复杂世界中的搜索：混合现实中的视觉搜索与空间规律记忆

文献标题

Searching Through Complex Worlds: Visual Search and Spatial Regularity Memory in Mixed Reality

出版信息

• 研究领域: 混合现实（MR）环境中的视觉搜索与记忆。
• 关键词: 视觉搜索, 空间规律性, 混合现实, 双任务性能, 物理环境复杂性, 虚拟元素深度, 上下文提示, 工作负荷, 隐式记忆, 人机交互。

背景与问题

• 问题/挑战: 现有关于视觉搜索的研究通常聚焦于二维环境中的单一因素（如物理复杂性或虚拟布局），忽略了MR中物理和虚拟元素的相互作用。此外，双任务需求和空间规律性对MR中搜索性能的影响尚未得到充分研究。
• 意义: 理解MR中的视觉搜索与记忆对于设计高效的MR应用至关重要，因为用户通常需要面对复杂的环境和多任务需求。
• 动机与相关工作: 先前研究表明，物理和虚拟元素会影响视觉搜索，但大多数研究是在二维显示器或VR/AR环境中进行的，缺乏深度相关的见解。关于空间规律性的研究也在双任务条件下表现出不一致的结果。本文旨在通过研究物理复杂性、虚拟深度和双任务需求在MR中的交互作用来填补这些空白。

解决方案

• 提出的方法: 使用定制的MR应用程序进行用户研究，系统性地探讨物理环境复杂性、虚拟元素深度和双任务存在对视觉搜索性能和空间规律性记忆的影响。
• 创新点:
  1. 解构物理环境复杂性、虚拟元素深度和双任务存在对MR中视觉搜索的影响。
  2. 探讨MR中空间规律性的作用，区分隐式记忆和显式记忆。
  3. 强调MR任务中客观性能与主观工作负荷之间的差异。
  4. 基于实证结果提供MR应用设计建议。
• 实验过程与关键技术:
  • 设计了一个2×2×2的被试内实验，招募了24名参与者，操控物理环境复杂性（简单 vs. 复杂）、虚拟元素深度（相同 vs. 不同）和任务类型（单任务 vs. 双任务）。
  • 测量视觉搜索性能（反应时间、准确率）、空间规律性记忆（上下文提示和识别任务）以及感知工作负荷（NASA-TLX问卷）。
  • 使用线性混合效应模型（LMMs）、广义线性混合效应模型（GLMMs）和累积链接混合模型（CLMMs）进行数据分析。

结果

• 具体发现:
  • 复杂环境显著增加了反应时间（β = 0.305, p < 9.65E-29）并降低了准确率（OR = 0.716, p < 3.73E-04）。
  • 不同深度的虚拟元素延缓了反应时间（β = 0.091, p < 8.6E-4），但对准确率无显著影响。
  • 重复的空间配置在所有条件下都减少了反应时间，表明存在隐式空间规律性记忆。
  • 双任务的存在对整体反应时间无显著影响，但显著增加了所有NASA-TLX子量表的感知工作负荷。
• 相较基线的优势:
  • 深度线索缓解了复杂环境对反应时间的负面影响（β = -0.110, p < 4.54E-3）。
  • 即使在双任务和复杂条件下，重复的空间配置也提高了搜索效率。
• 实验/评估:
  • 参与者在8个实验条件下完成了125次上下文提示任务和4次识别任务。
  • 通过分析反应时间、准确率和感知工作负荷评估自变量的影响。
• 局限性与未来工作:
  • 控制的物理环境可能无法完全反映真实世界MR的多样性。
  • 未探讨虚拟元素的颜色和大小等因素。
  • 样本量的确定可以通过先验功效分析进一步优化。
  • 未来研究应关注动态环境以及影响视觉搜索和记忆的其他因素。

总结

本研究探讨了物理环境复杂性、虚拟元素深度和双任务存在如何影响MR中的视觉搜索性能和空间规律性记忆。结果表明，复杂环境和不同深度的虚拟元素会降低搜索效率，而重复的空间配置能够促进基于隐式记忆的改进。双任务条件增加了感知工作负荷，但对客观性能的影响有限。研究结果强调了在MR设计中平衡用户体验与性能的重要性，特别是需要保持一致的空间布局，并仔细考虑环境和任务相关因素。这些见解为优化多种情境下的MR应用提供了可操作的指导。