این مطالعه بررسی می کند که چگونه توجه کاربران نقشه خبره و مبتدی تحت تأثیر ویژگی های طراحی نقشه نقشه های وب دو بعدی با ساخت و به اشتراک گذاری چارچوبی برای تجزیه و تحلیل حجم زیادی از داده های ردیابی چشم است. هدف ما پاسخ به سؤالات تحقیقاتی زیر است: (i) کدام نشانه های نقشه به راحتی به خاطر سپرده می شوند؟ (به یاد ماندنی)، (ii) چگونه دشواری کار و عملکرد تشخیص مرتبط هستند؟ (سختی کار)، و (iii) کارشناسان و تازه کارها از نظر عملکرد تشخیص چگونه با هم تفاوت دارند؟ (تجربه و تخصص). در این زمینه، ما یک چارچوب تحلیل خودکار منطقه مورد علاقه (AOI) برای ارزیابی مدت زمان تثبیت شرکت‌کنندگان و ارزیابی تأثیر ویژگی‌های نقشه خطی و چند ضلعی بر حافظه فضایی ایجاد کردیم. نتایج ما الگوهای توجه مرتبط با کار را توسط همه شرکت‌کنندگان نشان می‌دهد، و تخصیص بهتر توجه انتخابی توسط کارشناسان. با این حال، به طور کلی، ما مشاهده می کنیم که نوع کار و نوع ویژگی نقشه بیش از تخصص در هنگام به خاطر سپردن محتوای نقشه اهمیت دارد. ویژگی‌های نقشه غالباً چند ضلعی مانند مناطق هیدروگرافی و اتصالات جاده‌ای به‌عنوان ویژگی‌های مهم از نظر خواندن نقشه و به یاد ماندنی عمل می‌کنند. ما مجموعه داده خود را با عنوان CartoGAZE در دسترس عموم قرار می دهیم.

کلید واژه ها:

ردیابی چشم ؛ AOI ; حافظه فضایی ؛ خاطره انگیز بودن ؛ قابلیت استفاده نقشه کشی ; دشواری کار ؛ تخصص ; مجموعه داده ردیابی چشم ; نقشه های ناوبری

1. مقدمه و پیشینه

نقشه ها برای زندگی روزمره ما ضروری هستند. علاوه بر وظایف ناوبری یا راهیابی، ما از آنها به عنوان کمک بصری برای یادگیری در مورد پدیده های متفاوت از توزیع های آماری تا مناظر استفاده می کنیم تا نحوه سازماندهی محیط فضایی خود را بررسی کنیم. در حالی که برخی از نقشه‌ها بسیار تخصصی هستند، معمولاً نقشه‌هایی هستند که به صورت آنلاین ارائه می‌شوند و برای مخاطبان عمومی طراحی شده‌اند، مانند Google Maps، Apple Maps و OpenStreetMap.
چه برای عموم مردم طراحی شده باشند و چه برای گروه های کاربری تخصصی، یک راه اساسی برای فکر کردن در مورد طراحی نقشه از طریق متغیرهای بصری است ، مانند اندازه، موقعیت، شکل، جهت، بافت، رنگ رنگ، و مقدار (سبکی یا شدت) [ 1 ]. ]. این متغیرهای بصری اولیه معمولاً قابل تغییر هستند و می‌توان آن‌ها را در هر نقشه (یا هر نمایش فضایی دیگر) یافت و می‌توان از آنها برای هدایت فرآیند طراحی و کمک به توصیف عناصر نقشه استفاده کرد. نحوه طراحی این متغیرهای بصری و در نتیجه نحوه توزیع محتوا در منطقه ترسیم نقشه، می تواند تأثیر زیادی بر شناخت فضایی انسان هنگام کار با نقشه ها داشته باشد [ 2 ]]. علاوه بر این متغیرهای بصری قابل تغییر، برای یک نقشه از محیط (به عنوان مثال، نقشه موضوعی)، عناصر ساختاری اصلی نقشه‌ها مانند جاده‌های اصلی، مناطق سبز اصلی و ویژگی‌های هیدروگرافی به‌عنوان نشانه‌های بصری در اطراف عمل می‌کنند. نقشه خوان ها خود را جهت یابی می کنند و دانش فضایی را کسب می کنند [ 3 ]. ما این عناصر نقشه ساختاری اصلی را “نقشه های شاخص نقشه” می نامیم.
حرکات چشم بینشی را در مورد رویه های شناختی دخیل در کسب دانش فضایی، به عنوان مثال، در شکل گیری بازنمایی های ذهنی و سازماندهی سلسله مراتبی نشانه های نقشه در فرآیندهای تفکر فضایی [ 4 ، 5 ، 6 ، 7 ] ارائه می دهد. با این حال، کسب دانش فضایی از نقشه ها کاملاً درک نشده است و تحقیقات بیشتری در مورد سؤالاتی مانند موارد زیر مورد نیاز است:
  • کدام نشانه های نقشه به راحتی به یاد می آیند؟ ( به یاد ماندنی )
  • دشواری کار و عملکرد تشخیص (یا یادآوری نشانه ای) چگونه مرتبط هستند؟ ( سختی کار )
  • چگونه کارشناسان و تازه کارها از نظر عملکرد تشخیص تفاوت دارند؟ ( تخصص )
این مقاله عمدتاً با انگیزه سؤالات علوم بنیادی – بازتولید نتایج روانشناسی ادراکی با نقشه ها برای درک بهتر پردازش اطلاعات مکانی انسانی – به جای سؤالات کاربردی است. اگرچه ما در نهایت ارتباط روزمره با مطالعه خود را می بینیم، به عنوان مثال، هنگام رانندگی یا پیاده روی، اگر نقشه ها برای تقویت به یاد ماندنی طراحی شده اند، با دانش به دست آمده در مطالعاتی مانند: مال ما علاوه بر این، درک ویژگی های بصری آنچه در زمینه استفاده از نقشه به یاد ماندنی است و تشخیص آن آسان تر است، ممکن است به طور بالقوه به ارتباطات آموزشی و اجتماعی-سیاسی بهتر کمک کند. به همین دلیل است که بررسی ارتباط بین شناخت، به یاد ماندنی و تخصص که از طریق وظایف بصری-فضایی کاوش می شود هم ارتباط اساسی و هم در نهایت علم کاربردی دارد. با توجه به زمینه بالا، در زیر به طور خلاصه به بررسی کار مرتبط با آن می پردازیمبه یاد ماندنی ، یادآوری نشانه ای و دشواری کار و تخصص در حافظه فضایی در حوزه های روانشناسی ادراکی، شناخت و علم اطلاعات مکانی.
به یاد ماندنی، شناخت و یادآوری. در ارتباط با اولین سوال تحقیقاتی ما “کدام نشانه های نقشه به راحتی به خاطر سپرده می شوند”، ما برخی از موارد مشابه را با تحقیقات موجود در مورد به یاد ماندنی تصویر و تجسم ترسیم می کنیم. یک سوال مهم در این گوشه از تحقیق این است که “اگر تشخیص تصویر دشوار است، آیا به خاطر آوردن آن نیز دشوار است؟” [ 8 ]. علیرغم تنوع در تجربیات و ویژگی‌های فردی، مطالعات در روان‌شناسی و علوم اعصاب نشان می‌دهد که می‌توان میزان به یاد ماندنی یک تصویر را کمیت کرد و آن را برای تعداد معقولی از موارد پیش‌بینی کرد [ 9 ]. برای وظایف یادآوری تصویر، همانطور که توسط نقاشی های مبتنی بر حافظه اندازه گیری می شود، Bainbridge و همکاران. [ 10] دریافت که برجستگی بصری و «نقشه‌های معنا» می‌توانند جنبه‌های عملکرد حافظه را توضیح دهند، اما هیچ رابطه‌ای بین یادآوری و تشخیص تصاویر فردی مشاهده نکردند. این مشاهدات تا حدودی با نتایج تحقیقات در قابلیت نامگذاری متناقض است، جایی که نشان داده شده است که اگر ویژگی های بصری مانند رنگ ها قابل نامگذاری باشند، به خاطر سپردن آنها نیز آسان تر است [ 11 ]. با توجه به اینکه ارتباط بین یادآوری و شناسایی به طور کامل ایجاد نشده است، پس چه چیزی یک تجسم را به یاد ماندنی می کند؟ همانطور که بورکین و همکاران. [ 12 ] بیان کرد: «در شناخت انسان، درک و خاطره‌انگیز بودن در هم تنیده شده‌اند»، خاطره‌انگیزی باید هم شامل شناخت و هم یادآوری شود و در حالت ایده‌آل منجر به ماندگاری طولانی‌مدت شود. بورکین و همکاران [ 12] دقیقاً بررسی کنید که اگر تجسم‌ها تصویر بودند، چگونه به خاطر سپرده می‌شدند، و نشان می‌داد که تجسم‌های حاوی پیکتوگرام، رنگ بیشتر، نسبت داده به جوهر پایین، تراکم بصری بالا، و آن‌هایی که حاوی ویژگی‌های جدید و غیرمنتظره هستند، به یاد ماندنی‌تر از «تمیز» هستند. تجسم ها و آنهایی که دارای تنوع محدود هستند [ 12 ]. یافته های بورکین و همکاران [ 12 ] به طور کلی با یافته های لنهبرگ [ 11 ] در مورد قابلیت نامگذاری رنگ موافق است. با این حال، توجه به این نکته مهم است که کار بورکین و همکاران در سطحی متفاوت (از آنجایی که با تجسم ها سروکار دارد) نسبت به سایر مطالعاتی است که در اینجا ذکر می کنیم، جایی که تمرکز بیشتر بر حافظه اصلی صحنه طبیعی است [ 13 ].]. بیشتر نقشه‌ها نسبت به صحنه‌های طبیعی به تجسم‌ها نزدیک‌تر هستند، و وقتی صحبت از نقشه‌ها می‌شود، نشان داده شده است که وجود نشانه‌های بصری روی نقشه می‌تواند یادآوری مسیر را بهبود بخشد [ 14 ]. به طور خاص، مطالعات ردیابی چشم نشان داده است که ویژگی‌های نقشه خطی مانند جاده‌ها یا رودخانه‌ها برای یادگیری و به خاطر سپردن آسان‌تر بود، حتی اگر بینندگان به این ویژگی‌ها توجه صریح زیادی نداشتند (به عنوان مثال، [ 15 ، 16 ، 17 ]). علاوه بر این، نشانه های نقشه مانند جزئیات توپوگرافی و خطوط شبکه به نظر می رسد که توجه بینندگان را به سمت مکان های اشیاء قابل یادگیری هدایت می کند و عملکرد حافظه را بهبود می بخشد [ 18 ، 19 ].
یادآوری و دشواری کار. سوال تحقیق دوم ما در مورد دشواری کار در مقابل عملکرد یادآوری نشانه‌ای عمدتاً توسط ادبیات مربوط به حافظه کاری (WM) ارائه شده است. WM به سیستم‌ها و فرآیندهای دخیل در کنترل، تنظیم و نگهداری فعال دانش مربوط به کار در خدمت شناخت پیچیده در طول وظایف جدید و آشنا اشاره دارد [ 20 ]. همانطور که چای و همکاران. [ 21] بیان کرد، WM به شدت درگیر فعالیت های هدفمند است که در آن اطلاعات باید نگهداری و اصلاح شوند تا کار با موفقیت انجام شود. بار شناختی ارتباط نزدیکی با ظرفیت حافظه کاری دارد و استفاده بیش از حد از WM بیشتر نتیجه توجه اختصاص داده شده به خواسته های کار است. بنابراین، موفقیت در انجام یک کار توسط منابع شناختی تخصیص داده شده برای آن کار و مدت زمان این تخصیص تعیین می شود [ 22 ، 23 ، 24 ]. مطالعات اخیر بر روی وظایف یادآوری دیداری-فضایی که پیچیدگی بصری و تفاوت‌های فردی را کنترل می‌کنند، به تأثیر ظرفیت WM و دشواری کار بر میزان دانش فضایی به‌دست‌آمده اشاره می‌کنند (به عنوان مثال، [ 25 ، 26 ، 27 ]]). به عنوان مثال، Lokka و Çöltekin [ 27] ظرفیت حافظه دیداری-فضایی در یادگیری مسیر در محیط های مجازی را مورد مطالعه قرار داد و دریافت که اگرچه کاهش پیچیدگی بصری دقت یادآوری را بهبود می بخشد، نرخ موفقیت به طور خاص پایین (حدود 60٪) در یک کار دشوار است که نیاز به تغییر دیدگاه دارد. یافته‌هایی از این دست نشان می‌دهد که دستکاری طراحی بصری تنها زمانی می‌تواند کارهای زیادی انجام دهد که وظایف به سطوح بالایی از پردازش شناختی نیاز داشته باشند. این با یافته‌های سایر رشته‌ها مطابقت دارد، در واقع، پیوندهای به خوبی بین پیچیدگی کار بصری و فضایی و بار شناختی وجود دارد. در مطالعاتی که بر روی اندازه گیری ظرفیت حافظه کاری یا بار شناختی تمرکز دارند، نشان داده شده است که تقسیم توجه (یعنی سناریوهای وظیفه دوگانه) و پیچیدگی پدیده ها (مانند کلمات، مسیرها، اشکال) عملکرد یادآوری را مختل می کند [ 28 ,29 ، 30 ].
تجربه و تخصص. در حالی که دشواری کار مهم است، مواجهه قبلی فرد با کارهای مشابه (یعنی تخصص آنها) ممکن است میزان دشواری یک کار را برای یک فرد تعدیل کند. آخرین سوال پژوهشی ما به تأثیر تخصص بر حافظه (فضایی) مربوط می شود، بنابراین در اینجا به طور خلاصه به ارائه کار مرتبط می پردازیم. نقش تخصص در انجام وظیفه موضوع مورد توجه بسیاری از رشته‌ها بوده است که تبادل کمی بین آنها وجود دارد [ 31 ]. برامز و همکاران [ 32 ] یک بررسی سیستماتیک در مورد نقش تخصص بر اساس سه گزارش نظری ارائه می‌کند: نظریه حافظه کاری بلندمدت [ 33 ]، فرضیه کاهش اطلاعات [ 34 ]، و مدل کل‌نگر ادراک تصویر [ 35 ].]. این چارچوب‌های نظری فرآیندهای اساسی را توصیف می‌کنند که چگونه عملکرد متخصص تحت تأثیر مهارت‌های ادراکی-شناختی قرار می‌گیرد و برامز و همکاران. [ 32 ] اعتبار هر یک را بر اساس ویژگی های نگاه بررسی کنید. به عنوان مثال، در جستجوهای بسیار کارآمد، توجه به آیتم مورد نظر هدایت می شود و بقیه صحنه بی ربط می شود. این مدل جستجوی هدایت شده [ 36 ] نامیده می شود و اساس فرضیه کاهش اطلاعات را تشکیل می دهد. در این حالت، انتظار می‌رود که بیننده مدت زمان تثبیت طولانی‌تری داشته باشد و تعداد تثبیت‌های بیشتری در نواحی مرتبط با کار و بالعکس در نواحی نامرتبط داشته باشد که در نتیجه تخصیص توجه انتخابی بالایی دارد [ 37 ].]. وظایف ادراکی-شناختی را می توان با تخصیص توجه انتخابی به طور مؤثرتری تکمیل کرد. اگرچه هیچ نظریه‌ای با همه حوزه‌های تخصص مطابقت ندارد، برامز و همکاران. [ 32 ] نتیجه می گیرند که متخصصان می توانند توجه خود را به اطلاعات مرتبط (بصری-فضایی) به حداکثر برسانند و عملکرد را در وظایف ادراکی-شناختی خاص بهینه کنند. به طور کلی درک می شود که با وجود شواهد محدود در مورد تفاوت های فردی در فرآیندهای شناختی در هنگام اجرای وظایف مربوط به نقشه، تخصص اهمیت دارد (به عنوان مثال، [ 38 ، 39 ]). در یک مثال اولیه، Thorndyke and Stasz [ 40] توانایی های متخصص و تازه کار را برای یادگیری و یادآوری اطلاعات ارائه شده از طریق نقشه های پلان سنجی معمولی بررسی کرد و تفاوت معنی داری بین آنها پیدا نکرد. کولهوی و همکاران در مطالعه دیگری با یافتن تفاوت‌های متوسط ​​بین متخصصان و تازه‌کارها. [ 41 ] حدس زد که دانش نقشه کلی که تازه کارها از قرار گرفتن در معرض روزمره به دست می آورند ممکن است توضیح دهد که چرا عملکرد آنها با کارشناسان قابل مقایسه است [ 41 ]. بر اساس ادبیات ردیابی چشم موجود، می‌دانیم که متخصصان الگوهای اسکن چشم را بهتر تعریف کرده‌اند، اغلب زمان‌های واکنش و تثبیت‌های کوتاه‌تر، تثبیت‌های بیشتر در ثانیه (به عنوان مثال، [ 17 ، 42 ، 43 ، 44 ])، و ساکاد کمتری دارند. به عنوان مثال، [ 45])، که احتمالاً همه آنها با بار شناختی کمتری در متخصصان در مقایسه با افراد غیرمتخصص مرتبط هستند. به طور مشابه، در مطالعه‌ای که نقشه‌های پیچیده خاک با دسته‌های مختلف خاک نشان داده شده بود، افرادی که سطح تخصص بالاتری را گزارش می‌کردند، در مجموع از افرادی که این کار را انجام نمی‌دادند عملکرد بهتری داشتند، در حالی که طراحی افسانه و دشواری کار این نتایج را تعدیل یا حتی معکوس کرد [ 46 ]. با این حال، در برخی از مطالعات، تفاوت معنی داری بین گروه خبره و تازه کار مشاهده نشد [ 47 ، 48 ]. به عنوان مثال، Keskin و همکاران. [ 5] تفاوت معنی داری را بین متخصصان و تازه کارها در وظایف حافظه فضایی مشاهده نکرد، احتمالاً به دلیل اثر سقفی (میزان موفقیت بالا در هر دو گروه)، که در آن شرکت کنندگان با نقشه های ناوبری آشنای Google کار می کردند (یعنی نقشه های سنتی نقشه برداری که بسیاری از مردم از آن استفاده می کنند. روز).

مشارکت های ما

به خوبی درک شده است که به همان اندازه که وظیفه و تخصص، ویژگی های طراحی نقشه نقش مؤثری بر فرآیندهای شناختی و عملکرد یادگیری کاربران دارد، از این رو، ارزیابی آنها به افزایش طراحی و قابلیت استفاده محصولات کارتوگرافی کمک می کند. به طور خاص، به دست آوردن بینش دقیق در مورد رفتار نگاه کاربران نقشه به هدایت طراحی نقشه به سمت تفکر کاربر محور کمک می کند، و در نتیجه نقشه های قابل استفاده و مفیدتری به دست می آید. این مطالعه با هدف تعیین اینکه چگونه توجه کاربران نقشه خبره و مبتدی به طور متفاوت تحت تأثیر ویژگی های طراحی نقشه نقشه های وب دو بعدی بر اساس یک چارچوب روش شناختی اصلی برای تجزیه و تحلیل حجم زیادی از داده های ردیابی چشم قرار می گیرد. متفاوت از کار قبلی، ما به سوالات تحقیقی که قبلا ذکر شد بر اساس تجزیه و تحلیل منطقه مورد علاقه (AOI) پاسخ می دهیم.
علاوه بر این، مجموعه داده‌های غنی حرکات چشم خود را با این نشریه توزیع می‌کنیم که علاوه بر آنچه در این نشریه ارائه شده، ارزشی برای تحقیقات روش‌شناختی در مورد تجزیه و تحلیل حرکات چشم فراهم می‌کند. بیشتر مجموعه داده‌های حرکت چشم باز (به عنوان مثال، [ 49 ]) شامل داده‌هایی از شرایط «مشاهده آزاد» است به این معنا که شرکت‌کنندگان معمولاً وظایف خاصی را انجام نمی‌دهند. این مجموعه داده ها را می توان در تجزیه و تحلیل های برجسته استفاده کرد (به عنوان مثال، [ 50])، اما اطلاعاتی را برای ارزیابی های شناختی وظیفه محور ارائه نمی کنند. ما یک مجموعه داده حاوی داده‌های بزرگ حرکت چشم همراه با محرک‌های نقشه، فایل‌های AOI، شرح وظایف، و جزئیات کامل رویه‌ای را برای تکرارپذیری نتایج و ایجاد فرصت‌هایی برای تحقیقات آینده به اشتراک می‌گذاریم. علاوه بر انتشار تجزیه و تحلیل داده‌های تجربی از یک آزمایش کنترل‌شده، باز کردن مجموعه داده‌های ما و ارائه پروتکل‌های تجزیه و تحلیل، مشارکت اصلی این نشریه است. توزیع رایگان مجموعه داده جمع‌آوری‌شده در جامعه علمی می‌تواند (1) فرصتی را برای دانشمندان دیگر فراهم کند تا نتایج تحقیقات ما را با تجزیه و تحلیل بیشتر و همچنین بررسی رویکردهای روش‌شناختی جدید (مثلاً با گنجاندن شاخص‌های جدید و/یا روش‌های تجسم انبوه) گسترش دهند. ) (ب) کمک به فرآیند مدل‌سازی محاسباتی توجه بصری برای این نوع خاص از محرک‌های بصری (یعنی نقشه‌ها). و (iii) از مطالعات مربوط به کاربردهای هوش مصنوعی (AI) پشتیبانی می کند.

2. روش شناسی

2.1. طراحی آزمایش

برای بررسی سؤالات پژوهشی فوق در مورد به یاد ماندنی، دشواری کار و تخصص، بر اساس بینش به دست آمده در تحقیقات قبلی و شواهد تجربی یافت شده در ادبیات مربوطه، فرضیه های زیر را فرموله کردیم:
  • H1: تخصص x دشواری کار: کارشناسان ممکن است زمان بیشتری را صرف کنند و مدت زمان تثبیت طولانی‌تری برای ویژگی‌های مرتبط با کار نسبت به افراد تازه‌کار داشته باشند، به دلیل توانایی آن‌ها در شناسایی موارد مرتبط با کار، و همچنین احتمالاً انگیزه بالاتر برای تکمیل وظایف داده شده.
  • H2: دشواری کار x تخصص : دشواری کار ممکن است اثرات مشاهده شده در H1 را به دلیل افزایش بار شناختی، به ویژه برای کاربران غیرمتخصص، تعدیل کند.
  • H3: ویژگی نقشه نوع x تخصص (1): ویژگی‌های نقشه پیچیده (مثلاً اتصالات جاده‌ای) و اندازه بزرگ، هرچند ساده (مثلاً مناطق سبز و مناطق هیدروگرافی) ممکن است توجه بیشتری را به خود جلب کنند و در نتیجه به یاد ماندنی‌تر از پیچیدگی متوسط ​​باشند. ویژگی های ناشی از جفت شناخته شده بین توجه و به یاد ماندنی. ما انتظار داریم که این تأثیر برای کاربران متخصص بیشتر باشد زیرا ممکن است بیشتر رانده شوند (استدلال مشابه H1).
  • H4: ویژگی نقشه نوع x تخصص (2): تفاوت‌های توجه و حافظه بین متخصصان و تازه‌کارها ممکن است در ویژگی‌های نقشه چندضلعی بارزتر باشد، زیرا کار قبلی نشان داده است که ویژگی‌های خطی بدون توجه به تخصص آسان‌تر قابل یادگیری و به خاطر سپردن هستند.
برای آزمایش این فرضیه‌ها، ما یک آزمایش طراحی بلوک تصادفی فاکتوریل مختلط را طراحی کردیم که در آن متغیرهای مستقل ما به شرح زیر است : پنج ویژگی نقشه (همه آنها بر اساس اسکرین شات‌های «نقشه‌های ناوبری» گوگل هستند)، هفت نوع وظیفه که ویژگی‌های خطی و چند ضلعی را نشان می‌دهند. بلوک های آزمایشی، و دو سطح تخصص (یعنی کارشناسان در مقابل تازه کار). وظایف بر اساس ارزیابی کیفی و مطالعات آزمایشی به سه سطح دشواری گروه بندی می شوند. آسان، متوسط ​​و سخت ( بخش 2.4 ). شکل 1 نمای کلی طرح آزمایش ما و متغیرهای مستقل اصلی را نشان می دهد. به عنوان متغیرهای وابسته ، زمان واکنش و میزان موفقیت (دقت) را اندازه گیری کردیم ( بخش 3.3، و مدت زمان تثبیت داده های جمع آوری شده حرکت چشم را تجزیه و تحلیل کرد. ما سن و جنسیت شرکت کنندگان هر دو گروه، اندازه صفحه نمایش و تعداد بلوک های آزمایشی را کنترل کردیم.
در بخش‌های بعدی، ابتدا آزمایش خود را (دستگاه، شرکت‌کنندگان، وظیفه، محرک‌ها و روش‌ها) بیشتر توضیح می‌دهیم و رویکردهای تحلیل جدیدی را که بررسی کردیم توضیح می‌دهیم.

2.2. دستگاه

حرکات چشم شرکت کنندگان با یک ردیاب چشم غیر تماسی SMI RED250 که روی مانیتور محرک نصب شده بود، ثبت شد. این محرک روی یک نمایشگر رنگی 22 اینچی با وضوح 1680 × 1050 پیکسل نشان داده شد. برای جلوگیری از حرکت سر و حفظ فاصله ثابت، شرکت‌کنندگان در فاصله 70 سانتی‌متری از صفحه نمایش قرار گرفتند. موقعیت افقی و عمودی چشم برای هر دو چشم با نرخ فرکانس 250 هرتز با دقت موقعیت نگاه 0.4 درجه و وضوح فضایی (ریشه میانگین مربع) 0.03 درجه ثبت شد.

2.3. شركت كنندگان

این تحقیق توسط کمیته اخلاق دانشکده بازرگانی و اقتصاد دانشگاه گنت تأیید شده است که در آن آزمایش‌های ردیابی چشم در چارچوب پروژه تحقیقاتی دکتری با عنوان «کاوش در فرآیندهای شناختی کاربران نقشه با استفاده از ردیابی چشم و EEG» [ 48 ] انجام شد. ]. ما از داده های ردیابی چشم 38 شرکت کننده استفاده کردیم ( Mage = 29.6، SD = 4.9، محدوده= 23-32) که 21 مبتدی (9 زن، 12 مرد) و 17 متخصص (9 زن، 8 مرد). ما شرکت‌کنندگانی را در نظر گرفتیم که حداقل دارای مدرک کارشناسی ارشد در ژئوماتیک و سایر کارشناسان علوم اطلاعات مکانی هستند. تازه کارها داوطلبانی بودند که هیچ تجربه حرفه ای با نقشه نداشتند. ما پرسیدیم که شرکت‌کنندگان ما چقدر از نقشه‌های گوگل استفاده می‌کنند و نقشه‌ها را از نظر قابلیت استفاده (مقیاس 1 تا 5) رتبه‌بندی می‌کنیم. تجزیه و تحلیل فرکانس استفاده از نقشه در مقابل عملکرد در پیوست A ارائه شده است. اکثر شرکت کنندگان گزارش دادند که هر روز یا یک یا دو بار در هفته از نقشه های گوگل استفاده می کنند و آنها را کاربرپسند می دانند. شرکت کنندگان گزارش دادند که بینایی طبیعی یا اصلاح شده به نرمال دارند و هیچ کس کوررنگی را گزارش نکرد.

