خلاصه

محیط های داخلی می توانند بسیار پیچیده باشند. با توجه به چالش‌های موجود در این محیط‌ها در ترکیب با عدم وجود وسایل کمکی سیار راه یاب، نیاز زیادی به تحقیقات نوآورانه در مورد راه‌یابی در فضای داخلی وجود دارد. در این مطالعه اکتشافی، یک بازی در Unity توسعه داده شد تا بررسی کند که آیا مفهوم گیمیفیکیشن می‌تواند در مطالعات راه‌یابی در فضای داخلی استفاده شود تا اطلاعات مفیدی در مورد ارتباط بین عملکرد راه‌یابی، ویژگی‌های شخصی و چیدمان ساختمان ارائه کند. نتایج نشان می‌دهد که بین گیمرها و غیربازی‌کنندگان تفاوت معناداری وجود دارد زیرا پیچیدگی حرکت بازیکن تأثیر مهمی بر سرعت ناوبری در بازی دارد. با این حال، تجزیه و تحلیل بیشتر نشان می دهد که چیدمان معماری نیز بر سرعت ناوبری تأثیر دارد و چرخش های اشتباه در بازی تحت تأثیر علائم در نقاط تصمیم گیری قرار می گیرد: پیمایش در نقاط تصمیم گیری عمیق تر در فضاهای محدب کندتر است و علائم مشخصه از دسته ها، پیکتوگرام ها و زیرساخت ها. در این ساختمان خاص موثرتر بودند. بنابراین، این مطالعه اکتشافی، که رویکردی برای استفاده از گیمیفیکیشن در تحقیقات راهیابی داخلی ارائه می‌کند، نشان می‌دهد که بازی‌های جدی می‌توانند با موفقیت به‌عنوان رسانه‌ای برای جمع‌آوری داده‌های مربوط به راهیابی داخلی در یک محیط مجازی مورد استفاده قرار گیرند.

کلید واژه ها:

گیمیفیکیشن ؛ راهیابی داخلی ; نقاط دیدنی ؛ نحو فضا ; وحدت

1. معرفی

ساختمان ها معمولاً با مقیاس بسیار کوچکتر و درجه جزئیات بالاتر در مقایسه با محیط های بیرونی مشخص می شوند. علاوه بر این، میدان دید بسیار محدودتر است و محیط های داخلی می توانند از نظر اندازه و شکل بسیار متفاوت باشند. در نتیجه، پیچیدگی ساختمان احتمالاً می‌تواند منجر به از دست دادن جهت‌گیری شود، و مسیریابی در داخل ساختمان در مقایسه با مسیریابی در مناطق بزرگ در فضای باز پیچیده‌تر است. با توجه به چالش‌های موجود در این محیط‌های سرپوشیده، در ترکیب با عدم وجود وسایل کمکی سیار راه یاب، نیاز زیادی به تحقیقات مبتکرانه در مورد راهیابی داخلی وجود دارد. بنابراین، مفهوم کلان داده اخیراً به دلیل حجم داده‌های موجود و سرعت جمع‌آوری آن‌ها بسیار مهم شده است. کلان داده فرصت ها و چالش هایی را برای تجزیه و تحلیل داده ها با هدف به دست آوردن اطلاعات مفید برای اهداف مختلف ایجاد می کند. یکی از این اهداف تحقیقات راهیابی است، به ویژه در حوزه راهیابی داخلی. در این حوزه اخیراً امکان جدیدی برای جمع‌آوری داده‌ها پدید آمده است که گیمیفیکیشن نامیده می‌شود. این تکنیک شامل یک مفهوم نسبتاً جدید است که به عنوان استفاده از عناصر طراحی بازی در زمینه های غیر بازی تعریف می شود.1 ]. چندین مطالعه سعی کرده اند بینش بهتری در برنامه ریزی مسیر شناختی و ارتباطات برای مسیریابی در فضای داخلی به دست آورند. با این حال، استفاده از گیمیفیکیشن برای راهیابی داخل ساختمان هنوز در مرحله اولیه است و به تحقیقات بیشتری در مورد فرصت های آن در مطالعات علمی نیاز دارد.
بنابراین، این مطالعه اکتشافی از یک رویکرد بازی‌سازی برای جمع‌آوری داده‌ها در مورد قابلیت‌های مسیریابی کاربر استفاده کرد. این بازی از ابتدا توسعه یافته است و این مطالعه تمام جنبه های تحقیقات گیمیفیکیشن از طراحی بازی تا تجزیه و تحلیل داده ها را پوشش می دهد. به این ترتیب، هم احتمالات و هم نقاط ضعف این تکنیک بررسی می‌شود و نتایج می‌تواند به محققان آینده‌ای که به‌دنبال گیمیفیکیشن برای جمع‌آوری داده‌اند، کمک کند.

1.1. محیط های داخلی و شناخت فضایی

در مورد تحقیق در مورد راهیابی، اصطلاح خوانایی اغلب در ادبیات استفاده می شود. این عمدتاً در مطالعات مربوط به راهیابی در داخل ساختمان استفاده می شود و به گفته ویزمن [ 2 ]، به این صورت تعریف می شود که افراد چگونه به راحتی راه خود را در یک محیط داخلی پیدا می کنند. در مطالعه ویزمن [ 2 ]، سه عامل مختلف نامگذاری شده است که خوانایی را تعیین می کند. این عوامل عبارتند از تمایز ظاهر، دسترسی بصری و پیچیدگی چیدمان، که همگی با مفهوم گیمیفیکیشن مرتبط هستند، زیرا به راحتی در محیط مجازی یک بازی قابل تنظیم هستند.
در مورد تمایز ظاهری، نشانه‌ها را می‌توان کلید فرآیند برنامه‌ریزی حرکت به شیوه‌ای هدف‌محور و کارآمد دانست که اغلب راه‌یابی نامیده می‌شود. در مطالعه پاسینی [ 3 ]، راهیابی نیز به عنوان یک فرآیند پویا توصیف شده است که شامل رفتار پیچیده انسانی و مهارت های شناختی مختلف است. برنامه ریزی و اجرای یک مسیر در داخل ساختمان ممکن است چالش برانگیز باشد. این شامل یک فرآیند تصمیم گیری است که طی آن مسیرهای ممکن و/یا بخش های مسیر ارزیابی و انتخاب می شوند تا به یک مقصد خاص برسند [ 4 ]. برای نشان دادن این فرآیند، Downs and Stea [ 5] یک چارچوب چهار مرحله ای متشکل از جهت گیری، انتخاب مسیر، کنترل مسیر، و تشخیص مقصد را تشریح کرد. اولاً، جهت یابی به معنای قرار دادن خود با توجه به نقاط جهت گیری نزدیک (به عنوان مثال، نشانه ها) و مقصد انتخاب شده است. ثانیا، بهینه ترین مسیر برای رسیدن به یک مقصد تا حد امکان بدون زحمت و کارآمد انتخاب می شود [ 4 ]. ثالثاً، کنترل مسیر تأیید دائمی است که یک فرد مسیر انتخاب شده را با پیوند دادن بازنمایی محیطی با واقعیت از طریق وجود ویژگی‌های مربوطه در محیط (مثلاً نشانه‌ها) دنبال می‌کند. چهارم، شخص باید بداند که به مقصد انتخابی رسیده است تا بتواند این روند راهیابی را به پایان برساند [ 4 ، 5 ].]. نکته مهم این است که نشانه‌ها کلید این فرآیند درک ساختار فضایی یک ساختمان، ساختن یک نقشه ذهنی، و تشخیص مکان‌ها و جهت‌گیری هستند. آنها نقشه شناختی انسان از محیط را ساختار می دهند و برای استدلال در مورد اطلاعات مکانی به روشی ساده استفاده می شوند. بنابراین، آنها به طور غیرقابل انکاری در طول مسیریابی در داخل ساختمان اهمیت دارند [ 6 ].
در مورد دسترسی بصری و پیچیدگی چیدمان، مطالعه توسط Viaene [ 6 ] تاکید می‌کند که یک ساختمان چالش‌های خاص راهیابی را تحمیل می‌کند و فرآیند برنامه‌ریزی حرکت به روشی هدف‌مدار و کارآمد اغلب در یک محیط داخلی مشکل‌ساز است. به منظور درک بهتر رفتار راهیابی در چنین محیط هایی، می توان از روشی به نام نحو فضا استفاده کرد. این سه جنبه اصلی راهیابی را پوشش می دهد: نمودارهای دسترسی، نقشه های محوری و زمینه های ایزویست (یا دید) [ 7 ]. به طور کلی، نحو فضا توصیفات رسمی را از طریق روش‌های کمی ارائه می‌کند و نشان‌دهنده درک فضایی یک فضا است که به عنوان ویژگی فضا نیز توصیف می‌شود، که به ناظر اجازه می‌دهد آن را به گونه‌ای درک کند که بتواند خود را پیدا کند. مسیر [8 ]. برای پاسخگویی به نیازهای خاص، روش‌های مختلف نحوی فضا معرفی شده‌اند. مواردی که بیشتر مورد استفاده قرار می گیرند عبارتند از چگالی اتصال بین (ICD)، تجزیه و تحلیل نمودار دید (VGA)، و isovists [ 9 ]. مورد دوم در مطالعات مختلف مورد استفاده قرار گرفته است، به عنوان مثال، تحقیقات وینر و فرانتس [ 10 ] که ویژگی های محیطی را با ترجیحات فضایی راه یاب ها مرتبط می کند.
علاوه بر این، ویژگی‌های شخصی می‌تواند بر رفتار راه‌یابی تأثیر بگذارد و بر شیوه‌ای که افراد فضا را تجربه می‌کنند، تأثیر بگذارد [ 11 ]. در مطالعات مختلف، از اثرات جنسیت، سن و آشنایی با ساختمان برای بررسی تفاوت‌های گروه‌های کاربری استفاده شده است. به عنوان مثال، مطالعه De Cock et al. [ 12 ] شامل عوامل شخصی است و ویژگی های نقطه تصمیم را به پیچیدگی درک شده راهیابی در داخل ساختمان مرتبط می کند.
در جایی که اکثر الگوریتم‌ها در سیستم‌های راه یاب داخلی محدود به الگوریتم‌های شناخته‌شده در حال حاضر کوتاه‌ترین مسیر هستند، مطالعات اخیر سعی کردند با استفاده از نظرسنجی‌های آنلاین یا آزمایش‌های واقعی، بینش بهتری در مورد برنامه‌ریزی مسیر شناختی به دست آورند [ 13 ، 14 ]. با این حال، آنها از رسانه های تحقیقاتی سنتی استفاده می کنند که دارای معایبی هستند. در آزمایش های واقعی، تعداد شرکت کنندگان محدود است، در حالی که در نظرسنجی های آنلاین، شرکت کنندگان واقعاً در محیط غوطه ور نیستند. جنبه بازی می تواند هر دو مشکل را حل کند، زیرا شرکت کنندگان بیشتری را جذب می کند و آن شرکت کنندگان بیشتر درگیر کار در دست هستند.

