SCORE:用于量化增强现实中情境化可视化叙事距离的框架

AR 导航与情境感知沉浸感与临场感研究交互式数据可视化UI/UX 设计师HCI 研究员

文献标题

SCORE: A Framework for Quantifying Diegesis in Situated Visualization for Augmented Reality

出版信息

  • 主题领域: 基于增强现实的情境可视化(AR-SV)的设计与评估。
  • 关键词: 增强现实、情境可视化、叙事性、空间邻近性、具体性、一致性、指代上下文、环境上下文、AR设计框架。

背景与问题

  • 问题/挑战: 现有的基于增强现实的情境可视化(SV)框架主要关注空间定位和上下文,但缺乏一个严格的模型来评估与物理环境的整合质量。这导致了体验质量不同的设计被混为一谈。
  • 意义: 解决这一问题对于设计能够与物理世界无缝融合的AR可视化至关重要,从而提升可用性、沉浸感和参与度。
  • 动机与相关工作: 之前的研究探讨了情境可视化中的空间定位、上下文感知和交互范式。然而,叙事性(diegesis)——即可视化在其环境中看起来多么内在的概念——尚未被充分研究。本文基于叙事学和游戏设计原则,正式定义了AR-SV中的叙事性。

解决方案

  • 提出的方法: SCORE框架从五个维度量化AR情境可视化中的叙事性:空间邻近性、具体性、一致性、指代上下文和环境上下文。
  • 创新点:
    1. 一个多维框架,用于定量和定性评估叙事性。
    2. 通过用户研究(N = 21)进行实证验证,显示出高评分者间一致性。
    3. 通过聚类分析识别出五种不同类别的叙事性可视化。
  • 过程与关键技术:
    • 系统性分析50篇情境可视化文献和67个可视化示例。
    • 为每个维度开发一个6点序数量表。
    • 通过评分者间一致性测试验证框架(各维度α > 0.80)。
    • 使用主成分分析(PCA)推导SCORE公式的权重。
    • 通过聚类分析识别重复出现的设计模式。

结果

  • 具体发现:
    • 识别出五种叙事性可视化类别:情境型(SCORE = 4.13)、整合型(SCORE = 3.80)、超自然型(SCORE = 2.87)、叠加型(SCORE = 1.23)和邻近型(SCORE = 0.65)。
    • PCA推导出的SCORE维度权重:空间邻近性(0.09)、具体性(0.15)、一致性(0.29)、指代上下文(0.14)、环境上下文(0.33)。
    • 高评分者间一致性(α > 0.80)证实了框架的稳健性。
  • 相较基线的优势:
    • 通过在连续体上量化叙事性,区分了之前框架视为相同的设计。
    • 提供了一个结构化的词汇,用于分析和比较情境可视化设计。
  • 实验/评估:
    • 对21名具有AR/VR系统经验的参与者进行用户研究。
    • 使用验证后的评分标准对67个可视化示例进行评分。
    • 使用UMAP和统计测量进行聚类分析,识别设计原型。
  • 局限性与未来工作:
    • 框架范围仅限于AR;未来工作应将其适配于VR和数据物理化。
    • 未考虑技术实现因素,例如渲染质量或跟踪精度。
    • 评估定性维度的主观性仍是一个挑战;进一步研究可以探索不同用户群体间的差异。

总结

SCORE框架提出了一种量化AR情境可视化中叙事性的新方法,通过评估五个维度:空间邻近性、具体性、一致性、指代上下文和环境上下文,填补了现有模型的空白。实证验证证实了其可靠性,聚类分析揭示了五种不同类别的叙事性设计。该框架使研究人员和设计师能够系统地分析和比较情境可视化设计,提供了关于沉浸感、直观性和信息带宽之间权衡的洞察。未来工作可以将SCORE扩展到VR环境,并探索其与技术因素(如渲染质量)的关系。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/222526/2026

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3772318.3791911
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2026
emoji_events
奖项
未标记奖项
group
作者
3 位作者
sell
研究子方向
AR 导航与情境感知、沉浸感与临场感研究、交互式数据可视化
work
职业/产业
UI/UX 设计师、HCI 研究员
article
内容状态
已索引正文
hub
相关论文
10 篇相关论文