چکیده
:
این مقاله یک ارزیابی از ویرایشگر مدل فضایی ERDAS IMAGINE از دیدگاه شناخت مؤثر ارائه می‌کند. مدل‌های گردش کار طراحی شده در ویرایشگر مدل فضایی برای پردازش خودکار داده‌های سنجش از راه دور استفاده می‌شوند. مراحل فرآیند به عنوان زنجیره ای از عملیات در مدل گردش کار طراحی شده است. عملکردهای ویرایشگر مدل فضایی و واژگان بصری هر دو برای کاربران مهم هستند. کیفیت شناختی واژگان بصری درک جریان کار را در طول ایجاد و استفاده افزایش می دهد. واژگان بصری بر بهره برداری کاربر از مدل های گردش کار تأثیر می گذارد. نظریه پیچیده Physics of Notations برای واژگان بصری در ویرایشگر مدل فضایی ERDAS IMAGINE اعمال شد. نتایج با استفاده از روش ردیابی چشم تکمیل و تأیید شد. ارزیابی نگاه کاربر و حرکت چشم‌ها در بالای مدل‌های گردش کار، بینش واقعی را نسبت به شناخت کاربر از مدل به ارمغان آورد. یافته‌های اصلی این است که ویرایشگر مدل فضایی ERDAS عمدتاً الزامات شناخت مؤثر واژگان بصری را برآورده می‌کند. یعنی شفافیت معنایی و کدگذاری دوگانه نمادها طبق نظریه فیزیک نمادها بسیار بالا است. شفافیت معنایی و تمایز ادراکی نمادها از طریق ردیابی چشم تأیید می شود. نتایج ردیابی چشم نشان می دهد که خطوط اتصال منحنی بر سرعت خواندن تأثیر منفی می گذارد و خطا ایجاد می کند. استفاده از نظریه فیزیک نمادها و روش ردیابی چشم، ارزیابی مفیدی از نمادهای گرافیکی و همچنین توصیه هایی برای طراحی کاربر مدل های گردش کار در عمل آنها ارائه می دهد. یافته‌های اصلی این است که ویرایشگر مدل فضایی ERDAS عمدتاً الزامات شناخت مؤثر واژگان بصری را برآورده می‌کند. یعنی شفافیت معنایی و کدگذاری دوگانه نمادها طبق نظریه فیزیک نمادها بسیار بالا است. شفافیت معنایی و تمایز ادراکی نمادها از طریق ردیابی چشم تأیید می شود. نتایج ردیابی چشم نشان می دهد که خطوط اتصال منحنی بر سرعت خواندن تأثیر منفی می گذارد و خطا ایجاد می کند. استفاده از نظریه فیزیک نمادها و روش ردیابی چشم، ارزیابی مفیدی از نمادهای گرافیکی و همچنین توصیه هایی برای طراحی کاربر مدل های گردش کار در عمل آنها ارائه می دهد. یافته‌های اصلی این است که ویرایشگر مدل فضایی ERDAS عمدتاً الزامات شناخت مؤثر واژگان بصری را برآورده می‌کند. یعنی شفافیت معنایی و کدگذاری دوگانه نمادها طبق نظریه فیزیک نمادها بسیار بالا است. شفافیت معنایی و تمایز ادراکی نمادها از طریق ردیابی چشم تأیید می شود. نتایج ردیابی چشم نشان می دهد که خطوط اتصال منحنی بر سرعت خواندن تأثیر منفی می گذارد و خطا ایجاد می کند. استفاده از نظریه فیزیک نمادها و روش ردیابی چشم، ارزیابی مفیدی از نمادهای گرافیکی و همچنین توصیه هایی برای طراحی کاربر مدل های گردش کار در عمل آنها ارائه می دهد. شفافیت معنایی و کدگذاری دوگانه نمادها طبق نظریه فیزیک نمادها بسیار بالا است. شفافیت معنایی و تمایز ادراکی نمادها از طریق ردیابی چشم تأیید می شود. نتایج ردیابی چشم نشان می دهد که خطوط اتصال منحنی بر سرعت خواندن تأثیر منفی می گذارد و خطا ایجاد می کند. استفاده از نظریه فیزیک نمادها و روش ردیابی چشم، ارزیابی مفیدی از نمادهای گرافیکی و همچنین توصیه هایی برای طراحی کاربر مدل های گردش کار در عمل آنها ارائه می دهد. شفافیت معنایی و کدگذاری دوگانه نمادها طبق نظریه فیزیک نمادها بسیار بالا است. شفافیت معنایی و تمایز ادراکی نمادها از طریق ردیابی چشم تأیید می شود. نتایج ردیابی چشم نشان می دهد که خطوط اتصال منحنی بر سرعت خواندن تأثیر منفی می گذارد و خطا ایجاد می کند. استفاده از نظریه فیزیک نمادها و روش ردیابی چشم، ارزیابی مفیدی از نمادهای گرافیکی و همچنین توصیه هایی برای طراحی کاربر مدل های گردش کار در عمل آنها ارائه می دهد. نتایج ردیابی چشم نشان می دهد که خطوط اتصال منحنی بر سرعت خواندن تأثیر منفی می گذارد و خطا ایجاد می کند. استفاده از نظریه فیزیک نمادها و روش ردیابی چشم، ارزیابی مفیدی از نمادهای گرافیکی و همچنین توصیه هایی برای طراحی کاربر مدل های گردش کار در عمل آنها ارائه می دهد. نتایج ردیابی چشم نشان می دهد که خطوط اتصال منحنی بر سرعت خواندن تأثیر منفی می گذارد و خطا ایجاد می کند. استفاده از نظریه فیزیک نمادها و روش ردیابی چشم، ارزیابی مفیدی از نمادهای گرافیکی و همچنین توصیه هایی برای طراحی کاربر مدل های گردش کار در عمل آنها ارائه می دهد.
کلید واژه ها:
ویرایشگر مدل فضایی ; نظریه فیزیک نمادها ; داده های شطرنجی ؛ زبان برنامه نویسی بصری ; گردش کار ; ردیابی چشم ؛ شناخت ; تعامل انسان و کامپیوتر
چکیده گرافیکی
1. مقدمه
محصولات نرم افزاری در شاخه سیستم های اطلاعات جغرافیایی (GIS) و نرم افزار سنجش از دور (RS) شامل تکنیک های مهندسی نرم افزار به عنوان مدل های گردش کار می باشد. مدل‌های گردش کار گاهی اوقات نمودار، نمودار فرآیند، نمودار، نمودار جریان داده یا مدل فرآیند نامیده می‌شوند. مروری بر ویرایشگرهای گرافیکی در نرم افزارهای GIS و RS در برخی مقالات شرح داده شده است و به ArcGIS، IDRISI، AutoCAD Map 3D، QGIS، GRASS GIS و ERDAS IMAGINE اشاره شده است [ 1 ، 2 ]. علاوه بر این، ویرایشگرهای گرافیکی در ENVI و Rhino3D Grasshopper 3D وجود دارد. نرم افزار FME نیز مراحل تبدیل فرمت فضایی را به صورت گرافیکی بیان می کند [ 3]. هدف گردش کار یکسان است. در همه موارد، آنها مراحل یک فرآیند را به عنوان زنجیره ای از توابع خودکار می کنند و مزیت آن این است که می توان از آنها برای کارهای تکراری استفاده کرد. ارائه های گرافیکی در قالب نمودار، مدل یا نمودار در مرحله اول فرآیند طراحی کمک می کند. نمایش گرافیکی مورد استفاده در مهندسی نرم افزار برای ارتباط کاربر با برنامه نویسان ارزشمند است.
برای طراحی گردش کار از زبان های برنامه نویسی بصری (VPsL) استفاده می شود. اصطلاح مخالف زبان برنامه نویسی کلاسیک، زبان برنامه نویسی متنی است. چندین واقعیت مهم برای پشتیبانی از زبان های برنامه نویسی بصری وجود دارد:
-
زبان های برنامه نویسی متنی اطلاعات را به صورت دنباله ای از کاراکترها رمزگذاری می کنند، در حالی که زبان های بصری اطلاعات را با استفاده از چیدمان فضایی عناصر گرافیکی (یا متنی) رمزگذاری می کنند. اطلاعات متنی یک بعدی خطی است. نمایش بصری دو بعدی (فضایی) است.
-
بر اساس تئوری کانال دوگانه [ 5 ] که بیان می‌کند که مغز انسان بخش جداگانه‌ای برای پردازش اطلاعات تصویر و بخشی دیگر برای پردازش اطلاعات کلامی دارد، بازنمایی بصری با اطلاعات متنی متفاوت است. بازنمایی بصری در یک قسمت به صورت موازی پردازش می شود، در حالی که متن در قسمت دیگری از مغز به صورت متوالی پردازش می شود [ 6 ].
1.1. تاریخچه مدل ساز و ویرایشگر مدل فضایی در ERDAS IMAGINE
نرم‌افزار ERDAS IMAGINE یکی از اولین بسته‌های نرم‌افزار تجاری بود که ابزار مدلسازی داده‌های مکانی گرافیکی Model Maker را برای مدلسازی گردش کار ارائه کرد. Model Maker به عنوان یک ویرایشگر ساختمان مدل فلوچارت گرافیکی در سال 1993 معرفی شد [ 9 ، 10 ]. نسل بعدی مدل سازهای فضایی در ERDAS IMAGINE 2013 در دسامبر 2012 منتشر شد. ویرایشگر مدل فضایی یک رابط مدرن و عناصر گرافیکی مدرن جدید داشت. ویرایشگر یک پیش‌نمایش بی‌درنگ از نتایج، با استفاده از بردارهای GeoMedia و عملگرهای شبکه ارائه کرد. اسکریپت‌نویسی جدید پایتون همچنین به کاربران اجازه می‌دهد تا ابزار مدلساز را گسترش دهند [ 11]. مدل ساز قدیمی تر و ویرایشگر مدل فضایی جدیدتر به طور همزمان در نسخه های ERDAS IMAGINE 2013 با گزینه تبدیل مدل های قدیمی به نسخه جدید در دسترس بودند. مدل های نمونه در شکل 1 و شکل 2 نشان داده شده است. نسخه ویرایشگر مدل فضایی از سال 2016 از بازسازی جزئی نمادهای اصلی استفاده می کند ( شکل 3 ). طرح کلی نمادها با توجه به پر شدن رنگ نماد، رنگ را از سیاه به رنگی تغییر می دهد. پورت های اتصال شکل ها و رنگ ها را تغییر دادند.
1.2. استفاده از مدل ها در عمل
ایجاد و اتوماسیون گردش کار از طریق استفاده از مدل ها در ERDAS IMAGINE چندین مزیت را به همراه دارد. به گفته هولمز و اوبوسک، مزایا عبارتند از [ 13 ]:
-
کارشناسان یک بار فرآیند را ایجاد می کنند و سایر کاربران می توانند به طور مکرر از آن استفاده کنند.