1.2. مفهوم سازی گیمیفیکیشن

اگرچه هیچ تعریف جهانی از گیمیفیکیشن وجود ندارد، اما تعریف Deterding و همکاران. [ 1 ] به طور گسترده پذیرفته شده است و به بازی سازی به عنوان استفاده از عناصر طراحی بازی در زمینه های غیر بازی اشاره می کند. زیچرمن و کانینگهام [ 15 ] پیشنهاد می‌کنند که گیمیفیکیشن برای ایجاد برند، درگیر کردن کاربران و تأثیرگذاری بر رفتار آنها با استفاده از مکانیک بازی در مناطقی غیر از زمینه‌های بازی سنتی است. توجه به این نکته مهم است که از اصطلاحات جایگزین نیز برای گیمیفیکیشن استفاده شده است، مانند بازی های جدی [ 16 ]. دتردینگ و همکاران [ 1 ] گیمیفیکیشن را از بازی های جدی جدا کنید و آنها را به عنوان طراحی بازی های تمام عیار برای اهداف غیر سرگرمی توصیف کنید. کاپ [ 16] اما استفاده از بازی‌های جدی را نوعی گیمیفیکیشن می‌داند که به‌عنوان کاربرد دقیق و سنجیده تفکر بازی برای حل مشکلات و تشویق یادگیری با استفاده از تمام عناصر بازی‌های مناسب تعریف می‌کند. این نشان می دهد که مرز بین یک بازی جدی و گیمیفیکیشن اغلب می تواند کوچک باشد و تا حدودی تجربی و ذهنی است: آیا Foursquare یک بازی است یا یک برنامه گیمیفیکیشن؟ اینکه کسی از Foursquare «بازی» یا «استفاده» می‌کند، یک موضوع درک است، بنابراین تعریف روشنی برای مفهوم گیمیفیکیشن وجود ندارد. نتیجه نهایی گیمیفیکیشن ممکن است یک بازی تمام عیار باشد یا نباشد و بازیکنان ممکن است به روش های مختلف از آن استفاده کنند [ 17 ]. علاوه بر این، گیمیفیکیشن بیشتر در مورد ایجاد انگیزه در افراد برای انجام اقدامات است [ 1]، شاید به شکلی ساختارمند، و قوانین خاصی را برای دستیابی به نتایج متغیر دنبال کنید.
در این تحقیق استفاده از یک بازی جدی در تحقیقات علمی به عنوان نوعی گیمیفیکیشن و در نتیجه زیرمجموعه خاصی از این مفهوم در نظر گرفته شد. یک بازی جدی برای تسهیل کسب اطلاعات برای تحقیقات علمی در حوزه راهیابی داخلی ایجاد شد. در حالی که برخی از شرکت کنندگان ممکن است بازی جدی را به عنوان سرگرمی و نوعی سرگرمی تجربه کنند، برخی دیگر ممکن است آن را صرفاً به عنوان شرکت در یک مطالعه علمی بر اساس اصل یک برنامه بازی‌سازی شده ببینند.

1.3. کار مربوطه

اگرچه این مفهوم در تحقیقات علمی نسبتاً جدید است، تمرین گیمیفیکیشن احتمالاً تا زمانی که بازی ها وجود داشته اند مورد استفاده قرار گرفته است. قبل از سال 2002، گیمیفیکیشن به سختی شناخته شده بود، اما اخیراً به عنوان یک ابزار قدرتمند برای جمع آوری داده ها و یک برنامه آموزشی در چندین حوزه تحقیقاتی شناخته شده است. در طول دهه گذشته، برنامه‌هایی مانند Foursquare با میلیون‌ها بارگیری در فضای مجازی منتشر شدند و گیمیفیکیشن به یک تکنیک محبوب تبدیل شد تا از تعامل کاربر در برنامه‌های مبتنی بر بازی پشتیبانی کند. اخیراً، همچنین به موضوعی محبوب‌تر برای تحقیقات آکادمیک تبدیل شده است که در حجم فزاینده تحقیقات در ده سال گذشته منعکس شده است [ 18 ].
داده های کاربر برنامه های کاربردی موبایل گیمی شده منبع داده بزرگی را فراهم می کند و تعدادی فرصت برای مطالعات علمی ارائه می دهد. برای مثال، محققان تشخیص دادند که ایجاد رقابت همراه با یک سیستم پاداش (به عنوان مثال، دریافت سکه در بازی Swarm موبایل) یک روش امیدوارکننده برای ایجاد انگیزه و حفظ داوطلبان است [ 19 ]. علاوه بر این، با توجه به جمع‌آوری داده‌ها برای تحقیقات علمی، برنامه‌های گیمیفیکیشن از چنین سیستم پاداشی استفاده می‌کنند که معمولاً به استفاده از نشان‌ها به عنوان پاداش مربوط می‌شود [ 20 ].
علاوه بر این، حوزه مراقبت های بهداشتی به بررسی روشی می پردازد که در آن بازی های جدی می توانند برای توانبخشی مسیریابی فضایی پس از آسیب مغزی استفاده شوند. به عنوان مثال، کار ارائه شده در [ 21 ] بر جلسات مجازی از جمله تمرینات مختلف راهیابی در قالب یک بازی جدی همراه با حمایت روانشناختی ارائه شده توسط یک متخصص حوزه تمرکز دارد. کار جالب دیگر در حوزه مراقبت‌های بهداشتی، بازی موبایل Sea Hero Quest است، یک بازی ماجراجویی چند پلتفرمی که به طور خاص برای کمک به پیشرفت درک از دست دادن در ناوبری فضایی، و بنابراین درک یکی از اولین علائم زوال عقل طراحی شده است [ 22 ].
در مورد تحقیقات علمی در جغرافیا، استفاده از گیمیفیکیشن و بازی های جدی فرصت های جالبی را برای تحقیق در مورد رفتار حرکتی و راهیابی فراهم می کند. مطالعات موجود قبلاً اطلاعات جغرافیایی داوطلبانه (VGI) یک پلتفرم بازی‌سازی شده، به‌ویژه داده‌های Foursquare را برای انجام تحقیقات در مورد تحرک و رفتار سفر به کار بردند [ 23 ]. علاوه بر این، مطالعه مک‌کنزی [ 24 ] یاد می‌گیرد که داده‌های مبتنی بر بازی Foursquare می‌تواند برای شناسایی مکان‌های پربازدید و به عبارت دیگر، مکان‌های محبوب در یک منطقه خاص مورد استفاده قرار گیرد. بر خلاف بازی جدی ما، استفاده از محیط های بیرونی یکی از موضوعات اصلی در ادبیات در رابطه با کاربردهای بازی سازی شده و تحقیقات در مورد رفتار راهیابی است. اثر ارائه شده در [ 25 ،26 ]، برای مثال، بررسی می‌کند که چگونه به اصطلاح ژئوگیم‌های موبایل می‌توانند از کاربران برای تقویت درک نقشه، جهت‌گیری و مهارت‌های مسیریابی در مناطق شهری پشتیبانی کنند. با توسعه برنامه Ori-Gami، نویسندگان عمدتاً بر سواد فضایی تمرکز می‌کنند، که به عنوان مهارت یادگیری و بهبود تعامل با محیط اطراف به عنوان یک شایستگی کلیدی در آموزش جغرافیا شناخته می‌شود [ 26 ]. کارهای ارائه شده در [ 27 ، 28 ، 29 ، 30 ] نمونه هایی از ژئوبازی های موبایل اضافی با اهدافی از جمله جمع آوری داده، اوقات فراغت، و آموزش مرتبط با موضوع جغرافیا هستند.
با توجه به محیط‌های داخلی، کارهای مرتبط اغلب بر طراحی ساختمان برای محیط‌های آگاه از انسان با ایجاد فرآیند شبیه‌سازی جمعیت، ردیابی مسیر و نقشه‌های حرارتی دینامیک تخلیه تمرکز می‌کنند [ 31 ، 32 ]. این آثار نمونه‌هایی از ابزارهای تحلیل برای کمک به معماران و طراحان در تولید و تجزیه و تحلیل گزینه‌های طراحی آگاهانه انسانی هستند. یک برنامه ریز، طراح محیط یا معمار با ارائه ابزاری برای پیاده سازی فرآیند طراحی به صورت سطوح بازی سازی شده با محدودیت های معماری داخلی، می تواند یک مشکل طراحی را به یک بازی قابل پخش تبدیل کند تا یک پلت فرم مشارکتی سرگرم کننده و تعاملی برای طراحی ساختمان های معماری فراهم کند.

1.4. هدف تحقیق

در حالی که کار مرتبط در مسیریابی عمدتاً از گیمیفیکیشن برای تحقیقات در مناطق بزرگ در فضای باز استفاده می کند [ 25 , 26 , 33]، این مطالعه بر روی محیط داخلی چالش برانگیزتر متمرکز شد. بنابراین، هدف از این تحقیق توسعه یک بازی ناوبری داخلی داخلی جدی در کیت توسعه نرم افزار Unity 3D بود. در مرحله اول، داده های راه یاب از چند شرکت کننده که بازی را انجام می دادند جمع آوری شد. در مرحله بعد، این مطالعه بررسی کرد که آیا تجزیه و تحلیل داده‌های به‌دست‌آمده می‌تواند به اطلاعات مفیدی در رابطه با ارتباط بین عملکرد مسیریابی، ویژگی‌های شخصی و چیدمان ساختمان در یک محیط داخلی منجر شود یا خیر. با انجام این کار، این مطالعه ممکن است بینش های جدیدی را برای تحقیقات بیشتر و استفاده از بازی های جدی از نظر تحقیقات علمی در مورد راهیابی در فضای داخلی فراهم کند.
این مقاله به شرح زیر سازماندهی شده است. در بخش بعدی به توسعه بازی و پردازش داده ها پرداخته می شود. بخش 3 نتایج را ارائه می دهد و پس از آن بحث و نتیجه گیری به ترتیب در بخش 4 و بخش 5 ارائه می شود.