2.4. محرک ها و وظایف

محرک های اصلی نقشه از نقشه های گوگل در سطح زوم 15 با نوار مقیاس 1 کیلومتر بدست آمدند. هنگام تهیه ارقام از دستورالعمل های گوگل پیروی کردیم. از آنجایی که وضوح نقشه با طرح Web-Mercator (EPSG: 3857) به عرض جغرافیایی بستگی دارد و اسکرین شات های ما از مناطق سراسر جهان جمع آوری می شوند، مقیاس نقشه ها کمی متفاوت است، از مقیاس متوسط ​​1:40000. در این مطالعه، ما با 37 مکان توزیع شده در سطح جهانی به عنوان اسکرین شات های به دست آمده از نقشه های ناوبری گوگل (یعنی نقشه های کارتوگرافی معمولی آنها) کار می کنیم. همه اسکرین شات ها دارای سطوح پیچیدگی بصری مشابه جهانی هستند و همه آنها حاوی ویژگی های خطی و منطقه ای هستند، به عنوان مثال، نشانه های نقشه اصلی ما که در آزمایش بررسی می کنیم.
هنگامی که اسکرین شات ها به عنوان محرک به دست آمدند ( شکل 2 الف)، ما بازنمایی های بصری ساده شده ای از آنها را آماده کردیم که فقط نشانه های نقشه مربوط به کار را نشان می داد و آنها را نقشه های اسکلت نامیدیم ( شکل 2 ب). از شرکت کنندگان خواسته شد تا نقشه های محرک را به مدت هفت ثانیه مانند شکل 2 الف در مرحله رمزگذاری (یادگیری) مطالعه کنند که سپس از دید آنها حذف شد و در رمزگشایی (تشخیص) چهار نقشه اسکلت ( شکل 2 ب) در اختیار آنها قرار گرفت. ) فاز می کنند و از آنها خواسته می شود تا مشخص کنند کدام یک با نقشه ای که اخیراً دیده اند مطابقت دارد. آماده سازی گزینه های حواس پرتی نشان داده شده در شکل 2b مهم بود. اگر قرار بود چندین ویژگی نقشه به خاطر بسپارد (مثلاً جاده‌ها و هیدروگرافی)، یک شرکت‌کننده ممکن است فقط یک نوع (مثلاً هیدروگرافی) را به خاطر بسپارد و سپس یک نقشه اسکلت درست را فقط بر اساس این نوع اطلاعات بیابد. بنابراین، گزینه‌های موجود در صفحه پاسخ گرافیکی اطمینان می‌دهند که پاسخ بر اساس اطلاعات جزئی غیرممکن است.
ما نقشه‌های اسکلت را با دیجیتالی کردن تمام جاده‌های اصلی، تقاطع‌های جاده‌ای، ویژگی‌های اصلی هیدروگرافی، و مناطق سبز بر روی محرک‌های نقشه اصلی با استفاده از نرم‌افزار GIS تولید کردیم. این نشانه های نقشه دیجیتالی شده نیز با AOI های ایجاد شده مطابقت دارند (در بخش 2.6 و بخش 2.7 توضیح داده شده است). در مجموع، 1036 نقشه اسکلت (یعنی 37 آزمایش × 7 بلوک × 4 گزینه گرافیکی ) در صفحه‌های پاسخ گرافیکی استفاده شد. محرک های مورد استفاده در این مطالعه زیرمجموعه ای از محرک های ارائه شده توسط Keskin و همکاران هستند. [ 51 ].
همانطور که قبلا ذکر شد، ما هفت بلوک آزمایشی را طراحی کردیم که اساساً انواع وظایف ما در سه سطح دشواری (یعنی سخت، متوسط ​​و آسان) هستند. ما سطوح دشواری را از نظر کیفی بر اساس آزمایش‌های اولیه در تیم تحقیقاتی و مطالعات آزمایشی، و همچنین بر اساس ادبیات پیچیدگی بصری و به یاد ماندنی ارزیابی کردیم. برای آزمایش‌های آزمایشی که با ده شرکت‌کننده قبل از آزمایش اصلی اجرا شد، امتیازهای بازده معکوس (یعنی زمان واکنش پاسخ‌های صحیح) را محاسبه کردیم و خوشه‌بندی بلوک‌های خاص و شکاف‌های طبیعی بین بلوک‌های 2 و 3 و بلوک‌های 4 و 5 را مشاهده کردیم. در نتیجه، ما بلوک 1 و 2 را سخت ، بلوک 3 و 4 را متوسط ​​و بلوک 5، 6 و 7 را آسان در نظر بگیرید.. این با نمرات کارایی معکوس محاسبه شده برای همه 38 شرکت کننده پس از آزمایش اصلی تأیید شد (برای اطلاعات دقیق [ 51 ]).
تمام وظایف مورد استفاده در این آزمایش، وظایف حافظه دیداری فضایی هستند. از شرکت کنندگان خواسته شد که ویژگی های نقشه خطی یا چندضلعی (مساحتی) یا ترکیبی از آنها را به خاطر بسپارند. دشواری تشخیص (و بنابراین، به یاد ماندنی بودن) یک ویژگی ممکن است با به خاطر سپردن همه ویژگی ها کاملاً متفاوت باشد. ما برخی از این وظایف را انتخاب کردیم تا ببینیم آیا برخی از استدلال‌های آزمایش‌های روان‌شناسی ادراکی (یعنی محرک‌های بسیار کنترل‌شده و ساده‌شده) ممکن است با نقشه‌ها نیز کار کنند (یعنی اطلاعات متنی بسیار بیشتری). ما به طور هدفمند سناریوی کاربر نهایی مشخصی نداریم، بنابراین سوالات بیشتر در سطح علوم بنیادی هستند تا در سطح علمی کاربردی. اعتبار اکولوژیکی اغلب ممکن است در تضاد با کنترل تجربی باشد، اما اجتناب از یک مورد خاص یکبار مصرف به تعمیم نتایج کمک می کند.
در این آزمایش، سه کلاس اصلی نقشه مورد علاقه ما بود: جاده ها، آب نگاری و مناطق سبز. جاده ها به جاده های اصلی (خطی) و اتصالات جاده ای (عمدتاً چند ضلعی، به عنوان مثال، مثلث ها، دوربرگردان ها، دو یا چند خط عبور) اطلاق می شود و ویژگی های هیدروگرافی رودخانه ها / نهرهای اصلی (خطی) و آب های اصلی (چند ضلعی) هستند. مناطق سبزاز سوی دیگر، همه چند ضلعی بودند. کارآزمایی‌ها در بلوک 1 برای مطالعه عملکرد شناسایی شرکت‌کنندگان از نشانه‌های نقشه در کل نقشه طراحی شده‌اند، بنابراین سخت‌ترین کار از زمانی بود که شرکت‌کنندگان مجبور بودند همه اطلاعات را پردازش کنند. آزمایش‌ها در بلوک‌های 2، 3، و 4 به بازیابی ترکیبی از چندین کلاس ویژگی نقشه اختصاص داشت: بلوک 2 بسیار شبیه بلوک 1 بود، به این معنا که ترکیبی از ویژگی‌های «سخت‌تر» را شامل می‌شد، به عنوان مثال، جاده و ویژگی های هیدروگرافی (خطی و چندضلعی). بلوک 3 شامل ویژگی های جاده و مناطق سبز و بلوک 4 ویژگی های خطی و منطقه ای هیدروگرافی و مناطق سبز بود. کارآزمایی‌ها در بلوک‌های 5، 6 و 7 با یک کلاس ویژگی نقشه واحد سروکار داشتند. به ترتیب مناطق سبز، ویژگی های هیدروگرافی یا جاده ای.
تعداد مشخصی از نشانه های نقشه در هر محرک نقشه وجود دارد. خطی یا چندضلعی با این حال، هر بلوک از ترکیب‌های مختلفی از آنها در صفحه‌های پاسخ گرافیکی چند گزینه‌ای استفاده می‌کرد. به عنوان مثال، فرض کنید 50 نقطه عطف در یک محرک نقشه وجود دارد (یعنی 10 جاده، 10 تقاطع جاده، 10 منطقه سبز، 10 بدنه آبی و 10 رودخانه). در این حالت، بلوک 1 شامل تمام 50 نشانه است و بقیه بلوک ها به شرح زیر خواهد بود:
  • بلوک 2: جاده ها + تقاطع جاده ها + بدنه های آبی + رودخانه ها = 40 مکان دیدنی،
  • بلوک 3: جاده + تقاطع جاده + مناطق سبز = 30 نقطه عطف،
  • بلوک 4: مناطق سبز + بدنه آبی + رودخانه = 30 مکان دیدنی،
  • بلوک 5: مناطق سبز = 10 نشانه،
  • بلوک 6: آب + رودخانه = 20 مکان دیدنی و
  • بلوک 7: جاده + تقاطع جاده = 20 نقطه عطف.
از آنجایی که وظایف در هر بلوک مستلزم تشخیص (از حافظه) ویژگی های مختلف نقشه خطی یا چندضلعی (یا ترکیبی از آنها) بود، نقشه های اسکلت نشان داده شده در صفحه پاسخ گرافیکی چند گزینه ای متنوع بودند. به طور کلی، هر بلوک شامل 37 محرک نقشه بود – 37 آزمایش (یعنی یک آزمایش برای هر محرک)، و 1036 نقشه اسکلت برای نمایش در صفحه پاسخ.

2.5. روش

پس از خوشامدگویی به شرکت کنندگان، ابتدا از آنها خواستیم تا فرم رضایت آگاهانه را امضا کنند و ردیاب چشم را کالیبره کنیم. آزمایشات شامل یک مرحله رمزگذاری (یادگیری) و یک مرحله رمزگشایی (تشخیص) بود. با “رمزگذاری”، ما به فرآیند نحوه ورود اطلاعات از ورودی حسی به حافظه اشاره می کنیم (یعنی تبدیل اطلاعات در حافظه کاری به دانش در حافظه بلند مدت). ما از “رمزگشایی” برای بازیابی اطلاعات رمزگذاری شده قبلی استفاده می کنیم. بنابراین، شامل فرآیندهایی برای دسترسی به اطلاعات ذخیره شده در حافظه بلند مدت و آوردن آن به حافظه کاری است. در مرحله رمزگذاری، از شرکت کنندگان خواستیم تا یک محرک نقشه را به مدت هفت ثانیه مطالعه کنند و به آنها گفتیم که باید نشانه های نقشه مربوط به نوع کار فعلی در آن بلوک را به خاطر بسپارند (یعنی ویژگی های فردی یا ترکیبی از مناطق سبز، بدنه های آبی، رودخانه ها و جاده های اصلی و اتصالات جاده ای). پس از هفت ثانیه، محرک نقشه به طور خودکار ناپدید شد، و بنابراین در مرحله رمزگشایی، از شرکت کنندگان خواسته شد تا نقشه اسکلت درست مربوط به محرکی را که به تازگی مطالعه کرده بودند، از میان چهار گزینه گرافیکی ارائه شده به آنها از حافظه که تنها یک پاسخ بود، نشان دهند. درست (شکل 3 ).
توجه به این نکته مهم است که هر آزمایش با ارائه یک متقاطع تثبیت به مدت دو ثانیه (یعنی 37 تلاقی تثبیت و 37 آزمایش در هر بلوک) شروع می‌شد تا بتوان سیگنال‌های EEG را برای دوره مرجع و فعال‌سازی میانگین و متمایز کرد. آنالیزهای EEG که در این مقاله گنجانده نشده اند، به [ 5 ] مراجعه کنید]). برای یافتن مدت زمان آزمایشی بهینه (یعنی هفت ثانیه)، چندین آزمایش آزمایشی را زیر نظر دو روانشناس تجربی انجام دادیم و همچنین توجه کردیم که یک بلوک بیشتر از 30 دقیقه طول نمی کشد تا از خستگی جلوگیری شود. علاوه بر این، اثر خستگی با اجازه دادن به شرکت کنندگان برای ایجاد وقفه های کوچک بین بلوک های آزمایشی به حداقل می رسد. آزمایش به طور خودکار در پایان هر بلوک متوقف شد و شرکت‌کنندگان آزاد بودند که حرکت کنند، صحبت کنند و جلسه بعدی را با سرعت خودشان شروع کنند. ردیاب چشم در ابتدای هر بلوک مجددا کالیبره شد. این آزمایش در مقایسه با یک آزمایش استاندارد ردیابی چشم طولانی بود زیرا در ابتدا برای ثبت همزمان EEG ردیابی چشم طراحی شده بود [ 48 ]]، و در یک آزمایش EEG معمولی، 50 تا 100 کارآزمایی در هر شرایط وجود دارد. در این مقاله، ما 37 آزمایش در هر بلوک و در مجموع 259 آزمایش در هفت بلوک را تجزیه و تحلیل می‌کنیم. پس از کارآزمایی های اصلی، شرکت کنندگان دشواری کار را به صورت ذهنی ارزیابی کردند که در این مقاله نیز گزارش می کنیم. سایر داده‌های جمع‌آوری‌شده در آزمایش اصلی، از جمله اقدامات EEG، خارج از محدوده این مقاله هستند.

2.6. ایجاد AOI برای نشانه های نقشه

معمولاً در مطالعات ردیابی چشم مورد استفاده قرار می گیرد، علامت گذاری AOI در اطراف اشیاء مورد علاقه امکان تجزیه و تحلیل دقیق فرضیه محور از بالا به پایین توزیع توجه شرکت کنندگان را فراهم می کند. AOI در این مطالعه با نقاط عطف نقشه مطابقت دارد که شرکت کنندگان باید در آزمایش به خاطر بسپارند. AOI برای مناطق سبز، بدنه های آبی و اتصالات جاده ها به صورت دستی بر روی تمام محرک های نقشه با استفاده از نرم افزار منبع باز GIS QGIS ترسیم شد. ما AOIهای درهم تنیده (مانند چند ضلعی در چند ضلعی، خط در چندضلعی و خط متقاطع خط) را به طور جداگانه برای تجزیه و تحلیل دقیق تر بررسی کردیم. برای AOI رودخانه های اصلی و جاده های اصلی، بافرهای 5 متری با توجه به دقت موقعیت نگاه و دقت پیکسل بسته به دستگاه ردیابی چشم ترسیم شد ( شکل 4 ).
در نتیجه، ما AOI را برای تمام 37 محرک نقشه مورد استفاده در این آزمایش ایجاد کردیم و در مجموع 27023 AOI از تمام نشانه های نقشه، به طور خاص، 8948 منطقه سبز، 4034 بدنه آبی، 3830 رودخانه، 9220 جاده و 991 تقاطع جاده تولید کردیم. پوشش کلی سطح AOI در تمام محرک ها (100%) به شرح زیر است: 5.1% برای مناطق سبز. 2.7٪ برای بدنه های آبی؛ 2.0٪ برای رودخانه ها؛ 4.2% برای جاده‌ها، 0.3% برای تقاطع‌های جاده‌ای (یعنی درون AOI )، و 85.9% مناطق غیرمرتبط با وظایف (یعنی خارج از AOI ) ( شکل 5 ).
مختصات همه AOI ها پس از توسعه و اجرای یک مدل جغرافیایی با استفاده از مدلگر گرافیکی (QGIS) استخراج شد و در نهایت به مختصات تصویر نقشه برای انجام آنالیز AOI تبدیل شد. نه تنها به دلیل اندازه بزرگ داده های ردیابی چشم مورد استفاده در این مطالعه، بلکه به دلیل مقدار زیادی AOIهایی که ایجاد کردیم، روشی را برای خودکارسازی فرآیند تجزیه و تحلیل تثبیت مبتنی بر AOI ایجاد کردیم که در بخش بعدی توضیح می دهیم. ( بخش 2.7 ).