-
مدل ها را می توان بین افراد غیر متخصص توزیع کرد.
-
مدل های آماده شده باعث صرفه جویی در زمان، پول و منابع می شود.
-
پردازش داده ها با استفاده از مدل های مشابه، استانداردسازی و سازگاری را معرفی می کند.
استفاده از مدل ها در اشکال مختلف تحقیق و پروژه ذکر شده است. کانل و همکاران [ 14 ] از ویرایشگر مدل فضایی برای ایجاد یک مدل تشخیص تغییر، با استفاده از تفریق مبتنی بر پیکسل به پیکسل با آستانه انحراف استاندارد برای تشخیص اختلال پوشش گیاهی در زمین‌های تورب ایرلندی استفاده کرد. ما و همکاران [ 15 ] مجموعه ای از مدل ها را برای بهبود تصویر سنجش از دور بر اساس اصول اساسی پردازش تصویر ارائه می کند. نویسندگان تأیید کردند که استفاده از مدل‌ها آسان است و پردازش تصویر را سریعتر می‌کند. لاوسوان و همکاران [ 16] یک ماژول جدید از ابزارهای نرم افزاری با استفاده از زبان مدلسازی فضایی ERDAS Macro Language برای تشخیص و طبقه بندی ابر بر اساس تصاویر ماهواره ای از ماهواره حمل و نقل چند منظوره-2 طراحی کرد. چن، ایکس و همکاران. [ 17 ] از یک مدل مبتنی بر پیکسل برای محاسبه میانگین غلظت رسوبات معلق (در یک دوره زمانی) برای رودخانه مروارید استفاده کرد. پارک و همکاران [ 18 ] از یک مدل ساز برای ارزیابی شارهای حرارتی سطح، بر اساس داده های سنجش از دور ماهواره ای، در نزدیکی Cheongju، کره جنوبی استفاده کرد. Pechanec و همکاران. [ 19 ] از مدلی برای محاسبه پارامترهای رطوبت و برای محاسبه زیست توده پوشش گیاهی در جنوب شرقی موراویا استفاده کرد. Mirijovky تجزیه و تحلیل تغییرات در دینامیک رودخانه ای یک رودخانه میان کوه را ذکر کرد [ 20]. چن و همکاران [ 21 ] از ابزار ERDAS Modeler برای معکوس کردن شاخص بر اساس سایت‌های ساختمانی استفاده کرد. آنها تصاویر سنجش از دور را که دشت پکن را پوشانده بود، مطالعه کردند تا رابطه بین تغییرات بار در ساخت و ساز و فرونشست زمین را به صورت کمی تحلیل کنند. لیو و همکاران [ 22] از ابزار Spatial Modeler Tool برای استخراج اطلاعات پوشش برف استفاده کرد. یک شاخص تفاوت نرمال شده برف (NDSI) و یک روش تقسیم بندی آستانه برای استخراج اطلاعات توزیع برف معرفی شدند. آنها روش مدلسازی را به‌عنوان روشی اقتصادی و کارآمد برای استخراج اطلاعات پوشش برفی که جزء مهمی از سیستم اقلیمی و عامل شاخص اصلی تغییرات جهانی است، ارزیابی کردند. این فهرست از نمونه ها نمای کلی از طیف وسیعی از کاربردهای مدل ها در پردازش خودکار داده های سنجش از دور را ارائه می دهد.
علاوه بر مزایای پردازشی ذکر شده توسط محققان، ارزیابی سطح شناخت واژگان بصری نیز سودمند است. این نوع ارزیابی هنوز پردازش نشده است. بنابراین پژوهش ارائه شده بر ارزیابی نمادهای شناختی مؤثر متمرکز است. سوال تحقیق این بود: ” سطح شناخت موثر در ویرایشگر مدل فضایی ERDAR IMAGINE چقدر است.” این پژوهش با هدف ارزیابی و بهبود شناخت نشانه گذاری بصری در ویرایشگر مدل فضایی انجام شد. سطح شناخت مؤثر در ERDAS IMAGINE Spatial Model Editor در مقایسه با سایر نرم افزارهای GIS و RS بالا است. این مقاله حقایق پشتیبان را ارائه می دهد.
این وظایف در تحقیق تعامل انسان و کامپیوتر (HCI) مورد بررسی قرار می گیرند. استاندارد بین المللی ارگونومی تعامل انسان و سیستم، ISO 9241-210: 2019، تجربه کاربر (UX) را به عنوان “ادراکات و پاسخ های یک فرد که از استفاده یا استفاده پیش بینی شده از یک محصول، سیستم یا خدمات ناشی می شود” تعریف می کند. هدف مشترک تحقیقات HCI و طراحی UX نوآوری رابط های کاربر محاسباتی جدید برای بهبود سودمندی، ارگونومی و کارایی استفاده از سیستم های دیجیتال است [ 23 ، 24 ]. درک اغلب در GIS اتصال، نقشه برداری و خروجی نقشه آزمایش می شود [ 25 ]. این بهبود مبتنی بر تئوری ها و آزمایش تجربی کاربران در آزمایشگاه ها است [ 26]، به عنوان مثال، اندازه گیری های ردیابی چشم ارائه شده در این مقاله.
مقاله بصورت زیر مرتب شده است. بخش 2 به طور خلاصه دو روش را برای ارزیابی شناخت مؤثر گردش کار، نظریه فیزیک نمادها و اندازه‌گیری ردیابی چشم توضیح می‌دهد. بخش 3 نتایج دقیق به کارگیری نظریه فیزیک نمادها و نتایج تجربی یک آزمایش ردیابی چشم را ارائه می کند. بخش 4 بحث را ارائه می کند. در نهایت، این بخش نیز نتایج را به صورت جدولی ارائه می‌کند و توصیه‌هایی برای بهبودهای آینده و همچنین پیشنهادهای عملی برای کاربران مرتبط با ایجاد گردش‌های کاری قابل درک ارائه می‌کند.
2. مواد و روشها
این فصل اصطلاحات و دو روش را توضیح می دهد که اولی روش فیزیک نشانه گذاری و دومی روش ردیابی چشم است. ابتدا روش Physics of Notations به تصویر کشیده شده است. طراحی آزمایش ردیابی چشم با توصیف مدل‌های گردش کار آزمایش‌شده دنبال می‌شود. لیست مدل های آزمایش شده در ضمیمه A آمده است.
2.1. اصطلاحات زبان های برنامه نویسی بصری
برای معرفی زبان برنامه نویسی بصری، مروری بر اصطلاحات در ادامه می آید. VPL از مجموعه ای از نمادهای گرافیکی (واژگان بصری) و مجموعه ای از قوانین ترکیبی (گرامر بصری) استفاده می کند. علاوه بر این، تعریف معنای هر نماد گرافیکی، معناشناسی بصری است. هر سه با هم از یک نماد بصری (یا اصطلاحات معادل؛ زبان بصری، نماد گرافیکی، نماد نمودار) تشکیل شده اند. یک عبارت معتبر در یک نماد بصری، جمله یا نمودار بصری (یا نمودار گردش کار، مدل فرآیند) نامیده می شود. نمودارها از نمونه های نمادی تشکیل شده اند که بر اساس قوانین دستور زبان بصری مرتب شده اند [ 27 ]. ویرایشگرهای گرافیکی (مانند پسوند نرم افزار، اجزای نرم افزار) برای طراحی نمودارهای گردش کار استفاده می شوند.
کارکردهای جزء بصری و جنبه های شناختی واژگان بصری هر دو مهم هستند. جنبه های شناختی واژگان بر استفاده مؤثر از نمودارهای گردش کار توسط کاربران تأثیر می گذارد. ویژگی های زیبایی شناختی نمودارهای گردش کار از نقطه نظر ادراک و شناخت کاربر اهمیت دارد.
مدلساز فضایی ERDAS به سادگی از عبارت مدل برای نمودار گردش کار استفاده می کند. این عبارت در این مقاله در توضیح ارزیابی استفاده خواهد شد.
2.2. فیزیک تئوری نمادها
فیزیک نمادها یک نظریه پرکاربرد برای ارزیابی جنبه های شناختی است [ 27 ]. این نظریه به دستیابی به سطح بالاتری از اثربخشی شناختی نمودارهای گردش کار کمک می کند. اثربخشی شناختی به عنوان سرعت، سهولت و دقتی است که با آن یک بازنمایی می تواند توسط ذهن انسان پردازش شود [ 28 ]. اسناد نرم افزاری عمدتاً معنای یک نماد خاص را بدون ارائه هیچ دلیلی برای انتخاب نماد بیان می کند. محققان و طراحان نمادها مسائل مربوط به بازنمایی بصری را نادیده گرفته یا آن را کم ارزش دانسته اند [ 27 , 29 ]]. تئوری فیزیک نمادها را می توان برای ارزیابی نمادهای موجود و بهبود نشانه گذاری گرافیکی و طراحی نمادهای جدید استفاده کرد. این بدان معنی است که نماد بصری در ویرایشگر مدل فضایی را می توان ارزیابی کرد و در صورت شناسایی هر گونه اشکالی، آن را بهبود بخشید.
دانیل مودی نویسنده نظریه فیزیک نمادها [ 27 ] است. امروزه این روشی است که بیشتر در حوزه زبان های برنامه نویسی بصری مورد استفاده و استناد قرار می گیرد (نقل از SCOPUS 806، استناد ISI WoS 488، 14 ژوئن 2021).
نظریه فیزیک نمادها نه اصل پایه را برای ارزیابی و طراحی نمادهای بصری موثر شناختی تعریف می کند [ 27 ]. اصول عبارتند از:
-
اصل وضوح نشانه شناختی،
-
اصل تمایز ادراکی،
-
اصل بیان بصری،
-
اصل کدگذاری دوگانه،
-
اصل شفافیت معنایی،
-
اصل اقتصاد گرافیکی
-
اصل مدیریت پیچیدگی،
-
اصل یکپارچگی شناختی،
-
اصل تناسب شناختی.
نظریه فیزیک نمادها به عنوان سیستمی از اصول تنظیم شده است که الزامات دستیابی به نمادهای شناختی مؤثر را تعریف می کند. اصول به گونه‌ای ساخته شده‌اند که وضوح نشانه‌شناختی اصل اولیه برای ارزیابی بیشتر توسط اصول همسایه باشد ( شکل 4)). اصول مربوط به مش شش ضلعی است. هرچه اصل با وضوح نشانه‌شناختی دورتر باشد، پیشرفته‌تر است. سیستم اصول بسته نیست و آرایش لانه زنبوری می تواند آن را بیشتر گسترش دهد. این اصول ترکیبی از دانش تجربی از طیف وسیعی از رشته‌ها، مانند ارتباطات، نشانه‌شناسی، طراحی گرافیک، ادراک بصری، روانشناسی، روانشناسی شناختی، آموزش، زبان‌شناسی، سیستم‌های اطلاعاتی، نقشه‌برداری، استدلال نموداری و تعامل انسان و رایانه است [ 27 ]. .
● اصل وضوح نشانه شناختی
اصل وضوح نشانه‌شناختی مطابقت یک به یک بین مدل نحوی و ویژگی‌های معنایی را بیان می‌کند. بر اساس این اصل، افزونگی نماد، اضافه بار نماد، کسری نماد و مازاد نماد جایز نیست. این اصل منعکس کننده تحلیل هستی شناختی است.
● اصل تشخیص پذیری ادراکی
این اصل بیان می کند که نمادهای مختلف باید از طریق متغیرهای بصری به وضوح از یکدیگر قابل تشخیص باشند.
● اصل بیان بصری
اصل بیان بصری بیان می کند که طیف کامل متغیرهای بصری و ظرفیت کامل آنها باید برای نمایش عناصر نمادی استفاده شود. رنگ یکی از موثرترین متغیرهای بصری است. سیستم بینایی انسان به تفاوت رنگ ها بسیار حساس است و می تواند به سرعت و دقت آنها را تشخیص دهد. تفاوت در رنگ سه برابر سریعتر از تفاوت در شکل یافت می شود و به راحتی قابل یادآوری است [ 30 ]. سطح بیان از سطح 1 (پایین ترین) تا 8 (بالاترین) اندازه گیری می شود.
● اصل اقتصاد گرافیکی
این اصل بیان می کند که تعداد نمادها در واژگان بصری باید برای حافظه فعال انسان قابل کنترل باشد. انتخاب نمادها بر سهولت به خاطر سپردن و یادآوری نمودارهای بصری تأثیر می گذارد. عدد جادویی هفت تعداد مناسبی از نمادها را بیان می کند. محدوده 7 ± 2 نماد مناسب است. بیش از نه نماد مختلف در واژگان گرافیکی پایه برای درک مطلب بسیار سخت است.
● اصل کدگذاری دوگانه
این اصل شامل استفاده از متن برای پشتیبانی از معنای نمادها و همچنین وضوح است. دو روش (گرافیک و متن) اطلاعات را در اختیار کاربر قرار می دهد و درک مطلب را بهبود می بخشد. این اصل مبتنی بر دوگانگی بازنمایی ذهنی است [ 8 ].
● اصل شفافیت معنایی
این اصل چگونگی ارتباط نمادها با معنای واقعی یک عنصر را ارزیابی می کند. در اینجا، ارتباط بین شکل یا سایر نمادهای بصری متغیر و ویژگی های واقعی آنها جستجو می شود. و شکل نماد بر شی واقعی (داده، تابع، متغیر و غیره) دلالت دارد.
● اصل مدیریت پیچیدگی
این اصل مستلزم ایجاد ساختارهای سلسله مراتبی است و این کار با تقسیم نمودار به ماژول های جداگانه انجام می شود. این برای مدل های بزرگ مناسب است درک بیش از ظرفیت حافظه کاری انسان. ماژولاریت به معنای مقیاس بندی اطلاعات به تکه های جداگانه است. مدولارسازی تقسیم سیستم های بزرگ به قطعات کوچکتر یا زیرسیستم های جداگانه است. تمرین نشان داده است که یک زیرسیستم فقط باید به اندازه کافی بزرگ باشد که روی یک صفحه کاغذ یا یک صفحه قرار گیرد. سپس این زیرسیستم در سطح بالاتری با یک نماد نشان داده می شود. ساختار سلسله مراتبی به سیستم ها اجازه می دهد تا در سطوح مختلف جزئیات نمایش داده شوند (نمودار همسطح)، با توانایی کنترل پیچیدگی در هر سطح. این امر درک نمودار را از بالاترین سطح به پایین ترین سطح ارتقا می دهد، که درک کلی نمودار را بهبود می بخشد. هر دو مکانیسم را می توان در اصل تجزیه بازگشتی ترکیب کرد.
● اصل تعامل شناختی
این اصل مستلزم افزایش گزینه‌های پیمایش در مدل است. خواننده باید بتواند زنجیره عملیات را به راحتی دنبال کند. خطوط اتصال بر ناوبری تأثیر می گذارد.
● اصل تناسب شناختی
این اصل مستلزم استفاده از مجموعه‌های مختلف واژگان بصری برای یک نوع معناشناسی است، جایی که اطلاعات برای وظایف مختلف و گروه‌های مختلف کاربران به روش‌های مختلف نمایش داده می‌شود. استفاده از گویش های بصری متعدد را توصیه می کند که هر کدام برای طیف وسیعی از وظایف و طیف های کاربری مختلف (بر اساس تجربه) مناسب هستند.
2.3. تست ردیابی چشم
آزمایش ردیابی چشم برای ارزیابی اثربخشی شناختی گردش کار استفاده شد. وظایف عمدتاً برای تأیید درک و تشخیص نمادهای بصری طراحی شده بودند. در تحقیق ارائه شده از روش ردیابی چشمی به عنوان اعتبارسنجی متقاطع و بسط نتایج فیزیک نشانه‌ها از طریق روش تجربی استفاده شد.
دپارتمان ژئوانفورماتیک دانشگاه پالاکی در اولوموک (جمهوری چک) اندازه گیری های ردیابی چشم را انجام می دهد. این آزمایشگاه ویژه مجهز به ردیاب چشمی SMI RED 250 است که توسط شرکت SensoMotoric Instrument (SMI) از برلین (آلمان) تولید شده است. برای طراحی آزمایش از برنامه SMI Experiment Center Suite 360° v3.5 و برای تجسم نتایج از نرم افزار SMI BeGaze استفاده شد. برای تحلیل بیشتر از نرم افزار OGAMA v5.0 (Open Gaze and Mouse Analyser) استفاده شد. تبدیل داده ها از نرم افزار SMI به OGAMA با استفاده از ابزار وب smi2ogama v. 1.0 [ 31 ] انجام شد. وضوح مانیتور مورد استفاده برای ثبت حرکات چشم 1920 × 1200 پیکسل بود. فرکانس نمونه برداری 250 هرتز بود. برای ارزیابی آماری از نرم افزار STATISTICA استفاده شد.
ردیاب چشم حرکت چشم ها را ثبت می کند. سپس داده‌های ثبت شده حرکت چشم به شکل تثبیت‌های چشم (توقف حرکت چشم) و ساکادها ، که اتصال دهنده‌های ثابت هستند، پیش پردازش می‌شوند. تثبیت های شماره گذاری شده و ساکادها به صورت طرح نگاه ترسیم شده اند . داده های ثبت شده حرکت چشم چندین پاسخ دهنده را می توان در نقشه های توجه (نقشه های حرارتی) و نقشه های جریان پردازش کرد . ارزیابی های آماری زمان کلیک را می توان محاسبه کرد. اصطلاح محرک در فرآیند آزمایش ردیابی چشم استفاده می شود [ 32 ]. محرک ها، در این مورد، مدل های طراحی شده در ویرایشگر مدل فضایی 2013 بودند.
آزمایش از دو بخش تشکیل شده است ( شکل 5 ). قسمت اول فقط 18 مدل را بدون هیچ وظیفه ای نمایش می داد. این قسمت مشاهده رایگان نام داشت . بخش دوم شامل 21 مدل بود که با تکالیف درک مطلب معرفی شدند . قسمت دوم قسمت با وظایف نام داشت. هجده مدل در هر دو بخش مورد آزمایش قرار گرفتند. مدل های درختی دو بار با وظایف مختلف استفاده شد. آخرین مدل‌ها در ارزیابی مربوط به نظریه فیزیک نشانه‌گذاری گنجانده نشدند. مدل هایی با اندازه ها و عملکردهای مختلف مورد آزمایش قرار گرفتند. یک ضربدر تثبیت قبل از هر محرک نمایش داده شد تا از همان موقعیت شروع برای نگاه هر پاسخگو مطمئن شود. پیوست اولشامل لیستی از تمام مدل های مورد استفاده در آزمایش ردیابی چشم است. مدل‌هایی از طراحی خود ما و کتابخانه مدل Sterling GEO [ 33 ] در آزمایش ردیابی چشم استفاده شد.
پاسخ دهندگان دانشجویان سال اول در پایان ترم اول خود در برنامه کارشناسی ارشد ژئوانفورماتیک بودند. قبل از تحصیل در سطح کارشناسی ارشد، همه دانشجویان مدرک سه ساله لیسانس خود را در رشته ژئوانفورماتیک در دانشگاه Palacký به پایان رسانده اند. به عنوان بخشی از تحصیل در مقطع کارشناسی، آنها در چندین دوره اجباری مربوط به GIS و نرم افزار سنجش از دور با پردازش عملی داده های ماهواره ای و هوایی شرکت می کنند. همه دانشجویان در سخنرانی هایی شرکت کرده بودند که در آن طراحی مدل ها در ERDAS IMAGINE Spatial Model Editor در مطالعه کارشناسی ارشد تمرین می شد. آنها مدل های مختلفی با قابلیت ها و اندازه های مختلف ساخته بودند. گروه پاسخ دهندگان به عنوان کاربران پیشرفته در نظر گرفته شد. در مجموع 16 پاسخ دهنده در آزمایش ردیابی چشم، 23 تا 25 ساله شرکت کردند.
سایر آزمایشات قبلی نیز در زمینه نمودارهای گردش کار GIS سازماندهی شده است. اولین آزمایش با نماد قدیمی‌تر برای ERDAS Modeler Maker در سال 2014 بود. در سال‌های بعد، از تجربیات نویسندگان و ساخت وظایف درک مطلب در آزمایش‌های بعدی استفاده شد. چندین آزمایش ردیابی چشمی سازماندهی شد و از QGIS Processing Modeler، ArcGIS ModelBuilder، ArcGIS Diagrammer و GRASS GIS Graphical Modeler [ 34 ، 35 ، 36 ] استفاده شد.
هدف اصلی پاسخگویی به فرضیه های تحقیقاتی پایه از طریق آزمایش های ردیابی چشم بود. این فرضیه ها به دو ویژگی اساسی مربوط می شود: دقت پاسخ ها (تعداد پاسخ های صحیح و نادرست) و اثربخشی درک. اثربخشی با زمان پاسخ، طول مسیر اسکن و تعداد تثبیت ها قابل اندازه گیری است. دو فرضیه قبل از شروع آزمایش ردیابی چشم ارائه شد:
فرضیه 1 (H1).
نارسایی در وضوح نشانه‌شناختی، تبعیض‌پذیری ادراکی، بیان بصری و شفافیت معنایی بر دقت پاسخ‌های کاربران تأثیر منفی می‌گذارد .
فرضیه 2 (H2).
نارسایی در وضوح نشانه‌شناختی، تمایز ادراکی، بیان بصری و شفافیت معنایی بر اثربخشی درک تأثیر منفی می‌گذارد .
برای ارزیابی این دو فرضیه، تعداد پاسخ‌های صحیح (برای H1)، زمان لازم برای پاسخگویی و معیارهای ردیابی چشم (برای H2) اندازه‌گیری شد. معیارهای ردیابی چشم مانند زمان اولین کلیک، زمان کل حل و تعداد تثبیت ها محاسبه شد. به عنوان روش کمی برای ارزیابی H1 تعداد پاسخ های صحیح و نادرست در نظر گرفته شد. روش کمی برای ارزیابی H2 عمدتاً «زمان اولین کلیک» و «زمان کل حل» در نظر گرفته شد. تعداد تثبیت و طول مسیر اسکن نیز محاسبه شد، اما نتایج هیچ نتیجه قابل تفسیر یا شاخص مفیدی به همراه نداشت.
همچنین نقشه‌های گرمای توجه و نقشه‌های جریان نگاه‌های پاسخ‌دهندگان با استفاده از نرم‌افزار OGAMA محاسبه شد. نقشه های حرارتی و نقشه های جریان، ارزیابی های کیفی هستند و رفتار و عادات خواندن پاسخ دهندگان را روشن می کنند.
3. نتایج ارزیابی ویراستار مدل فضایی
دو روش در ارزیابی شناخت مؤثر نشانه‌گذاری گرافیکی ویرایشگر مدل فضایی استفاده شد. روش اول از نظریه فیزیک نمادها استفاده کرد. روش دوم روش ردیابی چشم بود. نتایج دقیق در بخش های بعدی ارائه شده است.
3.1. ارزشیابی بر اساس نظریه فیزیک نمادها
ارزیابی دنبال شده به طور سیستماتیک مطابقت با هر یک از اصول نظریه فیزیک نمادها را توصیف می کند.
3.1.1. اصل وضوح نشانه شناختی
اولین و اصلی ترین اصل، اصل وضوح نشانه شناختی است. شکل 6 چندین نمونه از نمادها را برای داده ها، عملیات و مدل فرعی نشان می دهد. انواع داده های مختلف (رستر، برداری، اسکالر، ماتریس و جدول) دارای نمادهای متفاوتی هستند. نماد داده دارای رنگ پر رنگ نارنجی پس زمینه است ( شکل 6 a). همچنین هر نوع عملیات دارای نماد خاصی است. رنگ پر کردن پس‌زمینه عملیات سبز است ( شکل 6ب). یک نماد برای مدل فرعی دارای رنگ پر پس‌زمینه قهوه‌ای است. نمادها حاوی نمادهای رنگی بزرگ هستند که از یکدیگر قابل تشخیص هستند. زمانی که از همان نماد برای گروهی از عملیات (گروه سطح با شیب درجه و جنبه عملیاتی) استفاده می شود، تنها بارگذاری جزئی نمادها وجود دارد (شکل 8a). واژگان بصری تقریباً اصل وضوح نشانه شناختی را برآورده می کند.
3.1.2. اصل تمایز ادراکی
نحوه بررسی اصل دوم، مقایسه زوجی نمادها است. مقایسه در جدول 1 آورده شده است. در ویرایشگر مدل فضایی نمادها از نظر رنگ متفاوت هستند و شکل مستطیلی با گوشه های گرد برای همه نمادها یکسان است. همچنین، نمادهای رنگی داخلی به تمایز نمادها کمک می کنند. اصل تمایز ادراکی زمانی رعایت می شود که از رنگ ها و نمادها استفاده شود.
3.1.3. اصل بیان بصری
رنگ یکی از موثرترین متغیرهای بصری است. سیستم بینایی انسان به تفاوت رنگ ها بسیار حساس است و می تواند به سرعت و دقت آنها را تشخیص دهد. تفاوت‌های رنگی سه برابر سریعتر از شکل پیدا می‌شوند و همچنین به راحتی قابل یادآوری هستند [ 30 ]. سایر متغیرهای بصری عبارتند از شکل ، اندازه ، بافت ، جهت و موقعیت [ 6 ]. فقط از متغیر بصری رنگ در علامت گذاری استفاده می شود. بنابراین، فاصله بصری برای همه جفت ها یک است ( جدول 1). شکل برای همه نمادها یکسان است – یک مستطیل. اندازه نمادها قابل تغییر است. هنگامی که برچسب متن داخلی طولانی تر است (دو یا چند کلمه)، عرض به طور خودکار افزایش می یابد. هنگامی که پورت های رابط به یک نماد اضافه می شوند، ارتفاع نمادها نیز به طور خودکار افزایش می یابد ( شکل 7 a). این تغییرات در اندازه هیچ معنای مرتبط با یک نماد را ندارد. نمی توان فرض کرد که یک متغیر بصری در حال استفاده است.
3.1.4. اصل اقتصاد گرافیکی
نماد نارنجی برای داده، سبز برای عملیات و قهوه ای برای مدل فرعی است. تعداد عناصر گرافیکی پایه سه است که نیاز برای مدیریت شناختی و نیاز به محدوده 2 ± 7 نماد را برآورده می کند. اگر تمام انواع آیکون های داخلی را در نظر بگیریم، ده ها نماد تولید می شود. اما شفافیت نمادها بالاست (به اصل بعدی مراجعه کنید). در نسخه 2016 مستطیل بنفش به عنوان نماد چهارم اضافه شد.
3.1.5. اصل کدگذاری دوگانه
این اصل اضافه کردن متن توصیفی به نمادها را پیشنهاد می کند. متن می تواند به عنوان کدگذاری بیش از حد اطلاعات به منظور تقویت آن اطلاعات استفاده شود. نمادها نمادهای ترکیبی در ویرایشگر مدل فضایی هستند. متن نماد داده را با نام داده در پایین مستطیل تکمیل می کند. نماد عملیات با نام عملیات به طور خودکار برچسب گذاری می شود، به عنوان مثال، انتخاب نوار در نماد عملیات در جدول 1 . برچسب ها را می توان توسط کاربر تغییر داد ( انتخاب باند -> انتخاب باند قرمز و آبی در شکل 7ب). پورت ها نیز دارای برچسب هستند. برچسب های طولانی پورت ها می توانند فضا را مصرف کنند، بنابراین نام های کوتاه برای داده ها توصیه می شود. هنگامی که یک برچسب پورت خطوط اتصال را با هم همپوشانی می‌کند، ممکن است مشکلاتی رخ دهد. به عنوان مثال، برچسب صفت جدول یک پورت خروجی از یک خط در شکل 7 ب عبور می کند. این موارد خواندن مدل را دشوارتر می کند.
استفاده از آیکون ها و متن با هم اصل کدگذاری دوگانه را برآورده می کند. علاوه بر این، کاربر می تواند درک یک مدل را با استفاده از برچسب زدن صحیح و دقیق بهبود بخشد. با این وجود، برچسب‌های بلند می‌توانند عرض نمادها را بیش از حد افزایش دهند و ترتیب نمادها در شبکه در این مورد دشوار است. نمادهای بزرگ مدل را بیش از حد بار می کنند و سطح زیبایی شناسی کاهش می یابد.
3.1.6. اصل شفافیت معنایی
در مورد تداعی، شکل و رنگ نمادها هیچ ارتباطی با معنای واقعی نمادها ندارد. آنها از نظر معنایی کلی (خنثی) هستند. با این وجود، نماد درونی بیان بالایی از معنا دارد. اندازه نماد داخلی بزرگ است (32 × 32 پیکسل) و تقریباً تمام مستطیل را پر می کند. برچسب های قرار داده شده در پایین مستطیل بسیار کوچکتر هستند. برخی از عملیات ها همان نماد گروهی از عملیات مشابه را دارند ( شکل 8 الف – سطح گروه). برخی از نمادها برای هر عملیات منحصر به فرد هستند، مانند عملیات ریاضی ( شکل 8ب). آیکون های داخلی بسیار خوب طراحی شده اند و شفافیت معنایی بالایی از واژگان بصری ویرایشگر مدل فضایی را ارائه می دهند. در مقایسه با سایر واژگان بصری در نرم افزار GIS، نمادها از همه بزرگتر هستند. به عنوان مثال، QGIS فقط از یک نماد داخلی کوچک در سمت چپ نماد مستطیل استفاده می کند [ 34 ].
این ویرایشگر همچنین از آیکون های کاربردی استفاده می کند . امکان اجرای مدل و بررسی عملکرد آن در حالت طراحی وجود دارد. پس از عملکرد موفقیت آمیز، یک علامت سبز رنگ در گوشه سمت راست پایین نمادها ظاهر می شود. در صورت خرابی، یک صلیب قرمز ظاهر می شود ( شکل 8 ج). از رنگ های اصلی چراغ راهنمایی استفاده می شود. قرمز برای توقف و سبز برای رفتن است. شفافیت نمادهای کاربردی دوباره از نظر معنایی فوری است.
3.1.7. اصل مدیریت پیچیدگی
این اصل مستلزم تولید سطوح سلسله مراتبی مدل است. در ویرایشگر مدل فضایی امکان طراحی زیرمدل هایی وجود دارد که به صورت جداگانه قابل طراحی و مدیریت باشند. نماد قهوه ای ( شکل 6ج) نشان دادن مدل فرعی امکان باز کردن و ویرایش مستقیم مدل فرعی را با کلیک بر روی ماوس فراهم می کند. هم شناخت و هم عملکرد در مدل فرعی طراحی خوب است. طراحی مدل فرعی توصیه ماژولار بودن را برآورده می کند. بخش بعدی این اصل ساختار سلسله مراتبی را توصیه می کند. در ویرایشگر مدل فضایی موجود نیست. پیاده‌سازی گرافیک ترکیبی از مدل‌ها در بخش‌های سلسله مراتبی با گزینه‌ای برای جمع کردن یا گسترش، شناخت افراد از مدل‌های بزرگ را بهبود می‌بخشد. فرصت طراحی مدل های فرعی و درج آنها در مدل های دیگر تا حدی اصل مدیریت پیچیدگی را برآورده می کند.
3.1.8. اصل تعامل شناختی
خطوط اتصال بر روی مدل تاثیر می گذارد. خطوط گرد، پورت های کوچک زرد رنگ در لبه های مستطیل ها را به هم متصل می کنند. رندر منحنی ها به صورت خودکار بر اساس قرار دادن نمادها انجام می شود. خطوط منحنی به طور غیر ضروری فضای زیادی را در مدل اشغال می کنند و “مسیر بصری” بین نمادهای بعدی را طولانی تر می کنند. اغلب نمی توان از تلاقی، همزمانی و ادغام خطوط اجتناب کرد. ردیابی مسیر خطوطی که در تماس نزدیک با یکدیگر هستند اغلب مشکل ساز است ( شکل 9). در این موارد، برای خوانندگان سخت است که خطوط طولانی را دنبال کنند. ویرایش دستی شکل خط منحنی فقط با جابجایی نمادهای مستطیل امکان پذیر است. شکل منحنی در آن مدل ساز بسیار خاص است. خطوط مستقیم بسیار بیشتر در سایر گردش‌های کاری GIS استفاده می‌شوند. توصیه برای بهبود ویرایشگر این است که خطوط منحنی را با خطوط مستقیم جایگزین کنید، با این گزینه که آنها را با زاویه مبهم ارائه دهید.