2. مواد و روشها

2.1. توسعه بازی یونیتی

2.1.1. مفهوم بازی

برای انجام این بازی که “Indoor Navigation Simulator” نامیده می شود، شرکت کنندگان باید با دنبال کردن مراحل ثبت نام، یک حساب کاربری ایجاد کنند. مرحله بعدی ورود به بازی بود، جایی که ابتدا هدف بازی توضیح داده شد و می توان یک آموزش بازی کرد تا احساس بهتری نسبت به سیستم کنترل پیدا کنید. شرکت کنندگان، یعنی دانش آموزان و کارکنان بخش جغرافیا، باید در سه سطح مختلف بازی می کردند. ترتیبی که شرکت کنندگان به بازی نیاز داشتند به صورت تصادفی بود، هر سطح بخش متفاوتی از ساختمان را پوشش می داد و همه سطوح دشواری یکسانی داشتند. هر سطح با نشان دادن یک ویدیوی آموزشی به شرکت کنندگان شروع شد، که در آن آنها یک آواتار را مشاهده کردند که در محیط داخلی حرکت می کرد و یک مسیر برنامه ریزی شده را از مبدا تا مقصد دنبال می کرد. شرکت کنندگان فقط یک بار می توانستند این ویدیو را تماشا کنند، و قبل از تماشا، به آنها اشاره ای شد تا به ویژگی های محیطی قابل تشخیص نگاه کنند. هدف نهایی این بازی این بود که همان مسیری را که در فیلم آموزشی درج شده است، با بیشترین سرعت ممکن طی کنید تا امتیاز بالایی در رتبه بندی کسب کنید.
2.1.2. ثبت نام و پرسشنامه
اولین گام در توسعه بازی طراحی صحنه ثبت نام بود که در آن اطلاعات شخصی شرکت کنندگان با استفاده از یک پرسشنامه اولیه به دست می آمد. در این صحنه شرکت کنندگان یک نام کاربری انتخاب می کنند و سن و رشته تحصیلی خود را جویا می شوند. علاوه بر این، از شرکت کنندگان دو سوال پرسیده می شود: آیا اغلب در مسیریابی در داخل خانه مشکل دارید و آیا اغلب بازی های ویدیویی انجام می دهید؟ هر شرکت کننده یک شناسه منحصر به فرد دریافت کرد، که برای ذخیره داده ها در حین بازی مهم بود. نکته مهم این است که اگر شرکت کنندگان چندین بار بازی می کردند، داده ها همیشه به شناسه منحصر به فرد آنها مربوط می شد. شرکت کنندگان بدون تکمیل ثبت نام و ورود به سیستم قادر به بازی نبودند. برای اطمینان از این، دکمه play فقط زمانی قابل کلیک است که شرکت کنندگان ورود به بازی خود را کامل کرده باشند. علاوه بر این، تأیید ورودی در صحنه ثبت نام اجرا شد و شرکت کنندگان را موظف می کرد که قبل از ثبت نام به تمام سوالات پاسخ دهند.
2.1.3. محیط مجازی
مرحله دوم در توسعه بازی، طراحی یک محیط مجازی بود. این محیط در اتودسک اتوکد ایجاد شد و شامل یک طبقه با یک پذیرش، کافه تریا و تعداد متفاوتی از اتاق ها بر اساس یک طبقه بیمارستان موجود بود. ابعاد به گونه ای طراحی شده بودند که یک آواتار با مقیاس معمولی به راحتی می توانست در مدت زمان قابل قبولی از ساختمان عبور کرده و حرکت کند. شکل 1 نشان دهنده پلان طراحی شده محیط داخلی است که شامل ابعاد استفاده شده بر حسب متر در مقیاس 1:300 می باشد.
به منظور ایجاد یک محیط واقعی، آبجکت های مختلف بازی در محیط Unity 3D اضافه شدند. درها و پله ها در بازی اجرا شد و به کف متریالی با بافت چوبی داده شد. چراغ های مصنوعی مختلفی تعبیه شده بود و پله ها بافت فلزی داشتند. علاوه بر این، سقف، از جمله گنبدهای مختلف، متصل شد تا به شرکت کنندگان در حین راهیابی، احساسی واقع بینانه در داخل خانه بدهد. نکته مهم این است که پیوند با واقعیت هنوز بسیار کوچک بود و مدل مورد استفاده تنها یک نسخه ساده شده از ساختمان بود. بنابراین، اطلاعات مربوط به آشنایی شرکت کنندگان با ساختمان در نظر گرفته نشد و شرکت کنندگان در مورد منشاء محیط نیز مطلع نشدند.
2.1.4. پیاده سازی آواتار و حرکت بازیکن
مرحله سوم اجرای یک آواتار و حرکت او بود تا به شرکت کنندگان این فرصت را بدهد تا در ساختمان حرکت کنند. برای این مطالعه، از یک فیگور انیمیشن به عنوان آواتار استفاده شد که از فروشگاه دارایی Unity وارد شده بود. به آواتار ویژگی‌های واقعی مانند تأثیر گرانش در نتیجه یک جسم صلب داده شد. برای اطمینان از اینکه آواتار از روی سطح کشیده نمی شود یا نمی تواند از طریق دیوارها راه برود، یک برخورد دهنده مش بر روی آواتار و مدل سه بعدی ساختمان اعمال شد. با این کار، یکی از مرزهای بازی ایجاد شد که حرکت در دیوارها را غیرممکن می کرد. علاوه بر این، رابط اسکریپت نویسی بدنه سخت برای افزودن نیرو به آواتار و کنترل آن به روشی واقعی از لحاظ فیزیکی اعمال شد. نیروهای رو به جلو و عقب، به ترتیب به ورودی کلید پیکان رو به جلو و رو به عقب پیوند داده شد و به آواتار اضافه شد. این نیروها با چرخش آواتار ترکیب شدند و به ورودی کلیدهای جهت دار چپ یا راست متصل شدند و برای اجرای حرکت بازیکن در بازی به کار گرفته شدند.شکل 2 آواتار استفاده شده را نشان می دهد و شامل اطلاعاتی در مورد جهت گیری محورهای x و y سیستم مرجع مختصات محلی مورد استفاده در Unity است. جمع آوری و ذخیره سازی داده ها در بخش بعدی بیشتر توضیح داده شده است.
2.1.5. توسعه سطح
در مرحله چهارم بر اساس پلان ساختمان ( شکل 1)، سه مسیر مختلف ایجاد شد که به طور کامل ساختمان را می پوشاند. برخی از قسمت‌های مسیرها همپوشانی داشتند، بنابراین بازیکنان می‌توانستند بسته به سطح، از جهات مختلف به نقاط تصمیم‌گیری نزدیک شوند. هر مسیر تقریباً طول یکسانی داشت و بنابراین، سطح دشواری مشابهی داشت. در طول هر سطح، موقعیت آواتار بازیکن استخراج می‌شد و شرکت‌کنندگان با ذخیره مختصات x، y، و z همراه با یک مهر زمانی در پایگاه داده PgAdmin ردیابی شدند. برای اینکه بتوان این داده ها را به مسیرها و نقاط تصمیم (DP) در ساختمان پیوند داد، پس از هر نقطه تصمیم گیری، محرک های نامرئی قرار داده شد. این محرک‌ها به‌عنوان برخوردکننده‌های جعبه‌ای تنظیم شدند که عملکرد «OnTriggerEnter» را فعال می‌کردند. یک اسکریپت ایجاد شد که در صورت بروز برخورد بین آواتار و یک ماشه، به طور خودکار عدد صحیح DP را یک عدد افزایش می داد. با شروع از صفر، مقدار نقطه تصمیم تا رسیدن به آخرین ماشه در یک سطح افزایش می‌یابد. دومی، ماشه پایان نامیده می شد، که به طور خودکار عدد صحیح نقطه تصمیم را صفر می کرد، اطلاعات را در پایگاه داده ذخیره می کرد و صحنه بعدی بازی را شروع می کرد.
علاوه بر این، به منظور بررسی عملکرد راهیابی، سطوح برای شناسایی خودکار چرخش های اشتباه و به دست آوردن اطلاعاتی در مورد زمان و مکان ایجاد شده توسط یک شرکت کننده توسعه داده شد. از آنجایی که کافی است بدانیم یک شرکت‌کننده در چه زمانی و کجا چرخش را اشتباه انجام داده است، بازی به‌طور خودکار از شرکت‌کنندگان می‌خواهد که در صورت اشتباه کردن، برگردند. شکل 3 سه مسیر داخلی مورد استفاده برای سطوح مختلف بازی را نشان می دهد.
2.1.6. نقاط دیدنی
همانطور که در مقدمه بحث شد، یک حرکت به روشی هدفمند و کارآمد اغلب در یک محیط داخلی مشکل ساز است. برای غلبه بر این مشکلات، شرکت کنندگان به مهارت های شناختی مختلف و توانایی به خاطر سپردن دستورالعمل های مختلف در طول زمان نیاز دارند. یکی از این مهارت‌ها، شناخت ویژگی‌ها یا نشانه‌های محیطی قابل توجه است. در این مطالعه موردی، اینها اشیاء بازی های مختلف در ساختمان بودند که نقشه شناختی انسان از محیط را ساختار می دادند و برای جهت گیری و شکل گیری نقشه ذهنی استفاده می شدند. بنابراین، در مرحله پنجم، 21 نشانه مختلف در 32 نقطه تصمیم مورد استفاده قرار گرفت و 18 نقطه تصمیم هیچ نشانه ای نداشتند. میز 1یک نمای کلی از نقاط عطف مختلف، مربوط به سطح و نقاط تصمیم گیری که در آن در بازی رخ داده اند، نشان می دهد. ضمیمه A علاوه بر این یک نمای کلی از تمام نقاط تصمیم گیری در سه سطح مختلف ارائه می دهد و آنها را با استفاده از شناسه منحصر به فرد آنها به عنوان ترکیبی از عدد صحیح DP و سطحی که در آن رخ داده اند نشان می دهد (شناسه منحصر به فرد در جدول 1 ).
2.1.7. رتبه بندی و مسابقه بازی
این رقابت در مرحله ششم با استفاده از رتبه بندی به منظور ایجاد یک جزء بازی اجتماعی تعبیه شد. این رتبه‌بندی بر اساس ده برتر از بهترین نتایج زمان‌بندی کل شرکت‌کنندگان بود و هدف آن ایجاد رقابت بین افراد مختلف بود که برای بهترین زمان تلاش می‌کردند. از آنجایی که رقابت و ایجاد مولفه اجتماعی یکی از ویژگی های اصلی بازی است، اجرای این پیوست نهایی از اهمیت بالایی برخوردار بود. رتبه بندی با استفاده از زبان پرس و جو ساختاریافته (SQL) و علاوه بر این یک پرس و جو ساخته شد و ده رکورد با کمترین زمان کل را انتخاب کرد. اسامی و بهترین نتایج زمان بندی ده شرکت کننده مشخص نشان داده شد و می توان قبل و/یا بعد از بازی به آنها دسترسی داشت. بدین ترتیب،شکل 4 یک نمای کلی از بازی توسعه یافته “شبیه ساز ناوبری داخلی” را نشان می دهد و شرکت کننده ای را نشان می دهد که راه خود را در یکی از سطوح با هدف دستیابی به امتیاز بالا پیدا می کند.

2.2. تست و توزیع بازی

در طول فرآیند طولانی تولید بازی، ساخت بازی توسط اعضای داخلی تیم آزمایش شد که به آن مرحله تست آلفا می‌گفتند. هنگامی که دومی نیازهای آزمایش آلفا را برآورده کرد، مرحله آزمایش بعدی، یعنی مرحله آزمایش بتا، با استفاده از یک آزمایش آزمایشی بر روی هشت شرکت‌کننده انجام شد [ 34 ]]. در طول آزمایش، هیچ باگی در بازی رخ نداد و داده ها با موفقیت به دست آمد. پس از آن، از شرکت کنندگان تست آزمایشی برای بهبودهای بالقوه بازی خواسته شد که بیشتر منجر به اظهار نظر در مورد دشواری حرکت بازیکن توسط افراد غیربازی شد. بنابراین، آموزشی ایجاد شد که در آن شرکت‌کنندگان می‌توانستند حرکات خود را در یک محیط داخلی ساده‌شده تمرین کنند و هدف آن این بود که شرکت‌کنندگان اولین تجربه با مکانیسم حرکتی بازی را داشته باشند.
در نهایت، بازی با ویندوز پلت فرم هدف در معماری x86-64 ساخته شد. عرض و ارتفاع صفحه نمایش به ترتیب 1440 و 900 پیکسل انتخاب شد و سطح کیفیت فوق العاده بالا تنظیم شد. کیت توسعه نرم افزار Unity 3D به طور خودکار بازی را ساخته و در نتیجه یک فایل اجرایی و فایل های داده مربوط به آن ایجاد می شود. از نرم افزار Inno Setup Compiler برای ایجاد یک نصب کننده بر اساس تمامی فایل های بازی و فایل اجرایی مربوطه استفاده شده است. محصول نهایی تنظیمات نصب بازی بود که “Indoor Navigation Simulator Setup (x86)” نام داشت. این فایل اجرایی و راهنمای نصب برای تمامی دانشجویان و کارکنان گروه جغرافیا در دانشگاه گنت ارسال شد. در طول جمع آوری داده ها، بازی توسط 52 شرکت کننده مختلف انجام شد که در نتیجه بیش از 20، 000 مکان نقطه جمع آوری شده مربوط به محیط داخلی. چرخش های اشتباه مختلفی ثبت شد و 11 شرکت کننده بازی را بیش از یک بار انجام دادند و فرصتی برای تحقیق در مورد اثر یادگیری ایجاد کردند.

2.3. پردازش داده ها

در این بخش ابتدا اقدامات مربوط به پاکسازی داده ها در زیربخش پیش پردازش و همچنین محاسبه سرعت های ناوبری قبل از انجام تست های آماری توضیح داده شده است. در نهایت، مرحله تجزیه و تحلیل داده‌ها با تمرکز بر بررسی ویژگی‌های کاربر و نقطه تصمیم، اثربخشی نقاط عطف در مسیریابی داخلی، و همبستگی بین عملکرد راه‌یابی و چیدمان ساختمان توصیف می‌شود.