2.7. تجزیه و تحلیل تثبیت نقاط دیدنی نقشه مبتنی بر AOI

2.7.1. مرحله رمزگذاری

تجزیه و تحلیل AOI اصلی داده‌های حرکت چشم جمع‌آوری‌شده برای مرحله رمزگذاری زمانی که شرکت‌کنندگان محرک‌های نقشه را مطالعه کردند، انجام شد. ما میانگین مدت تثبیت را به عنوان معیاری برای این تجزیه و تحلیل انتخاب کردیم زیرا مدت زمان تثبیت معیاری برای توجه است و بنابراین سطح درگیری با محتویات یک محرک بصری را نشان می‌دهد و با این پیش‌فرض کار می‌کنیم که توجه و حافظه به هم مرتبط هستند. بررسی تثبیت‌های شرکت‌کنندگان در AOI به درک رفتار بصری مرتبط با کار کمک می‌کند و می‌تواند به تعیین تأثیر ویژگی‌های عناصر نقشه بر توجه کمک کند. بنابراین، ما مدت زمان تثبیت را در AOIs محاسبه کردیم(مناطق مربوط به وظیفه) در هر بلوک با در نظر گرفتن پنج نوع ویژگی نقشه. جاده ها، اتصالات جاده ها، مناطق سبز، رودخانه ها و بدنه های آبی. ما همچنین میانگین مدت زمان تثبیت را برای مناطق خارج از AOI (مناطق غیر مرتبط با کار که با کل سطح صفحه نمایش به جز AOI مطابقت دارند) محاسبه کردیم و «داخل AOI» را با خارج از AOI مقایسه کردیم تا تجزیه و تحلیل صریح از زمان متناسب صرف شده برای کار مرتبط داشته باشیم. امکانات. در آن راستا، ما تثبیت‌ها را بر اساس اجرای الگوریتم مبتنی بر پراکندگی (I-DT)، وارد شده در جعبه ابزار EyeMMV [ 52 ] و LandRate [ 53 ] محاسبه کردیم. الگوریتم I-DT قبلاً با موفقیت در مجموعه داده های ردیابی چشم در مقیاس بزرگ پیاده سازی شده است [ 54 ، 55]. این الگوریتم محدودیت‌های مکانی و زمانی را برای شناسایی رویدادهای تثبیت در داده‌های ردیابی چشم در نظر می‌گیرد. محدودیت های فضایی با استفاده از آستانه پراکندگی فضایی دو مرحله ای اعمال می شود. اولی آستانه فضایی معمولی است که در الگوریتم‌های I-DT پیاده‌سازی می‌شود، و آستانه فضایی دوم برای حذف نویز فضایی تجهیزات ردیابی چشم در زمانی که مشخص است یا زمانی که بتوان آن را اندازه‌گیری کرد، استفاده می‌شود (به‌عنوان مثال، کار ارائه‌شده را ببینید. توسط Ooms و Krassanakis [ 56 ]). با این حال، همان الگوریتم را می توان در فرآیند شناسایی یک مرحله ای با در نظر گرفتن مقدار یکسان (t 1 = t 2 ) آستانه برای دو پارامتر فضایی متناظر استفاده کرد (به عنوان مثال، کار ارائه شده توسط کراساناکیس [ 53 ] را ببینید.]). علاوه بر این، حداقل آستانه مدت تثبیت برای برآورده کردن محدودیت‌های زمانی در طول فرآیند شناسایی رویدادهای تثبیت اجرا می‌شود.
ما تمام داده‌های ردیابی چشم خام را در سیستم مختصات پیکسلی برای بعد مکانی و در میلی‌ثانیه (ms) برای بعد زمانی دستکاری کردیم. از این رو، آستانه فضایی بر اساس میانگین فاصله بین سوژه و مانیتور محرک (70 سانتی متر)، وضوح (1050 × 1680 پیکسل) و ابعاد فیزیکی (474 ​​× 297 میلی متر) بر حسب پیکسل (43 پیکسل) وارد شد. محرک ها را کنترل می کند و با 1o زاویه دید مطابقت دارد. ما حداقل مدت تثبیت را بر اساس توصیه پوپلکا [ 57 ] و Ooms، و کراساناکیس [ 56 ] روی 80 میلی ثانیه تنظیم کردیم، و از آنجایی که دانه بندی دقیق تری نسبت به 100 میلی ثانیه توصیه شده توسط Manor و Gordon [ 58 ] است.] برای مطالعات دیداری و شناختی. اجرای عملی فرآیند تحلیل تثبیت در MATLAB (MathWorks® ) و بر اساس اصلاح کد منبع اصلی ارائه شده توسط کراساناکیس و همکاران تکمیل شد. [ 52 ] در GitHub ( https://github.com/krasvas/EyeMMV ، URL (دسترسی در 10 ژانویه 2023). برای در نظر گرفتن فقط مختصات مکانی و زمانی داده‌های ردیابی چشم جمع‌آوری‌شده در طول آزمایش، یک اسکریپت اختصاصی نوشتیم و اجرا کردیم. ما همچنین یک اسکریپت اختصاصی در MATLAB برای استخراج رویدادهای تثبیت که در هر AOI مورد بررسی رخ داده است، توسعه دادیم.
2.7.2. مرحله رمزگذاری در مقابل رمزگشایی
این آزمایش ردیابی چشم در ابتدا برای شناسایی و تعیین کمیت رفتار بصری و الگوهای توجه کاربران نقشه در مرحله رمزگذاری طراحی شد. پیش از این، ما در حین مطالعه محرک های نقشه برای وظایف حافظه فضایی مشابه، تفاوت معنی داری بین متخصصان و تازه کارها مشاهده نکردیم [ 5 ، 16 ، 51 ]، و به عنوان یک سوال تحقیقاتی پس هوک، در این مقاله، به طور خلاصه بررسی می کنیم که آیا حرکات چشم به طور کلی پیشنهاد می کند یا خیر. تفاوت بین مراحل رمزگذاری و رمزگشایی به طور خاص، ما یک تجزیه و تحلیل جهانی تعقیبی برای کل محرک ها انجام دادیم (یعنی نهمبتنی بر AOI) در مرحله رمزگشایی، جایی که شرکت‌کنندگان اطلاعات ذخیره شده در مرحله رمزگذاری را بازیابی کردند و انتخاب خود را در صفحه پاسخ گرافیکی انجام دادند که در آن هر چهار گزینه به طور همزمان نمایش داده می‌شد. این یک بررسی کیفی اولیه است. در حمایت از این مشاهدات اولیه، ما همچنین مقایسه بصری نقشه‌های چگالی نگاه (“نقشه‌های گرمایی”) و مسیرهای اسکن متخصصان و تازه‌کاران را برای دو مرحله بلوک 1 ارائه می‌کنیم که در آن شرکت‌کنندگان محرک‌ها را به عنوان یک کل (یعنی تشخیص جهانی) بررسی کردند. وظیفه شامل تمام نشانه های نقشه). این تحلیل های اکتشافی فرضیه های جدیدی را برای تحلیل سیستماتیک بعدی ما ایجاد می کند.

3. نتایج

3.1. مرحله رمزگذاری

از آنجایی که اندازه‌های AOI برای انواع ویژگی‌های نقشه برابر نیستند ( شکل 5 )، مدت زمان تثبیت را با استفاده از وزن‌های معکوس محاسبه‌شده بر اساس پوشش منطقه AOI برای هر نوع ویژگی نقشه، یعنی 17.0 برای مناطق سبز، عادی کردیم. 32.3 برای مناطق هیدروگرافی؛ 43.9 برای خطوط هیدروگرافی؛ 20.5 برای جاده ها، و 325.3 برای اتصالات جاده ها ( جدول 1 ).
میانگین مدت تثبیت همه شرکت‌کنندگان 315.1 میلی‌ثانیه برای نواحی مرتبط با کار (در AOI)، و 288.2 میلی‌ثانیه برای مناطق غیرمرتبط با کار (خارج از AOI) از محرک‌های نقشه، و تفاوت در میانگین مدت تثبیت برای درون در مقابل خارج از AOI از نظر آماری معنی دار است (F = 125.468، p <0.001، توان = 1.000، جدول 2 را ببینید ). شکل 6 تفاوت های نرمال شده در مدت زمان تثبیت (ms/منطقه) را بین AOI درون در مقابل خارج که توسط متغیرهای اصلی در آزمایش تجمیع شده است نشان می دهد. شکل 6نشان می دهد که کارشناسان به طور کلی مدت زمان تثبیت طولانی تری دارند (بالا به چپ)، کارهای متوسط ​​به طور متوسط ​​به مدت زمان تثبیت طولانی تری نسبت به کارهای ساده تر و سخت تر (بالا سمت راست) نیاز دارند، و تقاطع های جاده ای توجه نامتناسبی را از هر دو گروه متخصص و تازه کار جلب می کند (پایین). .
ما اثرات اصلی (آمار استنباطی) را در جدول 2 و تعاملات در جدول 3 را برای عوامل زیر ارائه می کنیم: (i) درون در مقابل خارج از AOI (نوع AOI)، (2) تخصص (کارشناس در مقابل تازه کار)، ( iii) نوع ویژگی نقشه (جاده ها، اتصالات جاده، مناطق سبز، مناطق آبی و خطوط آبی)، و (IV) دشواری کار (سخت، متوسط، آسان).
مقایسات دوتایی Post hoc با استفاده از تصحیح بونفرونی تفاوت های آماری معنی داری را در مدت زمان تثبیت تایید کرد. این تفاوت‌ها فقط برای حوزه‌های مرتبط با کار (یعنی درون AOI) رخ داده است. در زیر، تفاوت های آماری معنی دار را خلاصه می کنیم:
  • نوع ویژگی نقشه : تقاطع های جاده مدت زمان تثبیت طولانی تری نسبت به بقیه ویژگی های نقشه دریافت کردند ( p <0.001 ***) و سپس مناطق هیدروگرافی ( p <0.001 ***) ( شکل 6 ).
  • دشواری کار : کارهای متوسط ​​مدت زمان تثبیت طولانی تری نسبت به کارهای آسان و متوسط ​​دریافت کردند ( 001/0 > p ***).
  • نوع ویژگی نقشه × تخصص : مناطق هیدروگرافی ( p <0.001 ***) و جاده ها ( p <0.05 *) مدت زمان تثبیت طولانی تری از کارشناسان دریافت کردند.
  • نوع ویژگی نقشه × سختی کار : صرف نظر از نوع کار/سختی، تقاطع‌های جاده نسبت به بقیه ویژگی‌های نقشه تثبیت‌های طولانی‌تری دریافت کردند ( p <0.001 ***). برای کارهای متوسط، مناطق هیدروگرافی مدت زمان تثبیت طولانی تری نسبت به سایر انواع ویژگی های نقشه دریافت کردند (مناطق آبی-مناطق سبز: p <0.001 ***؛ مناطق آبی-خطوط آبی: p <0.05 *؛ مناطق آبی- جاده ها: p <0.001 ** *) به جز تقاطع های جاده ای (مناطق آبی- تقاطع جاده: p <0.05 *).
  • تخصص × نوع ویژگی نقشه x سختی کار : کارشناسان مدت زمان تثبیت قابل توجهی بیشتری داشتند (i) برای مناطق سبز در کارهای سخت ( p <0.05 *)، (ii) برای مناطق هیدروگرافی در متوسط ​​( p <0.01 **) و کارهای سخت . ( p < 0.01 **)، و (iii) برای جاده ها در وظایف متوسط ​​( p <0.05 *) ( شکل 7 ).

3.2. مرحله رمزگذاری در مقابل رمزگشایی

همانطور که قبلا ذکر شد، ما همچنین یک تجزیه و تحلیل اکتشافی اولیه را انجام دادیم که رفتار نگاه را به طور مقایسه ای بین مراحل رمزگذاری و رمزگشایی بررسی می کرد. ما نقشه‌های چگالی نگاه (“نقشه گرمایی”) و مسیرهای اسکن را برای هر دو مرحله رمزگذاری و رمزگشایی ایجاد کردیم. شکل 8 نشان می دهد که چگونه کارشناسان و تازه کارها به یک محرک نقشه (نقشه در شکل 2 ) و صفحه پاسخ گرافیکی مربوطه آن در طول بلوک 1 نگاه کردند.
مثالی که در شکل 8 نشان داده شده استنشان می دهد که متخصصان و تازه کارها ممکن است الگوهای توجه بصری مشابهی در مرحله رمزگشایی داشته باشند، به عنوان مثال، مسیرهای اسکن هر دو گروه نشان می دهد که آنها بین گزینه های “a” و “b” مردد هستند (یعنی پاسخ صحیح “b” است و تفاوت بین ‘a’ و ‘b’ هندسه ساختار جاده و مناطق سبز است). نقاط داغ در نقشه های حرارتی در مرحله رمزگشایی به ما اجازه می دهد تا پاسخ آنها را استنتاج کنیم. با این حال، مسیرهای اسکن افراد تازه کار در مرحله رمزگشایی به هم ریخته تر به نظر می رسند (یعنی انتقال بیشتر بین گزینه های پاسخ). علاوه بر این، مسیرهای اسکن نشان می دهد که افراد تازه کار الگوی جستجوی سازمان یافته کمتری در مقایسه با متخصصان داشتند. این الگوها در بسیاری از مسیرهای اسکن و نقشه‌های چگالی نگاه که ما به صورت بصری بررسی کردیم، باقی می‌مانند و به این فرضیه منجر می‌شوند که تصمیم‌گیری برای تازه‌کارها احتمالاً دشوارتر یا گیج‌کننده‌تر است. انتقال دقیق و تحلیل توالی فراتر از محدوده این مقاله است. با این حال، این تحلیل اکتشافی اولیه نشان می‌دهد که این گام‌های خوبی ممکن برای کاوش بیشتر هستند.

3.3. دقت پاسخ شرکت کنندگان و زمان پاسخ

علاوه بر تجزیه و تحلیل حرکت چشم بر اساس مدت زمان تثبیت، ما دقت پاسخ (میزان موفقیت) و زمان پاسخ (تکمیل کار) شرکت کنندگان را بررسی کردیم. به طور کلی، این آزمایش منجر به میزان موفقیت بالایی از هر دو گروه متخصص و تازه کار شد و هیچ تفاوت آماری معنی‌داری بین آنها از نظر دقت پاسخ مشاهده نشد (به تفصیل در [ 5 ] ارائه شده است). در محدوده این مطالعه، ما میزان موفقیت را بر اساس نوع کار و دشواری کار، یعنی بلوک به بلوک، تحلیل کردیم. می بینیم که همه شرکت کنندگان بالاترین میزان موفقیت را برای بلوک 6 به دست آوردند، یعنی بازیابی ویژگی های هیدروگرافیک، و کمترین را برای بلوک 2، یعنی بازیابی جاده و ویژگی های هیدروگرافی ( جدول 4 ).
میانگین کلی زمان تکمیل کار (پاسخ) 4.8 ثانیه برای متخصصان و 4.0 ثانیه برای افراد تازه کار بود، و کارشناسان همه وظایف را با میانگین زمان پاسخ بالاتر تکمیل کردند ( شکل 9 ). تفاوت بین زمان پاسخ کارشناسان و تازه کارها فقط برای بلوک 1 (t = 2.636، p 0.05 ≤) و بلوک 2 (t = 2.524، p ≤ 0.05) معنی دار بود. به عبارت دیگر، متخصصان نسبت به افراد تازه کار در تکمیل وظایف سخت زمان بیشتری صرف کردند، اما تفاوت در زمان پاسخ برای بقیه بلوک ها از نظر آماری معنی دار نبود ( شکل 9 ).

3.4. رتبه بندی دشواری کار خود گزارش شده

همانطور که رتبه‌بندی‌های دشواری کار گزارش‌شده توسط خود را نیز اندازه‌گیری کرده‌ایم، در اینجا نتایج تجربه ذهنی شرکت‌کنندگان با گروه‌های وظیفه را ارائه می‌کنیم. به طور کلی، می بینیم که دشواری تکلیف درک شده با دشواری کار واقعی بر اساس تحلیل عملکرد هدف مطابقت دارد ( جدول 5 ).

4. بحث

در این مقاله، بر اساس معیارهای مختلف کاربر محور و تجزیه و تحلیل حرکت چشم، الگوهای توجه کاربران نقشه خبره و مبتدی را در یک آزمایش حافظه فضایی (یعنی خاطره‌انگیز) با استفاده از نقشه‌هایی که برای مخاطبان عمومی (یعنی گوگل) طراحی شده‌اند، بررسی کردیم. نقشه ها). رویکرد ما مشابه رویکرد بورکین و همکاران [ 12 ] بود، زیرا آنها بیان می‌کنند که آنها «اندازه‌گیری کردند که اگر تصویرسازی‌ها چگونه به خاطر سپرده می‌شدند». به همین ترتیب، چیزی را دنبال کردیم که شبیه به خاطره ماندن صحنه باشد. در حالی که تخصص متغیر مستقل اصلی ما بود، زیرا عوامل دیگری نیز برای کاهش توجه و خاطره‌انگیزی شناخته شده‌اند، ما همچنین تأثیر نوع ویژگی نقشه و نوع / دشواری کار را بررسی کردیم.در به یاد ماندنی نقشه ها برای این منظور، ما یک تجزیه و تحلیل AOI را با استفاده از یک نرم افزار خودتوسعه یافته که بسیاری از مراحل را خودکار می کند، انجام دادیم. یافته‌های ما از این آزمایش مشابه‌هایی را با ادبیات موجود نشان می‌دهد، اما بینش‌های جدیدی را نیز ارائه می‌کند. همراه با این مقاله، پروتکل‌های آنالیز را منتشر می‌کنیم و همچنین حجم زیادی از داده‌های حرکت چشم را باز می‌کنیم ( پیوست C را ببینید ). علاوه بر نتایج آزمایش ما، ما معتقدیم که انتشار داده ها و پروتکل های ما به طور بالقوه به تعمیم پذیری و تکرارپذیری یافته ها کمک می کند. ما پیامدهای یافته های زیر را با پاسخ به سؤالات تحقیق خود با توجه به فرضیه های خود مورد بحث قرار می دهیم.
نتایج ما به طور کلی فرضیه‌های مربوط به نوع ویژگی‌های نقشه و وظیفه ما (H1-H4) را تأیید می‌کند ، هرچند با برخی تفاوت‌ها، و اثرات تخصص تا حدودی مختلط است. جای تعجب نیست که در همه شرایط، صرف نظر از تخصص، شرکت کنندگان زمان بیشتری را صرف نگاه کردن به حوزه های مربوط به کار (در AOI) کردند، همانطور که در کار قبلی نیز نشان داده شد [ 17 ، 44 ، 59 ]، و بیشتر تفاوت های آماری معنی دار (همه بعد از آن) تصحیح بونفرونی) زمانی رخ می دهد که شرکت کنندگان در مناطق مربوط به کار (در AOI) شرکت می کنند. این جالب است و شواهد بیشتری برای این پدیده مستند از دهه 1960 ارائه می کند که وظایف به شدت رفتار حرکت چشم را تحریک می کند ([ 60 ]]). از منظر به اشتراک گذاری داده های حرکت چشم قابل توجه است که وظایف ما فقط مشاهده رایگان نیست. اولین وظیفه ما مشاهده رایگان “به یاد داشته باشید آنچه می توانید” بود، در حالی که دیگران بیشتر هدف “به یاد داشته باشید ویژگی نقشه x”. ترکیب داده‌های حرکت چشم که در آزمایش‌های هدف‌محور (وظیفه محور) و همچنین شرایط دید آزاد جمع‌آوری می‌شوند، به ترسیم تصویر کامل‌تری از پردازش شناختی کمک می‌کند، به عنوان مثال، نه تنها نحوه عملکرد برجسته، بلکه همچنین نحوه تأثیر شناخت بر توجه بصری.
تجزیه و تحلیل درون-AOI در مقابل خارج-AOI شواهد جدیدی ارائه می دهد، به عنوان مثال، در این مورد، تخصص بر توجه مربوط به کار تأثیری نمی گذارد (به تعامل نوع AOI × تخصص مراجعه کنید). ما همچنین متوجه شدیم که تخصص تأثیر آماری معنی‌داری بر خاطره‌انگیز بودن ویژگی‌های نقشه معرفی نمی‌کند، در حالی که دشواری کار و نوع ویژگی نقشه برای به خاطر سپردن محتوای نقشه مهم است. ما معتقدیم این ممکن است به این دلیل باشد که گروه‌های متخصص و تازه‌کار به اندازه کافی در مواجهه با این نوع نقشه تفاوت ندارند، یا اینکه کار و محرک‌ها به تخصص نیاز ندارند [ 5 ]]. این واقعیت که ما برخی از تفاوت‌ها را بر اساس دشواری کار و نوع ویژگی نقشه مشاهده می‌کنیم، اما هیچ تفاوتی بر اساس تخصص مشاهده نمی‌کنیم، به طور بالقوه پیشنهاد می‌کند، به عنوان مثال، این یافته با شواهد قبلی که تخصص در وظایف کسب دانش مکانی اهمیت دارد، در تناقض است [ 17 ، 42 ، 43 ]. ، 44 ، 45 ]، معیارهای سنتی تخصص (تحصیلات، پیشینه حرفه ای) ممکن است عاملی نباشند اگر افراد غیرمتخصص نیز فرصتی برای تمرین مکرر با محرک های نقشه داشته باشند. اگر این در مطالعات آینده نیز تأیید شود، هنگام سفارشی‌سازی یا شخصی‌سازی طراحی نقشه برای گروه‌ها یا افراد خاص، ممکن است اندازه‌گیری بیش از تجربه افراد و نه تنها تخصص رسمی مهم باشد.
کارهای متوسط ​​مدت زمان تثبیت طولانی تری را در مقایسه با کارهای آسان و سخت دریافت کردند ( 001/0 > p ***)، و تفاوت آماری معنی داری در زمان پاسخ فقط برای کارهای سخت رخ می دهد. مقایسه‌های زوجی ما برای مدت‌های تثبیت نشان می‌دهد که تأثیر نوع کار بر تشخیص ویژگی‌های نقشه از نظر آماری در تقاطع‌های جاده‌ای و مناطق هیدروگرافی معنادار بود . صرف نظر از دشواری کار، اتصالات جاده نسبت به بقیه ویژگی‌های نقشه ( p <0.001 ***) برای همه شرکت‌کنندگان (به عنوان مثال، گروه‌های متخصص و تازه‌کار) تثبیت‌های بسیار طولانی‌تری دریافت کردند. به دنبال آن مناطق هیدروگرافی ( p < 0.001 ***) ( جدول 2 را ببینیدبرای تعامل). این در تضاد با ویژگی های نقشه ما فرضیه تخصص x (H4) است، زیرا ما هیچ تفاوت آشکاری بین متخصصان و تازه کارها مشاهده نکردیم. با این حال، تا حدی مطابق با نوع ویژگی نقشه × فرضیه تخصص (H3) است. به‌عنوان ویژگی‌های نقشه پیچیده (مثلاً تقاطع‌های جاده‌ای) و آن‌هایی که از نظر اندازه بزرگ هستند (مثلاً مناطق سبز و مناطق آب‌نگاری) حتی اگر اشکال ساده‌ای باشند در واقع توجه بیشتری را به خود جلب کرده‌اند، بنابراین به نظر می‌رسد نسبت به ویژگی‌های نسبتاً پیچیده به یاد ماندنی‌تر هستند. این احتمالاً عمدتاً به دلیل پیوند شناخته شده بین توجه و به یاد ماندنی است و ممکن است به طور بالقوه با برجسته بودن بصری توضیح داده شود [ 50 ، 61 ]: اشکال ساده تر با مناطق رنگی بزرگ و مناطق بصری شلوغ به احتمال زیاد از محیط اطراف خود متمایز هستند.
توجه به این نکته ضروری است که اندازه AOIهای تقاطع جاده (0.3٪ از کل مساحت) بسیار کوچکتر از مناطق هیدروگرافی (2.7٪ از کل مساحت) بود، اما آنها مشابه یا بیشتر توجه را به خود جلب کردند. یکی از راه‌های تفسیر برجستگی تقاطع‌های جاده‌ای این است که تقاطع‌ها ممکن است به‌عنوان لنگر حافظه یا «نقشه‌های عطف نقشه» عمل کنند، به‌عنوان مثال، نقشه‌خوان‌ها زمان بیشتری را صرف تماشای آن‌ها می‌کنند زیرا به جهت‌یابی و به خاطر سپردن کمک می‌کند، به عنوان مثال، [ 19 ، 62 ]. این یک پدیده شناخته شده در ادبیات ناوبری است، به عنوان مثال، مردم در تقاطع ها در کارهای مسیریابی توجه می کنند [ 63 ]]. به طور مشابه، روانشناسی ادراکی و مطالعات علوم اعصاب محاسباتی شواهدی را ارائه می دهند که لبه های تیز، مانند تقاطع ها روی نقشه، ویژگی های بسیار برجسته ای هستند [ 50 ، 64 ]. سایر متغیرهای بصری (یعنی موقعیت، اندازه، شکل، ارزش، رنگ، جهت و بافت یک شی) نیز ممکن است بر توجه بصری تأثیر بگذارند [ 64 ]. ما اتصالات جاده‌ها و مناطق هیدروگرافی را هر دو ویژگی چند ضلعی را به دلیل دوربرگردان‌ها و اشکال مثلث‌مانندی که اتصالات تشکیل می‌دهند در نظر گرفتیم. با این حال، ظاهراً آنها ویژگی‌های متفاوتی دارند: اتصالات جاده‌ای از خطوط متقاطع زرد، معمولاً کوچک اما پیچیده‌تر یا بهم ریخته‌تر و مناطق هیدروگرافی تشکیل شده‌اند.بیشتر بزرگتر بودند و با استفاده از رنگ ظریف تر، یعنی آبی روشن به تصویر کشیده شدند. در مجموع، تغییرات در برجستگی بصری بر اساس متغیرهای بصری مختلف و به هم ریختگی بصری ممکن است دلایلی باشد که باعث می شود اشیاء بزرگ اما ساده یا بسیار کوچک اما متمایز و آموزنده توجه بیشتری را به خود جلب کنند. این یافته با مطالعه قبلی Keskin و همکاران مطابقت دارد. [ 16]؛ که در آن پیچیدگی جسم، به عنوان مثال، نشست، مدت زمان تثبیت را افزایش می دهد. یک راه جایگزین برای فکر کردن در مورد اینکه چرا مردم زمان بیشتری را صرف تماشای تقاطع‌های جاده‌ای می‌کنند ممکن است این باشد که وقتی دو خط به هم می‌رسند، یک ویژگی کوچک نقطه‌مانند را تشکیل می‌دهند. در نظر گرفتن اتصالات جاده‌ای به‌عنوان ویژگی‌های نقطه‌ای (به جای ویژگی‌های چندضلعی، که ما به دلیل ماهیت محصور جاده‌ها و نحوه تقسیم‌بندی آن‌ها محیط اطراف خود را پذیرفته‌ایم) همچنین این امکان را ایجاد می‌کند که چنین ویژگی کوچک اما مهمی بینندگان را ملزم به مطالعه طولانی‌تر این ویژگی نسبت به سایر ویژگی‌ها کند. حتی اگر اندازه آنها بزرگتر باشد.
مشاهدات ظریف دیگری که در این مطالعه داریم این است که مناطق هیدروگرافی ( 001/ 0p <) و جاده ها ( 05/ 0p <) مدت زمان تثبیت طولانی تری از کارشناسان دریافت کردند (H4). تفاوت توجه بین متخصصان و تازه کارها در ویژگی های چند ضلعی ساده و خطوط، که به راحتی در WM قابل دسترسی هستند و با تقسیم بندی فضا به ساختن نقشه های شناختی کمک می کنند، آشکارتر بود [ 5 ، 41 ، 65 ]. علاوه بر این، کارشناسان مدت زمان تثبیت به طور قابل توجهی طولانی تری داشتند (i) برای مناطق سبز در کارهای سخت ، (ii) برای مناطق هیدروگرافی در متوسطو وظایف سخت ، و (iii) برای جاده ها در وظایف متوسط ​​( شکل 7 ). در حالی که الگوی روشنی در این مشاهدات خاص در مورد انواع ویژگی وجود ندارد، منطقی است که حدس بزنیم که ساده‌ترین کارها صرفاً نیاز به زمان یا توجه زیادی از سوی هیچ گروهی برای ایجاد تفاوت در رفتار نگاه ندارند، در حالی که کارهای متوسط ​​و سخت‌تر متخصصان را مجبور به انجام یک استراتژی، که ممکن است به دنبال نقاط عطف نقشه مانند این باشد. بنابراین، ممکن است کارشناسان زمانی که کارها سخت‌تر می‌شوند، نقاط عطف نقشه را برای کمک جستجو کنند، در حالی که ممکن است تازه‌کارها چنین استراتژی را نداشته باشند. همچنین ممکن است برخی اثرات تعدیل‌کننده دیگر در اینجا وجود داشته باشد، اگرچه تحلیل‌های تعاملی ما متغیرهای خاصی را آشکار یا پیشنهاد نکردند.
علاوه بر تجزیه و تحلیل مدت زمان تثبیت بر روی AOIهای مرتبط با کار و غیر مرتبط، ما دو معیار عملکرد مهم را بررسی کردیم: زمان پاسخ و دقت پاسخ (نرخ موفقیت). اندازه‌گیری این موارد به ما کمک می‌کند تا بفهمیم که کارشناسان و غیرمتخصصان تا چه اندازه نقاط عطف مختلف نقشه را به خاطر می‌آورند. به طور کلی، کارشناسان به طور مداوم اما بسیار اندک (تفاوت 1 تا 2 درصد، از نظر آماری معنی دار) بهتر از افراد غیرمتخصص عمل می کنند (تفاوت 1 تا 2 درصد، از نظر آماری معنی دار نیست) در چیزی که احتمالاً یک اثر سقفی به نظر می رسد (همه شرکت کنندگان در همه وظایف بسیار خوب عمل می کنند)، و به طور مداوم برای آنها زمان بیشتری نیاز است. وظایف را کامل کنید ( بخش 3.3 ، جدول 4 ، شکل 9). از آنجایی که تخصص لزوماً بین آزمودنی ها بود (17 خبره و 21 نفر غیر متخصص)، قدرت آماری برای تفاوت های مبتنی بر تخصص کمی کمتر از سایر متغیرها است، با این وجود، ثبات آمار توصیفی پیشنهادی است و نیاز به تحقیقات بیشتر دارد. . تجزیه و تحلیل میزان موفقیت همچنین اعتبار داخلی طبقه‌بندی وظایف ما را تأیید می‌کند: کارهای سخت‌تر کمترین موفقیت را دارند و ساده‌ترین کارها بالاترین میزان موفقیت را هم برای متخصصان و هم برای تازه‌کارها دارند.
در سطح ویژگی های کار و نقشه، می بینیم که مناطق هیدروگرافی بالاترین میزان موفقیت و کوتاه ترین زمان پاسخ را دریافت کردند، در حالی که تقاطع های جاده ای کمترین میزان موفقیت و دومین زمان پاسخ طولانی را داشتند ( جدول 5 ، شکل 9 ). این نتیجه انتظار می رفت زیرا نمرات دقت بالا با تخصیص توجه انتخابی مرتبط است [ 32 ]. این همچنین با تجزیه و تحلیل مدت زمان تثبیت تأیید می شود به گونه ای که این ویژگی های چند ضلعی هر دو مورد توجه هستند، اما برخی از آنها راحت تر قابل تمرکز و به خاطر سپردن هستند (به عنوان مثال، مناطق هیدروگرافی)، و برخی پیچیده تر هستند و نیاز به توجه بیشتری برای به خاطر سپردن دارند (به عنوان مثال، اتصالات جاده ها) .
به عنوان یک کاوش اضافی کوتاه، بررسی کردیم که آیا تفاوت اطمینان ضمنی بین متخصصان و افراد غیرمتخصص ظاهر می‌شود، زیرا مطالعاتی وجود دارد که چنین تفاوت‌هایی را بر اساس توانایی‌های فضایی نشان می‌دهد، که اغلب با تجربه و تخصص مرتبط هستند [ 66 ، 67 ]]. ما رتبه‌بندی دشواری کار گزارش‌شده شرکت‌کنندگان را با عملکرد آنها مقایسه کردیم. به طور کلی، می‌بینیم که سطح دشواری کار خود رتبه‌بندی شرکت‌کنندگان با عملکرد واقعی آن‌ها مطابقت دارد، اما این برای شرکت‌کنندگان خبره بارزتر است. مطابق با ادبیات قبلی، این یافته نشان می‌دهد که متخصصان ممکن است فراشناخت بهتری داشته باشند، که بیشتر از این مفهوم پشتیبانی می‌کند که مهارت‌های فراشناختی قابل آموزش هستند. علاوه بر این، فرکانس استفاده از نقشه شرکت‌کنندگان در مقابل عملکرد و رتبه‌بندی قابلیت استفاده آنها از نقشه‌های Google را تجزیه و تحلیل کردیم ( پیوست A را ببینید ). با این حال، تنوع کافی در میان شرکت‌کنندگان در مورد فراوانی استفاده از نقشه (یعنی افراد دارای سطوح مشابه) یا رتبه‌بندی قابلیت استفاده وجود ندارد، بنابراین نمی‌توان نتیجه‌گیری کرد.
به عنوان یک کاوش کیفی که ما را به سمت فرضیه های آینده سوق می دهد، ما یک تحلیل اولیه از حرکات چشم شرکت کنندگان متخصص و تازه کار در مرحله رمزگشایی انجام دادیم.از طریق بررسی بصری (کیفی) مسیر اسکن و تجسم‌های نقشه حرارتی. ما الگوهای حرکت چشم مشابهی را بین گروه‌های متخصص و تازه‌کار مشاهده کردیم، اگرچه شرکت‌کنندگان تازه‌کار فعالیت «آشوب‌تر» بیشتری در تجسم‌های مسیر اسکن از خود نشان می‌دهند، که نشان می‌دهد ممکن است بیشتر از متخصصان با تصمیم‌گیری دست و پنجه نرم کنند. تحلیل‌های آتی گزینه‌های پاسخ به‌عنوان AOI بینش‌های بیشتری را در مورد توجه و رفتار بصری شرکت‌کنندگان ارائه می‌کند، به عنوان مثال، یک تجزیه و تحلیل دنباله‌ای برای دیدن اینکه در چه ترتیبی کارشناسان و تازه‌کارها پاسخ‌ها را بررسی می‌کنند، و تجزیه و تحلیل انتقال بین پاسخ‌های درست و غلط ارائه می‌دهد. بینش های بسیاری ( شکل 8 را ببینید ).