تراز کردن نمادها با شبکه خواندن مدل را سریعتر و آسان تر می کند. عملکرد خودکار برای تراز کردن مدل پیاده سازی شده است. دکمه طرح‌بندی خودکار عناصر گرافیکی را با شبکه پس‌زمینه تراز می‌کند. قابل مشاهده بودن شبکه همچنین به سازنده در تراز کردن نمادها کمک می کند.
3.1.9. اصل تناسب شناختی
آخرین اصل استفاده از چندین گویش بصری را توصیه می کند که هر کدام برای وظایف مختلف و طیف های کاربری مناسب هستند. این اصل بیشترین تقاضا را دارد. ویرایشگر مدل فضایی تنها از یک گویش برای همه کاربران و همه وظایف استفاده می کند. این اصل محقق نمی شود.
3.2. تست ردیابی چشمی مدل ها
آزمایش ردیابی چشم به روشی پیچیده به منظور ارزیابی فرضیه‌های H1 و H2 طراحی شد. طراحی آزمون شامل چندین کار برای یافتن حداکثر اطلاعات است. برخی از مدل ها به طور مکرر برای اهداف مختلفی استفاده می شوند، به عنوان مثال، برای یافتن نمادی از داده ها یا یافتن نمادی از عملیات. مدل ها به منظور جلوگیری از اثر یادگیری به ترتیب تصادفی به پاسخ دهندگان نشان داده شد [ 37 ]. مخلوط کردن اطمینان حاصل کرد که هر پاسخ دهنده مدل ها را به ترتیب متفاوتی می بیند. مدل ها و وظایف در این مقاله به ترتیب سیستماتیک در شرح نتایج ارائه شده است.
3.2.1. تست نمادها
اولین ارزیابی مربوط به تمایز پذیری نمادها بود. بخش 1. نمادها برای داده ها ، یافته های ورودی رستر، خروجی شطرنجی، پیش نمایش، ماتریس، پارامتر و اسکالر (وظایف A1-A6) را آزمایش می کند. کار مثال A1 این بود: ” نماد ورودی رستر را علامت گذاری کنید. ” یک یا چند پاسخ صحیح در جایی از مدل ها قرار داشت (نقاط قرمز در مدل های پیوست A را ببینید). پاسخ دهندگان روی نمادهای صحیح به ترتیب دیگری کلیک کردند. بنابراین زمان اولین کلیک در ارزیابی آماری در نظر گرفته شد. آمار توصیفی در پیوست B ارائه شده است.
همه پاسخ‌ها در جستجوی نمادهای ورودی رستر، خروجی شطرنجی و پیش‌نمایش صحیح بودند. ماتریکس و اسکالار دو پاسخ اشتباه از مجموع 16 پاسخ دهنده داشتند. داده های ورودی پارامتری 13 پاسخ اشتباه داشت. این بدترین امتیاز است. علاوه بر تعداد پاسخ های صحیح/ غلط، زمان اولین کلیک نیز مورد ارزیابی قرار گرفت. شکل 10نمودارهای جعبه زمان اولین کلیک را نشان می دهد. یافتن نمادهای ماتریس و اسکالر بسیار بیشتر از نمادهای ورودی، خروجی و پیش نمایش طول کشید. نماد پارامتر نشان داد که بدترین است. توضیح را می توان در شفافیت معنایی نمادها و به ترتیب بی واسطه بودن معنایی نمادها یافت. علاوه بر این، این نیز تحت تأثیر فراوانی نمادها در مدل های رایج قرار گرفته است. از آنجایی که ERDAS IMAGINE بر پردازش داده های شطرنجی متمرکز است، نمادهای ورودی رستر، خروجی شطرنجی و پیش نمایش تقریباً در همه مدل ها وجود دارند. علاوه بر این، مکان آنها در مدل (در سمت چپ یا سمت راست) قابل فرض است.
در مقابل، نمادهای پارامتر به ندرت در مدل‌ها وجود داشت و پاسخ‌دهندگان در یافتن آنها با مشکل مواجه بودند (تعداد زیاد پاسخ‌های اشتباه و انتخاب پاسخ‌ها زمان زیادی طول کشید). نماد اسکالر دومین بار بدتر را دارد (تکلیف A6). دلیل احتمالی این است که وظیفه با استفاده از اصطلاح Scalar فرموله شده است. این نماد هیچ برچسبی برای کلمه Scalar ندارد، اما فقط از نماد π استفاده می شود.
قسمت 2. نمادها برای عملیات ، سهولت یافتن نمادها را برای عملیاتی مانند Band ، Convolve و Slope آزمایش کردند. این مدل ها همچنین شامل آزمایش عملگرهای ریاضی ضرب و تفریق و نماد مدل فرعی بودند. مدل فرعی در رنگ پس زمینه با عملیات سبز متفاوت است. پاسخ ها برای همه نمادهای عملیات درست بود و فقط یک پاسخ اشتباه برای عمل تفریق وجود داشت.
شکل 11 نمودارهای کادر زمان اولین کلیک را برای همه پاسخ دهندگان نشان می دهد. توزیع زمان ها نرمال نبود (تست شده توسط آزمون Shapiro-Wilk). از آزمون ناپارامتریک Kruskal-Wallis برای آزمایش اینکه آیا میانه های “زمان کلیک اول” از همه وظایف (A7-A12) برابر است یا خیر استفاده شد. از آزمون کروسکال-والیس برای یافتن اینکه آیا نمونه های زمانی از توزیع یکسانی سرچشمه گرفته اند استفاده شد [ 38 ]. تفاوت بین میانگین رتبه های زمانی برای برخی نمادها به اندازه ای بزرگ است که از نظر آماری معنی دار باشد. نمادهای عملیات و مدل های فرعی را می توان بدون هیچ مشکلی در مدل ها متمایز کرد. یافتن ضرب عملیات ریاضی تنها به زمان های طولانی تری منجر شد.
هر دو بخش ارائه شده معیارهای لازم برای اصل تمایز ادراکی و شفافیت معنایی نمادها را برآورده می‌کنند. ردیابی چشم تأیید کرد که نمادها از نظر معنایی فوری هستند. علاوه بر این، اصل کدگذاری دوگانه در آزمون ها اعمال شد. هنگامی که نام نمادها به طور کامل نشان داده می شود (ورودی Raster، پیش نمایش، مدل فرعی)، پاسخ های اشتباه کمتری وجود دارد و زمان ها کوتاه تر می شود. برعکس، طبق اصل کدگذاری دوگانه، نماد پارامتر حاوی برچسب Image، معنای نماد را تکرار نمی کند. اهمیت کاربرد صحیح کدگذاری دوگانه ثابت شده است.
علاوه بر این، تعداد پاسخ‌های نادرست برای نمادهای پارامتر، Scalar و زمان پاسخ طولانی در عملیات Multiply تأیید می‌کند که نماد شامل تعداد زیادی نماد است و اصل اقتصاد گرافیکی رعایت نمی‌شود. پاسخ دهندگان نمادهای کمتر متداول را به خاطر نمی آورند و معنای آنها را تخمین می زنند.
3.2.2. تست آیکون های کاربردی
دو مدل بعدی در این تست A13 و A14 هستند. نمادهای عملکردی علامت تیک سبز و صلیب قرمز در گوشه سمت راست پایین نمادها آزمایش شدند. این آیکون ها زمانی استفاده می شوند که مدل در مرحله طراحی حالت اجرا می شود. نمادها عملیات پردازش شده و خواندن/نوشتن داده ها را به درستی یا نادرست بیان می کنند.
همه پاسخ دهندگان به درستی پاسخ دادند و آنها به سرعت هر دو نماد را در هر دو مدل آزمایش ردیابی چشم علامت گذاری کردند. شکل 12 یک نقشه جریان در بالای مدل را نشان می دهد. نقشه جریان توسط نرم افزار OGAMA به عنوان تجمیع تمام مسیرهای اسکن پاسخ دهندگان ایجاد شده است. کار این بود ” عملیات علامت گذاری که با خطا به پایان رسید. ” پاسخ دهندگان نماد صلیب قرمز کاربردی را در گوشه نماد سبز انتخاب گروه 2 پیدا کردند. حداکثر انتقال نگاه در قسمت بالایی مدل در اطراف پاسخ صحیح بود. انتقال بسیار کمتری به پایین مدل وجود دارد. مسیرهای اسکن انبوه، البته، تحت تأثیر ضربدر تثبیت در وسط قرار می گیرند، که قبل از محرک نمایش داده می شود.
نتایج حاصل از این دو محرک، معیارهای لازم برای اصل شفافیت معنایی نمادهای عملکردی را برآورده می کند. نمادهای عملکردی اصل شفافیت معنایی را برآورده می کنند.
3.2.3. آزمایش خطوط اتصال-تقاطع و جهت گیری
قسمت 4. عبور از خطوط اتصال شامل مدل هایی است که در آنها تأثیر خطوط اتصال آزمایش شده است. دو جفت مدل از نظر عملکردی یکسان تهیه شد. در مدل اول خطوط اتصال از هم عبور نمی کردند و در مدل دوم برخی از خطوط اتصال عبور می کردند (مدل های A15 و A16، A17 و A18 در ضمیمه A ). وظایف یکسانی برای هر دو مدل تعیین شد تا نتایج قابل مقایسه باشند. پاسخ دهنده باید دو عنصر مرتبط را با استفاده از یک خط اتصال پیدا می کرد.
وظیفه ” علامت گذاری تمام نمادهای داده های ورودی برای لیست محدوده 1 ” برای مدل های A15 و A16 بود. پاسخ دهنده ابتدا باید نماد Range List 1 را پیدا می کرد و سپس هر سه ورودی را جستجو و علامت گذاری می کرد. در مورد مدل A15، ورودی ها بدون عبور از خطوط مستقیماً در سمت چپ نماد پیش فرض قرار می گیرند. برعکس، در مدل A16 که دارای خطوط متقاطع بود، لازم است خطوط را با دقت دنبال کنید و مجدداً سه علامت داده ورودی را جستجو و کلیک کنید. خطوط نیز در مدل A16 طولانی تر هستند. ترتیب نمادهای داده ورودی به طور منطقی در نزدیکی عملیات مربوطه گروه بندی نمی شود.
تعداد پاسخ های اشتباه در هر دو مورد یک بود. با کمال تعجب، در مدل A16 (با خطوط متقاطع) علاوه بر پاسخ های صحیح، علامت های دیگری نیز مشخص شده بود و این نشان دهنده دشواری ردیابی خطوط اتصال است. کل زمان تکمیل برای هر دو جفت مدل با استفاده از آزمون Wilcoxon ارزیابی شد. مشخص شد که تفاوت آماری معنی داری در میانه ها در سطح معنی داری 0.05 = p برای جفت اول مدل وجود دارد. برای مدل بدون تلاقی خطوط اتصال، پاسخ دهندگان به زمان تکمیل کوتاه تری دست یافتند ( شکل 13). تفاوت آماری معنی داری نیز در تعداد تثبیت یافت شد. میانگین 47 تثبیت برای مدل A15 بدون عبور بود. مدل A14 با خطوط متقاطع دارای میانه قابل توجهی بالاتر از 84 تثبیت بود.
جفت دوم مدل های A17 و A18 هستند. خطوط عبوری در مدل A17 وجود داشت، اما این ارتباط مستقیمی با کار نداشت. علاوه بر تقاطع، بخشی از خط اتصال با نماد دیگری پوشانده شد. کار این بود: ” علامت گذاری رستر ورودی قبل از تصویر و پیش نمایش مربوطه (قبل از تصویر) “.
در مورد مدل‌های A17 و A18، که خطوط اتصال متقاطع مستقیماً در جستجوی نمادهای مرتبط مورد استفاده قرار نگرفتند، هیچ تفاوت آماری معنی‌داری با استفاده از آزمون Wilcoxon، چه در زمان کل و چه در تعداد تثبیت‌ها، یافت نشد. تنها مدلی که دارای تقاطع بود، 500 میلی ثانیه زمان تکمیل کل بیشتری نسبت به مدل بدون تقاطع داشت که میانگین آن 12.3 ثانیه بود. تأثیر خطوط عبور مشاهده نشد.
این بخش از آزمون با اصل تعامل شناختی مطابقت دارد. مسیریابی با خطوط عبوری، طول بیشتر آنها و چینش خالص نمادها به طور قابل توجهی شناخت فرد از مدل را کاهش می دهد.
تأثیر خطوط اتصال را می توان با استفاده از یک مسیر اسکن و یک نقشه جریان از نرم افزار OGAMA بررسی کرد. شکل 14 a رکورد نگاه یک پاسخ دهنده منتخب را نشان می دهد. دایره های سیاه تثبیت نگاه آنهاست. عدد در دایره ترتیب تثبیت است. خطوط سیاه تثبیت کننده ها را به هم متصل می کنند. شکل 14 ب تجمیع مسیرهای اسکن را برای همه پاسخ دهندگان نشان می دهد. انتقال‌های انباشته با تعداد کمی از انتقال‌های جزئی فیلتر شدند (کمتر از 5) تا بر خطوط قوی بیشترین انتقال‌ها تأکید شود. رکورد از قسمت مشاهده رایگان است. هیچ تأثیری از خواندن با انجام یک کار وجود ندارد.
بر اساس شکل 14 ب، مشهود است که دو شاخه افقی جریان کار در قسمت چپ جهت حرکت چشم را تعیین می کند که در شاخه مشترک سمت راست همگرا می شود. انتقال در شاخه بالا بیشتر از شاخه پایین وجود دارد. اکثر انتقال ها در جهت چپ به راست هستند، مانند جهت خواندن طبیعی. خطوط برگشتی بسیار کمتری از راست به چپ وجود دارد. یک پدیده جالب را می توان مشاهده کرد. برخی از پاسخ دهندگان از چپ به راست در امتداد شاخه بالایی تا انتهای مدل روان خوانده و سپس به شاخه پایین بازگشتند. سایر پاسخ دهندگان مدل را به روشی متفاوت می خوانند ( شکل 14آ). ابتدا قسمت چپ شاخه بالایی را مشاهده کردند و ناگهان در وسط شاخه بالایی به سمت شاخه پایینی مدل پریدند و سپس تا انتهای ماکت ادامه دادند. حرکت از بالا به پایین بین شاخه ها نیز در شکل 14 ب قابل مشاهده است. یک بیضی خاکستری بر این انتقال تأکید دارد. برخی از پاسخ دهندگان برخی از نمادها را نادیده گرفتند و مستقیماً به انتهای آن نگاه کردند. در غیر این صورت، همه پاسخ دهندگان به مدل کاملاً به سمت راست نگاه نمی کنند. تعداد انتقال کمتری وجود دارد. قسمت پایین مدل نیز به ندرت مشاهده می شود. این یافته های جزئی را می توان به راحتی از نمایش مسیر اسکن هر پاسخ دهنده مشخص کرد.
عادات خواندن شرکت کنندگان به شدت بر خواندن تأثیر می گذارد، به ویژه در مورد آرایش افقی یک مدل. Jošt عادت خوانندگان را برای نخواندن انتهای یک خط در متن چاپ شده نشان می دهد [ 39 ]. همان اثری که توسط برخی از پاسخ دهندگان ردیابی چشم انجام شد، در مورد عدم خواندن قسمت سمت راست مدل ها نیز قابل مشاهده است.
3.2.4. مقایسه Reading در مشاهده رایگان و قسمت با Tasks
همچنین مقایسه مدل های مشابه از قسمت مشاهده رایگان و قسمت با وظایف آزمایش ردیابی چشم جالب است. شکل 15 زیر یک نقشه حرارتی توجه را نشان می دهد. نرم‌افزار OGAMA نقشه‌های گرمای توجه را به‌عنوان مجموعه‌ای از تثبیت‌های نگاه همه پاسخ‌دهندگان محاسبه می‌کند. شکل 14 همان مدل را از یک مشاهده آزاد نشان می دهد. (الف) و دو نقشه توجه از یک مدل در تکمیل دو کار مختلف؛ (قبل از میلاد مسیح). در مشاهده رایگان، تعداد زیادی تثبیت بر روی نمادهای فردی در مدل مشهود است، که بیشتر در قسمت بالایی نسبت به قسمت پایین وجود دارد. مرور تحت تأثیر کار قرار نمی گیرد.
نقشه گرمای توجه دوم، 14b برای کار ” علامت گذاری همه نمادها برای مدل فرعی است. ” روی نمادهای مدل های فرعی دو حداکثر توجه وجود دارد که در آن پاسخ های صحیح قرار دارند. نقشه سوم (c) برای کار ” علامت گذاری همه نمادها برای عملیات تفریق است. ” سه ماکزیمم توجه وجود دارد که نمادهای تفریق در آن قرار دارند. حداکثر در اولین خط گردش کار دارای ارزش بالاتری نسبت به بقیه است. این بدان معنی است که حل و درک بیشتر در نماد اول طول می کشد (تثبیت طولانی تر) و دو پاسخ بعدی به سرعت دنبال می شوند.
این مثال نشان می دهد که نحوه خواندن مدل توسط پاسخ دهندگان به طور قابل توجهی تحت تأثیر این کار است. علاوه بر این، دو روش متفاوت پاسخگویی برای حل هر دو تکلیف (ب) و (ج) شناسایی شد. در حالت اول دو نماد از مدل های فرعی و در کار دوم حتی سه نماد عملیات تفریق جستجو شد. با توجه به زمان کلیک ها، می توان مشاهده کرد که برخی از پاسخ دهندگان در جهت جهت گیری مدل ها (از چپ به راست) پاسخ داده اند. از سوی دیگر برخی به ترتیب «معکوس» پاسخ دادند. در مورد علامت گذاری مدل فرعی که نمادها زیر یکدیگر قرار داشتند، برخی از پاسخ دهندگان ابتدا نماد پایین و سپس نماد بالای آن را نشان دادند. این دو روش متفاوت، “ترتیب مستقیم” و “ترتیب معکوس” در علامت گذاری نمادها،
4. بحث
تحقیق با استفاده از ویرایشگر مدل فضایی ERDAS IMAGINE نتایج و پیشنهادات مفیدی را به ارمغان آورد. ترکیب تئوری فیزیک نمادها و اندازه‌گیری‌های تجربی ردیابی چشم مشخص کرد که تمایز ادراکی، کدگذاری دوگانه و شفافیت معنایی بسیار خوب هستند. نمادهای بزرگ داخلی به طور قابل توجهی به درک مدل ها کمک می کنند. برخی از بارگذاری بیش از حد نمادها تا حدی وضوح نشانه‌شناختی را نقض می‌کند زمانی که نماد یکسان برای چندین عملیات از یک گروه استفاده می‌شود. با این وجود، افزایش تعداد آیکون ها بر اقتصاد گرافیکی تأثیر منفی می گذارد. واژگان شامل بیش از حداکثر نظری 9 نماد اساسی است که در اصل اقتصاد گرافیکی توصیه می شود. از آن نقطه، اضافه بار نمادها قابل توجیه است. برخی مشکلات در ارزیابی تعامل شناختی یافت شد. خطوط منحنی ممکن است هنگام عبور و زمانی که خطوط اتصال همزمان در مدل رخ می دهد مشکل ساز باشند. توصیه بعدی برای تولید کننده HEXAGON است. اگر گزینه تغییر خطوط منحنی را به یک خط مستقیم با امکان زاویه دادن آنها در یک زاویه مبهم ارائه دهید مفید خواهد بود. تأثیر منفی خطوط عبور از طریق ردیابی چشم تأیید شد.
شناخت مؤثر واژگان بصری ERDAS IMAGINE در مقایسه با سایر زبان های برنامه نویسی بصری GIS بالا است. بیانیه نهایی بر اساس چندین کار تحقیقاتی قبلی Dobesova در فضای زبان های برنامه نویسی بصری GIS است [ 34 ، 35 ، 36 ]. واژگان بصری ERDAS IMAGINE و ارزیابی ارائه شده می تواند الهام بخش طراحان زبان های برنامه نویسی بصری در نرم افزار GIS باشد.
نتایج تحقیق می تواند به عنوان مجموعه ای از توصیه ها برای کاربران در عمل قابل اجرا باشد. کاربران با استفاده از مشاوره فضایی برای بهبود مدل خود دریافت خواهند کرد. مدل‌های آنها در صورت استفاده توسط سایر کاربران، درک بهتری خواهند داشت. توصیه ها عبارتند از:
-
از عملکرد تراز خودکار نمادها در شبکه استفاده کنید.
-
از عبور از خطوط اتصال جلوگیری کنید
-
نماد را با برچسب های طولانی گسترش ندهید
-
در برخی موارد نماد را تغییر نام دهید تا تا حد امکان دقیق باشد
-
یک نام کوتاه برای داده ها برای برچسب زدن پورت ها انتخاب کنید
-
اغلب از مدل های فرعی برای افزایش ماژولار استفاده کنید.
جدول 2 کلیه یافته های تحقیق را به صورت خلاصه گزارش می کند. همچنین، برخی توصیه‌ها برای بهبودها و شیوه‌های آتی کاربر ارائه شده است. همچنین دانش کسب شده در پژوهش ارائه شده در هر سال تحصیلی برای دانشجویان شاخه مطالعاتی ژئوانفورماتیک ارائه می شود. به اشتراک گذاشتن تجربیات خوب معلمان مانند آنچه در مقاله طراحی پایگاه داده [ 40 ] ارائه شده است، ارزشمند است.
ارزیابی ارائه شده برای ERDAS IMAGINE نسخه 2013 انجام شد که به عنوان نرم افزار تجاری برای دانشگاه Palacký قابل دسترسی بود. یکی دیگر از هزینه های مالی محدودیت برای آزمایش نسخه جدیدتر بود. با این حال، نسخه جدیدتر 2016 شامل تعداد کمی از تغییرات است. نماد صورتی جدید برای ورودی، نماد مدل فرعی از قهوه ای به خاکستری تغییر کرده است و نمادهای جدیدی برای عملیات جدید ظاهر شده اند. شکل خطوط بدون تغییر است. بر اساس چندین سال تحصیل و تحقیقات نویسنده در حوزه زبان های برنامه نویسی بصری، توصیه های ارائه شده برای کاربران در عمل برای نسخه جدیدتر واژگان بصری نیز معتبر است.
محدودیت تحقیق، گروه نسبتاً کوچک پاسخ دهندگان (16 دانشجو) و سطح تجربه آنها است. با ارزش می تواند آزمایش کاربران حرفه ای از عملی باشد که به طور منظم از ویرایشگر مدل فضایی در تمرین خود استفاده می کنند. با این وجود، سازماندهی آن نوع آزمایش و ثبت سطح تجربه کاری پیچیده است.
برخی از تأثیرات بر نتایج نیز اندازه مدل، تعداد نمادها و موقعیت نمادها در مدل ها است. همچنین استفاده از عملیات های مختلف در مدل ها در ترکیب با تجربیات و تخصص های مختلف کاربر می تواند تأثیرگذار باشد. تثبیت همه آن عوامل در یک سطح، سؤالی است برای بررسی بعدی در ردیابی چشم. تلاش برای آزمایش مجموعه دیگری از مدل ها و در تحقیقات آینده جالب خواهد بود.
منابع مالی
این مقاله در پروژه برنامه Erasmus+ اتحادیه اروپا، ماژول Jean Monnet (پروژه شماره 620791-EPP-1-2020-1-CZ-EPPJMO-MODULE، UrbanDM) ایجاد شده است.
قدردانی
با تشکر از حمایت و مشاوره استانیسلاو پوپلکا، رئیس آزمایشگاه ردیابی چشم. با تشکر از دانشجویان ژئوانفورماتیک برای شرکت در تست ردیابی چشم.
تضاد علاقه
نویسندگان هیچ تضاد منافع را اعلام نمی کنند.
پیوست A. آزمایش ردیابی چشم: فهرست وظایف و مدل‌ها از ویرایشگر مدل فضایی ERDAS IMAGINE
ضمیمه فهرستی از مدل ها و وظایف محول شده که در آزمایش ردیابی چشم مورد استفاده قرار گرفتند را ارائه می دهد. ترتیب مدل ها در تست تصادفی بود. لیست ارائه شده با توجه به هدف آزمایش سازماندهی شده است و با نوع ارزیابی (نمادها، عبور رابط و غیره) مطابقت دارد.
نکته 1: پاسخ های صحیح با نقطه قرمز روی تصاویر برای اطلاع خواننده مشخص شده است.
نکته 2: تمامی مدل ها در قسمت اول تست – مشاهده رایگان نیز مورد استفاده قرار گرفتند.
بخش 1. نمادها برای داده ها
وظیفه A1: نماد ورودی Raster را علامت بزنید.
وظیفه A2: علامت خروجی رستر را علامت بزنید.
وظیفه A3. نمادها را برای پیش نمایش داده ها علامت گذاری کنید.
وظیفه A4. نمادهای ماتریس ورودی را علامت گذاری کنید.
وظیفه A5. نمادها را برای داده های ورودی پارامتریک علامت گذاری کنید.
وظیفه A6. نمادها را برای مقدار ورودی اسکالر علامت گذاری کنید.
قسمت 2. نمادها برای عملیات
وظیفه A7. نمادها را برای عملیات Slope و Aspect علامت گذاری کنید.
وظیفه A8. همه نمادها را برای عملیات Convolve علامت گذاری کنید.
وظیفه A9. همه نمادها را برای عملیات انتخاب باند علامت گذاری کنید.
وظیفه A10. همه نمادها را برای مدل فرعی علامت گذاری کنید.
وظیفه A11. همه نمادها را برای عملیات ضرب علامت گذاری کنید.
وظیفه A12. همه نمادها را برای عملیات تفریق علامت گذاری کنید.
قسمت 3. آیکون های کاربردی
وظیفه A13. علامت گذاری عملیاتی که با خطا به پایان رسید.
وظیفه A14. رستر خروجی ایجاد شده با موفقیت را علامت گذاری کنید .
بخش 4. عبور از خطوط اتصال
وظیفه A15. همه نمادهای داده های ورودی را برای فهرست محدوده 1 علامت گذاری کنید.
وظیفه A16. همه نمادهای داده های ورودی را برای فهرست محدوده 1 علامت گذاری کنید.
وظیفه A17. علامت شطرنجی ورودی قبل از تصویر و پیش‌نمایش مربوطه (قبل از تصویر) .
وظیفه A18. علامت شطرنجی ورودی قبل از تصویر و پیش نمایش مربوطه (قبل از تصویر).
بخش 5. سایر مدل ها و وظایف آزمایش شده (در ارزیابی نهایی ردیابی چشم استفاده نشده است)
وظیفه A19. نمادهای مقدار ورودی اسکالر را علامت گذاری کنید.
وظیفه A20. نماد ورودی رستر را علامت بزنید.
وظیفه A21. آیا نوع داده های ورودی و خروجی یکسان است؟ (پاسخ صحیح خیر )
ضمیمه ب. آمار توصیفی و آزمایشات اندازه گیری ردیابی چشم
بخش 1. نمادها برای داده ها
جدول A1. زمان اولین کلیک (ثانیه) روی نمادها در تست ردیابی چشم.
جدول A2. آزمون کروسکال-والیس برای نمادهای داده ها.
يافته ها: ميانگين رتبه هاي برخي از گروه ها با هم برابر نيست. تفاوت بین میانگین رتبه های برخی از گروه ها به اندازه ای است که از نظر آماری معنی دار باشد. اندازه اثر مشاهده شده η 2 بزرگ است. 0.47. این نشان می دهد که مقدار اختلاف بین میانگین ها زیاد است.
قسمت 2. نمادها برای عملیات
جدول A3. زمان اولین کلیک (بر حسب ثانیه) روی نمادها در تست ردیابی چشم.
جدول A4. تست کروسکال-والیس برای نمادهای عملیات.
يافته ها: ميانگين رتبه هاي برخي از گروه ها با هم برابر نيست. تفاوت بین میانگین رتبه های برخی از گروه ها به اندازه ای است که از نظر آماری معنی دار باشد. اندازه اثر مشاهده شده η 2 بزرگ است. 0.15. این نشان می دهد که مقدار اختلاف بین میانگین ها زیاد است.
بخش 4. عبور از خطوط اتصال
جدول A5. زمان کل زمان حل (بر حسب ثانیه) تا نماد در آزمایش ردیابی چشم.
جدول A6. تست Wilcoxon برای وظایف A15 و A16.
نتیجه: مقدار حل زمان کل وظایف A15 و A16 برابر با اختلاف مورد انتظار (μ0) در نظر گرفته نمی شود.
تفاوت بین مقادیر زمان کل به اندازه ای بزرگ است که از نظر آماری معنی دار باشد.
منابع
- Dobesova, Z. نقاط قوت و ضعف در نمودارهای جریان داده در GIS. در مجموعه مقالات علوم کامپیوتر و برنامه های کاربردی (CSA)، کنفرانس بین المللی 2013، ووهان، چین، 14-15 دسامبر 2013. ص 803-807. [ Google Scholar ]
- Dobesova، Z. نمودارهای جریان داده در سیستم های اطلاعات جغرافیایی: یک بررسی. در مجموعه مقالات چهاردهمین کنفرانس جغرافیایی SGEM در انفورماتیک، ژئوانفورماتیک و سنجش از دور، آلبنا، بلغارستان، 17–26 2014; STEF92 Technology Ltd.: صوفیه، بلغارستان، 2014; جلد 1، ص 705–712. [ Google Scholar ]
- Dobesova، Z. برنامه نویسی بصری برای کاربردهای GIS. Geogr. Inf. علمی تکنولوژی بدن شناخت. 2020 ، 2020 . [ Google Scholar ] [ CrossRef ]
- آویسون، دی. Fitzgerald, G. Information Systems Development: Methodologys, Techniques and Tools , 4th ed.; McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 2006. [ Google Scholar ]
- مایر، RE; مورنو، آر. نه روش برای کاهش بار شناختی در یادگیری چند رسانه ای. آموزش. روانی 2003 ، 38 ، 43-52. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- Bertin, J. Semiology of Graphics ; انتشارات دانشگاه ویسکانسین: مدیسون، WI، ایالات متحده آمریکا، 1983; ISBN 0299090604. [ Google Scholar ]
- گولکاسیان، ص. تصاویر، کلمات و صداها: از کدام قالب بهتر می توانیم استدلال کنیم؟ جی ژنرال روانی. 2000 ، 127 ، 439-459. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Paivio، A. بازنمایی های ذهنی: یک رویکرد کدگذاری دوگانه . انتشارات دانشگاه آکسفورد: لندن، انگلستان، 2008; ISBN 9780199894086. [ Google Scholar ]
- Beaty, P. A Brief History of ERDAS IMAGINE. در دسترس آنلاین: https://field-guide.blogspot.com/2009/04/brief-history-of-erdas-imagine.html (دسترسی در 19 مه 2021).
- ERDAS IMAGINE® 2015، ویژگی ها و مقایسه های محصول، توضیحات محصول ؛ زمین فضایی شش ضلعی: مدیسون، AL، ایالات متحده آمریکا، 2015.
- Intergraph ERDAS IMAGINE® 2013 ویژگی های مدل ساز فضایی نسل بعدی. در دسترس آنلاین: www.intergraph.com/assets/pressreleases/2012/10-23-2012b.aspx (در 8 اوت 2020 قابل دسترسی است).
- شش گوش ERDAS Imagine Help، مقدمه ای بر مدل ساز. در دسترس آنلاین: https://hexagongeospatial.fluidtopics.net/r/Yld0EVQ2C9WQmlvERK2BHg/SaZ4fP63NvEw5Tjs2uBP_w (دسترسی در 18 مه 2021).
- هلمز، دی. Obusek، F. اتوماسیون گردش کار سنجش از دور با مدل ساز فضایی. در دسترس آنلاین: https://p.widencdn.net/im6mzj (در 12 ژانویه 2020 قابل دسترسی است).
- کانل، جو. کانولی، جی. هولدن، NM یک ابزار تشخیص تغییر مبتنی بر چند سکوی چندطیفی برای اختلال پوشش گیاهی در زمین‌های تورب ایرلندی. در مجموعه مقالات SPIE – انجمن بین المللی مهندسی نوری، پراگ، جمهوری چک، 6 اکتبر 2011; جلد 8174. [ Google Scholar ]
- ما، جی. وو، تی. زو، ال جی. بی، س. چنگ، CQ; ژو، HM عمل پردازش تصویر سنجش از دور بر اساس مدل ساز فضایی. در مجموعه مقالات دومین کنفرانس بین المللی 2012 در مورد سنجش از دور، محیط زیست و مهندسی حمل و نقل، RSETE 2012، نانجینگ، چین، 1 تا 3 ژوئن 2012. [ Google Scholar ]
- لائوسووان، تی. پاتاناستانون، اس. Sa-Ngiamvibool، W. تشخیص ابر خودکار تصاویر ماهواره ای با استفاده از زبان مدل ساز فضایی و زبان کلان ERDAS. فناوری IETE Rev. (Inst. Electron. Telecommun. Eng. India) 2013 ، 30 ، 183-190. [ Google Scholar ] [ CrossRef ]
- چن، ایکس. یوان، ز. لی، ی. Wai، O. دینامیک مکانی و زمانی غلظت رسوب معلق در مصب رودخانه مروارید بر اساس سنجش از دور. Geomatics Inf. علمی دانشگاه ووهان 2005 ، 30 ، 677-681. [ Google Scholar ]
- پارک، جی کی. Na، SI; پارک، JH ارزیابی شار حرارتی سطح بر اساس سنجش از دور ماهواره ای و داده های اندازه گیری میدانی. در مجموعه مقالات سمپوزیوم بین المللی علوم زمین و سنجش از دور (IGARSS)، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. صص 1108-1111. [ Google Scholar ]
- پچانک، وی. واورا، ا. هوورکووا، م. بروس، جی. Kilianova، H. تجزیه و تحلیل پارامترهای رطوبت و زیست توده پوشش گیاهی در جنوب شرقی موراویا. بین المللی J. Remote Sens. 2014 ، 35 ، 967-987. [ Google Scholar ] [ CrossRef ]
- میرجوفسکی، جی. Langhammer، J. نظارت چندزمانی مورفودینامیک یک جریان میان کوه با استفاده از فتوگرامتری UAS. Remote Sens. 2015 ، 7 ، 8586–8609. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- چن، بی بی. گونگ، HL؛ لی، XJ; لی، KC; زو، ال. Wang, YB تأثیر تفاوت‌های چگالی بار بر فرونشست زمین بر اساس شاخص ایجاد و فناوری PS-InSAR. Spectrosc. طیف مقعدی 2013 ، 33 ، 2198-2202. [ Google Scholar ] [ CrossRef ]
- لیو، ز. ژان، سی. سان، ج. Wei, Y. استخراج اطلاعات پوشش برف بر اساس داده‌های MODIS و ابزار مدلساز فضایی. در مجموعه مقالات کارگاه بین المللی 2008 در زمینه فناوری آموزشی و آموزش و کارگاه بین المللی 2008 در زمینه علوم زمین و سنجش از دور، ETT و GRS 2008، شانگهای، چین، 21-22 دسامبر 2008. جلد 1، ص 836–839. [ Google Scholar ]
- کومارکووا، جی. ماچوا، آر. Bednarcikova، I. الزامات کاربران در مورد کیفیت صفحات وب مقامات شهرداری. EM Ekon. یک مدیر 2008 ، 11 ، 116-126. [ Google Scholar ]
- ریوز، BS چه رابطه ای بین تحقیقات HCI و تمرین UX وجود دارد؟ UX Matters 2014. در دسترس آنلاین: https://www.uxmatters.com/mt/archives/2014/08/what-is-the-relationship-between-hci-research-and-ux-practice.php (دسترسی در 10 ژانویه 2021).
- Sedlák، P. کومارکوا، جی. هاب، م. استروسکا، اس. Pásler، M. روش‌های ارزیابی قابلیت استفاده برای تجسم اطلاعات فضایی مطالعه موردی: ارزیابی نقشه‌های توریستی. در مجموعه مقالات ICSOFT-EA 2015—دهمین کنفرانس بین المللی مهندسی نرم افزار و برنامه های کاربردی، مجموعه مقالات؛ بخشی از دهمین کنفرانس مشترک بین‌المللی فناوری‌های نرم‌افزار، ICSOFT، کولمار، فرانسه، 20 تا 22 ژوئیه 2015. صص 419-425. [ Google Scholar ]
- Komárková, J. کیفیت سیستم های اطلاعات جغرافیایی وب ; دانشگاه پاردوبیسه: پاردوبیسه، جمهوری چک، 2008; شابک 978-80-7395-056-9. [ Google Scholar ]
- مودی، دی. فیزیک نمادها: به سمت یک مبنای علمی برای ساختن نمادهای بصری در مهندسی نرم افزار. IEEE Trans. نرم افزار مهندس 2009 ، 35 ، 756-779. [ Google Scholar ] [ CrossRef ]
- مودی، دی. توسعه نظریه در تحقیقات زبان بصری: فراتر از ابعاد شناختی نمادها. در مجموعه مقالات سمپوزیوم IEEE 2009 در مورد زبان های تصویری و محاسبات انسان محور، VL/HCC 2009، Corvallis، OR، ایالات متحده آمریکا، 20-24 سپتامبر 2009. صص 151-154. [ Google Scholar ]
- Moody, DL “فیزیک” نمادها: یک رویکرد علمی برای طراحی نمادهای بصری در مهندسی نرم افزار. در مجموعه مقالات کنفرانس بین المللی مهندسی نرم افزار، کیپ تاون، آفریقای جنوبی، 2-8 مه 2010. ACM: کیپ تاون، آفریقای جنوبی، 2010; جلد 2، ص 485-486. [ Google Scholar ]
- مکینلی، جی. خودکارسازی طراحی ارائه های گرافیکی اطلاعات رابطه ای. ACM Trans. نمودار. 1986 ، 5 ، 110-141. [ Google Scholar ] [ CrossRef ]
- پوپلکا، اس. اشتروبل، او. Brychtová، A. Smi2ogama. در دسترس آنلاین: https://eyetracking.upol.cz/smi2ogama/ (در 10 ژانویه 2021 قابل دسترسی است).
- هلمکویست، ک. نیستروم، ام. اندرسون، آر. دیورست، آر. یارودزکا، اچ. Van de Weijer, J. Eye Tracking: A Comprehensive Guide to Methods and Measures ; انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2011; ISBN 9780199697083. [ Google Scholar ]
- کتابخانه مدلساز فضایی استرلینگ استرلینگ ژئو. در دسترس آنلاین: https://www.sterlinggeo.com/spatial-modeler-library-index/ (دسترسی در 15 اوت 2016).
- دوبسووا، ز. ارزیابی شناخت مؤثر برای مدلساز پردازش QGIS. Appl. علمی 2020 ، 10 ، 1446. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- دوبسووا، زی. تست تمایز ادراکی در نمودارهای گردش کار با روش ردیابی چشم. Adv. هوشمند سیستم محاسبه کنید. 2018 ، 661 ، 328-335. [ Google Scholar ]
- Dobesova، Z. آزمایش تجربی خم ها در نمودارهای گردش کار با روش ردیابی چشم. Adv. هوشمند سیستم محاسبه کنید. 2017 ، 575 ، 158-167. [ Google Scholar ]
- مارتین، DW انجام آزمایشات روانشناسی ; Wadsworth Cengage Learning: Belmont، CA، USA، 2008; ISBN 0495115770. [ Google Scholar ]
- Jan, H. مروری بر روش های آماری: تجزیه و تحلیل داده ها و متا آنالیز . پورتال: پراگ، جمهوری چک، 2009. [ Google Scholar ]
- Jošt, J. Eye Movements, Reading and Dyslexia ; فورتونا: پراها، جمهوری چک، 2009; شابک 978-80-7373-055-0. [ Google Scholar ]
- Dobesova, Z. آموزش سیستم های پایگاه داده با استفاده از یک مثال عملی. علوم زمین به اطلاع رساندن. 2016 ، 9 . [ Google Scholar ] [ CrossRef ]
شکل 2. یک مدل نمونه در ویرایشگر جدیدتر Spatial Model Editor 2013.
شکل 3. یک مدل نمونه در ویرایشگر مدل فضایی 2016.
شکل 5. ساختار آزمایش ردیابی چشم.
شکل 6. نمونه هایی از نمادها: ( الف ) داده، ( ب ) عملیات، ( ج ) مدل فرعی در ویرایشگر مدل فضایی 2013.
شکل 7. نمونه هایی از نمادها ( الف ) عرض گسترش یافته با توجه به متن و ارتفاع گسترش یافته با توجه به تعداد پورت ها، ( ب ) برچسب های طولانی با نام داده های ورودی.
شکل 8. نمونه هایی از شفافیت نماد ( الف ) همان نماد برای عملکرد از گروه سطح، ( ب ) گروه عملیات ریاضی و مثلثاتی و نمادهای عملیات ریاضی، ( ج ) نمادهای عملکردی در گوشه سمت راست پایین نمادها.
شکل 9. یک مدل نمونه با تلاقی، همزمانی و پوشش خطوط منحنی.
شکل 10. نمودارهای جعبه ای از اولین کلیک ها روی نمادهای داده در مدل ها.
شکل 11. نمودارهای کادر اولین کلیک روی نماد عملیات در مدل ها.
شکل 12. نقشه جریان انتقال که مدل A17 را با یک عملیات ناموفق باند انتخاب 2 (صلیب قرمز) نشان می دهد.
شکل 13. نمودارهای جعبه ای راه حل کار در همان مدل با/بدون تلاقی خطوط.
شکل 14. ثبت جهت خواندن توسط ( الف ) مسیر اسکن یک پاسخ دهنده، ( ب ) نقشه جریان نگاه برای همه پاسخ دهندگان.
شکل 15. نقشه های حرارتی توجه از همان مدل: ( الف ) مشاهده رایگان، ( ب ) وظیفه ” علامت گذاری همه نمادها برای مدل فرعی”، ( ج ) وظیفه “علامت گذاری همه نمادها برای عملیات تفریق” .
بدون دیدگاه