2.3.1. پیش پردازش

به طور کلی، تقریباً 20 درصد از داده ها به دلیل خرابی پیش بینی نشده سرور در نتیجه خطاهای اتصال VPN یا درخواست های بیش از حد همزمان سرور قابل استفاده نیستند. پس از پاکسازی داده ها، 41 مجموعه داده مجزا می تواند برای تجزیه و تحلیل ویژگی های کاربر و تجزیه و تحلیل ویژگی های نقطه تصمیم استفاده شود، 11 مجموعه داده ممکن است برای تجزیه و تحلیل اثر یادگیری مفید باشد.
سرعت ناوبری در تجزیه و تحلیل آماری استفاده می شود زیرا فرصت مقایسه نقاط تصمیم گیری مختلف با یکدیگر را می دهد. این مقدار با استفاده از زمان و فاصله اقلیدسی بین مکان های نقطه ردیابی شده محاسبه می شود. در مورد تحقیق در مورد ویژگی های کاربر، مسافت و زمان سفر در 3 سطح برای هر شرکت کننده محاسبه شد تا سرعت کلی ناوبری آنها به عنوان میانگین سه سطح مختلف بدست آید.
2.3.2. تحلیل آماری
در تجزیه و تحلیل آماری، تأثیر ویژگی‌های کاربر و نقطه تصمیم بر رفتار راه‌یابی مورد بررسی قرار گرفت. علاوه بر این، اثربخشی نقاط عطف و معماری بر عملکرد مسیریابی مورد مطالعه قرار گرفت و به دنبال آن تحقیق در مورد اثر یادگیری با انجام بازی انجام شد. پنج مرحله مختلف بر اساس معیارهای مختلف مانند سرعت ناوبری و چرخش های اشتباه شرکت کنندگان اجرا شد. توجه به این نکته حائز اهمیت است که سرعت های ناوبری محاسبه شده به طور نرمال توزیع نشده اند و بنابراین از آزمون های ناپارامتریک در این مطالعه استفاده شده است.
در مرحله اول تجزیه و تحلیل، تأثیر ویژگی های شخصی بر سرعت کل ناوبری و میزان پیچ های اشتباه مورد بررسی قرار گرفت. اگر آزمون کروسکال-والیس تفاوتی را بین گروه‌های مختلف شرکت‌کنندگان نشان داد، از آزمون‌های U-test Mann-Whitney به‌صورت جفتی و یک‌طرفه با تصحیح بونفرونی برای تعیین اینکه تفاوت‌ها بین کدام گروه‌ها وجود دارد، استفاده شد. به منظور بررسی تفاوت بین نسبت چرخش های اشتباه در گروه ها از آزمون z دو نسبتی استفاده شد. گروه ها با پاسخ به سؤالات، یعنی اینکه آیا شرکت کنندگان اغلب گم می شوند یا نه و آیا اغلب بازی می کنند یا نه، تشکیل شدند. علاوه بر این، اثر یادگیری با استفاده از داده‌های شرکت‌کنندگانی که بازی را چندین بار انجام دادند، بررسی شد. کل سرعت های ناوبری، جمع آوری شده برای هر سه سطح و مقدار چرخش های اشتباه، برای تلاش های مختلف با استفاده از یک نمایش گرافیکی مقایسه شد. علاوه بر این، آزمون‌های U دو طرفه Mann-Whitney برای بررسی اهمیت چنین اثراتی و نتیجه‌گیری اینکه آیا آنها در این مطالعه وجود دارند یا خیر، اجرا شد.
در مرحله دوم، تأثیر ویژگی‌های نقطه تصمیم با تعیین اینکه آیا تفاوت معنی‌داری بین سرعت شرکت‌کنندگان در نقاط تصمیم‌گیری مختلف یا دسته‌های شاخص وجود دارد یا خیر، مورد آزمایش قرار گرفت. تمام نقاط تصمیم گیری به دو صورت طبقه بندی شدند: با توجه به توپولوژی نقطه تصمیم گیری و بر اساس اقدام مورد نیاز راه یاب. اول از همه، بر اساس توپولوژی نقطه تصمیم، بین یک پیچ (یعنی یک پیچ با تنها یک گزینه راه یاب)، یک پیچ چندگانه (یعنی یک پیچ با بیش از یک گزینه راه یاب) و در نهایت شروع و پایان هر سطح. برای بررسی تفاوت‌های معنی‌دار بین گروه‌ها، از آزمون U-test Kruskal-Wallis و Mann-Whitney به صورت دوتایی استفاده شد. در مرحله دوم، بر اساس اقدام مورد نیاز راه یاب، بین رفتن مستقیم به جلو، چرخش به چپ و چرخش به راست تمایز قائل شد. در مورد این دسته‌بندی، هم پیچ‌های اشتباه و هم تفاوت بین سرعت‌های ناوبری به‌ترتیب با آزمون کای دو و آزمون کروسکال-والیس همراه با آزمون‌های U یک طرفه من-ویتنی مورد تجزیه و تحلیل قرار گرفت. .
در مرحله سوم، نشانه‌ها به گروه‌های مختلف تقسیم شدند تا اثربخشی نشانه‌ها بر عملکرد راه‌یابی داخل ساختمان بررسی شود. پس از مطالعه توسط Viaene [ 6 ]، شش دسته مختلف از نشانه‌ها به کار گرفته شد: زیرساخت‌ها، پیکتوگرام‌ها، تزئینات، اشیاء، مبلمان، و اصلاً هیچ نشانه‌ای. تفاوت بین سرعت ها و پیچ های اشتباه در دسته های نشانه با استفاده از آزمون های مشابه در مرحله قبل مورد تجزیه و تحلیل قرار گرفت. شکل 5 طبقه بندی نشانه ها را با استفاده از تصاویر مربوطه نشان می دهد.
در مرحله چهارم، همبستگی بین اندازه‌گیری‌های میانگین عمق بصری (MVD) و سرعت‌های ناوبری در نقاط تصمیم‌گیری مختلف مورد تجزیه و تحلیل قرار گرفت. MVD یک اندازه گیری جهانی VGA است که به عنوان میانگین تعداد جهانی چرخش های بصری برای رسیدن به یک نقطه خاص از هر نقطه دیگر در ساختمان محاسبه می شود. با نرم افزار isovist.org به عنوان مقادیر بین 4 (کم عمق یا به خوبی یکپارچه) و 10 (عمیق یا بد ادغام) محاسبه شد [ 35]. از آنجایی که سرعت های ناوبری محاسبه شده به طور معمول توزیع نشده بود، ضریب همبستگی رتبه اسپیرمن برای این تحلیل استفاده شد. در ابتدا، همبستگی رتبه اسپیرمن بین سرعت ناوبری محاسبه شده و اندازه گیری MVD برای تمام نقاط تصمیم گیری تعیین شد. سپس همین آزمایش بر روی نقاط تصمیم گیری واقع در فضاهای عمیق از یک سو و در فضاهای کم عمق از سوی دیگر برای بررسی تفاوت سرعت ناوبری بین این دو گروه انجام شد. توجه به این نکته بسیار مهم است که برای این مطالعه موردی، فضاهای عمیق عمدتاً در فضاهای محدب و فضاهای کم عمق عمدتاً در راهروهای باریک قرار داشتند. شکل 6 تجزیه و تحلیل آماری را خلاصه می کند و یک نمای کلی از اقدامات مورد استفاده و آزمون های انجام شده در هر مرحله ارائه می دهد.

3. نتایج

3.1. ویژگی های کاربر

جدول 2 یک نمای کلی از ویژگی های کاربر، از جمله داده های مربوط به رده سنی، سطح تحصیلات، پاسخ به سوالات عمومی در طول ثبت نام، و چرخش های اشتباه در طول مسیریابی در اولین تلاش ارائه می دهد. شرکت‌کنندگان با پاسخ دادن به پرسشنامه، برآورد خود را از قابلیت‌های راه‌یابی ارائه کردند، اما بر اساس ارائه مؤثرشان به گروه‌هایی تقسیم شدند (حداقل یک چرخش اشتباه)، که همیشه یکسان نبود.
مقادیر p حاصل از آزمون‌های کروسکال-والیس در مورد تفاوت‌های بین گروه‌های کاربر را می‌توان در جدول 3 یافت . بر اساس این تست‌ها، تفاوت بین دو نوع گروه ناچیز بود: گروه‌ها بر اساس سوال اول (یعنی آیا اغلب در مسیریابی در داخل خانه مشکل دارید؟) و گروه‌هایی از شرکت‌کنندگان اشتباه و بدون اشتباه (یعنی حداقل یک نفر اشتباه کرده است. نوبت) در اولین تلاش خود. یافته اول به این معنی است که بر اساس برآورد قابلیت راهیابی شرکت کنندگان، تفاوت معنی داری در سرعت ناوبری وجود ندارد. نتیجه دوم نشان می‌دهد که اگرچه شرکت‌کنندگان چرخش اشتباهی انجام دادند، اما سرعت ناوبری آن‌ها تفاوت قابل‌توجهی با شرکت‌کنندگانی که دور اشتباه انجام ندادند، نداشت.
علاوه بر این، تفاوت بین گروه‌ها بر اساس سوال دوم (یعنی آیا اغلب بازی‌های ویدیویی انجام می‌دهید؟) معنی‌دار بود و بنابراین، آزمون من-ویتنی U دوتایی یک دم به منظور تعیین اینکه کدام گروه مشخص می‌شود، اجرا شد. با سرعت ناوبری به طور قابل توجهی بالاتر. همانطور که می توان انتظار داشت، شرکت کنندگانی که اغلب بازی می کنند سرعت ناوبری به طور قابل توجهی در سه سطح مختلف داشتند. با وجود ایجاد یک آموزش پس از آزمایش بتا و بازخورد در مورد دشواری حرکات بازیکن، هنوز هم می توان تفاوت قابل توجهی بین گیمرها و گروه غیربازیگر پیدا کرد.
علاوه بر این، آزمون z دو نسبتی برای بررسی تفاوت معنی‌دار آماری بین تعداد دورهای اشتباه در گروه‌ها بر اساس سؤالات در حین ثبت‌نام اجرا شد. نتایج نشان می دهد که تفاوت معنی داری در نسبت چرخش اشتباه بین گروه ها وجود ندارد ( جدول 4 ).
در مورد تأثیر یادگیری در بازی، 11 شرکت کننده چندین بار بازی کردند، اما تنها 3 نفر از آنها بیش از دو بار بازی کردند. بنابراین، تنها تفاوت بین تلاش اول و دوم بررسی شد. شکل 7 کل سرعت ناوبری شرکت کنندگان در تلاش های 1 و 2 را نشان می دهد که برای هر سه سطح بازی جمع شده اند. در بیشتر موارد، تفاوت بین هر دو تلاش بسیار کم بود، به استثنای بازیکنان با شناسه 13، 23، 24، و 42. مهم است که توجه داشته باشید که تنها 5 نفر از 11 شرکت کننده گزارش کردند که تجربه بازی کردن را دارند.
نتایج نشان‌دهنده روندی به سمت سرعت کلی ناوبری کمی بالاتر در تلاش دوم و در نتیجه مسیریابی بهتر در ساختمان است، اما طبق آزمون U-test Mann-Whitney، این روند از نظر آماری معنی‌دار نیست ( 0.670 = p ) .
در نهایت، جدول 5 یک نمای کلی از تعداد چرخش های اشتباه انجام شده توسط شرکت کنندگان در تلاش های اول و دوم ارائه می دهد. در بیشتر موارد، تعداد دورهای اشتباه خیلی متفاوت نبود. این مشاهدات توسط تجزیه و تحلیل آماری با آزمون U-test Mann-Whitney ( 972/0 = P ) پشتیبانی می شود.

3.2. ویژگی های نقطه تصمیم گیری

نتایج تجزیه و تحلیل آماری در جدول 6 آمده است. آزمون کروسکال-والیس نشان می‌دهد که تفاوت معنی‌داری در سرعت شرکت‌کنندگان در دسته‌های مختلف نقاط تصمیم بر اساس توپولوژی از یک سو و اقدامات راه‌یابی مورد نیاز از سوی دیگر وجود دارد. بنابراین، آزمون‌های U-test Mann-Whitney به‌صورت جفتی اجرا شد تا مشخص شود کدام دسته‌ها با سرعت ناوبری بالاتر مشخص می‌شوند.
نتایج نشان می‌دهد که شرکت‌کنندگان بیشترین سرعت ناوبری را در پیچ‌های چندگانه داشتند و پس از آن در یک پیچ‌ها، کمترین سرعت را در ابتدا یا انتهای مسیر حرکت می‌کردند. تجزیه و تحلیل اضافی در دسته شروع / پایان نشان می دهد که سرعت ناوبری کم عمدتاً توسط نقاط تصمیم شروع و نه نقاط تصمیم پایان ایجاد می شود ( 000/0 = p). علاوه بر این، جدول 6 نشان می دهد که سرعت ناوبری در نقاط تصمیم گیری که در آن از شرکت کنندگان خواسته می شد مستقیماً به جلو بروند، در مقایسه با نقاط تصمیم گیری که دستورالعمل های راهیابی برای آن ها نیاز به گردش به چپ یا راست شرکت کننده داشت، به طور قابل توجهی بالاتر بود.
در نهایت جدول 7نتایج تجزیه و تحلیل آماری در مورد میزان چرخش اشتباه در مقوله‌های نقطه تصمیم را با توجه به اقدام راه‌یابی مورد نیاز نشان می‌دهد. در مورد دسته‌بندی نقاط تصمیم‌گیری مبتنی بر توپولوژی، مقدار چرخش‌های اشتباه در نظر گرفته نشد، زیرا هیچ چرخشی اشتباهی در یک پیچ نمی‌توان ایجاد کرد. برای تعیین اینکه آیا نمونه، که میزان چرخش های اشتباه مشاهده شده در هر دسته نقطه تصمیم گیری است، با توزیع فرضی مطابقت دارد یا خیر، از آزمون Chi-square استفاده شد. از آنجایی که هر دسته تعداد نقاط تصمیم یکسانی نداشت، توزیع مورد انتظار به طور مساوی توزیع نشد. به‌عنوان حاصل ضرب تعداد کل پیچ‌های اشتباه و نسبت چرخش‌های چندگانه یک دسته مشخص در مقایسه با تعداد کل چرخش‌های چندگانه محاسبه شد.
فرضیه صفر فرض می کند که مقدار مشاهده شده چرخش های اشتباه از توزیع مورد انتظار پیروی می کند، متناسب با تعداد نقاط تصمیم گیری در هر دسته. از طرف دیگر فرضیه جایگزین فرض می کند که میزان چرخش های اشتباه به طور قابل توجهی متفاوت توزیع شده است. نتایج نشان می دهد که فرضیه صفر را می توان در این تحلیل رد کرد ( 000/0 = p). در نتیجه، می‌توان استدلال کرد که اقدامات اشتباه به‌جای مستقیم کمتر و به‌طور قابل‌توجهی اقدامات اشتباه در گردش به چپ بسیار بیشتر از آنچه انتظار می‌رفت انجام شد، در حالی که تعداد اقدامات اشتباه در گردش به راست کاملاً مشابه تعداد مورد انتظار بود.

3.3. اثربخشی نقطه عطف

با توجه به بررسی اثربخشی نقاط عطف بر عملکرد راه یاب داخلی، نتایج قابل توجه تجزیه و تحلیل آماری بر روی سرعت ناوبری در جدول 8 نشان داده شده است. ص _مقادیر آزمون‌های Kruskal-Wallis اجرا شده نشان می‌دهد که تفاوت قابل‌توجهی در سرعت ناوبری شرکت‌کنندگان در نقاط تصمیم‌گیری با نشانه‌ها از دسته‌های مختلف وجود دارد: زیرساخت‌ها، پیکتوگرام‌ها، تزئینات، اشیاء، مبلمان، اصلاً هیچ علامت مشخصی وجود ندارد. بنابراین، آزمون‌های U-test Mann-Whitney دو به دو برای تعیین اینکه کدام دسته‌ها با سرعت ناوبری به طور قابل‌توجهی بالاتر مشخص می‌شوند، اجرا شدند. توجه به این نکته مهم است که تمام نقاط دیدنی با همان سطح دشواری مشخص می شدند و همه آنها را می توان به راحتی در طول مسیریابی شناسایی کرد. علاوه بر این، نقاط تصمیم گیری در شروع یک سطح در این تحلیل در نظر گرفته نشد. آزمایش قبلی نشان داد که مدتی طول می کشد تا شرکت کنندگان در ابتدای مسیر شروع به حرکت کنند، بنابراین،
نتایج نشان می‌دهد که در مقایسه با نقاط تصمیم حاوی نشانه‌ها از دسته‌های بدون نشانه، زیرساخت‌ها، پیکتوگرام‌ها، تزئینات و مبلمان، سرعت ناوبری در نقاط تصمیم حاوی نشانه‌های شاخص از دسته اشیاء طبق Mann-Whitney U به طور قابل‌توجهی بالاتر بود. -تست ها علاوه بر این، در مقایسه با نقاط تصمیم حاوی نشانه‌ها از دسته مبلمان، سرعت ناوبری در نقاط تصمیم حاوی نشانه‌های شاخص از دسته‌های بدون نشانه و زیرساخت نیز به طور قابل توجهی بالاتر بود.
جدول 9 نتایج تجزیه و تحلیل آماری در مورد میزان چرخش های اشتباه در نقاط تصمیم گیری در دسته بندی های مبتنی بر شاخص را نشان می دهد. از آزمون مجذور کای برازش استفاده شد که مشابه آنالیز اقدامات مورد نیاز راهیابی بود. مهم است که توجه داشته باشید که دسته بندی هیچ نقطه عطفی با عدم چرخش اشتباه مشخص می شود. آزمون نیکویی تناسب مجذور کای مستلزم آن است که تمام فرکانس‌های مشاهده شده یا مورد انتظار در هر دسته باید حداقل 5 باشد. در نتیجه، در این آزمون دسته‌بندی بدون نشانه در نظر گرفته نشد و نسبت‌ها با مقدار کل نقاط تصمیم‌گیری تنظیم شد، به استثنای مواردی که در رده بدون نشانه قرار داشتند.
تجزیه و تحلیل نشان می دهد که فرضیه صفر را می توان رد کرد ( 000/0 = p). در نتیجه، می‌توان استدلال کرد که توزیع چرخش‌های اشتباه در دسته‌های نقاط تصمیم مبتنی بر نوع شاخص به طور قابل‌توجهی با توزیع مورد انتظار پیچ‌های اشتباه متفاوت بود. چرخش های اشتباه بیش از حد انتظار در نقاط تصمیم گیری با نقطه عطفی از دسته های دکوراسیون، اشیاء و مبلمان انجام شد. نقاط عطف از دسته‌های پیکتوگرام‌ها و زیرساخت‌ها با چرخش‌های اشتباه کمتر از حد انتظار مشخص شدند.

3.4. چیدمان و معماری ساختمان

به منظور تعیین ارتباط بین پیچیدگی نظری پلان طبقه، که با اندازه گیری عمق بصری متوسط ​​و سرعت ناوبری کمی شده است، همبستگی بین این دو مقدار مورد تجزیه و تحلیل قرار گرفت. ضریب همبستگی رتبه عمومی اسپیرمن و ضریب نقاط تصمیم گیری در فضاهای عمیق و کم عمق در جدول 10 آمده است. توجه به این نکته مهم است که نقاط تصمیم گیری در شروع سطوح، که با سرعت ناوبری به میزان قابل توجهی کمتر مشخص می شوند، در نظر گرفته نشدند، زیرا می توانند نتایج را تغییر دهند، همانطور که در بخش 3.2 ذکر شد .
برای تمام نقاط تصمیم گیری در ساختمان، یک همبستگی قابل توجه رتبه اسپیرمن با ضریب 0.063- یافت می شود. به طور کلی، این نتایج نشان می دهد که Y (سرعت ناوبری) با افزایش X (میانگین اندازه گیری عمق بصری) تمایل به کاهش دارد. اما وقتی بین فضاهای عمیق و کم عمق تمایز قائل شد، این روند دیگر برای فضاهای کم عمق قابل توجه نیست، اما برای فضاهای عمیق افزایش می یابد. شکل 8 مکان این نقاط تصمیم را نشان می دهد که شامل اطلاعات مربوط به اندازه گیری های نحوی فضای همبسته است.

4. بحث

4.1. ویژگی های کاربر

در این مطالعه، می توان از نتایج تحقیق در مورد تفاوت در ویژگی های کاربر، تعدادی نتیجه گرفت. اول از همه، تفاوت معنی داری در کل سرعت ناوبری شرکت کنندگان که بر اساس تخمین توانایی راهیابی آنها به گروه تقسیم شده بودند، وجود نداشت. ثانیاً، بر اساس سؤالات 1 (یعنی آیا اغلب در مسیریابی در داخل خانه مشکل دارید؟) و 2 (یعنی اغلب بازی های ویدیویی انجام می دهید) تفاوت معنی داری در نسبت چرخش های اشتباه بر تعداد شرکت کنندگان در گروه ها مشاهده نشد؟ ). بنابراین، برآورد قابلیت راه یاب و قابلیت راه یاب عملی تاثیر قابل توجهی بر سرعت ناوبری ندارد. از آنجایی که نتایج مشابهی در مطالعه قبلی توسط De Cock و همکاران انجام شد. [ 9]، این نتایج با ادبیات مطابقت دارد.
در مقابل، تجربه شرکت‌کنندگان با بازی‌ها تفاوت‌های چشمگیری را نشان داد. از نتایج تست زوجی تعقیبی، می‌توان نتیجه گرفت که شرکت‌کنندگانی که اغلب بازی‌ها را انجام می‌دهند، علیرغم فیلم آموزشی که پس از مرحله آزمایش بتا معرفی شد، سرعت ناوبری کلی در سه سطح مختلف به طور قابل‌توجهی بهتر بود. . این نشان می دهد که بیشتر اوقات سرعت ناوبری و عدم پیچش های اشتباه تحت تأثیر تجربه بازی شرکت کنندگان است. بنابراین، این مطالعه نشان داد که چرخش‌های اشتباه معیار عینی‌تری برای عملکرد راه‌یابی در یک پروژه گیمیفیکیشن است و تجربه شرکت‌کنندگان با کنترل بازیکن نیز باید در نظر گرفته شود. مطالعه قبلی توسط پاورز و همکاران. [ 36] این یافته را با ارائه شواهدی مبنی بر اینکه آموزش بازی می تواند مهارت های ادراکی و حرکتی خاص، از جمله پردازش بصری و فضایی و هماهنگی دست و چشم را افزایش دهد، تأیید می کند.
با توجه به تجزیه و تحلیل تأثیر یادگیری با انجام بازی، تفاوت معنی داری در میزان چرخش های اشتباه انجام شده توسط شرکت کنندگان در تلاش اول و دوم یافت نشد. در مورد مجموع سرعت‌های ناوبری، به نظر می‌رسد روند کمی از سرعت کل ناوبری بالاتر در تلاش دوم وجود دارد، اما تفاوت معنی‌داری مشاهده نشد. در نتیجه، هیچ اثر یادگیری قابل توجهی در این مطالعه موردی مشاهده نشد، اگرچه بیش از نیمی از این شرکت‌کنندگان غیربازی‌کننده بودند. لازم به ذکر است که تعداد کمی از شرکت کنندگان چندین بار بازی کردند. از آنجایی که آزمون کروسکال-والیس برای نمونه‌های کوچک توان کمی دارد، نمونه بزرگ‌تر می‌توانست نتایج متفاوتی را به همراه داشته باشد و بنابراین در این نتیجه احتیاط لازم است.

