خلاصه

تجزیه و تحلیل نقشه موضوعی یک کار پیچیده و چالش برانگیز است که ممکن است به دلایل زیادی منجر به شکست کاربر نقشه شود. در مطالعه گزارش‌شده در اینجا، ما می‌خواستیم تفاوت‌های بین کاربران نقشه موفق و ناموفق را جستجو کنیم، بر خلاف بسیاری از مطالعات مشابه، روی استراتژی‌های اعمال شده توسط کاربرانی که پاسخ‌های نادرست می‌دهند تمرکز کنیم. در مطالعه ردیابی چشم، و به دنبال آن یک نظرسنجی پرسشنامه، ما داده ها را از 39 شرکت کننده جمع آوری کردیم. داده های ردیابی چشم هم از نظر کیفی و هم از نظر کمی برای مقایسه استراتژی های شرکت کنندگان از دیدگاه های مختلف مورد تجزیه و تحلیل قرار گرفت. برخلاف نتایج برخی مطالعات دیگر، مشخص شد که شرکت‌کنندگان ناموفق شباهت‌هایی را نشان می‌دهند که در اکثر وظایف تحلیل‌شده ثابت است. مسائل اصلی که مشخص کننده حل کننده های بد است به استفاده نادرست از افسانه موضوعی مربوط می شود. ناتوانی در تمرکز بر عناصر چیدمان نقشه مربوطه و همچنین بر محتوای کافی نقشه. علاوه بر این، آنها در رویکرد حل مسئله کلی که مورد استفاده قرار می‌گرفت، متفاوت بودند، زیرا برای مثال، تمایل داشتند استراتژی‌های سریع و با احتیاط کمتری را انتخاب کنند. بر اساس نتایج جمع‌آوری‌شده، نکاتی را ایجاد کردیم که می‌تواند به جلوگیری از پایان یافتن شرکت‌کنندگان ناموفق با پاسخ نادرست کمک کند و بنابراین در آموزش استفاده از نقشه مفید باشد.

کلید واژه ها:

تجزیه و تحلیل نقشه ; استراتژی ؛ تخصص کاربر نقشه ; دقت ؛ مطالعه کاربر ; ردیابی چشم ؛ نقشه موضوعی

1. معرفی

نقشه ها ابزار مهم و قدرتمندی برای تجسم داده ها هستند. با این حال، این قدرت تا حد زیادی به کاربر بستگی دارد [ 1 ، 2 ، 3 ]. بسته به شایستگی ها و توانایی های آنها، می توان از نقشه ها به شیوه ای مناسب و عمیق استفاده کرد [ 4 ].
کاربران نقشه راه های مختلفی را برای نقشه خوانی و تجزیه و تحلیل به کار می برند. استراتژی آنها ممکن است بسته به عوامل مختلف متفاوت باشد، به عنوان مثال سطح تجربه [ 5 ، 6 ، 7 ، 8 ] یا پیشینه تحصیلی [ 9 ، 10 ، 11 ، 12 ]، که منجر به نتیجه بهتر یا بدتر در کسب اطلاعات از نقشه ها می شود. در مسیر آموزش، یادگیری مؤثرترین و کارآمدترین راهبردها ارزشمند است. در بسیاری از مطالعات تجربی، نویسندگان، در واقع، بر بهترین استراتژی‌های استفاده از نقشه که توسط «حل‌کننده‌های خوب» استفاده می‌شوند، تمرکز کردند (به عنوان مثال، [ 6 ، 13 ، 14 ، 15]). با این حال، به همان اندازه مهم است که یاد بگیرید استراتژی‌های «اشتباه» چگونه به نظر می‌رسند تا آنها را بهبود بخشید و بر حذف «گام‌های اشتباه» برداشته‌شده هنگام کار با نقشه تأکید کنید.
بنابراین هدف مطالعه گزارش شده در اینجا کشف استراتژی های کمتر موفق کاربرانی است که با نقشه ها کار می کنند. ما می خواهیم یاد بگیریم که آیا کاربران کمتر موفق در مقایسه با کاربران موفق رفتار متفاوتی از خود نشان می دهند یا خیر. حتی اگر برخی از مطالعات نشان دادند که توصیف کلی رفتار کاربران کمتر موفق ممکن نیست [ 13 ، 16 ]، هدف ما بررسی این است که آیا برخی از شباهت ها ممکن است قابل شناسایی باشند یا خیر. در نهایت، ما می‌خواهیم فهرستی از نکاتی را تهیه کنیم که ممکن است در آموزش و آموزش استفاده از نقشه ارزشمند باشد تا منابع احتمالی سردرگمی برای کاربران و استراتژی‌های نامناسب را نشان دهیم.
کار با نقشه را می توان در سطوح مختلف پیچیدگی انجام داد. در بسیاری از مطالعات، نویسندگان به کارهای ابتدایی [ 17 ] و کارهای ساده اشاره می کنند (به عنوان مثال، [ 5 ، 18 ، 19 ، 20 ، 21 ])، اغلب با تکیه بر یکی از طبقه بندی های توسعه یافته (به عنوان مثال، [ 12 ، 13 ]). با این حال، اغلب تأکید می شود که نقشه ابزاری برای تجزیه و تحلیل و کاوش الگوی عمومی است [ 4 ، 22 ، 23 ]]. در این حالت، کاربران نقشه به لایه‌های مختلف نقشه (موضوعی) مراجعه می‌کنند، آنها را با هم مقایسه می‌کنند و یک سری عملیات ذهنی برای رسیدن به پاسخ نهایی انجام می‌دهند. این نیز بیشتر از کارهای ساده نقشه خوانی مستعد اشتباهات و استراتژی های نامناسب است. بنابراین ما می خواهیم بر روی وظایف پیچیده تر تجزیه و تحلیل نقشه تمرکز کنیم تا سناریوهای چالش برانگیز استفاده از نقشه را بررسی کنیم.
برخلاف بسیاری از مطالعات قبلی، ما رویکرد جستجوی دلایل پاسخ‌های نادرست و بررسی استراتژی‌هایی را که منجر به راه‌حل‌های وظایف نادرست می‌شوند، پیشنهاد می‌کنیم. از این رو در نظر داریم به سوالات زیر پاسخ دهیم:
1
چه چیزی کاربران کمتر موفق و موفق تر را هنگام حل وظایف تحلیل نقشه متمایز می کند؟
2
آیا استراتژی های اعمال شده توسط کاربران کمتر موفق نقشه دارای شباهت هایی هستند؟
3
آیا از دیدگاه راهبردهای حل تکلیف، موارد پرت فقط در میان کاربران کمتر موفق هستند؟
با مطالعه تجربی انجام شده، ما می‌خواهیم درک خود را از نحوه عملکرد کاربران کمتر و کارآمدتر هنگام حل وظایف تحلیل نقشه اصلاح کنیم. بنابراین ما می خواهیم تعریف کنیم که چگونه استراتژی هایی که منجر به راه حل های نادرست می شوند را می توان بهبود بخشید.

1.1. جستجوی تفاوت های گروهی در بین کاربران نقشه

هنگام پرداختن به مشکل نقشه خوانی و تجزیه و تحلیل، نویسندگان اغلب کار کاربران نقشه را مشخص می کنند و عمدتاً بر فرآیندهای استفاده موفق تر از نقشه تمرکز می کنند. داده‌های جمع‌آوری‌شده به منظور یافتن شباهت‌ها در زیر گروه‌های شرکت‌کنندگان، جستجو برای الگوهای رفتار کاربران در هنگام انجام وظایف داده شده، تجزیه و تحلیل می‌شوند. نویسندگان معیارهای مختلفی را برای تقسیم کاربران به چنین زیرگروه هایی اعمال کردند.
عاملی که اغلب در هنگام بررسی توجه بصری مورد استفاده قرار می گیرد، سطح تخصص است. نه تنها در کارتوگرافی، بلکه در بسیاری از حوزه های دیگر (به عنوان مثال، [ 24 ، 25 ، 26 ، 27 ]). تمرکز بر این عامل در پارادایم مبتدی-کارشناس است که رویکرد متفاوتی را توسط یک متخصص و یک تازه کار در حل کارها و همچنین متغیرهای مستقل مؤثر بر آن در نظر می گیرد [ 28 ، 29 ]. چندین نظریه وجود دارد که از نزدیک با تفاوت های تازه کار – متخصص مرتبط هستند، به عنوان مثال، نظریه حافظه و بازنمایی دانش، نظریه بار شناختی، نظریه کاهش اطلاعات، و نظریه مدل کل نگر ادراک تصویر [ 30 ، 31 ،32 ، 33 ، 34 ]. با توجه به تحقیق در مورد استراتژی های استفاده از نقشه، مهم ترین تفاوت هایی که می توان شناسایی کرد به شرح زیر است:
  • متخصصان با فراخوانی آسانتر و سریعتر اطلاعات لازم از حافظه بلندمدت و در نتیجه حل مؤثرتر آنها، می توانند سریعتر از افراد مبتدی کارها را حل کنند.
  • متخصصان اطلاعات را بر اساس شباهت آن به کار در حال حل پیوند می دهند، در حالی که تازه کارها تمایل دارند اطلاعات را بر اساس شباهت بصری آن پیوند دهند. بنابراین، تشخیص اطلاعات غیر ضروری از ضروری برای آنها دشوارتر است.
  • متخصصان قادرند بخش بیشتری از محرک را در زمان معینی نسبت به افراد تازه کار پردازش کنند، زیرا قادر به استخراج اطلاعات از مناطق بسیار دور و پارافوئال هستند.
  • کارشناسان هنگام حل یک کار، احتمالات مختلفی را در نظر می گیرند، راه حل به دست آمده را تأیید می کنند و بر اساس آن، استراتژی خود را برای حل کار دیگر تنظیم می کنند.
راه های مختلفی برای تعریف افراد تازه کار و متخصص وجود دارد. به عنوان مثال، هنگام تجزیه و تحلیل استراتژی های راهیابی [ 35 ]، شرکت کنندگان خبره در ورزش جهت یابی انتخاب شدند. در حالی که اومز و همکاران. [ 5 ]، هنگام بررسی جستجوی بصری روی نقشه‌های پویا و تعاملی، کارمندانی از گروه جغرافیا را که حداقل دارای مدرک کارشناسی ارشد در جغرافیا یا ژئوماتیک بودند، در گروه متخصصان گنجاند. از این رو آنها به سابقه تحصیلی و کار حرفه ای خود اشاره کردند (همچنین رجوع کنید به [ 7 , 12 , 19 , 36 , 37 , 38]). به طور کلی، این نوع تخصص را می‌توان تخصص «بالا به پایین» نامید زیرا به دانش و تجربه مرتبط قبلی شرکت‌کنندگان اشاره دارد که می‌تواند هنگام حل تکالیف تست برای آنها مفید باشد.
همچنین یک راه مخالف احتمالی برای تعریف تخصص وجود دارد. برخی از نویسندگان (نتایج) داده های جمع آوری شده را برای تعریف مهارت شرکت کنندگان مفید می دانند. چولتکین و همکاران [ 13 ] زمان پاسخ را به عنوان معیاری برای تقسیم به گروه‌ها و مقایسه بیشتر آن‌ها (نگاه کنید به [ 39 ]) از نظر تحلیل توالی مشاهده AOIهای محدود شده (مناطق مورد علاقه) انتخاب کردند، در حالی که Opach و همکارانش. [ 14 ] در هنگام مقایسه رفتار بصری هنگام مشاهده یک نقشه متحرک چند جزئی، بر صحت پاسخ تکیه کرد تا بتواند حل کننده های بیشتر و کمتر مؤثر را تشخیص دهد (همچنین به [ 16 ] مراجعه کنید).
هر دو رویکرد کلی که در بالا توضیح داده شد مناسب هستند. انتخاب نحوه تشخیص زیر گروه ها برای مقایسه بیشتر به هدف مطالعه بستگی دارد. آنچه در بیشتر رویکردها مشترک است، تمرکز بر بحث در مورد آنچه که شرکت کنندگان خبره را تشکیل می دهد، توجه کمتر به شرکت کنندگان با تجربه کمتر است [ 5 ، 6 ، 7 ]. نویسندگان عمدتاً می‌خواستند رویکردها و استراتژی‌های موفق‌تری را به‌عنوان الگوی نهایی رفتاری که باید به دست می‌آید، توصیف کنند.

1.2. روش‌های کسب بینش در نقشه‌خوانی و تحلیل

هنگام مطالعه تجربی نحوه کار کاربران با نقشه ها، روش های مختلف جمع آوری داده ها را می توان در نظر گرفت. معیارهای عملکرد قابلیت استفاده [ 40 ] معمولاً مورد استفاده قرار می گیرند (به عنوان مثال، [ 41 ])، مانند رضایت، کارایی و اثربخشی. این معیارها به نظرات و ترجیحات کاربران (رضایت)، زمان صرف شده برای پاسخ دادن به یک کار معین (کارایی) و صحت پاسخ ها (اثربخشی) اشاره دارد.
با این حال، معیارها عمدتاً اطلاعاتی در مورد تأثیرات استفاده از نقشه ارائه می‌کنند و اجازه نمی‌دهند بینش عمیقی در مورد فرآیند حل کار وجود داشته باشد. فرآیند نقشه خوانی و تحلیل را می توان با استفاده از تکنیک های جمع آوری داده های اضافی مورد بررسی قرار داد. داده ها ممکن است پس از اجرای وظایف و همچنین همزمان با حل وظایف داده شده جمع آوری شوند. هنگام استفاده از رویکرد اول می توان از پرسشنامه ها استفاده کرد [ 42 ، 43 ]. گزینه احتمالی دیگر، تفکر با صدای بلند گذشته نگر (RTA) است، که در آن شرکت کنندگان استدلالی را که در طول آزمونی که قبلاً تکمیل شده است به کار می برند [ 44 ، 45 ].]. RTA اغلب با استفاده از یک یادآوری بصری مانند پخش مجدد ویدیو تحریک می شود. با این حال، این روش، اگرچه در حین حل کار بر حافظه کاری تأثیر نمی گذارد، اما یک اشکال مهم دارد، زیرا بسیاری از جزئیات ممکن است فراموش شوند [ 46 ].
فکر کردن با صدای بلند نیز ممکن است پس از اتمام کار اعمال شود [ 47 ]. این روش به جمع آوری داده های کیفی ارزشمند در فرآیند نقشه خوانی کمک می کند (به عنوان مثال، [ 35 ، 37 ، 48 ]). با این حال، ممکن است منجر به اضافه بار شناختی نیز شود [ 49 ]. یکی دیگر از روش‌های رایج کاربردی، ردیابی چشم است که امکان جمع‌آوری مستقیم داده‌ها را فراهم می‌کند و رفتار بصری را در حین اجرا منحرف نمی‌کند [ 50 ]. ردیابی چشم اجازه می دهد تا مکان نقاط نظر یک فرد (PORs)، یعنی نقاطی که کاربر به آنها نگاه می کند، ثبت شود [ 51 ]. رفتار بصری را می توان از تجزیه و تحلیل مکان های POR ها بازیابی کرد، زیرا طبق “فرضیه ذهن و چشم” [ 52]، مردم تمایل دارند به چیزهایی که در مورد آنها فکر می کنند نگاه کنند. ردیابی چشم در مطالعات تجربی مختلف GIS به کار گرفته شده است: برای ارزیابی ارزیابی تصاویر پیشرفته [ 53 ]، اندازه و رنگ متن روی نقشه ها [ 54 ]، مقایسه نقشه های سه بعدی و نقشه های دو بعدی [ 55 ]، ویژگی های نقشه های جریان [ 18 ] و غیره ترکیبی از ردیابی چشم و روش های دیگر در مطالعات اخیر با اثربخشی تایید شده استفاده شده است [ 37 ، 56 ، 57 ، 58 ]. به عنوان مثال، Çöltekin [ 41] ردیابی چشم یکپارچه و ارزیابی قابلیت استفاده سنتی در تحقیقات نقشه خوانی. شایان ذکر است که محققان GIS به جستجوی روش‌ها و تکنیک‌های جدید جمع‌آوری داده‌های تجربی می‌پردازند و اغلب به روش‌هایی که قبلاً در سایر رشته‌های علمی پایه‌گذاری شده‌اند، به عنوان روش EEG اشاره می‌کنند که می‌تواند با ردیابی چشم نیز ادغام شود (به عنوان مثال، [ 59 ] را ببینید). ).

2. مواد و روشها

هدف اصلی این مطالعه شناسایی راهبردهای کاربران در هنگام اجرای تکالیف تحلیل نقشه موضوعی بود. به طور خاص، ما می خواستیم بفهمیم که آیا استراتژی انتخاب شده با تخصص شرکت کنندگان مرتبط است یا خیر. موفقیت کاربر در حل کار به عنوان شاخصی از تخصص آنها انتخاب شد که توسط [ 13 ، 14 ] اعمال شد.

2.1. روش ها و مواد

پرسشنامه ردیابی چشم و پیگیری به عنوان روش جمع آوری داده ها انتخاب شد. از آنجایی که داده‌های ردیابی چشمی، علی‌رغم مزایای ذکر شده، نمی‌توانند علل تنگناها را در حین حل کار و استدلال پشت انتخاب استراتژی روشن کنند، از هر دو روش کمی و کیفی جمع‌آوری داده‌ها استفاده شد. به لطف استفاده از روش‌های مختلف، ما به استراتژی در یک زمینه بصری (گرفته شده توسط ردیابی چشم) و همچنین استراتژی حل مسئله کلی شرکت‌کننده (همچنین از طریق پرسشنامه مورد بررسی قرار گرفت) اشاره می‌کنیم.
آزمون پیشرفت (نگاه کنید به [ 60 ]) برای هدف مطالعه گزارش شده در اینجا اصلاح شد. آزمون، اصلاح شده بر اساس نتایج مطالعه آزمایشی [ 57 ]، شامل 12 وظیفه است که بر تحلیل نقشه موضوعی تمرکز دارد ( جدول 1 ). چهار روش نگاشت پرکاربرد – یعنی سایه‌اندازی منطقه، نمادهای خط، کروپلت و نگاشت نمودار- بر اساس تحلیل محتوای انجام‌شده اطلس‌های جغرافیای مدرسه و کتاب‌های درسی انتخاب شدند [ 60 ] هر یک از دوازده کار به عنوان یک محرک جداگانه با سه مورد ارائه شد. پاسخ های ممکن در حالی که تنها یکی درست و دو تای دیگر حواس پرتی بودند. برای از بین بردن تأثیر آشنایی با منطقه ترسیم شده بر فرآیند حل کار و کارایی آن، نقشه های تخیلی ایجاد شد (نگاه کنید بهشکل 1 ). به طور مشابه، طرح محرک ها به طور یکسان برای همه نقشه ها تنظیم شد تا تأثیر متفاوت آن بر دقت، کارایی شرکت کنندگان و عمدتاً در استراتژی آنها بین وظایف حذف شود ( شکل 1 ).
حتی اگر نقشه‌های انتخاب شده و وظایف قبلاً در مطالعات دیگر مورد استفاده قرار گرفته‌اند [ 57 ، 60 ]، مطالعه گزارش‌شده در اینجا شامل مجموعه متفاوتی از داده‌های تجربی است که برای اهداف دیگر جمع‌آوری شده‌اند. مطالعه گزارش شده در [ 60 ] اساساً بر تأثیر نوع نقشه بر سطح مهارت نقشه متمرکز بود و داده های مورد استفاده در میان دانش آموزان دبیرستانی و کارشناسی در چک با استفاده از آزمون های پیشرفت کاغذی جمع آوری شد. مطالعه آزمایشی ردیابی چشم [ 57 ] شامل 9 دانشجوی سال اول کارشناسی در چک بود و رویکردهای روش‌شناختی مختلفی (مزایا و محدودیت‌های آن‌ها) را مورد بحث قرار داد که می‌توان هنگام تجسم و تجزیه و تحلیل داده‌های ردیابی چشم برای شناسایی استراتژی‌های کاربران استفاده کرد.
در مجموع، 12 کار تجزیه و تحلیل نقشه برای چهار نوع نقشه، یعنی سه کار در هر نوع نقشه وجود دارد. به طور خاص، اولین وظیفه ای که برای هر نقشه داده می شود، شرکت کنندگان را ملزم به تجزیه و تحلیل توزیع فضایی پدیده ها می کند. وظایف دوم بر فواصل متمرکز هستند و بنابراین شامل استفاده از نوار مقیاس نقشه ( جدول 1 ) می شود. وظیفه سوم از شرکت کنندگان می خواهد که توزیع فضایی را با استفاده از نقاط اصلی که با فلش شمال نشان داده شده اند، توصیف کنند.
پرسشنامه پیگیری شامل سوالات بسته و باز است که همه آنها مربوط به تست ردیابی چشم است. ابتدا از شرکت کنندگان در مورد دشواری درک شده در آزمون و بخش های جداگانه آن سؤال می شود. ثانیاً، شرکت‌کنندگان در مورد استفاده از عناصر تکلیف (مانند فرمول‌بندی کار، نقشه، افسانه موضوعی، عنوان نقشه و غیره) در طول اجرای کار گزارش می‌دهند. در ادامه، سوالات مربوط به استراتژی حل کار کاربردی بیان شده است. در نهایت، از شرکت کنندگان خواسته می شود تا استدلال خود را در مورد پاسخ های نادرست خود به تکالیف آزمون شرح دهند.

2.2. شركت كنندگان

در مجموع 41 شرکت کننده به طور داوطلبانه در این مطالعه شرکت کردند. شرکت‌کنندگان دو گروه از سطوح مختلف تخصص «بالا به پایین» را نمایندگی می‌کردند – افراد متوسط ​​و متخصص. افراد متوسط ​​(25) دانشجوی مقطع کارشناسی در سال اول و دوم دانشگاه، در رشته جغرافیا بودند. كارشناسان (16 نفر) داوطلبان دكترا و كاركنان بخش‌هاي تخصصي نقشه‌كشي بودند. برای افزایش اعتبار خارجی این مطالعه، هم افراد میانی و هم متخصص از دو دانشگاه – دانشگاه چارلز در چک (12 سطح متوسط ​​و 6 متخصص) و دانشگاه ورشو در لهستان (13 متوسط ​​و 10 متخصص) انتخاب شدند.
همه شرکت کنندگان بینایی طبیعی یا اصلاح شده به نرمال داشتند و آزمایش را به طور مستقل انجام دادند. شرکت کنندگان هیچ پاداشی برای شرکت دریافت نکردند و همه آنها رضایت آگاهانه کتبی خود را برای شرکت در آزمایش ارائه کردند.

2.3. دستگاه

سیستم SMI RED250 با نرخ نمونه برداری 250 هرتز و مانیتور 15.6 اینچی (1080×1920) در آزمایش ردیابی چشم استفاده شد. این آزمایش در هر دو دانشگاه در یک اتاق اختصاصی با نور مناسب و بدون اختلال انجام شد. آزمایش در مرکز آزمایش SMI تهیه شد و داده های ثبت شده در برنامه منبع باز OGAMA [ 61 ] تجزیه و تحلیل شد. برای تبدیل داده بین SMI و OGAMA، از مبدل SMI2OGAMA ( https://eyetracking.upol.cz/smi2ogama ) استفاده شد. آستانه تثبیت بر اساس توصیه‌های عمومی پوپلکا [ 62 ]، 80 میلی‌ثانیه (مدت زمان) و 50 پیکسل (شعاع پراکندگی؛ یعنی تقریباً 0.8 درجه زاویه دید با توجه به میانگین فاصله دید شرکت‌کنندگان) تنظیم شد.]. به غیر از نرم افزار OGAMA، برای تجزیه و تحلیل داده ها از نرم افزار MS Excel و SPSS استفاده شد. برای تهیه نقشه های توجه از نرم افزار ArcGIS استفاده شد. اسکنگراف ( www.eyetracking.upol.cz/scangraph ؛ [ 63 ]) برای محاسبه شباهت بین رشته‌های AOIهای ضربه خورده استفاده شد و نمودارهایی که مقادیر شباهت را تجسم می‌کنند با استفاده از نرم‌افزار Gephi ایجاد شدند.

2.4. روش

شرکت کنندگان ابتدا مورد استقبال قرار گرفتند و به طور خلاصه با طرح مطالعه آشنا شدند ( شکل 2 را ببینید ). پس از معرفی، دستورالعمل‌های مربوط به آزمایش ردیابی چشم ارائه شد و از آنها خواسته شد تا فرم رضایت آگاهانه را پر کنند و برخی اطلاعات شخصی را ارائه دهند. هنگامی که شرکت کنندگان دستورالعمل ها را فهمیدند و به طور مناسب روی صندلی نشستند (در فاصله مشاهده: 5 ± 65 سانتی متر)، جلسه آزمایش آغاز شد.
یک آستانه کالیبراسیون در 1 درجه زاویه دید [ 51 ] تنظیم شد. قبل از شروع آزمایش، چشم‌های شرکت‌کننده با یک کالیبراسیون 9 نقطه‌ای تمام صفحه کالیبره شدند ( شکل 2 را ببینید ). به دلیل پایداری مقادیر بالاتر، برخی از شرکت کنندگان (دو نفر) در آزمایش شرکت نکردند و بنابراین از نمونه پژوهش حذف شدند.
قبل از آزمون طراحی شده، به شرکت کنندگان یک وظیفه آموزشی داده شد تا درک آنها از دستورالعمل های داده شده تأیید شود. این آزمایش یک طرح درون موضوعی داشت زیرا همه شرکت‌کنندگان به تمام تکالیف پاسخ دادند. با توجه به اثر یادگیری شناسایی شده در مطالعه مقدماتی [ 57 ] که به طور قابل ملاحظه ای بر استراتژی های شرکت کنندگان تأثیر داشت، گزینه چرخش وظایف انتخاب نشد. بنابراین، مقایسه نسبتاً عینی استراتژی‌ها بین شرکت‌کنندگان فعال شد. پس از حل تست، شرکت کنندگان در مورد تکالیفی که به اشتباه حل کرده بودند، مطلع شدند تا پاسخ صحیح را پیدا کنند.
مدت زمان آزمایش ردیابی چشم از 5.1 تا 18.8 دقیقه (میانگین مدت زمان = 10.5 دقیقه) متغیر بود. در مجموع، تمام مراحل مطالعه برای هر شرکت‌کننده تقریباً 35 دقیقه به طول انجامید. مطالعه به زبان مادری شرکت کنندگان (یعنی چک یا لهستانی) انجام شد. با توجه به خویشاوندی این زبان‌ها، فرمول‌بندی‌های تکلیف و پاسخ‌های ممکن از نظر طول و ساختار جمله تقریباً یکسان بود (که منجر به استفاده از AOIهای تقریباً یکسان در تجزیه و تحلیل داده‌های ردیابی چشمی بیشتر شد).

2.5. تحلیل داده ها

شرکت‌کنندگانی که از دست دادن داده‌های محاسبه‌شده در OGAMA برای کل آزمایش ردیابی چشم بیشتر از 15 درصد یا برای یک تکلیف بیشتر از 40 درصد بود، از نمونه مطالعه حذف شدند. متعاقباً، برای شرکت‌کنندگانی که از دست دادن داده‌های تک کار بین 10 تا 40 درصد بودند، کیفیت داده‌های کافی با استفاده از GazeReplay به صورت کیفی تأیید شد. در مجموع، پنج شرکت‌کننده (چهار متوسط ​​و یک متخصص) از نمونه حذف شدند. بنابراین، تجزیه و تحلیل بیشتر داده ها، ضبط های 34 شرکت کننده را پوشش داد. برای تجزیه و تحلیل توزیع فضایی تثبیت و استراتژی های شرکت کنندگان، AOI ها حول عناصر نقشه های موضوعی ارائه شده در OGAMA تعیین شدند ( شکل 1 را ببینید ).

2.5.1. توزیع توجه در نقشه AOI

برای پی بردن به اینکه آیا شرکت کنندگانی که تکالیف را به درستی حل کرده اند، توجه بصری خود را به طور متفاوتی در مقایسه با شرکت کنندگان موفق توزیع کرده اند، نقشه های توجه ایجاد شد. نقشه های توجه به طور خاص فقط برای خود نقشه AOI ایجاد شده است. با توجه به اینکه نقشه عنصر اصلی است که از شرکت کنندگان انتظار می رفت اطلاعات ضروری برای حل کار و رسیدن به راه حل مناسب را از آن دریافت کنند. برای هر یک از وظایف تجزیه و تحلیل شده، دو نقشه توجه ایجاد شد، به عنوان مثال، برای همه شرکت کنندگان که تکلیف را به درستی حل کردند و برای همه شرکت کنندگان که کار را به درستی حل کردند.
برای فعال کردن مقایسه بصری عینی نقشه های توجه ایجاد شده بر اساس تعداد متفاوتی از شرکت کنندگان که مدت زمان کار برای آنها نیز متفاوت است، نقشه های توجه مدت زمان نگاه نسبی ایجاد شد. به طور خاص، ابتدا شبکه روی نقشه AOI قرار گرفت و زمان انباشته‌ای که یک شرکت‌کننده برای تثبیت روی نقاط در یک سلول مربع مشخص صرف کرد، در مقایسه با کل زمانی که شرکت‌کننده صرف تثبیت بر روی نقشه کرد، نسبی‌سازی شد. ثانیاً، نقشه‌های توجه ایجاد شده برای هر یک از شرکت‌کنندگان بر روی سلول‌های جداگانه خلاصه شده و بر تعداد شرکت‌کنندگانی که نشان داده شده‌اند تقسیم می‌شوند تا یک نقشه توجه نسبی‌شده واحد برای همه شرکت‌کنندگانی که کار را به درستی/نادرست حل می‌کنند، ایجاد شود. علاوه بر این، برای فعال کردن مقایسه بین وظایف، از مقیاس رنگی مشابه برای همه نقشه‌های توجه ایجاد شده استفاده شد (نگاه کنید بهبخش 3.2.1 در نتایج). یک روش معادل برای ایجاد نقشه توجه توسط [ 7 ] استفاده شد.
از آنجایی که این نوع نقشه توجه توسط نرم افزار SMI BeGaze یا OGAMA پشتیبانی نمی شود، از نرم افزار ArcGIS Desktop به ویژه برنامه ArcMap استفاده شد. نوع نقشه‌های توجه انتخاب‌شده و روش توسعه باعث می‌شود از محدودیت‌های نقشه‌های توجه که اخیراً توسط [ 64 ، 65 ] ذکر شده اجتناب شود. یعنی، نقشه‌های توجه به‌دست‌آمده نسبت به شرکت‌کنندگانی با مدت زمان طولانی کار، وظایفی با میانگین زمان پاسخ بالاتر یا تعداد شرکت‌کنندگانی که نقشه توجه برای آن‌ها ایجاد شده است، تعصب ندارند. علاوه بر این، مقایسه نقشه مغرضانه با استفاده از تنظیمات مشابه (به عنوان مثال، تشخیص تثبیت، اندازه سلول) و طراحی (به عنوان مثال، آستانه مجموعه و طرح رنگ) جلوگیری می شود.
2.5.2. تجزیه و تحلیل خوشه ای از توزیع نسبی مدت زمان ثابت
پس از آن، برای شناسایی تفاوت‌ها در رفتار بصری شرکت‌کنندگان به طور کلی، تجزیه و تحلیل خوشه‌ای از توزیع مدت زمان تثبیت بین AOIها انجام شد. تجزیه و تحلیل خوشه ای یک تجزیه و تحلیل اکتشافی است که امکان تقسیم داده های جمع آوری شده به زیر گروه های معنادار (به نام خوشه ها) را فراهم می کند، در صورتی که تعداد زیر گروه ها و ویژگی های خاصی که آنها را متمایز می کند ممکن است برای محقق ناشناخته باشد. بنابراین، هدف کلی این روش، گروه‌بندی داده‌ها به‌گونه‌ای است که آن‌هایی که در یک زیر گروه مشابه هستند، بیشتر به یکدیگر شبیه باشند تا به داده‌های سایر زیر گروه‌های شناسایی شده [ 66 ].
مدت زمان تثبیت نسبی‌شده به‌عنوان متغیری انتخاب شد که بر اساس آن، شناسایی خوشه‌ها برای از بین بردن تأثیر واریانس در مدت زمان حل تکلیف شرکت‌کنندگان و به‌طور مشابه، امکان مقایسه بین کارها انجام شد. سهم مدت زمان تثبیت نسبی در چندین AOI (عنوان نقشه، پیکان شمال، و افسانه توپوگرافی) در همه شرکت‌کنندگان و وظایف کم بود و بنابراین به شناسایی رفتارهای مختلف کمک نمی‌کند. در نتیجه، آنها از تحلیل خوشه ای حذف شدند.
از آنجایی که طبقه بندی رفتار بصری مبتنی بر داده بود، تجزیه و تحلیل خوشه سلسله مراتبی انتخاب شد. این روش امکان درک هر ساختار پنهان در داده‌ها را فراهم می‌کند و متعاقباً بر اساس دندروگرام ایجاد شده، تعداد مناسبی از خوشه‌ها که داده‌ها باید به آنها تقسیم شوند، انتخاب شوند. بنابراین نتایجی را ارائه می دهد که به راحتی قابل تفسیر و در نهایت تعمیم است. در نتیجه، فاصله اقلیدسی مربع به عنوان معیار فاصله انتخاب شد زیرا داده‌های خوشه‌بندی شده مقیاس نسبت بودند. در نهایت، یک پیوند بین گروه ها به عنوان روش خوشه ای تنظیم شد. این روش تجمعی با ترکیب دو مورد (یعنی دو شرکت کننده) با کمترین فاصله (یعنی بیشترین شباهت) در یک خوشه شروع می شود. سپس یا با افزودن مکرر یک مورد به یک خوشه موجود که بیشترین شباهت را به مقدار شباهت میانگین خوشه دارد یا با ایجاد یک خوشه جدید از دو حالت غیر خوشه‌ای با بیشترین شباهت ادامه می‌یابد. این روش پیوند تکی در شناسایی نقاط پرت که یکی از اهداف مطالعه بود، مفید است.
بر اساس آرایش خوشه ها (به عنوان مثال، دندروگرام) تولید شده توسط تجزیه و تحلیل خوشه اولیه، پنج خوشه به عنوان راه حل مورد نیاز در طول تجزیه و تحلیل خوشه نهایی تنظیم شد. این تنظیم نشان دهنده تعادلی بین استفاده از خوشه های بسیار زیاد است که مانع از شناسایی تفاوت های اصلی بین استراتژی های شرکت کنندگان می شود و خوشه های بسیار کمی که شرکت کنندگان را با رویکردهای اساسی متفاوت به هم مرتبط می کند. با توجه به تعداد شرکت کنندگان (34 نفر)، گروهی با چهار شرکت کننده و بیشتر به عنوان خوشه در نظر گرفته شد.
2.5.3. تجزیه و تحلیل داده محور شباهت حل کار
برای شناسایی استراتژی‌های مکانی-زمانی شرکت‌کنندگان، ابتدا تحلیل کمی و مبتنی بر داده انجام شد. فاصله ویرایش رشته، یکی از متداول ترین روش های مقایسه مسیر اسکن در مطالعات مرتبط [ 13 ، 37 ، 67 ، 68 ، 69 ]، انتخاب شد. بنابراین مسیرهای اسکن ثبت شده تک تک شرکت‌کنندگان برای هر کار با رشته‌هایی از برچسب‌های AOI (نگاه کنید به شکل 1 ) به ترتیبی که یک شرکت‌کننده روی آن‌ها تثبیت می‌کرد، جایگزین شد.
از آنجایی که انحراف در مدت زمان حل تکلیف در بین شرکت‌کنندگان کاملاً قابل‌توجه بود، رشته‌های جمع‌شده برای شناسایی شباهت در استراتژی‌ها انتخاب شدند. در رشته‌های جمع‌شده، هر ضربه متوالی در همان AOI (مثلا ‘TTTTTT’) تنها با یک کاراکتر نشان داده می‌شود (مثلا ‘T’). بنابراین، رشته‌های فرو ریخته کمتر تحت تأثیر زمان‌های مختلف توجه قرار می‌گیرند. محاسبه شباهت رشته با استفاده از Scangraph [ 63 ] انجام شد. الگوریتم Needleman-Wunsch [ 70 ] انتخاب شد. الگوریتم بر اساس شناسایی تعداد کاراکترهای همخوان بین دو رشته است. در مقایسه با الگوریتم رایج لونشتاین [ 71]، الگوریتم Needleman-Wunsch به احتمال زیاد دو رشته را که در آنها ترتیب دو بازدید AOI غالباً تغییر می کند (به عنوان مثال TMALT و TAMTL ) به عنوان مشابه، بر اساس تعریف آن شناسایی نمی کند (برای آزمایش های تجربی مربوطه رجوع کنید به [ 72 ]). .
بر اساس نتایج اسکنگراف، نمودارهایی که 5 درصد بالای مقادیر شباهت (یعنی بالاترین مقادیر) را تجسم می کنند، ایجاد شدند. 5% مقادیر شباهت نشان دهنده 10% از تمام لبه های بالقوه بین گره ها، یعنی پیوندهای بین شرکت کنندگان است. بنابراین، چگالی نمودار دو برابر بیشتر از آنچه توسط [ 63 ] توصیه می شود، تنظیم شد. این جنبه از تجزیه و تحلیل داده ها به ویژه مهم بود، زیرا یکی از اهداف شناسایی موارد پرت بود که وظایف داده شده را به طور متفاوت با بقیه شرکت کنندگان حل می کردند (به بخش 3.3.1 در نتایج مراجعه کنید).
2.5.4. تحلیل تئوری محور تشابه در حل کار
علاوه بر تحلیل داده‌محور، یک تحلیل نظریه‌محور محقق شد. بر اساس یک راهپیمایی شناختی با متخصصان و نظریه های مرتبط با حل مسئله [ 30 ، 73 ، 74 ]، چهار راه ممکن برای چگونگی رویکرد کلی به یک مسئله برای نوع کار مورد استفاده در این مطالعه شناسایی شد:
  • آشنایی با مسئله » حل مسئله » مقایسه راه حل یافت شده با راه حل های ممکن (وظیفه » نقشه » پاسخ، به عنوان مثال، TMA؛ رویکردی که با استفاده از اختصارات AOI های کلیدی بیان می شود که فازهای حل تکلیف را نشان می دهد).
  • آشنایی با مسئله » بررسی راه حل های ممکن برای مسئله » حل مسئله (پیدا کردن کدام یک از راه حل های ممکن صحیح است) (TAM);
  • آشنایی با مشکل » شروع به حل مسئله » بررسی راه حل های ممکن برای مشکل » ادامه حل مشکل (TMAM);
  • آشنایی با مسئله » حل مسئله (TM).
از آنجایی که مرحله «حل مشکل» معمولاً مستلزم استفاده و ترکیب اطلاعات از بیش از یک عنصر است، رویکردهای حل شرح داده شده در بالا را می توان بر اساس عناصر مورد استفاده و ترتیب استفاده به رویکردهای فرعی تقسیم کرد:
  • نقشه;
  • نقشه » عناصر طرح نقشه (یعنی عنوان نقشه، افسانه موضوعی و توپوگرافی، مقیاس نقشه، پیکان شمال)؛
  • عناصر طرح بندی نقشه » map;
  • عنصر(های) طرح بندی نقشه » نقشه » (یک) عنصر(های) طرح بندی دیگر نقشه.
بر اساس این مفروضات نظری، فهرستی از تمام استراتژی هایی که به طور بالقوه مورد استفاده قرار می گیرند ایجاد شد (به طور مشابه در [ 13 ، 57 ]). متعاقباً، استراتژی‌هایی که شرکت‌کنندگان در حین حل تکلیف استفاده می‌کردند، به این استراتژی‌های تئوری تعیین شده اختصاص داده شدند. این با استفاده از مطالعه دقیق مکرر ضبط‌های ردیابی چشم (GazeReplay) در OGAMA انجام شد. ضبط‌های حل تکلیف هر شرکت‌کننده به چرخه‌های حل منفرد (شروع با آشنایی با مسئله) تقسیم شد و هر چرخه به طور جداگانه مورد مطالعه و کدگذاری قرار گرفت. تجزیه و تحلیل ها منجر به جدولی شد که شامل کدهای استراتژی برای هر شرکت کننده و هر وظیفه بود (به بخش 3.3.2 در نتایج مراجعه کنید).

3. نتایج

3.1. مقایسه واسطه ها و خبرگان

قبل از شناسایی و مقایسه راهبردهای شرکت کنندگان، صحت پاسخ ها مورد تجزیه و تحلیل قرار گرفت. میزان موفقیت کلی 79.9٪ بود. به طور خاص، بهترین حل کننده ها قادر به حل تست بدون هیچ اشتباهی بودند ( جدول A1 را ببینید ). در انتهای دیگر مقیاس، دو شرکت‌کننده تنها هفت پاسخ صحیح (از 12) دادند. همانطور که در جدول A1 نشان داده شده است ، اکثر پاسخ های نادرست در نیمه اول تکالیف تست داده شده است.
در ادامه، تفاوت بین افراد متوسط ​​(دانشجویان مقطع کارشناسی جغرافیا) و کارشناسان (کارتوگراف) بررسی شد. به طور متوسط، متوسط ​​ها نسبت به متخصصان میزان موفقیت کمتری داشتند (نگاه کنید به شکل 3 ). با وجود این، تفاوت در دقت کلی ثابت نشد که از نظر آماری معنی‌دار باشد (Mann-Whitney U (34) = 87، P = 0.061).
علاوه بر این، تخصص «بالا به پایین» شرکت‌کنندگان تأثیر آماری معنی‌داری بر سایر پارامترهای حل کار و معیارهای ردیابی چشمی که معمولاً تجزیه و تحلیل می‌شوند، نداشت. به طور خاص، میانی‌ها (M i = 10.4 دقیقه) از نظر زمان مورد نیاز برای حل آزمون با متخصصان (M e = 9.0 دقیقه) تفاوت معنی‌داری نداشتند (U (34) = 164، p = 0.416). به طور مشابه، تخصص شرکت کنندگان به طور قابل توجهی بر میانگین تعداد تثبیت در هر کار تأثیری نداشت (M i = 193.5 در مقابل M e = 176.9؛ U (34) = 148، p = 0.796). از نظر سایر معیارهای ردیابی چشم، واسطه‌ها از نظر میانگین مدت تثبیت تفاوت معنی‌داری با متخصصان نداشتند (M i = 190.3 میلی‌ثانیه در مقابل M e.= 190.6 میلی ثانیه؛ U (34) = 132، p = 0.796)، متوسط ​​طول ساکاد (M i = 213.5 px در مقابل M e = 227.0 px؛ U (34) = 90، p = 0.083)، و سرعت متوسط ​​ساکاد (M i = 5.8 px/s در مقابل M e = 6.5 px/s؛ U (34) = 91، p = 0.090).
بر اساس این نتایج، ما فرض می‌کنیم که تأثیر تخصص «بالا به پایین» در حل وظایفی که نیاز به تجزیه و تحلیل نقشه موضوعی دارند، در معیارهای اثربخشی یا ردیابی چشمی قابل‌توجه نیست. بنابراین، نمونه تحقیق را می توان به اندازه کافی همگن برای تحلیل بیشتر استراتژی های شرکت کنندگان با تمرکز بر شناسایی تأثیر تخصص در حل آزمون داده شده در نظر گرفت. برای این منظور، چهار کار با سهم قابل توجهی بالاتر از پاسخ های نادرست (یعنی میزان موفقیت کمتر از 75٪) انتخاب شدند ( جدول A1 ؛ جدول 1 را ببینید.برای تدوین وظایف انتخاب شده). با توجه به تعداد مشابه (و کافی) شرکت‌کنندگانی که تکلیف را به درستی و نادرست حل می‌کنند، تجزیه و تحلیل این وظایف باعث شد تا شباهت‌های بین شرکت‌کنندگانی که تکالیف را به درستی/نادرست حل می‌کنند شناسایی و مشخص شود.

3.2. توزیع توجه بصری

برای درک توزیع توجه شرکت کنندگان در میان عناصر کلیدی در طول حل کار، استراتژی های شرکت کنندگان ابتدا تنها از منظر فضایی مورد بررسی قرار گرفت.

3.2.1. گسترش توجه بر روی نقشه

ابتدا، برای به دست آوردن یک دید کلی از رفتار بصری در طول تجزیه و تحلیل نقشه و مشاهده الگوهای آن و تفاوت آنها بین شرکت کنندگان موفق و ناموفق، نقشه های توجه نسبی مقایسه شدند ( شکل 4 را ببینید ).
به طور کلی، تفاوت‌هایی برای وظایف متمرکز بر استخراج توزیع فضایی پدیده‌ها شناسایی شد: T1.1 و T2.1، با توجه به اینکه هر یک از سه راه‌حل ممکن بیان‌شده منطقه متفاوتی را بر روی نقشه نشان می‌دهند. ممکن است مشاهده شود که شرکت‌کنندگانی که کار را به اشتباه حل کرده‌اند، بیشتر توجه خود را به هر دو منطقه و برچسب‌هایی اختصاص داده‌اند که برای یافتن راه‌حل صحیح در مقایسه با شرکت‌کنندگان موفق بی‌ربط بودند (نقاط داغ مقادیر منفی، به عنوان مثال، نقاط قرمز، در نقشه‌های توجه تفاوت را ببینید. در شکل 4 ). به طور مشابه، الگوی مخالف قابل مشاهده است، یعنی شرکت‌کنندگان موفق بیشتر بر روی بخش‌های مرتبط نقشه تمرکز کردند تا شرکت‌کنندگان ناموفق (نقاط داغ مقادیر مثبت، به عنوان مثال، نقاط سبز، در نقشه‌های توجه تفاوت در شکل 4.).
علاوه بر این، نقشه‌های توجه که مدت زمان نگاه نسبی شرکت‌کنندگانی که پاسخ‌های نادرست داده‌اند را تجسم می‌کنند، پراکنده‌تر هستند. بنابراین، بر خلاف شرکت‌کنندگان موفق، که می‌توانستند بیشتر روی مناطق مربوط به حل درست کار تمرکز کنند، به همان نسبت به مناطق بیشتری روی نقشه توجه کردند. این الگو همچنین برای کارهایی که نیاز به استفاده از نوار مقیاس برای تخمین فاصله دارند، یعنی T1.2 و T2.2 قابل مشاهده است ( شکل 4 ).
3.2.2. توزیع توجه بین عناصر چیدمان
برای شناسایی دلایل تفاوت در توجه پراکنده بر روی نقشه، لازم است توزیع کلی توجه در بین عناصر تکلیفی که در مرحله بعدی تجزیه و تحلیل داده ها انجام شد، تجزیه و تحلیل شود.
به طور کلی، AOI حیاتی برای حل وظایف نه تنها خود نقشه، بلکه فرمول کار نیز بود ( شکل 5 ). اکثر شرکت کنندگان تکلیف را چند بار متوالی خواندند و بسیاری از آنها بارها و بارها توجه خود را در طول کل فرآیند حل کار به آن معطوف کردند. در مقابل، اهمیت عناصر طرح‌بندی نقشه موضوعی اصلی – یعنی افسانه موضوعی و مقیاس نقشه – به طور قابل توجهی در بین وظایف متفاوت بود. این تفاوت تا حدی ناشی از تمرکز خاص آنها بود ( جدول 1 را برای فرمول بندی کار ببینید). برعکس، شرکت کنندگان به طور کلی تقریباً هیچ توجهی به پاسخ های احتمالی ارائه شده نداشتند ( شکل 5 را ببینید) همانطور که برخی از شرکت کنندگان بیان کردند طبیعی تر است که تکلیف را حل کنند و سپس آن را با پاسخ های داده شده مطابقت دهند، یعنی بررسی کنند که آیا راه حل خودشان در بین پاسخ های ممکن است یا خیر.
با این وجود، توزیع نسبی توجه در بین شرکت کنندگان به طور قابل ملاحظه ای متفاوت بود. بنابراین، تجزیه و تحلیل خوشه سلسله مراتبی برای شرکت کنندگان گروه بر اساس رفتار توجه آنها انجام شد ( شکل 5 را ببینید ). علاوه بر این، مشخص شد که این تفاوت‌ها را می‌توان حداقل تا حدی به صحت پاسخ‌های شرکت‌کنندگان نسبت داد.
در مورد اولین کار (T1.1)، توجه شرکت کنندگان به طور نسبتاً مساوی بین سه AOI توزیع شد: وظیفه، نقشه، و افسانه موضوعی. این خوشه ها عمدتاً از نظر توجه نسبی به خواندن و درک افسانه موضوعی (نگاه کنید به شکل 5 )، یعنی تمایز و رمزگشایی رنگ ها، متفاوت هستند. این عدم توجه به افسانه موضوعی بود که اکثر شرکت کنندگانی را که کار را اشتباه حل کردند از شرکت کنندگان موفق متمایز کرد.
برعکس، وظیفه دوم که بر تجزیه و تحلیل نقشه منطقه سایه متمرکز بود (T1.2) نیازی به استفاده از افسانه موضوعی نداشت. در عوض، شرکت کنندگان مجبور بودند از مقیاس نقشه استفاده کنند. با این حال، توجه در درجه اول فقط بین کار و نقشه توزیع شد. علاوه بر این، هیچ تفاوت اساسی بین خوشه های شناسایی شده یافت نشد. این امر ناشی از شناسایی تنها یک خوشه اصلی و چندین نقطه پرت در مرحله اول تحلیل خوشه سلسله مراتبی است. به همین دلیل، این خوشه که تقریباً از همه شرکت کنندگان تشکیل شده بود، متعاقباً بر اساس دندروگرام به چهار خوشه تقسیم شد ( شکل 5 را ببینید.). بنابراین، حتی اگر خوشه‌های مخصوص شرکت‌کنندگانی که تکلیف T1.2 را به درستی حل می‌کنند، شناسایی شدند، نمی‌توان به وضوح تفاوت بین آنها و شرکت‌کنندگانی که کار را به درستی حل کردند، توصیف کرد. این عدم تمایز ناشی از علت خاص حل نادرست کار است. این احتمال وجود دارد که اکثر شرکت‌کنندگانی که پاسخ اشتباه داده‌اند، اصطلاح مورد استفاده در سؤال تکلیف را به درستی درک نکرده باشند، همانطور که چندین شرکت‌کننده مستقیماً در پرسشنامه پیگیری بیان کردند (P7، P15، P17، P20، P24، P27، P37. ). علاوه بر این، آنها به اندازه کافی در مورد راه حل تکلیف خود تأمل نکردند زیرا هیچ یک از پاسخ های ممکن بیان شده نمی تواند از نقطه نظر درک کار آنها صحیح باشد.
به طور مشابه، راه‌حل ناموفق وظیفه T2.1 نیز تا حدی ناشی از عدم تأیید صحت راه‌حل کاری یافت شده بود. با توجه به اینکه زمان پاسخ به طور قابل توجهی کوتاه تر مختص خوشه ها (خوشه 1 و خوشه 2) است و اکثر شرکت کنندگان تکلیف را اشتباه حل کرده اند (M cluster1 = 40.8 s، M cluster2 = 81.5 s در مقابل M cluster3 = 99.4 s، M cluster4.= 158.3 ثانیه). با استفاده از آزمون U Mann-Whitney (U (34) = 240، 0.001 = P) تأثیر صحت پاسخ بر زمان پاسخ به طور کلی معنی‌دار بود (صرف نظر از خوشه‌های شناسایی‌شده). برخی از شرکت‌کنندگان می‌دانستند که حل تکلیف آن‌ها به قیمت دقت انجام می‌شود (P15، P16، P22، P24، و P28) زیرا در پرسشنامه اظهار داشتند که زمان کافی را به خواندن افسانه موضوعی و بررسی اینکه آیا راه حل درست بود
به طور مشابه، تفاوت بین خوشه های شناسایی شده برای کار T2.2 را می توان به حل کار عجولانه نسبت داد، زیرا میانگین مدت زمان کار متفاوت است (M cluster1 = 26.8 s در مقابل M cluster2 = 57.7 s، M cluster3 = 36.2 s). با این حال، یک ویژگی اساسی و خاص‌تر که شرکت‌کنندگان را که پاسخ‌های نادرست ارائه می‌دهند از شرکت‌کنندگانی که تکلیف را به درستی حل می‌کنند متمایز می‌کند، عدم توجه به افسانه موضوعی است (مشابه با مورد T1.1؛ به شکل 5 مراجعه کنید ). اکثر شرکت کنندگان ناموفق هنگام حل این کار به افسانه موضوعی نگاه نکردند.
در نهایت، و در عین حال مهم، لازم است شرکت کنندگانی که به عنوان افراد پرت شناسایی شده اند، بر اساس رفتار بصری آنها توصیف شوند. رفتار نقاط پرت در بین وظایف متفاوت است و بنابراین، اجازه توصیف کلی را نمی دهد. علاوه بر این، تنها یک شرکت‌کننده (P34) برای بیش از یکی از وظایف تجزیه‌وتحلیل‌شده (T1.2، T2.1) به‌عنوان پرت شناسایی شد. علاوه بر این، تعمیم موارد پرت ممکن نیست چه از منظر صحت پاسخ‌هایشان (هفت شرکت‌کننده یک کار را اشتباه حل می‌کنند در مقابل هفت شرکت‌کننده که آن را به درستی حل می‌کنند) و نه از نظر تخصص «بالا به پایین» (هشت واسطه در مقابل شش متخصص).

3.3. کشف الگوی مکانی-زمانی

برای درک تفاوت در تجزیه و تحلیل نقشه بین حل‌کننده‌های موفق و ناموفق، به همان اندازه مهم است که استراتژی‌های آنها را از نقطه‌نظر مکانی-زمانی بررسی کنیم.

3.3.1. تجزیه و تحلیل تشابه توالی

ابتدا، شباهت رشته‌های AOI بازدید شده (به عنوان مثال، TMTMTMTMSDSMADMSDA و TIMTMTMTMSMA) محاسبه شد. علی‌رغم استفاده از رشته‌های جمع‌شده، طول متوسط ​​آنها برای چهار کار انتخابی حدود 50 کاراکتر بود (M T1.1 = 72، M T1.2 = 46، M T2.1 = 47، M T2.2 = 46). مقدار میانگین شباهت رشته محاسبه شده نیز در سراسر کار تقریباً یکسان بود ( شکل 6). از این رو، استراتژی های شرکت کنندگان به طور کلی در طول آزمایش، آنطور که می توان انتظار داشت، بیشتر و بیشتر شبیه نبود. بنابراین، فرآیند حل تکلیف شرکت‌کنندگان به‌طور میانگین در 45 درصد همخوانی داشت. با این حال، مقادیر شباهت بین جفت‌های شرکت‌کننده به طور قابل‌توجهی متفاوت است زیرا هر دو مقادیر بالاتر از 0.70 (70%) و کمتر از 0.15 (15%) شناسایی شدند.
به همین دلیل، نمودارهایی که 5 درصد بالای مقادیر شباهت را تجسم می کنند ایجاد شدند ( شکل 6 را ببینید ). این نمودارها گروه‌هایی از شرکت‌کنندگان را که از رویکرد مشابهی برای تجزیه و تحلیل نقشه استفاده می‌کنند و همچنین شرکت‌کنندگانی که استراتژی‌هایشان به‌طور قابل‌توجهی با بقیه متفاوت است، امکان می‌دهد شناسایی شوند. به طور کلی، اکثر شرکت‌کنندگان به‌گونه‌ای به هم متصل بودند که تنها یک یا دو خوشه (خوشه) بزرگ برای هر یک از چهار کار بر اساس ارزش شباهت 5 درصدی بالا شناسایی شد ( شکل 6).). با این وجود، همه شرکت‌کنندگان از استراتژی‌های بسیار مشابه با بقیه شرکت‌کنندگان طبقه‌بندی شده در یک خوشه استفاده نکردند (به عنوان مثال، برای کار T1.1، شرکت‌کننده P31 در همان خوشه است، به‌عنوان مثال، شرکت‌کنندگان P04، P16، P17. و P21؛ با این حال، استراتژی آنها تنها با استراتژی شرکت کننده P17 بسیار مشابه بود؛ به شکل 6 مراجعه کنید . بنابراین، گروه‌های فرعی با حداقل چهار شرکت‌کننده، که در آن همه شرکت‌کنندگان به هم مرتبط هستند، متعاقباً شناسایی شدند. با توجه به پیوستگی و اندازه آنها، این/این زیرخوشه(های) را می توان هسته(های) خوشه(های) بزرگ شناسایی شده در نظر گرفت.
در مورد اولین کار (T1.1)، که در آن تفاوت در تعداد کاراکترهای رشته بالاترین است (M cluster1 = 51، M cluster2= 100)، خوشه های شناسایی شده را می توان بر اساس تعداد مراحلی که در آن یک شرکت کننده عمدتاً با دو یا سه AOI کار می کرد، متمایز کرد. برای خوشه 1، شروع حل کار را نمی توان تعمیم داد، زیرا برخی از شرکت کنندگان عمدتاً به کار و افسانه موضوعی توجه کردند و برخی از طرف دیگر عمدتاً بر روی کار و نقشه تمرکز کردند. با این وجود، استراتژی‌های آن‌ها پس از آشنا شدن با کار، به تدریج شبیه‌تر می‌شد، زیرا سعی می‌کردند رنگ‌های انتخابی را به یاد آورند. بنابراین، آنها اغلب از نقشه به افسانه و بالعکس حرکت می کردند. مرحله ای که آنها راه حل یافتن خود را با راه حل های ممکن ارائه شده مقایسه کردند، دنبال شد. در پایان حل تکلیف،
همانطور که برای خوشه دوم شناسایی شده در کار T1.1، دو مرحله میانی حل کار مشابه هستند. با این حال، شرکت کنندگان در خوشه 2 این مراحل (به عنوان مثال، ML و MDA) را سه بار یا حتی چهار بار متوالی تکرار کردند. علاوه بر این، شرکت کنندگان به عناصر تکلیفی که برای حل صحیح تکلیف ضروری نبودند (عمدتاً به افسانه توپوگرافی و عنوان نقشه) توجه بیشتری داشتند. با این وجود، نمی توان به صراحت گفت که این استراتژی کمتر کارآمد برای شرکت کنندگانی است که قادر به حل صحیح کار نیستند.
به طور مشابه، نمی توان بیان کرد که استراتژی حل کار تأثیر قابل توجهی بر دقت حل کار برای کار T1.2 دارد، زیرا تنها یک خوشه شناسایی شد ( شکل 6 را ببینید ). با وجود این، این خوشه 1 بر اساس طول رشته های AOI های ضربه خورده نسبتاً متنوع است. در حالی که هر دو گروه فرعی شناسایی شده (P01، P18، P31، P32؛ و P16، P18، P31، P32) با رشته های کوتاه مشخص می شوند (M = 27)، شرکت کنندگان در طرف دیگر خوشه (مثلا P04، P17) بیشتر به عناصر تکلیفی برمی گشت. به همین دلیل، طول متوسط ​​رشته های آنها تقریباً 74 کاراکتر است. علاوه بر این، سهم پاسخ های نادرست در میان این شرکت کنندگان بیشتر است.
با این وجود، تفاوت بین خوشه‌های فرعی و شرکت‌کنندگان در انتهای دیگر خوشه 1 تنها در طول رشته نیست، زیرا می‌توان تنها دو مرحله اصلی حل کار را برای زیرخوشه‌های شناسایی‌شده تشخیص داد. ابتدا شرکت کنندگان توجه خود را به کار و نقشه اختصاص دادند. برای بقیه حل تکلیف، آنها بین سه عنصر اصلی کار – مقیاس نقشه، نقشه، و پاسخ‌های احتمالی تغییر کردند. برعکس، شرکت‌کنندگان با توالی‌های طولانی‌تر (و پاسخ‌های نادرست بیشتر) هم بین تکلیف و نقشه و هم بین تکلیف و افسانه موضوعی در مرحله اول حرکت کردند، حتی اگر کار با افسانه برای یافتن کار ضروری نبود. راه حل کار علاوه بر این، شرکت کنندگان انتقال بیشتری بین مقیاس نقشه و نقشه داشتند.
در حالی که معمولاً رشته‌های طولانی‌تری برای شرکت‌کنندگان ناموفق در کار قبلی وجود داشت، در کار T2.1 شرکت‌کنندگانی که کار را به درستی حل می‌کردند به‌طور متوسط ​​AOI‌های کمتری را وارد کردند (M i = 38 در مقابل M c = 56). بالاتر از آن، ثابت شد که این تفاوت از نظر آماری معنی‌دار است (U(34) = 223، p = 0.006)، که با تفاوت معنی‌دار یافت شده در زمان پاسخ مطابقت دارد (به بخش 3.2.2 مراجعه کنید).). نتایج دوباره ثابت کرد که فرآیند حل تکلیف حداقل برخی از شرکت‌کنندگان ناموفق در مقایسه با اکثر شرکت‌کنندگان موفق عجولانه بود، به این دلیل که شرکت‌کنندگان در خوشه 1 که سهم پاسخ‌های نادرست بالا بود، به ارمغان نیاوردند. توجه آنها پس از کار عمدتاً با نقشه و پاسخ های احتمالی به فرمول تکلیف باز می گردد. این برخلاف شرکت‌کنندگان در خوشه 2 بود که نه تنها به کار بازگشتند، بلکه متعاقباً با کار با نقشه و پاسخ‌های احتمالی، درستی راه‌حل خود را تأیید کردند.
استراتژی های شناسایی شده برای کار T2.2 به شدت شبیه استراتژی های شناسایی شده برای T1.2 است. بنابراین، شرکت‌کنندگان استراتژی‌های خود را با نوع کار خاص تنظیم کردند و در طول آزمون تغییر اساسی در آن ایجاد نکردند. تنها چیزی که تغییر کرد تعداد شرکت کنندگانی بود که نیاز داشتند (خوشه 1)/نیازی نداشتند (خوشه 2) توجه خود را به طور مکرر بین نقشه و نوار مقیاس جابجا کنند. اکثر شرکت کنندگان توانستند این کار را به طور موثرتری حل کنند، مشابه T1.1. تعداد بیشتر انتقال بین نقشه و نوار مقیاس برای شرکت‌کنندگان ناموفق مشخص نبود.
به طور کلی، بیشترین تعداد زیر خوشه ها (6)، که در آن همه شرکت کنندگان بر اساس 5٪ مقادیر شباهت رشته ها به هم متصل بودند، برای این کار شناسایی شد. بنابراین، علی‌رغم تقریباً تغییرناپذیر مقدار میانگین شباهت در بین وظایف، می‌توان بیان کرد که یکی از استراتژی‌های رایج مورد استفاده بیشتر و واضح‌تر شکل گرفته است زیرا این زیرخوشه‌ها تا حدی با هم تداخل دارند (همچنین به آستانه‌های مقادیر شباهت 5 درصدی بالا مراجعه کنید. شکل 6 ).
از این رو، این سؤال مطرح می شود که آیا نقاط پرت نیز واضح تر تعریف شده اند و پرت ها از نظر مکانی-زمانی چه کسانی هستند؟ نقاط دورافتاده، بر اساس شباهت‌های استراتژی، می‌توانند به دو صورت تعریف شوند: با مقدار شباهت حداکثری استراتژی آن‌ها با استراتژی دیگر (یعنی عدم ارتباط با سایر شرکت‌کنندگان هنگامی که مقدار x% بالا تجسم می‌شود) و با مقدار شباهت متوسط ​​کم. استراتژی خود را با بقیه استراتژی ها. نقاط پرت تعریف شده بر اساس مقدار حداکثر به وضوح در نمودارهای نشان داده شده در شکل 6 متمایز می شوند .
مشابه با توزیع نسبی توجه، تعمیم ویژگی های نقاط پرت امکان پذیر نیست. شرکت کنندگان موفق و ناموفق می توانند بر اساس نتایج یک استراتژی منحصر به فرد از نقطه نظر زمانی- مکانی داشته باشند ( شکل 6 را ببینید ). علاوه بر این، برخی از شرکت‌کنندگان هم از نظر مکانی و هم از منظر مکانی-زمانی به عنوان افراد پرت شناسایی شدند (به طور خاص، P20 و P29 برای کار T1.1؛ P34 برای T2.1). علاوه بر این، برخی از شرکت کنندگان نیز به عنوان افراد پرت برای بیش از یک کار شناسایی شدند (P03، P08، P20، و P25؛ شکل 6 ).
در مقابل، تنها سه شرکت‌کننده بر اساس میانگین مقدار شباهتشان به‌عنوان پرت شناسایی شدند. به طور خاص، دو نفر از این شرکت کنندگان، یعنی P03 (برای T1.2 و T2.2) و P18 (برای T1.1)، نه تنها با استفاده از استراتژی غیر معمول خود، این وظایف را به درستی حل کردند، بلکه جزو بهترین حل کنندگان در این مطالعه بودند. کلی ( جدول A1 را ببینید ). در مقابل، آخرین نقطه پرت، یعنی P25 برای وظیفه T2.2، این کار را به اشتباه حل کرد و علاوه بر این، او به طور کلی جزو بدترین حل کننده ها بود.
با این حال، از نقطه نظر طول دنباله، دنباله P18 بیشتر شبیه دنباله P25 بود تا P03. هر دوی آنها به طور کلی جزو کوتاه‌ترین دنباله‌ها بودند، در حالی که دنباله‌های P03 به مراتب طولانی‌ترین دنباله بودند. استراتژی شرکت کننده P18 به طور قابل توجهی متفاوت بود زیرا او شروع به حل کار با آشنایی با راه حل های ممکن کرد. به طور مشابه، استراتژی P25 قابل تشخیص است زیرا او از مقیاس نقشه در هنگام حل وظیفه ای که نیاز به استفاده از آن دارد استفاده نمی کند.
3.3.2. شناسایی تئوری محور استراتژی های حل تکلیف
علی‌رغم در نظر گرفتن رشته‌های ساده‌شده فرو ریخته، تحلیل کمی استراتژی‌ها و شباهت‌های آن‌ها محدودیت‌های متعددی برای کارهای پیچیده مانند تحلیل نقشه دارد. علی‌رغم اینکه به‌عنوان مشابه شناخته می‌شوند، رشته‌های شرکت‌کنندگان فردی می‌توانند به طور قابل توجهی متفاوت باشند. علاوه بر این، تأثیر طول رشته بر مقدار محاسبه‌شده شباهت، و بنابراین بر استراتژی‌هایی که به‌عنوان بسیار مشابه شناسایی/شناسایی نشده‌اند، آشکار است. با این حال، استراتژی کلی شرکت‌کنندگان در رشته‌های کوتاه و بلند ضربه‌های AOI می‌تواند مطابقت داشته باشد و تنها تعداد انتقال‌های متعاقب بین دو AOI می‌تواند متفاوت باشد.
حتی مهمتر از آن، در تجزیه و تحلیل کمی شباهت رشته ها، همه تفاوت ها در ترتیب AOI به طور یکسان در نظر گرفته می شوند. با این حال، از منظر حل مسئله، نقشه توالی-افسانه بیشتر شبیه نقشه-مقیاس توالی است تا نقشه-پاسخ توالی. زیرا در دو مورد اول، توالی‌ها صرفاً مرحله حل یک مسئله را توصیف می‌کنند، در حالی که مرحله سوم دو مرحله مختلف، یعنی حل یک مسئله و متعاقباً مقایسه راه‌حل پیدا شده با راه‌حل‌های ممکن را توصیف می‌کند.
برای حذف این محدودیت‌ها، تحلیل کیفی استراتژی‌ها و شباهت‌های آنها انجام شد. ساده‌سازی‌های توالی در طول مطالعه دقیق حرکات چشم شرکت‌کنندگان باعث شد تا استراتژی‌های مورد استفاده به استراتژی‌هایی که از نظر تئوری تنظیم شده‌اند اختصاص داده شوند (به بخش 2.5.4 مراجعه کنید ). امکان گروه بندی شرکت کنندگان بر اساس این استراتژی ها و ترکیب آنها وجود داشت ( شکل 7 را ببینید ). این طبقه‌بندی، استراتژی‌ها را، حتی در تمام وظایف تحلیل‌شده، به طور کلی توصیف و مقایسه کرد.
به دلیل آزمایش یک مهارت نسبتاً پیچیده، فرآیند حل کار بسیاری از شرکت‌کنندگان از بیش از یک چرخه حل تشکیل شده بود. به طور خاص، شرکت کننده به فرمول تکلیف بازگشت، یعنی به مرحله آشنایی با یک مسئله. به عنوان مثال، استراتژی P26 مورد استفاده در حل کار دوم (T1.2) به عنوان TMTLMASTMLA کدگذاری شد. این کد را می توان به صورت TM (اولین چرخه حل، که مستقیماً با رویکرد حل سوم بیان شده در شکل 7 مطابقت دارد ) رمزگشایی کرد | TLMAS (دومین چرخه حل، مربوط به یک رویکرد فرعی از رویکرد حل چهارم بیان شده، به عنوان مثال، TxAx) | TMLA (چرخه حل سوم، مربوط به یک رویکرد فرعی از اولین رویکرد حل بیان شده، به عنوان مثال، TMA).
به طور کلی، پرکاربردترین رویکرد حل مورد استفاده توسط شرکت‌کنندگان، اولین رویکرد (TMA) بود که آشنایی با یک مسئله را پوشش می‌دهد، به دنبال آن حل یک مسئله را پوشش می‌دهد و با مقایسه راه‌حل یافت شده با راه‌حل‌های ممکن به پایان می‌رسد ( شکل 7 ). این رویکرد اغلب هم به تنهایی و هم همراه با سایر رویکردها مورد استفاده قرار می گرفت. به طور خاص، این رویکرد تا حد زیادی با رویکرد بیان شده چهارم (TxAx) ترکیب شد که تنها در مرحله آخر متفاوت است، زیرا پس از توجه به راه‌حل‌های ممکن، یک شرکت‌کننده به حل یک مشکل معین ادامه می‌دهد. این رویکرد به ویژه در طول کار که نیاز به استفاده از مقیاس نقشه (T1.1، T2.1) دارد، به عنوان مثال، یک عنصر وظیفه کلیدی اضافی استفاده می شود ( شکل 7 را ببینید.). علاوه بر این، چندین شرکت‌کننده از رویکرد سوم (TM) در ترکیب با رویکردهای دیگر استفاده کردند، که در آن مرحله شامل کار با راه‌حل‌های ممکن حذف شده است. این امر به ویژه برای سه کار اول که در آنها به چرخه های حل بیشتری برای حل کار نیاز داشتند، صدق می کند. بنابراین، تنها رویکرد حل تکلیف که به ندرت مورد استفاده قرار گرفت، روش دوم (TAM) بود که در آن قبل از حل یک مشکل، شرکت‌کننده راه‌حل‌های احتمالی آن مشکل را بررسی می‌کرد.
با وجود این، اندازه گروه‌هایی که رویکردهای حل مسئله فردی و ترکیب‌های آنها را نشان می‌دهند تا حدی در سراسر کار متفاوت است – تا حدی، با توجه به اینکه هر یک از شرکت‌کنندگان از استراتژی یا ترکیبی از استراتژی‌ها در هر چهار تکلیف تحلیل‌شده استفاده کردند ( شکل 7 را ببینید.). برخلاف داده‌های جمع‌آوری‌شده، بسیاری از شرکت‌کنندگان در پرسشنامه اعلام کردند که استراتژی آنها در طول آزمایش یکسان بوده و تحت تأثیر کار یا نوع نقشه قرار نگرفته است. با این حال، چندین شرکت کننده از یک رویکرد حل مسئله در همه این وظایف استفاده کردند و تنها ترکیب آن را با رویکردهای دیگر اصلاح کردند. هر دو بهترین حل کننده (P01 و P03) و بدترین حل کننده (P37) در میان آنها بودند. با این وجود، تنها بدترین حل‌کننده‌ها (P28 و P29) در میان 11 شرکت‌کننده‌ای بودند که از رویکردهای حل متفاوتی در هر تکلیف تحلیل شده استفاده کردند ( شکل 7 ).
تا حدی به همین دلیل، رویکردهای حل مسئله شناسایی شده که منجر به بسیاری از پاسخ‌های نادرست می‌شود، بین وظایف متفاوت است. به طور خاص، برای دو کار آزمایشی اول – یعنی T1.1 و T1.2 – حذف کار با راه حل های ممکن به طور مستقیم در اولین چرخه حل بی اثر بود (گروه 2 را برای T1.1 و گروه 3 را ببینید. T1.2 در شکل 7 ). علاوه بر این، برای وظایف T1.1 و T2.1، یکی دیگر از استراتژی های غیر موثر رایج دیگر شناسایی شد (گروه 3 در هر دو کار، شکل 7). به طور خاص، اکثر شرکت کنندگانی که مستقیماً اطلاعات نشان داده شده روی نقشه را با افسانه موضوعی مقایسه نکردند، این وظایف را به درستی حل نکردند. در مقابل، ترکیب این دو رویکرد حل (TMA و TxAx) برای حل T1.2 و T2.2 نسبتاً موفق بود، یعنی وظایفی که در آن استفاده از نوار مقیاس اساسی‌تر از افسانه موضوعی بود.
علاوه بر این، برای کار T1.2 استراتژی‌های غیرموثر دیگری شناسایی شدند (به گروه 5 و موارد پرت در شکل 7 مراجعه کنید )، تا حدی به دلیل این واقعیت که آنها به طور کلی با استراتژی‌های شناسایی شده برای بقیه وظایف متفاوت هستند. شرکت کنندگان در گروه 5، هم در استفاده از بیش از دو رویکرد حل اصلی و هم در تعداد زیاد چرخه های حل لازم برای حل تکلیف (M = 4.3) مشخصه هستند. در همان زمان، برخی از شرکت‌کنندگان از این گروه و همچنین موارد پرت از روش‌های حل غیرمعمول استفاده کردند (در شکل 7 رنگ آمیزی نشده است).
برای آخرین کار تجزیه و تحلیل شده، T2.2، هیچ یک از رویکردهای حل مورد استفاده به عنوان منجر به پاسخ های نادرست شناسایی نشد ( شکل 7 را ببینید ). بنابراین تشابه بیشتر استراتژی های شرکت کنندگان با نتایج تحلیل بر اساس فاصله ویرایش رشته مطابقت دارد.
مشابه نتایج تجزیه و تحلیل داده های قبلی، نقاط پرت را نمی توان به طور کلی به عنوان شرکت کنندگان موفق یا ناموفق توصیف کرد. با این وجود، برخی از ویژگی‌های مشترک استراتژی‌های آن‌ها را می‌توان شناسایی کرد، تا حدی به لطف شرکت‌کنندگانی که برای بیش از یک کار به عنوان افراد پرت شناسایی شدند (مانند P08، P25، P27، P35، و P39). پرت ها اغلب از رویکردهای حل غیر معمول استفاده می کردند یا دو رویکرد را ترکیب می کردند که تقریباً هیچ شرکت کننده دیگری استفاده از آنها را با هم انتخاب نکرد ( شکل 7 را ببینید ). به طور خاص، آنها اغلب از رویکرد حل دوم در طول حل کار خود ( TAM ) استفاده می کردند.

4. بحث

4.1. كاربران نقشه كمتر موفق و موفق تر چه كارهايي را به طور متفاوت انجام مي دهند، و چه كارهايي را كه كاربران كمتر موفق به كار مي برند، داراي شباهتهايي هستند؟

بر اساس نتایج تجزیه و تحلیل داده‌های انجام‌شده، ما می‌خواهیم پاسخ دهیم که آیا کاربران کمتر موفق و موفق‌تر نقشه در هنگام حل وظایف تحلیل نقشه (RQ1) رفتار متفاوتی داشتند و آیا استراتژی‌های اعمال شده توسط کاربران کمتر موفق شباهت‌هایی را نشان می‌دهند (RQ2). ما دریافتیم که کاربران نقشه که یک کار را به اشتباه حل می‌کنند، در برخی از جنبه‌های استراتژی‌هایشان با شرکت‌کنندگانی که پاسخ درستی ارائه می‌دهند متفاوت است و بیشتر این تفاوت‌ها در اکثر شرکت‌کنندگان ناموفق برای یک کار مشخص ثابت است. بنابراین، برخلاف آنچه در مطالعه قبلی [ 16 ] پیشنهاد شد، نمی‌توان نتیجه گرفت که همه کاربران خوب نقشه یکسان هستند، اما هر کاربر کم مهارت متفاوت است.
یکی از ویژگی‌های اساسی که شرکت‌کنندگان را که تکالیف نادرست را حل می‌کنند از شرکت‌کنندگانی که راه‌حل صحیح را پیدا می‌کنند، متمایز می‌کرد، عدم توجه به عناصر مرتبط بود. برخلاف آن، آنها توجه زیادی به عناصر نامربوط داشتند. به طور خاص، این توزیع نامناسب توجه ناشی از عدم توجه به افسانه موضوعی در بیشتر وظایف بود. با این حال، گاهی اوقات به دلیل عدم تمرکز بر قسمت های مربوطه از خود نقشه نیز ایجاد می شود. علاوه بر این، حتی شرکت‌کنندگانی که در طول وظایف مربوط به تخمین فاصله با نوار مقیاس کار نکرده‌اند نیز قابل شناسایی هستند. این نتیجه با نتایج مطالعات تجربی قبلی مطابقت دارد (به عنوان مثال، [ 16 ، 38 ، 75 ، 76]). علاوه بر این، بر پارادایم مبتدی – متخصص استوار است زیرا این تفاوت مفهومی از نظریه کاهش اطلاعات است [ 33 ].
در ارتباط با این موضوع، مشخص شد که توجه شرکت‌کنندگان ناموفق بیشتر از توجه شرکت‌کنندگان موفق پراکنده بود ( شکل 4 را ببینید )، زیرا شرکت‌کنندگان ناموفق به‌طور خاص روی یک یا دو حوزه تمرکز نکردند که راه‌حل درست پیدا شود. این می تواند، جدا از نظریه کاهش اطلاعات، به دلیل ناتوانی آنها در یافتن سریع مکانی که در جستجوی آن هستند، همانطور که مطالعات قبلی نشان می دهد [ 13 ، 16 ، 38 ، 75 ] ایجاد شود. این ناتوانی می تواند ناشی از ناکارآمدی یا عدم استراتژی جستجو باشد [ 30 ، 38 ]، مقدار محدودی از اطلاعاتی که می توانند به طور همزمان پردازش کنند [ 30 ]، 34 ] و ناتوانی در استخراج اطلاعات از مناطق بسیار دور [ 5 ، 32 ].
با این وجود، این بدان معنا نیست که همه شرکت‌کنندگان ناموفق همیشه از استراتژی‌های کارآمد کمتری نسبت به شرکت‌کنندگان موفق استفاده می‌کنند. به ویژه، در اولین کار، چندین شرکت کننده، اعم از موفق و ناموفق، با عناصر چیدمان (افسانه توپوگرافی و عنوان نقشه) که برای یافتن راه حل صحیح ضروری نبود، کار کردند. با این حال، در مورد شرکت‌کنندگان موفق، این می‌تواند نتیجه نیاز آنها به تأیید معنی همه علائم نقشه‌کشی مورد استفاده در هنگام مواجهه با نقشه‌های ناآشنا و عادت آنها به ادغام همه عناصر طرح‌بندی نقشه برای به دست آوردن معنای وسیع‌تری از نقشه باشد. 6]. از سوی دیگر، در مورد شرکت کنندگان ناموفق، می تواند ناشی از ناتوانی ذکر شده قبلی در تشخیص اطلاعات مرتبط از نامربوط یا به سادگی، مشکلات در درک نقشه باشد.
علاوه بر این، بر خلاف برخی از مطالعات قبلی (به عنوان مثال، [ 5 ، 38 ]) مشخص شد که شرکت کنندگان موفق به طور متوسط ​​به زمان بیشتری برای حل برخی از وظایف تجزیه و تحلیل شده نیاز دارند. با وجود این، این حل کند تکلیف از ویژگی های رفتار بی تجربه یا استراتژی ناکارآمد نیست، زیرا ناشی از تلاش آنها برای حل درست کار است. مشخصه بازگشت به فرمول تکلیف و مرحله حل مسئله پس از مقایسه راه حل یافت شده با راه حل های ممکن داده شده است، یعنی با تأیید صحت راه حل به دست آمده، حتی زمانی که استراتژی حل مسئله متفاوتی استفاده شده باشد. . بنابراین، این نتیجه با توصیف راهبردهای حل مسئله کارشناسان که در [ 31 ] توضیح داده شده است، سازگار است.، 77 ].
بنابراین زمان پاسخ کوتاه شرکت کنندگان ناموفق را می توان عجولانه توصیف کرد. علاوه بر عدم توجه به عناصر چیدمان نقشه حیاتی، آنها به اندازه کافی روی راه حل بدست آمده تأمل نکردند. زمانی که کاربر نقشه به راحتی وظایف پیچیده را به خاطر می آورد و می تواند دنباله ای از اهداف فرعی مرتبط را ایجاد کند که برای حل آنها باید به آنها دست یافت، قطعاً نباید از ویژگی های استراتژی اشتباه باشد. با این وجود، ایجاد این دنباله و حفظ آن در حافظه کاری برای حل‌کننده‌های با تجربه کمتر دشوار است [ 30 ]. استراتژی سریع و کم احتیاط را می توان با انگیزه پایین تر نیز توضیح داد [ 16 ، 78]. با این وجود، هیچ اظهاراتی در پرسشنامه های پیگیری وجود ندارد که نشان دهنده آن باشد.
علاوه بر این، با توجه به نظریه های مربوط به پارادایم خبره- تازه کار [ 30 ، 31]، حل‌کننده‌های با تجربه کمتر از تعداد محدودی استراتژی یا فقط از یک استراتژی واحد برای حل وظایف بسیار متفاوت استفاده می‌کنند. علاوه بر این، تازه کارها به درستی استراتژی های خود را بر اساس وظایفی که قبلاً حل شده اند، بر خلاف متخصصان تنظیم نمی کنند. با این وجود، نتایج این مطالعه به طور قطعی این پایان نامه ها را تایید نمی کند. هر دو شرکت کننده کم و بیش موفق، استراتژی خود را در طول آزمون تنظیم یا تغییر دادند. علاوه بر این، اکثر شرکت کنندگان از بیش از یک رویکرد حل در طول حل تکلیف در سه تکلیف اول تحلیل شده استفاده کردند. بالاتر از آن، برای یکی از وظایف تحلیل شده، اکثر شرکت کنندگانی که از بیش از دو رویکرد حل اصلی استفاده کردند، در یافتن راه حل صحیح ناموفق بودند. علاوه بر این،
بنابراین، این سوال مطرح می‌شود که آیا این تعدیل‌ها/تغییرات استراتژی‌های مورد استفاده کارآمد بوده و می‌تواند به عنوان یکی از ویژگی‌های رفتار حل مسئله متخصص در نظر گرفته شود؟ پاسخ مثبت توسط داده های ارائه شده و نظریه [ 30 ] پشتیبانی نمی شود، با توجه به اینکه حل کننده ها تنها زمانی قادر به تنظیم مناسب استراتژی های خود هستند که از موفقیت استراتژی استفاده شده قبلی خود آگاه باشند. با توجه به اینکه شرکت‌کنندگان قبل از اتمام کل آزمون نمی‌دانستند پاسخ‌هایشان درست است یا نه، تعدیل استراتژی‌ها به دلیل ناتوانی آنها در تشخیص ساختار یکسان انواع وظایف داده شده بود [ 30 ، 79 ].]. علاوه بر این، بر اساس پرسشنامه‌های پیگیری، تغییرات شناسایی‌شده در استراتژی‌ها در چندین شرکت‌کننده کمتر موفق غیرعمدی بوده و تا حدی تحت‌تاثیر نوع نقشه بوده است. بنابراین، رفتار حل تکلیف آن‌ها بیشتر مبتنی بر داده‌ها بود تا نظریه‌محور (سازگار با [ 7 ، 13 ، 38 ، 80 ]).
همچنین برای ما جالب بود که آیا نقاط پرت در استراتژی‌های حل کار فقط در میان کاربران کمتر موفق متمایز می‌شوند (RQ3). مشخص شد که شرکت‌کنندگان موفق و ناموفق در میان شرکت‌کنندگانی بودند که رفتار بصری غیرمعمول و استراتژی‌های حل تکلیف منحصربه‌فردی داشتند. این نتیجه در تمام روش‌های مناسب تحلیل داده‌ها مورد حمایت قرار گرفت (به بخش 3.2.2 ، بخش 3.3.1 و بخش 3.3.2 مراجعه کنید).

4.2. چه چیزی شناسایی ویژگی‌های استراتژی‌هایی را که شرکت‌کنندگان ناموفق را مشخص می‌کنند، قادر می‌سازد/موانع می‌کند؟

بر اساس تفاوت‌هایی که در بالا مورد بحث قرار گرفت، آشکار است که نتایج ما تا حدی با نتایج مطالعات مرتبط قبلی در تضاد است که نشان می‌دهد حل‌کننده‌های با تجربه (یعنی موفق) استراتژی‌های یکپارچه‌تری را نسبت به راهبردهای کمتر موفق اعمال می‌کنند. در حالی که استراتژی مکانی-زمانی حل‌کننده‌های تازه‌کار/کم‌تر موفق را نمی‌توان توصیف کرد، زیرا یک حل‌کننده را به طور اساسی از یک حل‌کننده متمایز می‌کند [ 13 ، 16 ].
درست است که افراد تازه کار/حل کننده ناموفق یک گروه همگن نیستند. با این حال، می توان آنها را به زیر گروه ها طبقه بندی کرد. برای این منظور، استفاده از روش‌های اضافی تجزیه و تحلیل داده‌های ردیابی چشم و تکمیل فناوری ردیابی چشم با برخی از روش‌های کیفی جمع‌آوری داده‌ها (همانطور که با موفقیت توسط [ 36 ، 37 ، 57 ، 81 ] ثابت شده است) می‌تواند سودمند باشد.
علاوه بر این، در مواردی که ویژگی‌های استراتژی‌های مشخصه برای شرکت‌کنندگان ناموفق (یا عموماً برای گروه خاصی از شرکت‌کنندگان) برای برخی از کارها شناسایی نشد، قطعاً به معنای وجود نداشتن آنها نیست. با این حال، لازم است استراتژی‌های شرکت‌کنندگان را از تمام دیدگاه‌های ممکن و ترجیحاً با استفاده از روش‌های مختلف بررسی کرد (نتایج را برای کار T1.2 ببینید).
علاوه بر این، در برخی موارد، روش انتخاب شده برای مقایسه استراتژی، خود از پیش تعیین می‌کند که شباهت کمتری در گروهی از شرکت‌کنندگان کم‌تجربه/موفق پیدا می‌شود، به‌ویژه، اگر این شرکت‌کنندگان با فرآیند حل کار به‌طور قابل‌توجهی آهسته‌تر و شباهت‌ها مشخص شوند. استراتژی های آنها با استفاده از برخی از روش های مقایسه رشته ای تجزیه و تحلیل می شود. با توجه به اینکه احتمال کمتری وجود دارد که این رشته‌های طولانی‌تر مطابقت داشته باشند، به ترتیب رفتار در کل مرحله حل کار یکسان می‌ماند. علاوه بر این، تفاوت طول رشته شرکت کنندگان کندتر از شرکت کنندگان سریع بیشتر است. علیرغم تلاش‌های فعلی برای اصلاح الگوریتم‌های مورد استفاده به‌گونه‌ای که کمتر به طول رشته وابسته باشند (به عنوان مثال، [ 63 ] را ببینید.])، نتایج این مطالعه نشان می دهد که تأثیر آن هنوز مشهود است. بنابراین، لازم است این محدودیت را در نظر گرفت و از این روش ها استفاده کرد و زمانی که طول رشته ها به طور قابل توجهی متفاوت است، نتایج آنها را با احتیاط تفسیر کرد.
با این وجود، هنگام شناسایی زیرگروه‌های مبتدیان/حل‌کننده‌های ناموفق، محتاط بودن به همین ترتیب مهم است. به عبارت دیگر، زمانی که تحلیل خوشه‌ای برای کشف شباهت‌های بین استراتژی‌های فضایی شرکت‌کنندگان اعمال می‌شود، انتخاب روش مناسب خوشه‌بندی و روش اندازه‌گیری فاصله ضروری است. با توجه به اینکه، رویکردهای مختلف به خوشه‌بندی ممکن است منجر به شناسایی خوشه‌های متفاوتی از شرکت‌کنندگان شود. علاوه بر این، مهم است بدانید که تجزیه و تحلیل خوشه ای همیشه می تواند داده ها را به خوشه ها تقسیم کند، حتی اگر تفاوت معنی داری بین آنها وجود نداشته باشد [ 66 ].

5. نتیجه گیری ها

در مطالعه ارائه شده در اینجا، ما بررسی کردیم که چگونه کاربران نقشه وظایفی را که نیاز به تجزیه و تحلیل نقشه های موضوعی دارند، حل می کنند. توجه پژوهشی به این مهارت نقشه پیچیده تر و استراتژی های انتخاب شده در طول استفاده از آن ناکافی است. با توجه به اینکه محبوبیت روزافزون نقشه‌های موضوعی منجر به سهم قابل توجهی از نقشه‌هایی شد که حاوی نارسایی‌های جدی (کارتوگرافیک) هستند یا به طور عمدی داده‌های نمایش داده شده را تحریف می‌کنند [ 2 ، 3 ]. به همین دلیل، این مطالعه به طور خاص با هدف شناسایی تفاوت‌های بین کاربران کمتر و موفق‌تر نقشه در طول تحلیل نقشه‌های موضوعی انجام شد. بر خلاف بسیاری از مطالعات مرتبط نزدیک [ 5 ، 6 ، 7]، بیشتر به کاربران کمتر موفق توجه می شد، زیرا هدف ما یافتن شباهت ها در رفتار بصری آنها بود. پس از یافتن استراتژی های ناموفق، می خواستیم توصیه های کلی ارائه دهیم که منجر به بهبود مهارت های نقشه کاربران کمتر با تجربه شود.
برای تحقق هدف فوق، روش‌های مختلفی برای تجسم و تجزیه و تحلیل داده‌های ردیابی چشم به کار گرفته شد، که برخی از پیشرفت‌ها و افزودن اصلاحات جدید به رویکردها نیز به‌عنوان مثال، تجزیه و تحلیل خوشه‌ای سلسله مراتبی برای طبقه‌بندی توزیع فضایی نسبی توجه، مبتنی بر تئوری انجام شد. تجزیه و تحلیل و طبقه بندی استراتژی های مکانی-زمانی شرکت کنندگان. این روش ها و ترکیب آنها می تواند برای محققان نه تنها در زمینه نقشه برداری، بلکه به طور کلی برای کسانی که هدف آنها درک رفتار و استراتژی های بصری در حین حل کار از هر نوع باشد (مثلاً کارهایی که نیاز به جستجوی وب دارند، وظایف متمرکز بر به خاطر سپردن و یادآوری اطلاعات) مفید باشد. ).
مطالعه ما نشان داد که کاربران نقشه کمتر موفق در برخی از جنبه های استراتژی خود با کاربران موفق تر متفاوت هستند. بیشتر این تفاوت‌ها در اکثر شرکت‌کنندگانی که پاسخ نادرستی برای یک کار معین ارائه می‌کنند، ثابت است. با این وجود، موارد پرت از منظر رفتار حل تکلیف آنها نیز می تواند در میان شرکت کنندگان ناموفق شناسایی شود. با این حال، به همان اندازه، آنها را می توان در میان شرکت کنندگان موفق شناسایی کرد.
بسیاری از مطالعات با تمرکز بر تفاوت های استراتژی ناشی از سطوح مختلف تخصص، تفاوت های شناسایی شده را برجسته می کنند که تغییر مستقیم آنها دشوار است، به عنوان مثال، تفاوت در تعداد تثبیت/ساکاد، در تعداد تثبیت در ثانیه، در دامنه ساکاد بین شرکت کنندگان کمتر و موفق تر. به عنوان مثال، [ 7 ، 16 ، 36 ، 38 ] را ببینید). بنابراین هدف ما ارائه نکات عملی مبتنی بر نتایج مطالعه ارائه شده در اینجا بود که می توانست به شرکت کنندگان ناموفق کمک کند تا با پاسخ نادرست مواجه نشوند ( جدول 2 را ببینید.). این نکات را می توان به نکات مختص به تجزیه و تحلیل نقشه های موضوعی یا کار با نقشه ها به طور کلی و حتی به طور کلی تر نکات مفیدی تقسیم کرد که می تواند در حل هر کار مفید باشد، زیرا برخی از راه حل های نادرست شناسایی شده به دلیل ناکافی بودن آنها ایجاد نشده است. مهارت های نقشه را توسعه داد. علاوه بر این، می‌توان اشاره کرد که سرنخ‌ها به فرآیند استفاده از نقشه اشاره دارند، اما ممکن است برای سازندگان نقشه ارزشمند باشند و همچنین به‌طور غیرمستقیم به بهبود طراحی نقشه اشاره می‌کنند که می‌تواند به کاربران نقشه کمک کند تا کار نقشه را به طور کارآمدتر حل کنند.
ما آگاه هستیم که سرنخ های پیشنهادی بر روی داده های جمع آوری شده از یک مطالعه تجربی خاص ایجاد شده اند. با این حال، ما بر این باوریم که نتیجه گیری هایی که هم توسط پزشکان امکان پذیر است (در این مورد در آموزش نقشه برداری) و هم توسط سایر محققان در شرایط مختلف آزمایش شود، ارزشمند است. بنابراین، این سرنخ ها می توانند به عنوان نقطه شروعی برای بحث بیشتر در مورد موضوع مهم، به نظر ما، در نظر گرفته شوند.
با وجود این، چندین تفاوت قابل توجه در استراتژی‌های مورد استفاده شرکت‌کنندگان شناسایی شد که نمی‌توان آن‌ها را با سطوح مختلف تخصص «از بالا به پایین» شرکت‌کنندگان و صحت حل تکلیف آن‌ها توضیح داد. بنابراین، مطالعات آتی می‌تواند بر شناسایی سایر متغیرهای مستقلی تمرکز کند که به‌طور قابل‌توجهی بر انتخاب استراتژی کاربر نقشه تأثیر می‌گذارد، بنابراین این تفاوت‌های غیرقابل توضیح را قادر می‌سازد تا روشن شوند یا حتی همه تفاوت‌های شناسایی‌شده را بهتر درک کنند. متغیرهای بالقوه مناسب را می‌توان از نتایج مطالعاتی که به طور مشابه بر توصیف استراتژی‌های حل‌کننده تمرکز می‌کنند و نه تنها در زمینه نقشه‌نگاری (به عنوان مثال، [ 82 ، 83 ، 84 ، 85 ) استخراج کرد.]). از دیدگاه آنها، تأثیر جنسیت، بهره هوشی و سبک شناختی (تفکر) باید در مطالعات آینده مورد بررسی قرار گیرد.

پیوست اول

جدول
جدول A1. صحت پاسخ های داده شده توسط شرکت کنندگان برای تکالیف فردی. وظایف انتخاب شده برای تجزیه و تحلیل بیشتر به صورت پررنگ هستند.

منابع

  1. Wood, D. The Power of Maps ; The Guilford Press: نیویورک، نیویورک، ایالات متحده آمریکا، 1992. [ Google Scholar ]
  2. نقشه دارچین، SA به عنوان سلاح. ساختن دانش: مطالعات برنامه درسی در عمل. در از طریق یک لنز تحریف شده: رسانه ها به عنوان برنامه های درسی و آموزش در قرن بیست و یکم . Nicosia, LM, Goldstein, RA, Eds. Sense Publishers: روتردام، هلند، 2017; صص 99-114. [ Google Scholar ]
  3. Monmonier, M. How to Lie with Maps ; انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 2014. [ Google Scholar ]
  4. هاولکوا، ال. هانوس، ام. مهارت‌های نقشه در آموزش: مروری نظام‌مند از اصطلاحات، روش‌شناسی و عوامل تأثیرگذار. کشیش بین المللی Geogr. آموزش. آنلاین 2019 ، 9 ، 361–401. [ Google Scholar ]
  5. اومز، ک. دی مایر، پ. فاک، وی. ون آسشه، ای. Witlox، F. تفسیر نقشه ها از دید کاربران متخصص و مبتدی. بین المللی جی. جئوگر. Inf. علمی 2012 ، 26 ، 1773-1788. [ Google Scholar ] [ CrossRef ]
  6. گربر، آر. لیدستون، جی. Nason, R. مدل سازی تخصص در نقشه خوانی: آغاز. بین المللی Res. Geogr. محیط زیست آموزش. 1992 ، 1 ، 31-43. [ Google Scholar ] [ CrossRef ]
  7. اومز، ک. دی مایر، پ. Fack, V. مطالعه رفتار توجه کاربران مبتدی و متخصص نقشه با استفاده از ردیابی چشم. کارتوگر. Geogr. Inf. علمی 2014 ، 41 ، 37-54. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. پستیگو، ی. پوزو، JI یادگیری نقشه جغرافیایی توسط متخصصان و تازه کارها. آموزش. روانی 1998 ، 18 ، 65-80. [ Google Scholar ] [ CrossRef ]
  9. دونگ، دبلیو. یینگ، کیو. یانگ، ی. تانگ، اس. ژان، ز. لیو، بی. Meng, L. استفاده از ردیابی چشم برای بررسی تأثیر دوره های جغرافیا بر توانایی فضایی مبتنی بر نقشه. پایداری 2018 ، 11 ، 76. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  10. کلارک، دی. رینولدز، اس. لمانوفسکی، وی. استایلز، تی. یاسار، س. پروکتور، اس. لوئیس، ای. استرومفورز، سی. کورکینز، جی. مفهوم سازی و تفسیر نقشه های توپوگرافی توسط دانشجویان دانشگاه. بین المللی J. Sci. آموزش. 2008 ، 30 ، 377-408. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. لوگان، تی. لوری، تی. Diezmann, CM ژست های همفکری: حمایت از دانش آموزان برای پیمایش موفقیت آمیز وظایف نقشه. آموزش. گل میخ. ریاضی. 2014 ، 87 ، 87-102. [ Google Scholar ] [ CrossRef ]
  12. چولتکین، ا. Brychtová، A.; گریفین، آل. رابینسون، AC; ایمهوف، م. پتیت، سی. پیچیدگی ادراکی نقشه‌های خاک-منظر: ارزیابی کاربر از سازماندهی رنگ در طرح‌های افسانه‌ای با استفاده از ردیابی چشم. بین المللی جی دیجیت. زمین 2017 ، 10 ، 560–581. [ Google Scholar ] [ CrossRef ]
  13. چولتکین، ا. فابریکانت، SI; لاکایو، ام. بررسی کارایی استراتژی‌های تحلیل بصری کاربران بر اساس تجزیه و تحلیل توالی ضبط‌های حرکات چشم. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 1559-1575. [ Google Scholar ] [ CrossRef ]
  14. اوپاچ، ت. گولوبیوفسکا، آی. Fabrikant، SI چگونه مردم نقشه های متحرک چند جزئی را مشاهده می کنند؟ کارتوگر. J. 2014 ، 51 ، 330-342. [ Google Scholar ] [ CrossRef ]
  15. بیکر، KM; پتکوویچ، اچ. ویسنیوسکا، م. لیبارکین، JC امضاهای فضایی تخصص نقشه برداری در میان زمین شناسان میدانی. کارتوگر. Geogr. Inf. علمی 2012 ، 39 ، 119-132. [ Google Scholar ] [ CrossRef ]
  16. کرستیچ، ک. شوسکیچ، آ. کوویچ، وی. Holmqvist، K. همه خوانندگان خوب یکسان هستند، اما هر خواننده کم مهارت متفاوت است: مطالعه ردیابی چشمی با استفاده از داده های PISA. یورو جی روانی. آموزش. 2018 ، 33 ، 521-541. [ Google Scholar ] [ CrossRef ]
  17. راث، اصول اولیه تعامل کارتوگرافی RE: چارچوب و سنتز. کارتوگر. J. 2012 , 49 , 376-395. [ Google Scholar ] [ CrossRef ]
  18. دونگ، دبلیو. وانگ، اس. چن، ی. Meng, L. استفاده از ردیابی چشم برای ارزیابی قابلیت استفاده از نقشه های جریان. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 281. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  19. بوریان، جی. پوپلکا، اس. بیتلوا، ام. ارزیابی کیفیت نقشه‌کشی طرح‌های شهری با ردیابی چشم. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 192. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  20. Wehrend، S. لوئیس، سی. طبقه بندی مسئله محور تکنیک های تجسم. در مجموعه مقالات اولین کنفرانس تجسم 90، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 23 تا 26 اکتبر 1990. [ Google Scholar ]
  21. عمار، ر. ایگان، جی. Stasko, J. مولفه های سطح پایین فعالیت تحلیلی در تجسم اطلاعات. در مجموعه مقالات سمپوزیوم IEEE 2005 در مورد تجسم اطلاعات، مینیاپولیس، MN، ایالات متحده، 23-25 ​​اکتبر 2005. پ. 15. [ Google Scholar ]
  22. کیمرلینگ، ای جی. باکلی، آر. Muehrcke، PC; Muehrcke، JO استفاده از نقشه: خواندن و تجزیه و تحلیل . ESRI Press Academic: Redlands, CA, USA, 2009. [ Google Scholar ]
  23. مایکلیدو، ای. ناکوس، بی. فیلیپاکوپولو، وی. توانایی کودکان دبستانی برای تجزیه و تحلیل مرجع عمومی و نقشه های موضوعی. Cartographica 2004 ، 39 ، 65-88. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. کارمایکل، ای. لارسون، ا. گیر، ای. لوشکی، ال. Rebello، NS چگونه توجه بصری بین متخصصان و افراد تازه کار در مسائل فیزیک متفاوت است؟ در سال 1389 کنفرانس پژوهشی تربیت فیزیک ; Singh, C., Sabella, M., Rebello, S., Eds. Amer Inst Physics: Melville, NY, USA, 2010; پ. 93. [ Google Scholar ]
  25. Bednarik، R. استراتژی های توجه بصری وابسته به تخصص در طول زمان در خلال اشکال زدایی با نمایش کدهای متعدد توسعه می یابند. بین المللی جی. هوم. محاسبه کنید. گل میخ. 2012 ، 70 ، 143-155. [ Google Scholar ] [ CrossRef ]
  26. لی، دبلیو.-سی. Chiu، F.-C.; کو، ی. وو، ک.-جی. بررسی توجه بصری و حجم کار توسط کارشناسان و افراد تازه کار در کابین خلبان. در مجموعه مقالات روانشناسی مهندسی و ارگونومی شناختی. برنامه ها و خدمات ; هریس، دی.، اد. Springer: برلین، آلمان، 2013; صص 167-176. [ Google Scholar ]
  27. وارن، آل. دونون، TL; Wagg، CR; کشیش، اچ. فرناندز، نیوجرسی کمیت تفاوت های تازه کار و متخصص در استدلال تشخیصی بصری در آسیب شناسی دامپزشکی با استفاده از فناوری ردیابی چشم. J. Vet. پزشکی آموزش. 2018 ، 45 ، 295-306. [ Google Scholar ] [ CrossRef ]
  28. موزر-مرسر، ب. پارادایم خبره- مبتدی در تفسیر تحقیق. در Translationsdidaktik ; Gunter Narr Verlag: توبینگن، آلمان، 1997; صص 255-261. [ Google Scholar ]
  29. اومز، ک. دی مایر، پ. Fack، V. گوش دادن به کاربر نقشه: شناخت، حافظه، و تخصص. کارتوگر. J. 2015 ، 52 ، 3-19. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. اندرسون، JR معماری شناخت ; انتشارات دانشگاه هاروارد: کمبریج، انگلستان، 1983. [ Google Scholar ]
  31. Gerace، WJ حل مسئله و درک مفهومی. در مجموعه مقالات کنفرانس پژوهشی آموزش فیزیک 2001 ; فرانکلین، اس.، مارکس، جی.، کامینگز، ک.، ویرایش. PERC Publishing: New York, NY, USA, 2001; صص 33-45. [ Google Scholar ]
  32. گگنفورتنر، آ. لهتینن، ای. Säljö, R. تفاوت های تخصصی در درک تجسم ها: متا آنالیز تحقیقات ردیابی چشم در حوزه های حرفه ای. آموزش. روانی Rev. 2011 , 23 , 523-552. [ Google Scholar ] [ CrossRef ]
  33. حیدر، اچ. فرنچ، PA نقش کاهش اطلاعات در کسب مهارت. شناخت. روانی 1996 ، 30 ، 304-337. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. پاس، اف. رنکل، ا. Sweller, J. نظریه بار شناختی و طراحی آموزشی: تحولات اخیر. آموزش. روانی 2003 ، 38 ، 1-4. [ Google Scholar ] [ CrossRef ]
  35. Crampton, J. A Cognitive Analysis of Wayfinding Expertise. Cartographica 1992 ، 29 ، 46-65. [ Google Scholar ] [ CrossRef ]
  36. استوفر، ک. Che, X. مقایسه کارشناسان و تازه کارها در مورد تجسم داده های داربست با استفاده از ردیابی چشم. J. Eye Mov. Res. 2014 ، 7 ، 1-15. [ Google Scholar ]
  37. پوپلکا، اس. وندراکووا، آ. Hujňáková، P. ارزیابی ردیابی چشمی نقشه های وب آب و هوا. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 256. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  38. دونگ، دبلیو. ژنگ، ال. لیو، بی. Meng, L. استفاده از ردیابی چشم برای بررسی تفاوت‌ها در توانایی فضایی مبتنی بر نقشه بین جغرافیدانان و غیرجغرافیدانان. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 337. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. مک آردل، جی. طاهر، ع. برتولتو، ام. تفسیر الگوهای استفاده از نقشه با استفاده از تجزیه و تحلیل زمین بصری و خوشه بندی مکانی-زمانی. بین المللی جی دیجیت. زمین 2015 ، 8 ، 599-622. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  40. Nielsen, J. Usability Engineering ; مورگان کافمن: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، 1994. [ Google Scholar ]
  41. چولتکین، ا. هیل، بی. گارلاندینی، اس. Fabrikant، SI ارزیابی اثربخشی طراحی‌های رابط نقشه تعاملی: مطالعه موردی ادغام معیارهای کاربردپذیری با تجزیه و تحلیل حرکت چشم. کارتوگر. Geogr. Inf. علمی 2009 ، 36 ، 5-17. [ Google Scholar ] [ CrossRef ]
  42. کرکوویتس، ک. Szigeti، C. رابطه بین اعوجاج در پیش بینی نقشه و قابلیت استفاده از نقشه های مقیاس کوچک. در مجموعه مقالات هفتمین کنفرانس بین المللی کارتوگرافی و GIS ; Bandrova, T., Konečný, M., Eds. انجمن کارتوگرافی بلغارستان: سوزوپول، بلغارستان، 2018; صص 236-245. [ Google Scholar ]
  43. شاوریچ، بی. جنی، بی. سفید، دی. Strebe، DR تنظیمات برگزیده کاربر برای پیش بینی نقشه جهان. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 398-409. [ Google Scholar ] [ CrossRef ]
  44. Kastens، KA; استراتژی‌ها و مشکلات کودکان لیبن، LS هنگام استفاده از نقشه برای ثبت مکان‌ها در یک محیط بیرونی. بین المللی Res. Geogr. محیط زیست آموزش. 2010 ، 19 ، 315-340. [ Google Scholar ] [ CrossRef ]
  45. لی، جی. Bednarz، RS تحلیل ویدئویی استراتژی های ترسیم نقشه. جی. جئوگر. 2005 ، 104 ، 211-221. [ Google Scholar ] [ CrossRef ]
  46. ون گوگ، تی. پاس، اف. ون مرینبور، جی جی جی. Witte، P. کشف فرآیند حل مسئله: گزارش گذشته نگر در مقابل گزارش همزمان و گذشته نگر. J. Exp. روانی Appl. 2005 ، 11 ، 237-244. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. اریکسون، کالیفرنیا؛ Simon، تجزیه و تحلیل پروتکل HA: گزارش های کلامی به عنوان داده . انتشارات MIT: کمبریج، MA، ایالات متحده آمریکا، 1993. [ Google Scholar ]
  48. Gołębiowska، I. طرح‌بندی افسانه‌ای برای نقشه‌های موضوعی: مطالعه موردی ادغام معیارهای کاربردپذیری با روش تفکر بلند. کارتوگر. J. 2015 ، 52 ، 28-40. [ Google Scholar ] [ CrossRef ]
  49. دانکر، آ. مارکوپولوس، پ. مقایسه با صدای بلند، پرسشنامه و مصاحبه برای آزمایش قابلیت استفاده با کودکان. در مردم و کامپیوترها شانزدهم—به یاد ماندنی اما نامرئی ; Faulkner, X., Finlay, J., Détienne, F., Eds. Springer London: لندن، انگلستان، 2002; صص 305-316. [ Google Scholar ]
  50. اومز، ک. دی مایر، پ. Fack, V. تجزیه و تحلیل الگوهای حرکت چشم برای بهبود طراحی نقشه. در مجموعه مقالات AutoCarto 2010 ; CaGIS: Orlando, FL, USA, 2010; جلد 38، ص. 5. [ Google Scholar ]
  51. Duchowski، A. روش ردیابی چشم: نظریه و عمل . Springer London: لندن، انگلستان، 2007. [ Google Scholar ]
  52. فقط، MA; نجار، PA تثبیت چشم و فرآیندهای شناختی. شناخت. روانی 1976 ، 8 ، 441-480. [ Google Scholar ] [ CrossRef ]
  53. دونگ، دبلیو. لیائو، اچ. خو، اف. لیو، ز. Zhang, S. استفاده از ردیابی چشم برای ارزیابی قابلیت استفاده از نقشه های متحرک. علمی چین-علم زمین. 2014 ، 57 ، 512-522. [ Google Scholar ] [ CrossRef ]
  54. Brychtová، A.; Çöltekin، A. یک مطالعه تجربی کاربر برای اندازه گیری تأثیر فاصله رنگ و اندازه قلم در نقشه خوانی با استفاده از ردیابی چشم. کارتوگر. J. 2016 ، 53 ، 202-212. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. لی، تی.-سی. وو، اس.-سی. چائو، سی.-و. لی، اس.-اچ. ارزیابی تفاوت در توجه بصری فضایی در استراتژی راهیابی هنگام استفاده از نقشه های الکترونیکی دو بعدی و سه بعدی GeoJournal 2016 ، 81 ، 153-167. [ Google Scholar ] [ CrossRef ]
  56. دونگ، دبلیو. جیانگ، ی. ژنگ، ال. لیو، بی. منگ، ال. ارزیابی مهارت‌های نقشه‌خوانی با استفاده از ردیابی چشم و مدل‌سازی معادلات ساختاری بیزی. پایداری 2018 ، 10 ، 3050. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  57. هاولکوا، ال. هانوس، ام. تحقیق در مورد استراتژی های تحلیل نقشه: رویکردهای تئوری و داده محور. Geografie 2019 ، 124 ، 187–216. [ Google Scholar ] [ CrossRef ]
  58. لیائو، اچ. دونگ، دبلیو. پنگ، سی. لیو، اچ. بررسی تفاوت‌های توجه بصری در جهت‌یابی عابر پیاده هنگام استفاده از نقشه‌های دو بعدی و مرورگرهای جغرافیایی سه بعدی. کارتوگر. Geogr. Inf. علمی 2017 ، 44 ، 474-490. [ Google Scholar ] [ CrossRef ]
  59. کسکین، م. اومز، ک. دوگرو، AO; De Maeyer، P. EEG و آزمایش‌های کاربر ردیابی چشم برای وظایف حافظه فضایی در نقشه‌ها. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 546. [ Google Scholar ]
  60. هاولکوا، ال. Hanus، M. تاثیر نوع نقشه بر سطح مهارت های نقشه دانش آموز. Cartographica 2018 ، 53 ، 149-170. [ Google Scholar ] [ CrossRef ]
  61. ووسکوهلر، ا. نوردمایر، وی. کوچینکه، ال. Jacobs, AM OGAMA (Open Gaze and Mouse Analyzer): نرم افزار منبع باز طراحی شده برای تجزیه و تحلیل حرکات چشم و ماوس در طرح های مطالعه نمایش اسلاید. رفتار Res. Methods 2008 ، 40 ، 1150-1162. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. Popelka, S. تنظیمات بهینه تشخیص تثبیت چشم برای اهداف نقشه برداری. در مجموعه مقالات چهاردهمین کنفرانس جغرافیایی SGEM در انفورماتیک، ژئوانفورماتیک و سنجش از دور (SGEM’14)، آلبنا، بلغارستان، 17 تا 26 ژوئن 2014. [ Google Scholar ]
  63. دولژالووا، ج. پوپلکا، اس. اسکن گراف: یک روش جدید مقایسه مسیر اسکن با استفاده از تجسم گراف. J. Eye Mov. Res. 2016 ، 9 ، 1-13. [ Google Scholar ]
  64. Bojko، A. آموزنده یا گمراه کننده؟ نقشه های حرارتی تخریب شده، روندهای جدید. در مجموعه مقالات تعامل انسان و کامپیوتر ; Jacko، JA، Ed. Springer: برلین، آلمان، 2009; صص 30-39. [ Google Scholar ]
  65. نتک، آر. پور، ت. Slezáková, R. پیاده سازی نقشه های حرارتی در سیستم اطلاعات جغرافیایی – مطالعه اکتشافی بر روی داده های تصادفات ترافیکی. Geosci را باز کنید. 2018 ، 10 ، 367-384. [ Google Scholar ] [ CrossRef ]
  66. کنت، RA تجزیه و تحلیل داده های کمی: رویکردهای مبتنی بر متغیر و موردی به مجموعه داده های غیر تجربی . SAGE: لندن، بریتانیا، 2015. [ Google Scholar ]
  67. گولوبیوفسکا، آی. اوپاچ، ت. Rød, JK فقط برای چشمان شما؟ ارزیابی یک ابزار هماهنگ و چند نما با یک نقشه، یک نمودار هماهنگ موازی و یک جدول با استفاده از رویکرد ردیابی چشم. بین المللی جی. جئوگر. Inf. علمی 2017 ، 31 ، 237-252. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  68. دولژالووا، ج. پوپلکا، اس. ارزیابی استراتژی کاربر بر روی نقشه‌های شهر دوبعدی و سه بعدی بر اساس روش مقایسه مسیر اسکن جدید و تجسم نمودار. در کنگره XXIII ISPRS، کمیسیون دوم ؛ Halounová، L.، Li، S.، Šafář، V.، Tomková، M.، Rapant، P.، Brázdil، K.، Shi، W.، Anton، F.، Liu، Y.، Stein، A.، و همکاران، ویرایش. Copernicus Gesellschaft Mbh: گوتینگن، آلمان، 2016; جلد 41، ص 637–640. [ Google Scholar ]
  69. اندرسون، NC; اندرسون، اف. کینگ استون، ای. بیشوف، WF مقایسه روش‌های مقایسه مسیر اسکن. رفتار Res. 2015 ، 47 ، 1377–1392. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. Needleman, SB; Wunsch، CD یک روش عمومی قابل استفاده برای جستجوی شباهت‌ها در توالی اسید آمینه پروتئین‌ها. جی. مول. Biol. 1970 ، 48 ، 443-453. [ Google Scholar ] [ CrossRef ]
  71. کدهای باینری Levenshtein، VI که قادر به تصحیح حذف، درج و معکوس هستند. Sov. فیزیک دوکل. 1966 ، 10 ، 707-710. [ Google Scholar ]
  72. کریستینو، اف. ماتوت، اس. تیووز، جی. Gilchrist، ID ScanMatch: روشی جدید برای مقایسه توالی های تثبیت. رفتار Res. Methods 2010 ، 42 ، 692-700. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  73. پولسون، پی.جی. لوئیس، سی. ریمن، جی. وارتون، سی. پیشرفت های شناختی: روشی برای ارزیابی مبتنی بر نظریه رابط های کاربر. بین المللی J. Man-Mach. گل میخ. 1992 ، 36 ، 741-773. [ Google Scholar ] [ CrossRef ]
  74. Svenson، O. تئوری تمایز و تثبیت تصمیم گیری انسانی: چارچوب مرجع برای مطالعه فرآیندهای قبل و بعد از تصمیم گیری. Acta Psychol. 1992 ، 80 ، 143-168. [ Google Scholar ] [ CrossRef ]
  75. دیموپولوس، ک. آسیماکوپولوس، الف. علم در وب: الگوهای پیمایش دانش آموزان دبیرستانی و ویژگی های صفحات ترجیحی. J. Sci. آموزش. تکنولوژی 2010 ، 19 ، 246-265. [ Google Scholar ] [ CrossRef ]
  76. یارودزکا، اچ. شایتر، ک. گرجتس، پی. ون گوگ، تی. در چشم بیننده: چگونه کارشناسان و تازه کارها محرک های پویا را تفسیر می کنند. فرا گرفتن. Instr. 2010 ، 20 ، 146-154. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  77. او، HC; چنگ، ام تی. لی، TW; وانگ، سی. Chiu، HT; لی، پی.زی. چو، WC; چاانگ، MH حل مسئله شیمی در مقطع کارشناسی مبتنی بر وب: تأثیر متقابل عملکرد کار، دانش دامنه و استراتژی‌های جستجوی وب. محاسبه کنید. آموزش. 2012 ، 59 ، 750-761. [ Google Scholar ] [ CrossRef ]
  78. مایر، RE جنبه های شناختی، فراشناختی و انگیزشی حل مسئله. Instr. علمی 1998 ، 26 ، 49-63. [ Google Scholar ] [ CrossRef ]
  79. MacEachren، AM نقشه ها چگونه کار می کنند: بازنمایی، تجسم و طراحی . Guilford Press: نیویورک، نیویورک، ایالات متحده آمریکا، 1995. [ Google Scholar ]
  80. Brunyé، TT; تیلور، HA وقتی اهداف محدود می شوند: حرکات چشم و حافظه برای مطالعه نقشه هدف گرا. Appl. شناخت. روانی 2009 ، 23 ، 772-787. [ Google Scholar ] [ CrossRef ]
  81. اسنوپکووا، دی. شودووا، اچ. کوبیچک، پ. Stachoň, Z. ناوبری در محیط های داخلی: آیا نوع محرک یادگیری بصری مهم است؟ ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 251. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  82. فیورینا، ال. آنتونیتی، آ. کلمبو، بی. بارتولومئو، الف. سبک تفکر، اعداد اول مرور و پیمایش ابررسانه ای. محاسبه کنید. آموزش. 2007 ، 49 ، 916-941. [ Google Scholar ] [ CrossRef ]
  83. حسیه، ت. وو، ک. تأثیر تفاوت جنسیتی بر رفتارهای جستجوی اطلاعات برای رابط گرافیکی کتابخانه دیجیتال کودکان. یونیورسال جی. آموزش. Res. 2015 ، 3 ، 200-206. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  84. Cho, S. نقش IQ در استفاده از راهبردهای شناختی برای یادگیری اطلاعات از نقشه. فرا گرفتن. فردی. فرق داشتن. 2010 ، 20 ، 694-698. [ Google Scholar ] [ CrossRef ]
  85. میسون، ال. تورناتورا، ام سی؛ Pluchino، P. آیا دانش آموزان کلاس چهارم متن و تصویر را در پردازش و یادگیری از یک متن علمی مصور ادغام می کنند؟ شواهدی از الگوهای حرکت چشم. محاسبه کنید. آموزش. 2013 ، 60 ، 95-109. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00009 g001 550
شکل 1. طرح محرک ها با AOI های تعیین شده و اختصارات آنها. AOI های کلیدی اعمال شده در تجزیه و تحلیل های بیشتر با مستطیل های رنگی مشخص می شوند.
Ijgi 09 00009 g002 550
شکل 2. رویه و طراحی مطالعه.
Ijgi 09 00009 g003 550
شکل 3. مقایسه میزان موفقیت افراد واسطه و خبرگان.
Ijgi 09 00009 g004 550
شکل 4. نقشه های توجه نسبی شرکت کنندگان که به درستی پاسخ می دهند (ستون چپ)، اشتباه (ستون وسط)، و تفاوت محاسبه شده بین نقشه های توجه (ستون سمت راست).
Ijgi 09 00009 g005 550
شکل 5. توزیع مدت زمان تثبیت نسبی در طول حل کار بین AOIهای منفرد. هر نمودار نشان دهنده یک خوشه است که با تجزیه و تحلیل خوشه سلسله مراتبی شناسایی شده است. خوشه ها بر اساس سهم شرکت کنندگان ناموفق (از بالاترین به پایین ترین) مرتب شده اند.
Ijgi 09 00009 g006 550
شکل 6. شباهت ترتیب AOIهای بازدید شده بر اساس الگوریتم Needleman-Wunsch. هر نقطه در نمودارها یک شرکت‌کننده را نشان می‌دهد و لبه‌ای که دو نقطه را به هم متصل می‌کند، شرکت‌کنندگانی را نشان می‌دهد که ارزش شباهت دنباله‌شان در میان 5 درصد برتر است.
Ijgi 09 00009 g007 550
شکل 7. استراتژی های مورد استفاده در هنگام حل کار انتخاب شده. شرکت کنندگان به صورت دستی بر اساس استراتژی اصلی (استراتژی) که استراتژی مورد استفاده آنها (استراتژی ها) مرتبط است، گروه بندی می شوند. گروه‌هایی که 75 درصد یا بیشتر از شرکت‌کنندگان پاسخ‌های نادرست ارائه کرده‌اند، با پس‌زمینه قرمز کم‌رنگ مشخص می‌شوند.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید