MarioChart：作为主动代理界面的自主实体用于具身式随意数据探索

文献标题

MarioChart: Autonomous Tangibles as Active Proxy Interfaces for Embodied Casual Data Exploration

出版信息

• 主题领域: 面向情境化数据可视化的可触用户界面
• 关键词: 可触用户界面, 主动代理, 情境化可视化, 数据探索, 空间记忆, 自主可触物体, 具身交互, 用户研究, 数据分析, 人机交互

背景与问题

• 问题/挑战: 现有用于情境化可视化的可触用户界面（TUI）缺乏关于主动操控可触代理对任务性能影响的实证评估。此前的系统（如 Uplift）需要手动重新定位代理，限制了可用性。
• 意义: 理解主动代理的优缺点可以为设计直观且具有吸引力的休闲数据探索系统提供指导，这在教育、公众参与和协作分析等领域具有潜在应用价值。
• 动机与相关工作: 先前的研究表明 TUI 在认知和协作方面具有优势，但主要集中于静态代理或图形界面。使用可触代理进行情境化可视化的研究较少，尤其是在需要主动操控参照物的场景中。

解决方案

• 提出的方法: MarioChart 系统是一种主动代理界面，结合了自主可触代理、桌面显示和仪表板，用于情境化数据可视化。
• 创新点:
  1. 提出了情境化可视化的概念设计空间，以被动代理与主动代理、空间表示与抽象表示为轴进行定义。
  2. 开发了 MarioChart 系统，具备能够自主移动到地图正确位置的可触代理。
  3. 对主动代理与图形平板界面进行了实证评估，重点分析任务性能、记忆力和用户体验。
• 流程与关键技术:
  1. 可触代理（建筑物的比例模型）通过六自由度跟踪，并使用桌面机器人自主重新定位。
  2. 交互设计包括通过物理操控代理实现的过滤、比较和深入分析任务。
  3. 用户研究（n=12）比较了 MarioChart 和平板界面在四种任务类型中的表现，测量了性能、记忆、工作负荷和参与度。

结果

• 具体发现:
  • 主动代理提高了短期空间记忆（平均得分：0.333 vs. 平板的 0.083，Cohen’s d = 0.746）。
  • 使用主动代理完成参照物-数据任务的速度更快（72.40 秒 vs. 平板的 95.56 秒，Cohen’s d = -0.538）。
  • 在长期记忆、身体疲劳、心理负荷或用户参与度方面，两种界面之间没有显著差异。
• 相较基线的优势: 主动代理在特定任务中提供了更好的空间认知和更快的参照物访问速度，尽管总体性能与平板界面相当。
• 实验/评估:
  • 任务: 书签标记、数据-参照物匹配、参照物-数据匹配、空间数据-参照物匹配。
  • 指标: 完成时间、正确率、记忆得分、Borg CR10（身体负荷）、PAAS（心理负荷）和用户参与度量表。
  • 数据集: 校园可持续发展数据（电力、排放、水消耗）。
• 局限性与未来工作:
  • 由于硬件限制，仅限于五个可触代理。
  • 基于摄像头的跟踪方法对持握方式有约束。
  • 样本量较小（n=12）。
  • 未来工作应探索更大规模的代理集、替代跟踪方法，以及强调参照物形状识别的任务。

总结

本文介绍了 MarioChart，一种用于情境化数据可视化的主动代理界面，结合了自主可触代理、桌面地图和仪表板。与平板界面相比，该系统在参照物-数据匹配任务中增强了短期空间记忆和任务性能，尽管在长期记忆、工作负荷或参与度方面未发现显著差异。该研究为主动代理系统提供了基准，并突出了其在休闲数据探索中的潜力。未来研究应解决可扩展性、跟踪约束以及强调参照物形状的任务问题。