4.2. ویژگی های نقطه تصمیم گیری

به طور کلی، سرعت ناوبری شرکت کنندگان در دسته های یک دور و چند دور در مقایسه با سرعت ناوبری در نقاط تصمیم گیری در ابتدا و انتهای یک سطح بالاتر بود. اگرچه تحقیقات De Cock و همکاران. [ 12] نشان می دهد که شروع و پایان یک مسیر پیچیده تر است و بنابراین، سرعت ناوبری بالاتری انتظار می رود، این مطالعه برخلاف آن را نشان می دهد. تجزیه و تحلیل بیشتر نشان می دهد که سرعت ناوبری کم عمدتاً توسط نقاط تصمیم شروع ایجاد می شود. توضیح احتمالی برای این مشاهده، فاصله زمانی بین شروع یک سطح و شروع راهیابی توسط شرکت کنندگان است. هنگامی که شرکت کنندگان روی دکمه بازی بازی کلیک می کنند، چند ثانیه طول می کشد تا بازیکن خود را با استفاده از کلیدهای جهت دار حرکت دهند. از آنجایی که تایمر در سطح بلافاصله پس از کلیک کردن روی این دکمه شروع می شود، یک تاخیر زمانی چند ثانیه ای به طور کلی می تواند سرعت ناوبری را در نقاط تصمیم گیری در ابتدای هر سطح کاهش دهد. جریان حرارتی حرکت در سطح 1 با وضوح 2 متر ( شکل 9به عنوان مثال، به صورت گرافیکی این تعیین را تایید می کند. تراکم بالاتر در مکان های نقطه ردیابی شده به وضوح در ابتدای سطح در مقایسه با سلول های شطرنجی همسایه وجود داشت.
در مورد دسته چرخش چندگانه، نتایج نشان می‌دهد که سرعت ناوبری در این دسته در مقایسه با نقاط تصمیم‌گیری در دسته تک‌پیچ به‌طور معنی‌داری بالاتر بود. در تک پیچ ها، تنها یک پیچ ناوبری امکان پذیر بود و بنابراین می توان سرعت ناوبری بالاتری را در مقایسه با نقاط تصمیم گیری با گزینه های متعدد انتظار داشت، اما اینطور نبود. به منظور توضیح این موضوع، نقاط تصمیم گیری فردی در دسته چرخش چندگانه مورد تجزیه و تحلیل قرار گرفت. 26 نقطه تصمیم در دسته یک دور و 16 نقطه تصمیم در دسته چند دور وجود داشت. توجه به این نکته ضروری است که از این 16 نقطه تصمیم گیری، 8 مورد از آنها مستلزم این است که شرکت کننده مستقیماً به جلو برود. این مطالعه نشان داده است که حرکت مستقیم به جلو با سرعت ناوبری به طور قابل توجهی بالاتر مشخص می شود. در نتیجه، حرکت مستقیم به جلو سریعتر است و سرعت ناوبری به طور قابل توجهی بالاتر در نقاط تصمیم گیری چند پیچی می تواند توسط تعداد زیاد اقدامات مسیریابی مستقیم به جلو ایجاد شود. باز هم، این تأیید می کند که تجربه بازی تأثیر مهمی بر سرعت ناوبری دارد.
در مرحله بعد، تجزیه و تحلیل میزان چرخش های اشتباه در مقوله های نقطه تصمیم بر اساس اقدام مورد نیاز راه یاب، تنوع قابل توجهی را از توزیع مورد انتظار نشان داد. به طور کلی، میزان پیچ های اشتباه در مورد حرکت مستقیم به جلو کمتر از حد انتظار بود، که نشان می دهد که حرکت مستقیم به جلو نه تنها از نظر حرکت بازیکن بلکه در مورد یادآوری مسیر نیز آسان تر است. در مورد پیچیدن به سمت چپ، پیچ های اشتباه بیش از حد انتظار مشاهده شد. جدول 11یک نمای کلی از چرخش های اشتباه انجام شده در نقاط تصمیم گیری مختلف را ارائه می دهد که با استفاده از توپولوژی نقطه تصمیم و نوع نقطه عطف طبقه بندی شده اند. از این جدول مشخص می شود که نقطه تصمیم با شناسه 83 (قفسه کتاب) یک نقطه پرت بوده که بیشترین تعداد چرخش های اشتباه را نشان می دهد. یکی از توضیح های احتمالی برای تعداد زیاد خطاها می تواند تأثیر این خطا باشد. توضیح احتمالی دیگری را می توان با مطالعه گروپل کلاین و بارتمن [ 37 ] ارائه کرد]، که نشان می‌دهد فروشگاه‌هایی که با حرکت در جهت عقربه‌های ساعت مشخص می‌شوند و در نتیجه چرخش به سمت راست کارآمدتر به نظر می‌رسند. این امکان وجود دارد که حرکت خلاف جهت عقربه‌های ساعت میزان چرخش‌های اشتباه شرکت‌کنندگان را هنگام چرخش به چپ در بازی «شبیه‌ساز ناوبری داخلی» توضیح دهد. اگرچه در این جمله احتیاط لازم است زیرا محیط بازی داخلی با محیط فروشگاه متفاوت است. به طور کلی، ممکن است حرکت خلاف جهت عقربه‌های ساعت پیچیده‌تر باشد و برخی از شرکت‌کنندگان ممکن است زمانی که باید به سمت چپ بروند، در شکل‌گیری نقشه ذهنی با مشکلات بیشتری مواجه شوند.

4.3. اثربخشی نقطه عطف

با توجه به تجزیه و تحلیل اثربخشی نقطه عطف، نتایج نشان دهنده تفاوت معنی داری در سرعت های ناوبری در دسته های مختلف نشانه است. یک آزمایش زوجی تعقیبی نشان داد که اشیاء دسته بیشترین سهم را در این اهمیت دارند و با سرعت ناوبری به طور قابل‌توجهی بالاتر از همه دسته‌های دیگر مشخص می‌شوند.
مرحله قبلی در تجزیه و تحلیل تأثیر پیچیدگی حرکت بازیکن در هنگام چرخش را نشان داد. حرکت مستقیم به جلو، که برای کیف (DP 73) مورد نیاز است، پیچیدگی کمتری داشت و منجر به سرعت ناوبری بالاتری شد. چرخش، که دستورالعمل روی پوستر علمی در سطوح 1 (DP 101) و 2 (DP 102) است، پیچیده تر است و می تواند باعث سرعت ناوبری کمتر شود. برای درک کامل سرعت ناوبری بالاتر در دسته اشیاء، باید حرکات بازیکن و توزیع چرخش های اشتباه در دسته های دیگر مورد تجزیه و تحلیل قرار گیرد. بنابراین، جدول 12یک نمای کلی کمی از طبقه‌بندی بر اساس انواع مختلف نشانه‌ها ارائه می‌دهد که شامل توزیع پیچ‌های اشتباه و پیچیدگی حرکت بر حسب درصد مواردی است که نیاز به چرخش دارند.
در مقایسه با درصد چرخش دسته‌های بدون نشانه، مبلمان و تزئینات که به ترتیب 78%، 100% و 100% می‌باشند، درصد چرخش دسته‌بندی اشیا کمتر بود (67%). چرخش‌های بیشتر سرعت ناوبری کمتری را نشان می‌دهد و بنابراین این مشاهدات می‌تواند سرعت ناوبری به‌طور قابل‌توجهی بالاتری را که قبلاً پیدا شده بود در نقاط تصمیم حاوی یک نقطه عطف از دسته اشیاء در مقایسه با این سه دسته تأیید کند. مقایسه نوبتی همچنین سرعت ناوبری بالاتر را در نقاط تصمیم در مقوله‌های بدون علامت و زیرساخت در مقایسه با نقاط تصمیم در دسته مبلمان توضیح می‌دهد. در مورد دسته‌های زیرساختی و پیکتوگرام، درصد چرخش برابر یا کمتر از دسته اشیا بود. این مشاهدات از سرعت ناوبری به میزان قابل توجهی کمتری که قبلاً پیدا شده بود در نقاط تصمیم حاوی یک نشانه زیرساختی یا پیکتوگرام پشتیبانی نمی کند. بنابراین، تفاوت در سرعت ناوبری بین نقطه تصمیم گیری شی و زیرساخت از یک طرف و نقاط تصمیم گیری شی و پیکتوگرام از طرف دیگر تحت تأثیر پیچیدگی حرکت بازیکن قرار نگرفت.
پیچ های اشتباه یکی دیگر از تأثیرات احتمالی بر سرعت ناوبری است. در مورد نقاط تصمیم گیری که شامل یک نقطه عطف از دسته های دکوراسیون، اشیاء و مبلمان است، شرکت کنندگان بیش از حد انتظار چرخش های اشتباه انجام دادند. با توجه به مقوله‌های زیرساختی و پیکتوگرام، شرکت‌کنندگان بهتر از حد انتظار عمل کردند و چرخش‌های اشتباه کمتری انجام دادند. همانطور که قبلاً ذکر شد، یک تفاوت قابل توجه غیر قابل توضیح در سرعت ناوبری بین این دو دسته آخر و دسته اشیاء وجود داشت که دومی با سرعت ناوبری به طور قابل توجهی بالاتر مشخص می شود. از آنجایی که چرخش های اشتباه در دسته اشیاء بیش از حد انتظار و کمتر در دسته های زیرساختی و پیکتوگرام وجود داشت، پیچ های اشتباه نیز تأثیری بر این تفاوت های قابل توجه در سرعت ناوبری ندارد. بنابراین، جریان گرمای حرکات بازیکن مورد تجزیه و تحلیل قرار گرفت. چگالی بالاتر در یک سلول شبکه نشان دهنده مکان های بیشتر ردیابی شده و در نتیجه سرعت ناوبری کمتر یا حتی ایستادن است که ممکن است به دلیل شک یا ناامنی شرکت کننده ایجاد شود.شکل 10 نمایشی از جریان گرما برای سطح 1 است. سلول های شبکه حاوی یک پیکتوگرام به عنوان نشانه (شناسه سلول 32، 122، و 221) به وضوح با چگالی بالاتر در مقایسه با سلول های شبکه همسایه مشخص می شوند. این تأیید می کند که شرکت کنندگان به زمان بیشتری برای عبور از این نقاط تصمیم نیاز داشتند و بنابراین برای مدت طولانی تری متوقف شدند، احتمالاً برای جهت گیری. علاوه بر این، با توجه به تجزیه و تحلیل چرخش های اشتباه، شرکت کنندگان در نقاط تصمیم گیری حاوی یک پیکتوگرام کمتر از حد انتظار چرخش های اشتباه انجام دادند. بنابراین، پیکتوگرام‌ها نشانه‌هایی هستند که به موجب آن‌ها بیشتر روی انتخاب فکر می‌شد اما در نهایت انتخاب درست انجام شد.
به طور کلی، تعداد چرخش ها اکثریت تفاوت های قابل توجه در سرعت ناوبری را توضیح می دهد. در نتیجه، تأثیر حرکات بازیکن و تجربه بازی تأثیر غالب بر اندازه‌گیری سرعت ناوبری دارد. با این حال، حرکت بازیکن تاثیر کمی در پیچ های اشتباه دارد. از آنجایی که چرخش‌های اشتباه بیشتری در نقاط تصمیم‌گیری با نشانه‌ای از دسته‌های دکوراسیون، اشیاء و مبلمان انجام شد، این دسته‌بندی‌ها در این مطالعه موردی چندان مؤثر نبودند. نشانه‌های شاخص از دسته‌های پیکتوگرام و زیرساختی از سوی دیگر به‌عنوان نشانه‌های موثر در این بنا به شمار می‌روند. در مورد دسته پیکتوگرام ها، تفاوت قابل توجه در سرعت ناوبری در مقایسه با دسته اجسام احتمالاً ناشی از تراکم بالاتر به دلیل جهت یا شک و ناامنی بیشتر است. تفاوت قابل توجه در سرعت ناوبری بین اشیا و دسته های زیرساختی را نمی توان با پیچیدگی حرکت بازیکن، چرخش های اشتباه یا تراکم بالا در سلول های شبکه (ایستاده) توضیح داد.

4.4. چیدمان و معماری ساختمان

به طور کلی، یک ضریب همبستگی منفی کوچک پیدا شد که نشان می دهد Y (سرعت ناوبری) با افزایش X (میانگین اندازه گیری عمق بصری) تمایل به کاهش دارد. اگرچه این ضریب کلی کوچک بود، اما به نظر می رسد که سرعت ناوبری در مناطق عمیق تر و بد یکپارچه ساختمان کمتر بود. هنگامی که این مناطق عمیق تر به طور جداگانه مورد بررسی قرار گرفتند، این فرض با یک ضریب همبستگی کمی بزرگتر تقویت شد. در مورد نقاط تصمیم گیری یکپارچه تر، این اثر دیگر معنی دار نبود.
در این مطالعه موردی (بر اساس یک ساختمان واقعی)، نقاط تصمیم عمیق تر عمدتاً در فضاهای محدب قرار داشتند و نقاط تصمیم گیری خوب یکپارچه عمدتاً در راهروهای باریک یافت شدند. این بدان معنی است که پیمایش در نقاط تصمیم گیری عمیق تر در فضاهای محدب کندتر بود و به نظر می رسید شک و تردید بیشتری در مورد چرخش وجود داشته باشد تا در نقاط تصمیم گیری یکپارچه تر در فضاهای محدب. از سوی دیگر، در فضاهای کم عمق، به نظر می رسد که تغییر قابل توجهی در سرعت ناوبری تحت تأثیر نحو فضا وجود ندارد، بنابراین شرکت کنندگان عمدتاً سرعت ناوبری ثابتی را حفظ کردند. این تفسیر با یافته های مطالعه ای توسط De Cock و همکارانش مطابقت دارد. [ 12]، که در آن پیچ ها در فضاهای محدب پیچیده تر از پیچ ها در راهروهای باریک تلقی می شوند. این ممکن است همچنین توضیح دهد که چرا سرعت ناوبری در نشانه های زیرساختی به طور قابل توجهی کمتر از دسته اشیاء بوده است، زیرا اولی عمدتاً در فضاهای محدب قرار دارند (میانگین MVD این دسته = 6،19) و دومی در راهروهای باریک ( میانگین MVD این دسته = 5،37). با توجه به ضرایب همبستگی، سرعت ناوبری در نقاط تصمیم زیرساختی با توجه به موقعیت عمیق‌تر آنها در ساختمان کاهش می‌یابد، در حالی که سرعت ناوبری در نقاط تصمیم‌گیری شی پیوسته باقی می‌ماند، که ممکن است منجر به سرعت ناوبری به طور قابل‌توجهی بالاتر شود. جدول 13این یافته ها را با نمایش مقادیر متوسط ​​MVD و سرعت های ناوبری برای دسته های زیرساختی و اشیاء، از جمله چندین نمونه از نقاط تصمیم گیری زیرساختی در مناطق عمیق تر با سرعت ناوبری به وضوح پایین، تقویت می کند.
شکل 11 یک نمای کلی از مکان های زیرساختی و نقاط تصمیم گیری اشیاء در ساختمان، از جمله اطلاعات مربوط به مقادیر میانگین عمق بصری را نشان می دهد.
برای نتیجه گیری، این تحقیق نشان داده است که یافتن راه ممکن است در فضاهای محدب عمیق سخت تر از فضاهای محدب کم عمق باشد. این با یافته‌های تحقیقات دیگر در مورد راهیابی داخلی مطابقت دارد، به موجب آن فضاهای یکپارچه‌تر با دسترسی بصری بالا به عنوان پیچیده‌تر رتبه‌بندی شدند [ 12 ، 38 ، 39 ، 40 ]. علیرغم تأثیر شدید پیچیدگی حرکت بازیکن، که در مراحل قبلی این مطالعه مشخص شد، بنابراین می‌توان گفت که ویژگی‌های نقطه تصمیم، نقاط عطف، و طرح ساختمان نیز تأثیر مهمی بر مسیریابی داخلی در این مطالعه موردی به نظر می‌رسد.

4.5. محدودیت ها و تحقیقات آینده

در این مطالعه، جمع‌آوری داده‌ها با استفاده از یک بازی جدی انجام شد که به شرکت‌کنندگان این فرصت را داد تا در یک محیط داخلی خیالی حرکت کنند. مزیت استفاده از یک بازی، تنوع امکاناتی است که می‌توان در طول توسعه پیاده‌سازی کرد. از سوی دیگر، نقطه ضعف آن یک فرآیند توسعه زمان‌بر است که به دانش و تجربه زیادی برای ایجاد یک محیط واقعی نیاز دارد (2 ماه طول کشید تا یک طبقه فقط با دیوارها، پخش‌کننده، نورپردازی و مکان‌های دیدنی توسعه یابد. ). همانطور که در مطالعه ون در کویل و همکاران ذکر شد. [ 21]، حرکات در دنیای مجازی باید تا حد امکان واقعی باشد تا مشارکت را تحریک کند. بیش از 50 نفر در این مطالعه شرکت کردند که در مقایسه با تعداد شرکت کنندگان در اکثر آزمایش های زندگی واقعی بیشتر است. یک نقطه ضعف این است که آنها در یک محیط واقعی پیمایش نکرده اند، که تجربه غوطه وری کمتری را ایجاد می کند، اگرچه تجربه بازی در مقایسه با یک آزمایش ایستا، مانند نظرسنجی آنلاین، هنوز بسیار فراگیرتر است.
این تحقیق بر روی یک محیط داخلی خیالی با تنها یک طبقه متمرکز شد. با وجود این واقعیت که بازی به گونه ای واقع گرایانه ساخته شده است، ارتباط با واقعیت هنوز محدود است. تحقیقات آینده می‌تواند بر مدل‌های واقعی‌تر ساختمان‌های موجود با چند طبقه تمرکز کند و از مدل‌های اطلاعات ساختمانی دقیق (BIM) استفاده کند. این مدل‌ها را می‌توان در توسعه یک بازی پیاده‌سازی کرد که داده‌های به‌دست‌آمده از آن را می‌توان با یک مطالعه واقعی در همان ساختمان مقایسه کرد، برای مثال بر اساس استفاده از یک سیستم مبتنی بر مکان. تحلیل همبستگی بین دنیای واقعی و مجازی می‌تواند جالب باشد (یعنی آیا مسیرها و مکان‌هایی که در دنیای واقعی مشکلات ناوبری ایجاد می‌کنند در دنیای مجازی نیز باعث ایجاد آن‌ها می‌شوند؟). علاوه بر این، این مطالعه ارتباط بین معماری و عملکرد و در نتیجه همبستگی با میانگین اندازه‌گیری‌های عمق بصری را نشان می‌دهد. مفهوم نحو فضا روش‌های متعددی را معرفی می‌کند که می‌توانند در کارهای آینده نیز مفید باشند. علاوه بر این، واقعیت مجازی ممکن است برای ایجاد یک حرکت واقعی تر و تحریک مشارکت با استفاده از یک بازی استفاده شود. در نهایت، گیمیفیکیشن می‌تواند با شبیه‌سازی‌ها علاوه بر آزمایش‌های زندگی واقعی ذکر شده، به عنوان مثال، در مطالعات رفتار انسان در حین تخلیه ترکیب شود.

5. نتیجه گیری ها

این مطالعه بر مفهوم گیمیفیکیشن و استفاده از آن در تحقیقات راهیابی در فضای داخلی به منظور ارائه اطلاعات مفید در مورد ارتباط بین عملکرد راهیابی، ویژگی‌های شخصی، ویژگی‌های نقطه تصمیم، استفاده از نشانه‌ها و چیدمان ساختمان در یک محیط مجازی متمرکز شده است. با استفاده از بازی Indoor Navigation Simulator، داده‌های مختلفی مانند ویژگی‌های شخصی شرکت‌کنندگان، مکان‌های نقطه سه بعدی، مهرهای زمانی و چرخش‌های اشتباه به دست آمد. تجزیه و تحلیل داده ها احتمالات داده های مبتنی بر گیمیفیکیشن را در تحقیق راهیابی مورد بررسی قرار داد. در خصوص ویژگی‌های فردی، هیچ تفاوت معنی‌داری بر اساس برآورد قابلیت‌های راه‌یابی و یا اثر یادگیری یافت نشد. با توجه به تجربه در انجام بازی، تفاوت معنی داری بین گروه های گیمر و غیربازیگر و در نتیجه ارتباط بین عملکرد راهیابی و تجربه بازی مشاهده شد. در نتیجه، پیچیدگی حرکت بازیکن تأثیر مهمی بر سرعت ناوبری مورد بررسی داشت. حرکت مستقیم به جلو سریعتر بود و با حرکات آسانتر در مقایسه با چرخش مشخص می شد، زیرا این حرکت بازیکن پیچیده تر بود. علاوه بر این، میزان پیچ‌های اشتباه برای رفتن مستقیم به جلو کمتر از حد انتظار بود، که نشان می‌دهد که حرکت مستقیم نه تنها از نظر حرکات بازیکن آسان‌تر است، بلکه در مورد یادآوری مسیر نیز آسان‌تر است. تجزیه و تحلیل بیشتر در مورد خطاهای مسیریابی نشان داد که چرخش های اشتباه بیش از حد انتظار در نقاط تصمیم گیری با یک نقطه عطف از طبقه بندی دکوراسیون، اشیاء و مبلمان انجام شده است. نشانه‌های پیکتوگرام‌های دسته‌بندی و زیرساخت‌ها در این ساختمان خاص مؤثرتر بودند، زیرا چرخش‌های اشتباه کمتری نسبت به آنچه انتظار می‌رفت انجام شد. در نهایت، همبستگی معنی‌داری بین عملکرد راه‌یابی و میانگین اندازه‌گیری عمق بصری یافت شد که نشان‌دهنده ارتباط با چیدمان معماری ساختمان است. در این ساختمان، راهیابی در نقاط تصمیم گیری عمیق تر در فضاهای محدب، کندتر بود و به نظر می رسید که تردید بیشتری در مورد چرخش نسبت به نقاط تصمیم گیری یکپارچه تر در فضاهای محدب وجود داشته باشد. نشان دهنده پیوند با چیدمان معماری ساختمان است. در این ساختمان، راهیابی در نقاط تصمیم گیری عمیق تر در فضاهای محدب، کندتر بود و به نظر می رسید که تردید بیشتری در مورد چرخش نسبت به نقاط تصمیم گیری یکپارچه تر در فضاهای محدب وجود داشته باشد. نشان دهنده پیوند با چیدمان معماری ساختمان است. در این ساختمان، راهیابی در نقاط تصمیم گیری عمیق تر در فضاهای محدب، کندتر بود و به نظر می رسید که تردید بیشتری در مورد چرخش نسبت به نقاط تصمیم گیری یکپارچه تر در فضاهای محدب وجود داشته باشد.
با استفاده از یک بازی جدی، این مطالعه نشان می‌دهد که چگونه می‌توان از بازی‌های جدی در تحقیق در مورد راه‌یابی داخلی استفاده کرد. با اتصال بازی به یک سرور و پایگاه داده، می توان طیف گسترده ای از اطلاعات را به دست آورد و در یک تحلیل آماری مورد استفاده قرار داد تا ارتباط بین عملکرد راهیابی، ویژگی های شخصی و طرح ساختمان در یک محیط مجازی بررسی شود. اگرچه توسعه بازی زمان‌بر است و محدودیت‌هایی وجود دارد، اما مزایای رسانه بازی بی‌شمار است: عامل بازی، شرکت‌کنندگان بیشتری را جذب می‌کند، برخی مایل به بازی چندباره هستند، و شرکت‌کنندگان در مقایسه با استفاده بیشتر درگیر محیط هستند. تصاویر یا اکتشاف ساختمان غیرفعال این مطالعه اکتشافی رویکردی برای استفاده از گیمیفیکیشن در تحقیقات راهیابی داخلی ارائه می‌کند.

پیوست اول

Ijgi 09 00423 g0a1a 550 Ijgi 09 00423 g0a1b 550
شکل A1. مروری بر نقاط تصمیم گیری در سطح 1 ( a )، سطح 2 ( b ) و سطح 3 ( c ) که با شناسه های منحصر به فرد آنها نشان داده شده است.

منابع

  1. دتردینگ، اس. سیکارت، ام. Nacke، L. اوهارا، ک. دیکسون، دی. گیمیفیکیشن با استفاده از عناصر طراحی بازی در زمینه‌های غیر بازی. در مجموعه مقالات CHI’11 چکیده های گسترده در مورد عوامل انسانی در سیستم های محاسباتی، ونکوور، BC، کانادا، 7-12 مه 2011. ص 2425–2428. [ Google Scholar ] [ CrossRef ]
  2. وایزمن، جی. ارزیابی خوانایی معماری: راهیابی در محیط ساخته شده. محیط زیست رفتار 1981 ، 13 ، 189-204. [ Google Scholar ] [ CrossRef ]
  3. Passini، R. Wayfinding: یک چارچوب مفهومی. بوم شهری. 1981 ، 5 ، 17-31. [ Google Scholar ] [ CrossRef ]
  4. فار، AC؛ کلاینشمیت، تی. یارلاگادا، پ. منگرسن، K. Wayfinding: یک مفهوم ساده، یک فرآیند پیچیده. ترانسپ Rev. 2012 , 32 , 715-743. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Downs, RM; Stea، D. تصویر و محیط: نقشه برداری شناختی و رفتار فضایی . Transaction Publishers: Piscataway, NJ, USA, 1973. [ Google Scholar ]
  6. Viaene, P. Indoor Landmarks: The Study and Implementation of Wayfinding Aids ; دانشکده علوم دانشگاه گنت: گنت، بلژیک، 2018. [ Google Scholar ]
  7. لورنز، بی. Ohlbach، HJ; Stoffel، EP یک مدل فضایی ترکیبی برای نمایش محیط های داخلی. در مجموعه مقالات سمپوزیوم بین المللی در وب و سیستم های اطلاعات جغرافیایی بی سیم، هنگ کنگ، چین، 4-5 دسامبر 2006. صص 102-112. [ Google Scholar ]
  8. بافنا، س. نحو فضایی: مقدمه ای کوتاه بر منطق و تکنیک های تحلیلی آن. محیط زیست رفتار 2003 ، 35 ، 17-29. [ Google Scholar ] [ CrossRef ]
  9. لی، آر. Klippel، A. استفاده از نحو فضا برای درک اکتساب دانش و راهیابی در محیط های داخلی. در مجموعه مقالات نهمین کنفرانس بین المللی IEEE در زمینه انفورماتیک شناختی، پکن، چین، 7 تا 9 ژوئیه 2010. ص 302-307. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. وینر، جی.ام. Franz, G. Isovists به عنوان وسیله ای برای پیش بینی تجربه و رفتار فضایی. در مجموعه مقالات کنفرانس بین المللی شناخت فضایی، Frauenchiemsee، آلمان، 11-13 اکتبر 2004; ص 42-57. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. مونتلو، DR شناخت فضایی و فضای معماری: دیدگاه های تحقیق. آرشیت. دس 2014 ، 84 ، 74-79. [ Google Scholar ] [ CrossRef ]
  12. دی کوک، ال. اومز، ک. ون دی وگه، ن. Vanhaeren، N. پاولز، پی. De Maeyer, P. شناسایی آنچه که درک پیچیدگی نقاط تصمیم را در طول هدایت مسیر داخلی تشکیل می دهد. بین المللی جی. جئوگر. Inf. علمی 2020 ، 1-19. [ Google Scholar ] [ CrossRef ]
  13. Vanhaeren، N. دی کوک، ال. لاپون، ال. ون دی وگه، ن. اومز، ک. De Maeyer, P. در مسیر درست: راحتی و سردرگمی در محیط های داخلی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 132. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  14. دی کوک، ال. اومز، ک. ون دی وگه، ن. Vanhaeren، N. De Maeyer, P. تنظیمات برگزیده کاربر در مورد انواع دستورالعمل مسیر برای راهنمای مسیر داخلی سیار. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 482. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  15. زیچرمن، جی. Cunningham, C. Gamification by Design: Implementing Game Mechanics in Web and Mobile Apps . O’Reilly Media, Inc.: Sebastopol, CA, USA, 2011. [ Google Scholar ]
  16. Kapp، KM گیمیفیکیشن یادگیری و آموزش: روش‌ها و استراتژی‌های مبتنی بر بازی برای آموزش و آموزش . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  17. خو، اف. بوهالیس، د. وبر، جی. بازی های جدی و بازی سازی گردشگری. تور. مدیریت 2017 ، 60 ، 244-256. [ Google Scholar ] [ CrossRef ]
  18. حماری، ج. کویویستو، جی. Sarsa, H. آیا گیمیفیکیشن کار می کند؟ مروری بر ادبیات مطالعات تجربی در مورد گیمیفیکیشن. در مجموعه مقالات چهل و هفتمین کنفرانس بین المللی علوم سیستمی، Waikoloa، HI، ایالات متحده آمریکا، 6-9 ژانویه 2014. ص 3025–3034. [ Google Scholar ] [ CrossRef ]
  19. نیومن، جی. ویگینز، ای. کرال، ا. گراهام، ای. نیومن، اس. Crowston, K. آینده علم شهروندی: فناوری های نوظهور و پارادایم های در حال تغییر. جلو. Ecol. محیط زیست 2012 ، 10 ، 298-304. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. بوسر، ا. هانسن، دی. سلام.؛ بوستون، سی. رید، ام. گانل، ال. پریس، جی. استفاده از گیمیفیکیشن برای الهام بخشیدن به داوطلبان علم شهروندی جدید. در مجموعه مقالات اولین کنفرانس بین المللی طراحی، تحقیقات و کاربردهای بازیگوش، نیویورک، نیویورک، ایالات متحده آمریکا، 2 تا 4 اکتبر 2013. ص 18-25. [ Google Scholar ] [ CrossRef ]
  21. Van der Kuil، MN; Visser-Meily، JM; Evers، AW; Van der Ham، IJ مطالعه قابلیت استفاده از یک بازی جدی در توانبخشی شناختی: یک آموزش ناوبری جبرانی در بیماران آسیب مغزی اکتسابی. جلو. روانی 2018 ، 9 ، 846. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  22. اسپایرز، اچ. هورنبرگر، ام. بوهبات، وی. دالتون، آر. هلشر، سی. مانلی، ای. وینر، جی. جستجوی قهرمان دریایی ؛ Glitchers: لندن، بریتانیا، 2016. [ Google Scholar ]
  23. نولاس، ا. اسکلاتو، اس. ماسکولو، سی. پونتیل، ام. مطالعه تجربی الگوهای فعالیت کاربر جغرافیایی در چهار مربع. در مجموعه مقالات پنجمین کنفرانس بین المللی AAAI در وبلاگ ها و رسانه های اجتماعی، بارسلون، اسپانیا، 17 تا 21 ژوئیه 2011. [ Google Scholar ]
  24. McKenzie, G. گیمیفیکیشن و خدمات مبتنی بر مکان. در مجموعه مقالات کارگاه مهندسی شناختی برای موبایل GIS، بلفاست، ME، ایالات متحده آمریکا، 12 سپتامبر 2011. [ Google Scholar ]
  25. شورینگ، آ. مونزر، اس. بارتوشک، تی. Li, R. گیمیفیکیشن برای سواد فضایی: استفاده از یک برنامه دسکتاپ برای پرورش شایستگی های مبتنی بر نقشه. در مجموعه مقالات هفدهمین کنفرانس بین المللی AGILE در مورد بازی های کارگاهی علم اطلاعات جغرافیایی، کاستلون، اسپانیا، 3 تا 6 ژوئن 2014. [ Google Scholar ]
  26. بارتوشک، تی. شورینگ، آ. لی، آر. مونزر، اس. Carlos, V. OriGami: یک ژئوبازی موبایل برای سواد فضایی. در Geogames و Geoplay ; Springer: Cham, Switzerland, 2018; صص 37-62. [ Google Scholar ]
  27. شلیدر، سی. کیفر، پ. Matyas, S. Geogames: طراحی بازی های مبتنی بر مکان از بازی های رومیزی کلاسیک. IEEE Intell. سیستم 2006 ، 21 ، 40-46. [ Google Scholar ] [ CrossRef ]
  28. Schlieder, C. نمایش معنای رفتار فضایی توسط سیستم های قصدی مبتنی بر فضایی. در مجموعه مقالات کنفرانس بین المللی در زمینه معناشناسی جغرافیایی، مکزیکو سیتی، مکزیک، 29 تا 30 نوامبر 2005. [ Google Scholar ]
  29. فولنر، بی. کرمر، دی. استفاده از geogames برای تقویت تفکر فضایی. در مجموعه مقالات GI_Forum—Geospatial Innovation for Society، سالزبورگ، آلمان، 6 تا 10 ژوئیه 2014. [ Google Scholar ]
  30. بل، م. چالمرز، ام. بارخوس، ال. هال، م. شروود، اس. تننت، پ. Hampshire, A. آمیختن بازی های موبایل با زندگی روزمره. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، نیویورک، نیویورک، ایالات متحده آمریکا، 5-10 آوریل 2006. صص 417-426. [ Google Scholar ]
  31. چاکرابورتی، ن. هاورث، بی. عثمان، م. برسث، جی. فالوتسوس، پ. Kapadia، M. Crowd با استفاده از بازی‌های هدایت‌شده شبیه‌سازی، طراحی مشترک پلان‌های طبقه را تهیه کردند. در مجموعه مقالات دهمین کنفرانس بین المللی حرکت در بازی ها، بارسلونا، اسپانیا، 8 تا 10 نوامبر 2017؛ صص 1-5. [ Google Scholar ]
  32. عثمان، م. شومان، دی. هاورث، بی. برسث، جی. کاپادیا، م. Faloutsos، P. تجزیه و تحلیل فضایی تعاملی برای طراحی ساختمان آگاه از انسان. در مجموعه مقالات یازدهمین کنفرانس بین المللی سالانه حرکت، تعامل و بازی، لیماسول، قبرس، 8 تا 10 نوامبر 2018؛ صص 1-12. [ Google Scholar ]
  33. یسیل تپه، دی. دالتون، آر. اوزبیل، آ. دالتون، ن. نوبل، اس. هورنبرگر، ام. Spiers, H. Usage of Landmarks in Virtual Environments for Wayfinding: تحقیق در مورد تأثیر نشانه های جهانی. در مجموعه مقالات دوازدهمین سمپوزیوم بین المللی نحوی فضایی، پکن، چین، 8 تا 13 ژوئیه 2019. [ Google Scholar ]
  34. رمضان، ر. Widyani, Y. دستورالعمل چرخه عمر توسعه بازی. در مجموعه مقالات کنفرانس بین المللی علوم کامپیوتر پیشرفته و سیستم های اطلاعاتی، کوتا، اندونزی، 28-29 سپتامبر 2013. صص 95-100. [ Google Scholar ] [ CrossRef ]
  35. McElhinney, S. Isovist_2.1: A Basic User Guide, v1.1. در دسترس آنلاین: https://www. isovists.org/user_guide/ (دسترسی در 3 مارس 2020).
  36. پاورز، KL; بروکس، پی جی. آلدریچ، نیوجرسی؛ Palladino، MA; Alfieri, L. اثرات بازی ویدیویی بر پردازش اطلاعات: یک تحقیق فرا تحلیلی. روانی. گاو نر Rev. 2013 , 20 , 1055-1079. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  37. گروپل کلاین، ا. بارتمن، ب. خلاف جهت عقربه های ساعت یا در جهت عقربه های ساعت؟ تأثیر چیدمان فروشگاه بر روند جهت‌یابی در فروشگاه تخفیف‌دار. یورو Adv. مصرف کنید. Res. 2007 ، 8 ، 415-416. [ Google Scholar ]
  38. دوگو، یو. Erkip، F. عوامل فضایی مؤثر بر راهیابی و جهت گیری: مطالعه موردی در یک مرکز خرید. محیط زیست رفتار 2000 ، 32 ، 731-755. [ Google Scholar ] [ CrossRef ]
  39. باسکایا، الف. راهیابی در محیطی ناآشنا: تنظیمات فضایی مختلف دو پلی کلینیک. محیط زیست رفتار 2004 ، 36 ، 839-867. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. مارکوارت، جی. Schmieg, P. معماری دوستدار دمانس: محیط هایی که مسیریابی را در خانه های سالمندان تسهیل می کند. صبح. جی. آلزایمر دیس. جنون دیگر 2009 ، 24 ، 333-340. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
Ijgi 09 00423 g001 550
شکل 1. پلان طبقه محیط داخلی.
Ijgi 09 00423 g002 550
شکل 2. پیاده سازی آواتار و جهت گیری سیستم مرجع مختصات محلی.
Ijgi 09 00423 g003 550
شکل 3. تصویر طراحی مسیر داخلی از مبدا (O) تا مقصد (D) برای هر سه سطح.
Ijgi 09 00423 g004 550
شکل 4. مثال بازی شبیه ساز ناوبری داخلی.
Ijgi 09 00423 g005 550
شکل 5. طبقه بندی نشانه.
Ijgi 09 00423 g006 550
شکل 6. نمودار جریان تجزیه و تحلیل آماری.
Ijgi 09 00423 g007 550
شکل 7. کل سرعت ناوبری در تلاش های 1 و 2 برای هر سه سطح.
Ijgi 09 00423 g008 550
شکل 8. نقاط تصمیم گیری در فضاهای عمیق و کم عمق.
Ijgi 09 00423 g009 550
شکل 9. جریان حرارتی حرکت از مبدأ (O) به مقصد (D) در سطح 1 با قدرت تفکیک 2 متر.
Ijgi 09 00423 g010 550
شکل 10. جریان حرارتی حرکت از مبدأ (O) به مقصد (D) در سطح 2 با وضوح 5 متر و مربع های قرمز با تأکید بر تراکم بالاتر در سلول هایی که دارای یک پیکتوگرام هستند.
Ijgi 09 00423 g011 550
شکل 11. تجسم نقاط تصمیم گیری زیرساختی و شی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید