных)
- Поведенческие: время реакции (RT), точность/ошибки, количество забытых шагов в задаче.
- Глазодвигательные: время фиксаций, частота саккад, время взгляда на AR vs реальный мир, дисперсия взгляда; метрики из eye‑tracking.
- Пупиллометрия: средний диаметр зрачка (как индикатор нагрузки).
- Нейрофизиология (опционально): EEG (ERP компоненты, например P300 как индекс внимания), частоты (theta, alpha) — требуются мобильные/короткие протоколы.
- Субъективные: NASA‑TLX, SSQ (если HMD), шкалы воспринимаемой нагрузки/дискомфорта.
- Логи интерфейса: время и тип взаимодействий, пропуски/подсказки, fps и реальные задержки.
Задачи/процедуры
- Базовая задача внимания: визуальный поиск (найти цель в сцене) с параллельной вторичной задачей (аудит. сигнал — ответ), чтобы измерять переключение.
- Экологичные сценарии: навигация с AR‑метками, сбор/сборка объектов по инструкциям AR.
- Блоки: каждый участник проходит все уровни каждой манипуляции; порядок условий контрбалансируется латинским квадратом.
Контроль побочных факторов
- Порядок/обучение: рандомизация и контрбалансировка; предусмотреть тренировочный блок.
- Усталость: ограничивать продолжительность сессии ($\le 60$ минут), между блоками перерывы.
- Индивидуальные различия: собирать ковариаты (возраст, зрение, опыт с AR, рабочая память); при анализе использовать смешанные модели с случайными эффектами участника.
- Окружающая среда: постоянное освещение, звук, одинаковые маркеры/объекты; калибровка eye‑tracker и HMD перед каждым участником.
- Точность устройств: логировать реальные fps/latency/регистрацию; контролировать разрешение и яркость.
- Мотивация/стимулы: одинаковое вознаграждение, инструкции стандартизированы.
- Множественные сравнения: контролировать через FDR или Bonferroni.
Анализ данных
- Предобработка: фильтрация артефактов (EEG/eye‑tracking), синхронизация логов по времени.
- Статистика:
- Для основных эффектов и взаимодействий: ANOVA или линейные смешанные модели, например
$$Y_{ij}={\beta }_0+{\beta }_1{X}_{1ij}+{\beta }_2{X}_{2ij}+\cdots +u_{0i}+{\epsilon }_{ij},$$ где $u_{0i}$ — случайный перехват участника.
- Для времени‑зависимых данных (gaze traces, ERPs) — временные сравнения с поправкой на множественные сравнения.
- Проверка гипотез: отчёт эффект‑сайзов (Cohen's $d$ или частный ${\eta }^2$), доверительные интервалы и p‑значения ($p<0.05$ с коррекцией).
- Медиаторы/модераторы: тестирование, например, влияет ли опыт с AR (модератор) на связь между визуальным шумом и RT; медиатором может быть pupil size.
Практические замечания
- Предварительный пилот (\(\approx 6\mbox{–}10\) участников) для калибровки уровней шума/latency и теста метрик.
- Жёсткая синхронизация событий между HMD, eye‑tracker и EEG (если используется).
- Этические соображения: информированное согласие, мониторинг укачивания (SSQ), возможность прервать эксперимент.
Критерии причинности
- Для вывода о причинных факторах нужны чёткие манипуляции (экспериментальные условия), репликация эффектов в разных задачах и анализ медиаторов (например, если latency → pupil → RT, то pupil выступает медиатором нагрузки). Используйте перекрёстные проверки (модельная проверка + поведенческие данные + физиологические маркеры).
Краткий план отчёта результатов
- Описать влияния каждой манипуляции на поведение и физиологию; показать, какие факторы прямо повышают нагрузку/переключения внимания; рекомендовать дизайн AR (минимизация clutter, допустимые задержки, роль аудио) на основе выявленных эффектов.
Если нужно, могу предложить конкретный протокол эксперимента с временной сеткой блоков, уровней манипуляций и шаблонами инструкций.