5. نتیجه گیری و کار آینده

در این مطالعه آزمایشگاهی کنترل‌شده تجربی، ما استراتژی‌های توجه و حافظه فضایی کاربران خبره و مبتدی را در حین حفظ نقشه‌های دوبعدی بررسی کردیم. در این فرآیند، ما یک چارچوب فنی برای ساده‌سازی تحلیل AOI از حجم زیادی از داده‌های ردیابی چشم ایجاد کردیم.
ما تأثیر ویژگی‌های نقشه خطی و چند ضلعی (و به طور ضمنی، برخی از متغیرهای بصری)، نوع کار، و تخصص در تشخیص (یا یادآوری نشانه‌ای) را ارزیابی کردیم، که جزء مهمی از به یاد ماندنی کلی یک صحنه است. در همه شرایط، صرف نظر از تخصص، شرکت‌کنندگان زمان بیشتری را صرف بررسی حوزه‌های مرتبط با کار کردند و طبق فرضیه، کارشناسان در تخصیص توجه انتخابی بهتر بودند، بنابراین حوزه‌های نامربوط را نادیده گرفتند. با این حال، به طور کلی، ما مشاهده کردیم که نوع کار و نوع ویژگی نقشه هنگام به خاطر سپردن محتوای نقشه در مقایسه با تخصص اهمیت بیشتری دارد. تجزیه و تحلیل اکتشافی مختصر ما از مرحله رمزگشایی این بود که سوالات تحقیقات آینده را بیشتر از پاسخ در این مرحله مطرح کند، و تجزیه و تحلیل اولیه در واقع نشان دهنده تحقیقات بیشتر است.
برای پاسخ به سوالات پیچیده نقشه برداری مانند “چه نوع روش تجسم / نمادسازی / تعمیم را می توان بر اساس توزیع اشیاء نقشه توصیه کرد؟” یا «نحوه کنترل اشیاء نقشه مزیت و مضر به طور مساوی/به یک روش در حین تجسم و غیره»، تجزیه و تحلیل بیشتر و معیارهای مختلف ردیابی چشم را می توان با استفاده از داده های ردیابی چشم در نظر گرفت. اول از همه، یک تجزیه و تحلیل مدت زمان تثبیت مبتنی بر AOI می تواند برای مرحله رمزگشایی و همچنین برای مطالعه استراتژی های بازیابی شرکت کنندگان و نحوه تصمیم گیری آنها انجام شود. دوم، معیارهای ردیابی چشم اضافی که معمولاً مورد استفاده قرار می‌گیرند مانند زمان تا اولین تثبیت، تعداد تثبیت‌ها در ثانیه، زمان بازدید مجدد، یا سرعت و طول ساکاد نیز می‌توانند در تحلیل رمزگذاری و رمزگشایی گنجانده شوند. معیارهای پیچیده تری ردیابی چشم را می توان محاسبه کرد تا بینش بهتری نسبت به الگوهای توجه کاربران نقشه در اجرای کار به دست آورد. به عنوان مثال، ضریب K [68 ]، که تفاوت بین مدت زمان تثبیت و دامنه ساکاد بعدی آن است، نشان می دهد که آیا رفتار بصری کانونی است یا محیطی. مشابه کریتز و همکاران. [ 69 ]، ضریب K را می توان برای مطالعه الگوهای توجه کانونی در مقابل جهانی بین متخصصان و غیرمتخصصان در طول مدت کار مورد استفاده قرار داد. از سوی دیگر، انتقال نگاه از یک AOI به AOI دیگر را می توان با محاسبه فرکانس انتقال ردیابی کرد که مربوط به تعداد دفعاتی است که بازبین بین دو AOI جفتی انتقال می دهد [ 70 ].
مجموعه داده ردیابی چشم در مقیاس بزرگ که در کار حاضر توضیح داده شده است می تواند برای تولید نقشه های حرارتی آماری مقیاس خاکستری (که در ادبیات بین المللی به عنوان “نقشه حرارتی آماری مقیاس خاکستری” نیز شناخته می شود) و همچنین برای محاسبه شاخص های آماری بر اساس استفاده شود. آنها نقشه حرارتی مقیاس خاکستری آماری یک محصول کمی است که بر اساس استفاده از توزیع‌های داده‌های نقطه‌ای تولید می‌شود که به داده‌های نگاه خام یا به مراکز نقاط ثابت ارجاع می‌شوند (برای جزئیات بیشتر به [ 71 ] مراجعه کنید). علاوه بر این، نقشه‌های حرارتی آماری مقیاس خاکستری همچنین می‌توانند به عنوان یک روش تجسم داده‌های نگاه جمعی عمل کنند، زیرا می‌توانند تخصیص فضایی کلی توجه بصری ناظران متعدد را نشان دهند. چندین مجموعه داده ردیابی چشم (به عنوان مثال، EyeTrackUAV [ 55]، و EyeTrackUAV2 [ 54 ]) شامل چنین محصولاتی با هدف توزیع یک حقیقت عینی زمینی است که می تواند رویکردهای یادگیری عمیق را تغذیه کند (به عنوان مثال، مطالعه اخیر ارائه شده توسط Gökstorp و Breckon [ 72 ] را ببینید). علاوه بر این، اخیراً سیبولسکی و کراساناکیس [ 73] از نقشه‌های حرارتی آماری مقیاس خاکستری برای توسعه و محاسبه یک سری شاخص‌های آماری استفاده کرد که هدف آن نشان دادن استراتژی‌های بصری کاربران نقشه در طول اجرای یک کار نقشه‌برداری مبتنی بر هدف خاص است. به طور خاص، با هدف بررسی تأثیر زبان برچسب نقشه بر جستجوی بصری، پنج شاخص پیشنهاد کردند که به منظور نشان دادن تخصیص فضایی توجه بصری نقشه‌خوان‌ها در مرکز و حاشیه پس‌زمینه‌های مختلف نقشه‌کشی در طول زمان مورد استفاده قرار گرفتند. جستجو برای نمادهای نقطه ای با برچسب به زبان لهستانی و چینی [ 73 ].
توزیع رایگان مجموعه داده های ردیابی چشم تولید شده در طول مشاهده پس زمینه های نقشه برداری (به عنوان مثال، مجموعه داده های توزیع شده توسط Tzelepis و همکاران [ 74 ] را ببینید) می تواند به طور قابل توجهی به مدل سازی توجه بصری با توسعه مدل های برجسته اختصاصی کمک کند. چنین مدل هایی به منظور پیش بینی توجه بصری در هنگام مشاهده تصاویر طبیعی ایجاد شده اند. با این حال، نقشه یک تصویر مصنوعی و انتزاعی است که هدف آن نمایش بخشی از دنیای واقعی است. از این رو، مدل های برجسته معمولی نمی توانند رفتار کاربر نقشه را پیش بینی کنند (به عنوان مثال، کار ارائه شده توسط کراساناکیس [ 75 ] را ببینید). به طور کلی، ردیابی چشم اطلاعات ارزشمندی را در مطالعه شناخت فضایی فراهم می کند [ 6 ، 76 ]]، و ما به تحقیقات تحلیلی و روش شناختی بیشتر در این زمینه ادامه خواهیم داد. سوالاتی مانند موارد زیر تلاش‌های آینده ما را راهنمایی می‌کند: آیا می‌توانیم با استفاده از یادگیری ماشین و مدل‌های پیش‌بینی که در حجم زیادی از داده‌های ردیابی چشم جمع‌آوری‌شده (احتمالاً در ترکیب با سایر معیارها در صورت وجود) اعمال می‌شود، رفتار نقشه‌خوان‌ها را پیش‌بینی و مدل‌سازی کنیم. و نقشه را با نیازهای کاربر به صورت شخصی در زمان واقعی تطبیق دهید؟
Ijgi 12 00021 g0a1 550
شکل A1. نسخه بزرگتر شکل 2 a.
Ijgi 12 00021 g0a2 550
شکل A2. نسخه بزرگتر شکل 4 .
Ijgi 12 00021 g0a3 550
شکل A3. نسخه بزرگتر شکل 8 الف.
Ijgi 12 00021 g0a4 550
شکل A4. نسخه بزرگتر شکل 8 ب.
Ijgi 12 00021 g0a5 550
شکل A5. نسخه بزرگتر شکل 8 e.
Ijgi 12 00021 g0a6 550
شکل A6. نسخه بزرگتر شکل 8 f.

ضمیمه C. شرح مجموعه داده

CartoGAZE یک مجموعه داده بزرگ حرکت چشم را تشکیل می دهد که در طول مشاهده محصولات کارتوگرافی تولید می شود. تولید این مجموعه داده بر اساس مجموعه داده‌های نگاه (ردیاب چشم SMI RED250) در هنگام مشاهده عکس‌های فوری از نقشه‌های ناوبری استاتیک دو بعدی گوگل در شرایط مشاهده آزاد بود. مجموعه داده شامل محرک‌های نقشه، فایل‌های AOI، شرح وظایف، و جزئیات رویه‌ای کامل برای تکرارپذیری نتایج و ایجاد امکانات برای تحقیقات آینده است.
هدف ما توسعه یک مدل تجزیه و تحلیل خودکار و نیمه خودکار مبتنی بر AOI با در نظر گرفتن ویژگی‌های برداری و متغیرهای بصری ویژگی‌های نقشه، دشواری کار، تخصص و حافظه فضایی است که قادر به تشخیص مناطق مورد توجه از دیدگاه اپراتورهای انسانی است. استراتژی های اپراتورهای انسانی
CartoGAZE به صورت رایگان از طریق Harvard Dataverse در بین جامعه علمی توزیع می شود: https://doi.org/10.7910/DVN/ONIAZI (در 1 دسامبر 2022 قابل دسترسی است).
داده‌های خام در چارچوب پروژه تحقیقاتی دکتری با عنوان «کاوش در فرآیندهای شناختی کاربران نقشه با استفاده از ردیابی چشم و EEG» جمع‌آوری شد.
شش پوشه در مخزن داده وجود دارد. پوشه‌های Raw_ET_data، AOIs، Map_stimuli، Final_Fixations، AOIs_all_results و Calculate_AOI_areas که در زیر توضیح داده شده‌اند:
  • Raw_ET_data: داده‌های ردیابی چشم جمع‌آوری‌شده در قالب txt، و می‌توانند با محرک‌های نقشه با استفاده از شماره SYNC در خطوطی با، به عنوان مثال، # پیام: SYNC 103 مرتبط شوند.
  • AOI: مختصات AOI به صورت فرمت فایل csv به اشتراک گذاشته می شود.
  • محرک های نقشه: عکس های فوری از نقشه های ناوبری استاتیک دو بعدی گوگل در سطح زوم 15 و تقریباً گرفته شده است. مقیاس 1:40 K. تعداد کل محرک های نقشه استفاده شده در آزمایش 37 عدد است و در پوشه Map_stimuli با فرمت png قابل مشاهده است. در زیر چند نمونه آورده شده است ( جدول A2 را برای تفکیک محرک ها ببینید) ( شکل A7 ):
Ijgi 12 00021 g0a7 550
شکل A7. نمونه هایی از محرک های نقشه در مجموعه داده CartoGAZE.
4.
خروجی‌های اسکریپت‌ها را می‌توان در پوشه‌های Final Fixations و AOIs_all_results به‌صورت تکی یافت. فایل‌های csv بر اساس محرک، نوع ویژگی نقشه، شرکت‌کننده و نوع وظیفه سازمان‌دهی شده‌اند. توضیح ستون ها به شرح زیر است:
  • ستون 1: وضعیت نگاه X (چشم چپ)،
  • ستون 1: وضعیت نگاه Y (چشم چپ)،
  • ستون 1: مدت آزمایش،
  • ستون 1: شروع مدت،
  • ستون 1: پایان مدت، و
  • ستون 1: تعداد نقاطی که در یک تثبیت جمع شده اند.
در فایل های AOI، بقیه ستون ها بعد از شش ستون فوق الذکر AOI های درون یا بیرون را نشان می دهند: اگر خلاصه بقیه ستون ها ≤ 1 باشد، تثبیت در داخل AOI است، در غیر این صورت خارج از AOI (به صورت 0 نمایش داده می شود. و 1s). این فایل ها تحت AOIs_all_results نیز در یک جمع می شوند. فایل csv با نام “AOI_all_results”.
5.
Calculate_AOIs_areas: شامل مناطق AOI (پیکسل مربع) به طور جداگانه برای هر محرک و نوع ویژگی نقشه، و در یک فایل واحد به نام “all_AOI_areas.csv” جمع می شود.

منابع

  1. Bertin, J. Semiology of Graphics ; برگ، WJ، مترجم; ترجمه شده از Sémiologie Graphique; Gauthier-Villars: پاریس، فرانسه، 1967. [ Google Scholar ]
  2. اسکوپلیتی، ا. Stamou, L. خدمات نقشه آنلاین: کارتوگرافی معاصر یا فرهنگ نقشه برداری جدید؟ ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 215. [ Google Scholar ] [ CrossRef ]
  3. Gilhooly، KJ; وود، م. Kinnear، PR; گرین، سی. مهارت در نقشه خوانی و حافظه برای نقشه ها. QJ Exp. روانی فرقه A 1988 , 40 , 87-107. [ Google Scholar ] [ CrossRef ]
  4. چولتکین، ا. کریستف، اس. رابینسون، ا. Demšar, U. طراحی محیط‌ها و نمایشگرهای تجزیه و تحلیل ژئوویژوال با در نظر گرفتن انسان. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 572. [ Google Scholar ] [ CrossRef ]
  5. کسکین، م. اومز، ک. دوگرو، آئو. De Maeyer, P. بررسی بار شناختی کاربران خبره و مبتدی نقشه با استفاده از EEG و Eye Tracking. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 429. [ Google Scholar ] [ CrossRef ]
  6. کراساناکیس، وی. Cybulski, P. Eye Tracking Research in Cartography: Looking to the Future. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 411. [ Google Scholar ] [ CrossRef ]
  7. کوچینکه، ال. دیکمن، اف. ادلر، دی. بوردویک، ام. Bestgen، A.-K. پردازش و ادغام عناصر نقشه در طول یک کار حافظه شناسایی در الگوهای حرکتی چشم منعکس شده است. جی. محیط زیست. روانی 2016 ، 47 ، 213-222. [ Google Scholar ] [ CrossRef ]
  8. زنگ، NC; مهرپور، وی. درک خاطره انگیزی تصویر. روندهای شناختی. علمی 2020 ، 24 ، 557-568. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. Bainbridge، WA Memorability: چگونه آنچه می بینیم بر آنچه به یاد می آوریم تأثیر می گذارد. در روانشناسی یادگیری و انگیزش ; الزویر: آمستردام، هلند، 2019؛ جلد 70، ص 1-27. [ Google Scholar ]
  10. بینبریج، WA; هال، ای اچ. نقاشی‌های بیکر، CI از صحنه‌های دنیای واقعی در طول یادآوری آزاد، جزئیات شی و اطلاعات فضایی را در حافظه آشکار می‌کند. نات اشتراک. 2019 ، 10 ، 5. [ Google Scholar ] [ CrossRef ]
  11. لنهبرگ، نامگذاری رنگ EH، تشخیص رنگ، تمایز رنگ: ارزیابی مجدد. درک کنید. Mot. Skills 1961 , 12 , 375-382. [ Google Scholar ] [ CrossRef ]
  12. بورکین، MA; Vo، AA; بیلینسکی، ز. ایزولا، پی. سونکاوالی، اس. اولیوا، ا. Pfister, H. چه چیزی یک تجسم را به یاد ماندنی می کند؟ IEEE Trans. Vis. محاسبه کنید. نمودار 2013 ، 19 ، 2306-2315. [ Google Scholar ] [ CrossRef ]
  13. اولیوا، A. Gist of the Scene. در نوروبیولوژی توجه ; الزویر: آمستردام، هلند، 2005; صص 251-256. [ Google Scholar ]
  14. دنیس، م. مورس، سی. گراس، دی. گیزلینک، وی. دانیل، M.-P. آیا حافظه مسیرها با غنای محیط در نشانه های بصری تقویت می شود؟ تف کردن شناخت. محاسبه کنید. 2014 ، 14 ، 284-305. [ Google Scholar ] [ CrossRef ]
  15. ادلر، دی. Bestgen، A.-K. کوچینکه، ال. Dickmann, F. Grids در نقشه های توپوگرافی اعوجاج را در یادآوری مکان های اشیاء آموخته شده کاهش می دهد. PLoS ONE 2014 ، 9 ، e98148. [ Google Scholar ] [ CrossRef ]
  16. کسکین، م. اومز، ک. دوگرو، آئو. De Maeyer، P. نقشه های دیجیتالی اسکچ و آمار ردیابی چشم به عنوان ابزاری برای به دست آوردن بینش در شناخت فضایی. J. Eye Mov. Res. 2018 , 11 . [ Google Scholar ] [ CrossRef ]
  17. اومز، ک. دی مایر، پ. Fack، V. گوش دادن به کاربر نقشه: شناخت، حافظه، و تخصص. کارتوگر. J. 2015 ، 52 ، 3-19. [ Google Scholar ] [ CrossRef ]
  18. Bestgen، A.-K. ادلر، دی. کوچینکه، ال. دیکمن، اف. تجزیه و تحلیل اثرات شاخص های مبتنی بر VGI بر حافظه فضایی و عملکرد ناوبری. KI-Künstl. هوشمند 2017 ، 31 ، 179-183. [ Google Scholar ] [ CrossRef ]
  19. دیکمن، اف. ادلر، دی. Bestgen، A.-K. Kuchinke، L. بهره برداری از خطوط شبکه توهم برای عملکرد حافظه شی مکان در نقشه های توپوگرافی شهری. کارتوگر. J. 2017 ، 54 ، 242-253. [ Google Scholar ] [ CrossRef ]
  20. میاکه، ا. شاه، ص. مدل‌های حافظه کاری: مکانیسم‌های نگهداری فعال و کنترل اجرایی ، ویرایش اول. Miyake, A., Shah, P., Eds. انتشارات دانشگاه کمبریج: کمبریج، انگلستان، 1999; شابک 978-0-521-58721-1. [ Google Scholar ]
  21. چای، WJ; عبد حمید، ع. عبدالله، JM حافظه کاری از دیدگاه روانشناسی و علوم اعصاب: مروری. جلو. روانی 2018 ، 9 ، 401. [ Google Scholar ] [ CrossRef ]
  22. بارویه، پ. برناردین، اس. کاموس، V. محدودیت های زمانی و اشتراک منابع در حافظه کاری بزرگسالان. J. Exp. روانی Gen. 2004 , 133 , 83-100. [ Google Scholar ] [ CrossRef ]
  23. بارویه، پ. گاونز، ن. ورگاووه، ای. گیلارد، وی. کاموس، V. توسعه حافظه کاری: یک حساب مدل اشتراک‌گذاری منابع مبتنی بر زمان. توسعه دهنده روانی 2009 ، 45 ، 477-490. [ Google Scholar ] [ CrossRef ]
  24. بارویه، پ. کاموس، وی. مدل به اشتراک گذاری منابع مبتنی بر زمان حافظه کاری. در علوم اعصاب شناختی حافظه کاری ; Osaka, N., Logie, RH, D’Esposito, M., Eds. انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2007; صص 59-80. شابک 978-0-19-857039-4. [ Google Scholar ]
  25. لوکا، IE; چولتکین، ا. وینر، جی. فابریکانت، SI; روکه، سی. چولتکین، ا. وینر، جی. فابریکانت، SI; Röcke, C. محیط های مجازی به عنوان دستگاه های آموزشی حافظه در وظایف ناوبری برای بزرگسالان مسن تر. علمی Rep. 2018 , 8 , 10809. [ Google Scholar ] [ CrossRef ]
  26. لوکا، IE; Çöltekin، A. به سمت بهینه سازی طراحی محیط های مجازی برای یادگیری مسیری: ارزیابی تجربی تأثیرات تغییر سطوح واقع گرایی بر حافظه. بین المللی جی دیجیت. زمین 2019 ، 12 ، 137-155. [ Google Scholar ] [ CrossRef ]
  27. لوکا، IE; Çöltekin، A. سوئیچ دیدگاه و اکتساب دانش فضایی: اثرات سن، توانایی چرخش ذهنی و ظرفیت حافظه دیداری فضایی بر یادگیری مسیری در محیط‌های مجازی با سطوح مختلف واقع‌گرایی. کارتوگر. Geogr. Inf. علمی 2020 ، 47 ، 14-27. [ Google Scholar ] [ CrossRef ]
  28. آراویند، گ. Lamontagne، A. وظایف دوگانه تأثیر منفی بر توانایی های اجتناب از موانع در افراد پس از سکته مغزی با غفلت بینایی فضایی دارد: پیچیدگی کار مهم است! بازگرداندن. نورول. نوروسک. 2017 ، 35 ، 423-436. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  29. کاسترو-آلونسو، جی سی. آیرس، پی. Sweller, J. Instructional Visualizations, Cognitive Load Theory, and Visuospatial Processial. در پردازش دیداری و فضایی برای آموزش بهداشت و علوم طبیعی ; Springer: برلین/هایدلبرگ، آلمان، 2019؛ صص 111-143. [ Google Scholar ]
  30. حاجی، FA; روجاس، دی. چایدز، آر. د ریباوپیر، اس. Dubrowski، A. اندازه گیری بار شناختی: عملکرد، تلاش ذهنی و پیچیدگی کار شبیه سازی. پزشکی آموزش. 2015 ، 49 ، 815-827. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  31. Gobet، F. آینده تخصص: نیاز به یک رویکرد چند رشته ای. J. کارشناس. 2018 ، 1 ، 107-113. [ Google Scholar ]
  32. برامز، اس. زیو، جی. لوین، او. اسپیتز، جی. وگیمنز، جی. ویلیامز، AM; Helsen، WF رابطه بین رفتار نگاه، تخصص و عملکرد: یک بررسی سیستماتیک. روانی گاو نر 2019 ، 145 ، 980-1027. [ Google Scholar ] [ CrossRef ]
  33. اریکسون، کالیفرنیا؛ کینتچ، دبلیو. حافظه کاری بلند مدت. روانی Rev. 1995 , 102 , 211. [ Google Scholar ] [ CrossRef ]
  34. حیدر، اچ. فرنچ، حرکت چشم PA در حین کسب مهارت: شواهد بیشتر برای فرضیه کاهش اطلاعات. J. Exp. روانی فرا گرفتن. مم شناخت. 1999 ، 25 ، 172. [ Google Scholar ] [ CrossRef ]
  35. کندل، اچ ال. نودین، CF; Conant، EF; واینستین، مؤلفه کل نگر SP ادراک تصویر در تفسیر ماموگرام: مطالعه ردیابی نگاه. رادیول.-رادیول. Soc. N. Am. 2007 ، 242 ، 396-402. [ Google Scholar ] [ CrossRef ]
  36. ولف، جی.ام. غار، KR; جستجوی هدایت‌شده فرانزل، SL: جایگزینی برای مدل یکپارچه‌سازی ویژگی برای جستجوی بصری. J. Exp. روانی هوم درک کنید. انجام دادن. 1989 ، 15 ، 419. [ Google Scholar ] [ CrossRef ]
  37. گگنفورتنر، آ. لهتینن، ای. Säljö, R. تفاوت های تخصصی در درک تجسم ها: متا آنالیز تحقیقات ردیابی چشم در حوزه های حرفه ای. آموزش. روانی Rev. 2011 , 23 , 523-552. [ Google Scholar ] [ CrossRef ]
  38. کیمرلینگ، ای جی. Muehrcke، JO; باکلی، آر. Muehrcke، PC استفاده از نقشه: خواندن و تجزیه و تحلیل . Esri Press: Redlands، CA، USA، 2010. [ Google Scholar ]
  39. MacEachren، AM نقشه‌ها چگونه کار می‌کنند: بازنمایی، تجسم و طراحی . Guilford Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2004; شابک 978-1-57230-040-8. [ Google Scholar ]
  40. Thorndyke، PW; Stasz, C. تفاوت های فردی در روش های کسب دانش از نقشه ها. شناخت. روانی 1980 ، 12 ، 137-175. [ Google Scholar ] [ CrossRef ]
  41. Kulhavy، RW; Stock, WA چگونه نقشه های شناختی یاد می گیرند و به خاطر سپرده می شوند. ان دانشیار صبح. Geogr. 1996 ، 86 ، 123-145. [ Google Scholar ] [ CrossRef ]
  42. چولتکین، ا. فابریکانت، SI; لاکایو، ام. بررسی کارایی استراتژی‌های تحلیل بصری کاربران بر اساس تحلیل توالی ضبط‌های حرکت چشم. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 1559-1575. [ Google Scholar ] [ CrossRef ]
  43. لی، دبلیو.-سی. Chiu، F.-C.; کو، ی. وو، ک.-جی. بررسی توجه بصری و حجم کار توسط کارشناسان و افراد تازه کار در کابین خلبان. در مجموعه مقالات کنفرانس بین المللی روانشناسی مهندسی و ارگونومی شناختی، لاس وگاس، NV، ایالات متحده آمریکا، 21-26 ژوئیه 2013. Springer: برلین/هایدلبرگ، آلمان، 2013; صص 167-176. [ Google Scholar ]
  44. اومز، ک. دی مایر، پ. Fack, V. مطالعه رفتار توجه کاربران مبتدی و خبره نقشه با استفاده از ردیابی چشم. کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 37-54. [ Google Scholar ] [ CrossRef ]
  45. دونگ، دبلیو. ژنگ، ال. لیو، بی. Meng, L. استفاده از ردیابی چشم برای بررسی تفاوت‌ها در توانایی فضایی مبتنی بر نقشه بین جغرافیدانان و غیرجغرافیدانان. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 337. [ Google Scholar ] [ CrossRef ]
  46. چولتکین، ا. Brychtová، A.; گریفین، آل. رابینسون، AC; ایمهوف، ام. پتیت، سی. پیچیدگی ادراکی نقشه‌های خاک-منظر: ارزیابی کاربر سازمان‌دهی رنگ در طرح‌های افسانه‌ای با استفاده از ردیابی چشم. بین المللی جی دیجیت. زمین 2017 ، 10 ، 560–581. [ Google Scholar ] [ CrossRef ]
  47. بیتی، WW; Bruellman، JA عدم وجود تفاوت های جنسیتی در حافظه برای یادگیری نقشه. گاو نر روانی. Soc. 1987 ، 25 ، 238-239. [ Google Scholar ] [ CrossRef ]
  48. Keskin، M. بررسی فرآیندهای شناختی کاربران نقشه با استفاده از ردیابی چشم و EEG. Ph.D. پایان نامه، دانشگاه گنت، گنت، بلژیک، 2020. [ Google Scholar ]
  49. کومرر، ام. والیس، TSA؛ Bethge، M. Saliency Benchmarking آسان شد: جداسازی مدل‌ها، نقشه‌ها و معیارها. در مجموعه مقالات کنفرانس اروپایی بینایی کامپیوتر (ECCV)، مونیخ، آلمان، 8 تا 14 سپتامبر 2018؛ فراری، وی.، هبرت، ام.، اسمینچیسسکو، سی.، ویس، ی.، ویرایش. Springer: برلین/هایدلبرگ، آلمان، 2018; صص 798-814. [ Google Scholar ]
  50. تلیبا، م. کرکوری، م. غریبه، ب. چطوانی، ع. چولتکین، ا. شهاتا، ام اس; برونو، A. SATSal: معماری مبتنی بر خود توجهی چند سطحی برای پیش‌بینی برجستگی بصری. دسترسی IEEE 2022 ، 10 ، 20701–20713. [ Google Scholar ] [ CrossRef ]
  51. کسکین، م. اومز، ک. دوگرو، آئو. De Maeyer، P. EEG و آزمایش‌های کاربر ردیابی چشم برای وظایف حافظه فضایی در نقشه‌ها. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 546. [ Google Scholar ]
  52. کراساناکیس، وی. فیلیپاکوپولو، وی. Nakos, B. EyeMMV Toolbox: An Eye Movement Post Analysis Tool بر اساس آستانه پراکندگی فضایی دو مرحله ای برای شناسایی تثبیت. J. Eye Mov. Res. 2014 ، 7 ، 1-10. [ Google Scholar ] [ CrossRef ]
  53. کراساناکیس، وی. Misthos، L.-M. Menegaki, M. LandRate Toolbox: ابزاری سازگار برای تجزیه و تحلیل حرکت چشم و رتبه بندی چشم انداز. در مجموعه مقالات ردیابی چشم برای تحقیقات فضایی. در مجموعه مقالات سومین کارگاه بین المللی; ETH زوریخ، زوریخ، سوئیس، 14 ژانویه 2018. [ Google Scholar ]
  54. پرین، A.-F. کراساناکیس، وی. ژانگ، ال. ریکوردل، وی. پریرا داسیلوا، ام. Le Meur, O. EyeTrackUAV2: مجموعه داده های ردیابی چشم دوچشمی در مقیاس بزرگ برای ویدیوهای پهپاد. هواپیماهای بدون سرنشین 2020 ، 4 ، 2. [ Google Scholar ] [ CrossRef ]
  55. کراساناکیس، وی. داسیلوا، نماینده مجلس؛ Ricordel, V. نظارت بر رفتار بصری انسان در هنگام مشاهده فیلم‌های وسایل نقلیه هوایی بدون سرنشین (UAV). Drones 2018 , 2 , 36. [ Google Scholar ] [ CrossRef ]
  56. اومز، ک. کراساناکیس، V. اندازه گیری نویز فضایی یک ردیاب چشمی کم هزینه برای افزایش تشخیص تثبیت. J. Imaging 2018 , 4 , 96. [ Google Scholar ] [ CrossRef ]
  57. Popelka, S. تنظیمات بهینه تشخیص تثبیت چشم برای اهداف نقشه برداری. در مجموعه مقالات چهاردهمین کنفرانس بین المللی ژئوکنفرانس علمی چند رشته ای SGEM، آلبنا، بلغارستان، 17 تا 26 ژوئن 2014. ص 705-712. [ Google Scholar ]
  58. Manor, BR; گوردون، ای. تعریف آستانه زمانی برای تثبیت چشم در وظایف دیداری شناختی با مشاهده آزاد. J. Neurosci. Methods 2003 ، 128 ، 85-93. [ Google Scholar ] [ CrossRef ]
  59. کیفر، پ. جیانوپولوس، آی. Raubal, M. من کجا هستم؟ بررسی تطبیق نقشه در حین خود محلی سازی با ردیابی چشم موبایل در یک محیط شهری. ترانس. GIS 2014 ، 18 ، 660-686. [ Google Scholar ] [ CrossRef ]
  60. یاربوس، AL حرکات چشم در حین ادراک اجسام پیچیده. در حرکات چشم و بینایی ; Springer: برلین/هایدلبرگ، آلمان، 1967; صص 171-211. [ Google Scholar ]
  61. ایتتی، ال. کوچ، سی. نیبور، ای. مدل توجه بصری مبتنی بر برجسته بودن برای تجزیه و تحلیل سریع صحنه. IEEE Trans. الگوی مقعدی ماخ هوشمند 1998 ، 20 ، 1254-1259. [ Google Scholar ] [ CrossRef ]
  62. ادلر، دی. کیل، جی. کوچینکه، ال. Dickmann, F. تصحیح خطاهای اعوجاج در حافظه مکان های شی: مثالی از فاصله خطوط شبکه در نقشه های توپوگرافی. بین المللی جی. کارتوگر. 2019 ، 5 ، 92-109. [ Google Scholar ] [ CrossRef ]
  63. روسر، اف. همبرگر، ک. کرومناک، ا. Knauff، M. برجستگی ساختاری نشانه‌ها: نتایج یک مطالعه آنلاین و یک آزمایش محیط مجازی. جی. اسپات. علمی 2012 ، 57 ، 37-50. [ Google Scholar ] [ CrossRef ]
  64. Wolfe، JM Visual Attention. در دیدن ; الزویر: آمستردام، هلند، 2000; صص 335-386. [ Google Scholar ]
  65. Ooms، K. Maps، کاربران چگونه آنها را می بینند؟: بررسی عمیق فرآیندهای شناختی کاربران نقشه. پایان نامه دکتری، دانشگاه گنت، گنت، بلژیک، 2012. [ Google Scholar ]
  66. لوچهد، آی. هدلی، ن. چولتکین، ا. فیشر، بی. آزمون چرخش های ذهنی فراگیر: ارزیابی توانایی فضایی در واقعیت مجازی. جلو. واقعی مجازی. 2022 ، 3 ، 820237. [ Google Scholar ] [ CrossRef ]
  67. اوتال، دی اچ. Meadow, NG; تیپتون، ای. دست، LL; آلدن، آر. وارن، سی. نیوکمب، NS انعطاف پذیری مهارت های فضایی: فراتحلیل مطالعات آموزشی. روانی گاو نر 2013 ، 139 ، 352. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  68. کریتز، ک. دوچوفسکی، آ. کریتز، آی. سارکوفسکا، آ. Kopacz، A. توجه محیطی / کانونی با ضریب K. ACM Trans. Appl. درک کنید. TAP 2016 ، 13 ، 1-20. [ Google Scholar ] [ CrossRef ]
  69. کریتز، ک. کولتکین، ا. دوچوفسکی، آ. Niedzielska، A. استفاده از ضریب K برای تشخیص توجه بصری محیطی/کانونی در حین مشاهده نقشه. J. Eye Mov. Res. 2017 ، 10 ، 3. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  70. چنگ، اس. وانگ، جی. شن، ایکس. چن، ی. دی، الف. بررسی کد مبتنی بر ردیابی چشم مشترک از طریق تجسم نگاه مشترک در زمان واقعی. جلو. محاسبه کنید. علمی 2022 ، 16 ، 1-11. [ Google Scholar ] [ CrossRef ]
  71. Krassanakis، V. تجسم داده های نگاه جمع شده با استفاده از کارتوگرام های نامنظم پیوسته. دیجیتال 2021 ، 1 ، 130-144. [ Google Scholar ] [ CrossRef ]
  72. Gökstorp، SGE; تجزیه و تحلیل برجستگی متنی برکن، TP موقت و غیرزمانی برای جستجوی گسترده در ویدیوی وسایل نقلیه هوایی بدون سرنشین (UAV). Vis. محاسبه کنید. 2022 ، 38 ، 2033-2040. [ Google Scholar ] [ CrossRef ]
  73. سیبولسکی، پ. کراساناکیس، وی. تأثیر زبان برچسب نقشه بر جستجوی بصری نمادهای نقطه نقشه برداری. کارتوگر. Geogr. Inf. علمی 2022 ، 49 ، 189-204. [ Google Scholar ] [ CrossRef ]
  74. تزلپیس، ن. کالیکودا، ع. کراساناکیس، وی. Misthos، L.-M. Nakos، B. ارزیابی پیچیدگی بصری درک شده سایه‌اندازی تپه‌ای چند جهته. Geod. کارتوگر. 2020 ، 69 ، 161-172. [ Google Scholar ]
  75. کراساناکیس، وی. بررسی فرآیند نقشه خوانی با تحلیل حرکت چشم. در مجموعه مقالات کارگاه بین المللی ردیابی چشم برای تحقیقات فضایی، اسکاربرو، انگلستان، 2 سپتامبر 2013; ص 2-5. [ Google Scholar ]
  76. کیفر، پ. جیانوپولوس، آی. راوبال، م. Duchowski، A. ردیابی چشم برای تحقیقات فضایی: شناخت، محاسبه، چالش ها. تف کردن شناخت. محاسبه کنید. 2017 ، 17 ، 1-19. [ Google Scholar ] [ CrossRef ]
Ijgi 12 00021 g001 550
شکل 1. نمای کلی طرح آزمایش. بلوک ها در بخش 2.4 بیشتر توضیح داده شده اند.
Ijgi 12 00021 g002 550
شکل 2. ( الف ) محرک مثال (( الف ) نسخه بزرگتر نقشه(ها) را می توان در پیوست B مشاهده کرد ). ( ب ) نقشه اسکلت صحیح در صفحه پاسخ گرافیکی چند گزینه ای (راست).
Ijgi 12 00021 g003 550
شکل 3. روش آزمایش.
Ijgi 12 00021 g004 550
شکل 4. محرک نمونه و AOIهای متناظر (که با خطوط چین مشخص شده اند) یک نسخه بزرگتر از نقشه(ها) را می توان در پیوست B مشاهده کرد.
Ijgi 12 00021 g005 550
شکل 5. پوشش منطقه AOI (%) بر اساس نوع ویژگی نقشه. همانطور که در دو نوار سمت راست نشان داده شده است، AOIهای درون و بیرون با هم کل صفحه (100%) را پوشش می دهند.
Ijgi 12 00021 g006 550
شکل 6. آمار توصیفی از تفاوت های نرمال شده در میانگین مدت زمان تثبیت (ms/منطقه) در داخل در مقابل AOI های خارجی. ( بالا سمت چپ ): جمع آوری شده بر اساس تخصص ، ( بالا سمت راست ): جمع آوری شده بر اساس سختی کار ، ( پایین ): جمع آوری شده بر اساس نوع ویژگی نقشه . تجزیه و تحلیل استنباطی در جدول 2 و جدول 3 ارائه شده است.
Ijgi 12 00021 g007 550
شکل 7. تفاوت در تثبیت میانگین نرمال شده برای متخصصان و تازه کارها در حالی که آنها حوزه های مربوط به کار (در AOI) را مطالعه می کنند. برای آمار استنباطی، لطفاً تخصص × نوع ویژگی نقشه × تعامل دشواری کار را در لیست گلوله بالا ببینید. بالای صفر توجه متخصصان بیشتر است، زیر صفر توجه افراد تازه کار بیشتر است. *** p   <0.001، ** p   <0.01، * p   <0.05، p   <0.10.
Ijgi 12 00021 g008 550
شکل 8. نقشه های چگالی نگاه (“نقشه های حرارتی”) و مسیرهای اسکن در طول مراحل رمزگذاری و رمزگشایی برای همان محرک نقشه در بلوک 1: محرک اصلی را می توان در شکل 2 مشاهده کرد. سمت چپ: خبرگان (( a , b ): رمزگذاری، ( c , d ): رمزگشایی). راست: مبتدیان (( e , f ): رمزگذاری، ( g , h ) رمزگشایی). نقشه های حرارتی نشان دهنده میانگین مدت زمان تثبیت (ms) است. کدهای رنگ در قسمت زیر نشان داده شده است. برای مسیرهای اسکن، 50 پیکسل = 500 میلی ثانیه. (نسخه بزرگتر از نقشه (ها) را می توان در پیوست B مشاهده کرد.).
Ijgi 12 00021 g009 550
شکل 9. میانگین زمان پاسخ کارشناسان و تازه کارها: ( سمت چپ ): در هر نوع وظیفه; ( راست ): بر اساس دشواری کار جمع شده است. متخصصان به طور مداوم زمان بیشتری را برای تکمیل وظایف نیاز دارند، اما تأثیر آن از نظر آماری فقط در برخی از کارها قابل توجه است. * p   <0.05،.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید