意思決定科学の複数の参加者とナビゲーション実験ネットワーク デスクトップ仮想現実のセットアップ

意思決定とナビゲーション ネットワーク コンピューター実験室を使用してマルチ ユーザー実験の実施方法について述べる。

意思決定科学、空間認知など、様々 な分野からの研究者のための挑戦は、複数の参加者間の相互作用を調査します。ローカル エリア ネットワークと専用ソフトウェア プラットフォーム、実験者は効率的にデスクトップ仮想環境で同時に没頭している参加者の行動を監視し、収集したデータをデジタル化できます。これらの機能により、困難 (不可能ではない) 場合になる空間認知とナビゲーションの研究に実験的デザインの現実の世界で行うこと。可能な実験的バリエーション避難、協調と競争力のある検索タスク、および創発的群集行動に影響を与える可能性がありますその他の変動要因の中にストレスがあります。ただし、このような所には、制御された設定でのデータ収集に関するメンテナンスおよび厳密なプロトコルが必要です。最近論文数が実環境と仮想環境の間の対応の面での社会的行動を研究するために十分なことを示唆している間人間の参加者と研究の外的妥当性が問われている時軌道、ためらいと、および空間的意思決定。意思決定とネットワーク デスクトップ仮想現実設定で最大 36 名の参加とナビゲーションに関する実験を実施するための手法について述べるこの記事で (すなわち。、決定科学研究所または DeSciL)。この実験プロトコルを適応し、ネットワーク デスクトップ仮想現実実験室をセットアップするために他の研究者によって適用することができます。

空間認知とナビゲーションに関する研究は通常空間の意思決定を研究 (e.g。、交差点で左または右に回転) とリアルとバーチャルの環境^1,2の個人の精神的な表現。バーチャルリアリティ (VR) のメリットが倫理的なおよび安全問題の防止 (e.g、危険な避難³中)、自動測定と空間データ⁴の分析と内部のバランスのとれた組み合わせと。外的妥当性^5,6,7。たとえば、Weisberg と同僚は、VR 空間タスクが空間認識能力⁸の客観的行動指標を提供できることを示すことによって空間知識獲得における個人差に関する先行研究を拡張しました。仮想環境いた Schinazi と同僚の⁹で使用される大学のキャンパスをモデルにしたので、VR のナビゲーションの動作が実世界ナビゲーションを近似することも示唆 (また Ruddle と同僚の研究を見なさい¹⁰). VR は心理療法¹¹、臨床評価¹²、消費者行動¹³、および手術^14,15にも適用されています。ただし、ほとんどの VR システムは、プレゼンスを向上させることができる感覚とオーディオのフィードバックを持たないし、浸漬^16,17,18,19,^{20 のコントロール インタ フェースでのトレーニングが必要 ,21,22}、および不足社会的手がかり。確かに、現実の世界で人々 はしばしばグループ²³、移動を避けるために従って他の人々^3、24や社会的文脈^25,26に基づいて決定を下します。

同時に、群衆挙動に関する研究は、しばしばコンピューター上でシミュレートまたは現実世界で観察される (例えば、レーン形成、ボトルネック渋滞) 群集の創発的特性に焦点を当てください。たとえば、Helbing と同僚は物理的な障壁の流入と流出を分離し、中の障害物を配置すること、交差点における交通の流れの改善を提案するために実世界の観測とシミュレーションの組み合わせを使用、センターの²⁷を。Moussaïd と同僚は、群衆災害²⁸の中に高密度の状況を研究するのにヒューリスティック ベースのモデルを使用しました。このアプローチは、群衆の災害を避けるために大規模なイベントの環境設定の改善を提案しました。既存のオープン ソースのフレームワークを用いて、このようなシミュレーションの実装は比較的簡単かもしれません。SteerSuite は、ステアリング アルゴリズムと群衆行動を促進、ベンチマーク、および²⁹のテスト ツールを提供することによって簡単にシミュレートすることができますオープン ソースのフレームワークです。このフレームワークは、成功した群集のシミュレーションにとって重要となるエージェントのナビゲーション根拠のコアを提供できます。また、シンと同僚は、さまざまなテクニック³⁰をステアリングを組み合わせた単一のプラットフォームを示します。一方、研究者は、このようなシミュレーションを使用して設計介在を提案できる、ほとんど制御設定では人間の参加者と検証が行われます。整理することは困難で、参加者に危険なことができるので、制御実験は群集の研究ではまれです。

VR は、単純および複雑な仮想環境を使用して 1 つまたは複数のコンピュータ シミュレーションのエージェントと社会的行動を調査するため採用されています。ボード線図と同僚の^31,32の研究で出口選択が静的な看板や動機によって影響を受けたいくつかのエージェントの間で、トップダウンの観点からシンプルな仮想環境に避難を求めた。最初の人の視点からより複雑な環境で参加者を提示、Kinateder および同僚分かった参加者仮想トンネル火災²⁵からの脱出中にコンピュータ シミュレーションの単一のエージェントに従う可能性が高い。複数のエージェントを持つ複雑な仮想環境ドゥルーリーと同僚は、参加者が彼らを群衆²⁶特定避難中に倒れたエージェントを支援する傾向があることを発見します。総称して、VR がエージェントのコンピューター シミュレーションとも社会的行動を引き出す効果的な方法をすることができますが示唆されました。ただし、いくつかの群集行動が観察できる現実的な社会的シグナルがある場合 (すなわち。、参加者が他のアバターが人々³によって制御されることに注意してください)。この欠点を解決するために議定書はネットワーク VR セットアップで複数のユーザと管理された実験の実施方法について説明します。このアプローチは、36 ネットワーク参加者³の避難行動を調査するために、Moussaid および同僚によって最近の研究で採用されています。

ネットワーク接続された VR の研究トピック ナビゲーション戦略^33,34とは無関係やセカンド ライフなど既存のオンライン ゲームのプラットフォームに依存してきました。たとえば、Molka Danielsen と Chabada 出口選択と参加者は第二の人生³⁵の既存ユーザーの間で募集を用いた建物の空間の知識面での避難行動を調査しました。著者らは、いくつかのわかりやすい結果を提供しながら (e.g。、軌跡の可視化)、本研究参加者募集、実験コントロールは、この特定のケースを越えて一般化と困難があった。最近では、Normoyle および同僚分かったセカンド ライフと研究室で参加者の既存ユーザー避難性能と出口の選択の面で匹敵する、自己報告された存在とコントロールに不満の点で異なる³⁶をのインターフェイスです。これら 2 つの研究からの調査結果は、いくつかの課題とオンラインで与えられる機会を強調表示し、実験します。オンライン調査は、潜在的な参加者の大いにより大きく、独創力のある人口から描画が可能です。しかし、研究室の研究物理環境と潜在的な気晴らしのより実験的制御を可能にします。さらに、オンライン調査データの匿名性と機密性に関するいくつかの倫理的な問題が生じる。

ネットワーク デスクトップ VR 研究室として ETH チューリッヒに意思決定科学研究所 (DeSciL)、主に制御された環境で経済的意思決定と戦略的な相互作用を調査する使用されます。DeSciL の技術的な問題は、ハードウェア、ソフトウェア検査の自動化、およびマルチ ユーザー デスクトップ VR セットアップをサポートするソフトウェアで構成されます。ハードウェアが Microsoft Windows 10 Enterprise オペレーティング システム、制御インタ フェースの高性能デスクトップ コンピューター (e.g。、マウス、キーボード、ジョイスティック)、ヘッドフォンと目トラッカー (材料表)。すべてのクライアント コンピューターは、大学ネットワークと同じネットワークのファイル共有に 1 秒あたり 1 つのギガビットのイーサネットで接続されます。ありません表示遅延やラグ 36 クライアント接続がある場合。1 秒あたりのフレーム数が常に 100 以上です。実験も管理され、Microsoft PowerShell (すなわち、PowerShell 希望状態の構成と PowerShell リモート処理) に基づく研究室オートメーション ソフトウェアで制御します。PowerShell スクリプト コマンドレットを呼び出すと、プロトコルのすべての関連するステップを内蔵 (e.g。、- コンピューターを起動、停止コンピューター)。実験では、これらのスクリプトで実行できるとリモートで同時にすべてのクライアント コンピューター。検査自動化のこのタイプにより、クライアントの同一状態のコンピューター、科学的なテストの間に潜在的なエラーや複雑さを低減、研究者の手動による繰り返し作業を実行することを防ぎます。Unity のゲーム エンジンを用いてナビゲーション実験 (< https://unity3d.com/>) マルチ ユーザー、インタラクティブ デスクトップ VR の 2 D および 3 D 環境の開発をサポートするために。36 のクライアント コンピューターは、権限のあるサーバー アーキテクチャを介してサーバーに接続されます。すべての実験の開始時各クライアント インスタンス生成要求をサーバーに送信して、サーバーはすべての接続されているマシンに、そのユーザーのアバターをインスタンス化することによって応答します。各ユーザーのアバターは、50 度の視野角を持つカメラをしています。実験中のクライアント ユーザーに送信 ' サーバーに入力し、サーバーはすべてのクライアントの動きを更新します。

物理学研究所、各コンピューターは半独立した 3室 (図 1) 内の個別ブースで含まれています。研究室の全体のサイズは 170 m² (実験室と 20 m²コントロール ルームのための 150 m² ) です。これらの各部屋はオーディオとビデオの記録装置が装備します。実験は、独立した隣接するルームから制御 (すなわち。、指示を提供し、実験的なプログラムを開始する)。このコントロール ルームから実験者はまた両方の物理および仮想環境で参加者を確認できます。チューリッヒ大学で経済学部と共に、DeSciL は研究参加者は、実装された h ルート³⁷に基づく大学登録センターも保持されます。

同様のシステムは、文学³⁸に記載されている、ナビゲーションおよび私達の知識に群衆行動に関するマルチ ユーザー デスクトップ VR 実験に適している最初の機能研究室は、DeSciL。ここでは、DeSciL で実験を行なうためのプロトコルについて述べる、1 つから現在の代表的な結果ソーシャルナビゲーション挙動に関する研究可能性とこのシステムの限界を話し合います。

ここで説明したすべてのメソッドは、EK 2015 N 37 提案の一環として研究倫理委員会の ETH チューリッヒによって承認されています。

1. 計画の実験的セッションの参加者を募集します。

1. 特定の制約の中で参加者のサンプル (e.g。、学歴、年齢、性別) 参加者募集システムを使用して。
2. 募集システムによって提供される連絡先情報を使用してランダムに選択された参加者に電子メールで招待状を送信します。
3. これらの参加者がオンライン システムを介して登録するを待ちます。もより多くの参加者が必要なことを確認してください (e.g。 4、36 人を必要とするセッションの参加者をオーバーブッ キング) を登録。オーバーブッ キング参加者を助けるノーショーの場合、セッションの実行可能なことを確認します。
4. 確認メールが自動的に登録されている参加者に送信されることを確認します。

2 実験的セッションを準備します。

1. 実験室の環境を準備します。
   1. 採用システムから、参加者のリストを印刷します。
   2. サーバーと、DeSciL の制御室でライトをオンにし、必要な参加者数に応じたテスト部屋を整理します。
   3. 実行可能ファイルのコピーは、プログラムとネットワーク ドライブ上の対応する構成ファイルを試してみてください。この実行可能プログラムは、ローカル エリア ネットワークを通して別のコンピューター間でクライアント/サーバー通信をサポートする Unity のゲーム エンジンに基づくカスタム書かれたソフトウェア フレームワークを展開します。ナビゲーションの実験のため、フレームワークでは、実験中にクライアントの動作を監視鳥目オブザーバー サーバー システムを提供します。
   4. Windows デスクトップ上の開いている PowerShell 統合スクリプト環境。PowerShell コンソールにコンピューター名の配列を指定 (e.g。、$pool ="descil-w02"."descil w01」) クライアント プール オブジェクトを作成します。次に、開始プール $poolクライアント コンピューターを起動して、サーバーをクライアント コンピューターに接続するレジスタ プール $poolを入力します。
   5. プログラムを起動する前にクライアント側でコンピューターを準備します。右側のフォルダーのパスを入力するコンピューターを直接呼び出しプール {マウント-NetworkShare $path}を入力します。
   6. サーバーの準備の機能を実行 (すなわち。、開始 GameServer) およびクライアント (すなわち。、 Invoke プール {開始-GameClient})。関数のパラメーターとして、サーバーの IP アドレスを指定します。
   7. 接続が成功を示すサーバーのモニターにメッセージを待機します。
   8. 同意書や各ブースでペンを配布します。同意フォームには調査に関する情報が含まれます (e.g。、研究、潜在的なリスクとベネフィットの実験の目的)、連絡先情報、実験者および法的免責事項。
   9. 座席参加者の座席の整理を示すカードの山札をシャッフルします。
2. 参加者を歓迎します。
   1. 研究室の外で待っていて、参加者に尋ねます。5 分前に公式の開始時刻、参加登録者のリストを一致していることを確認する参加者の本人確認書類を確認してください。同時に、参加者が自分の座席の番号を示すカードを選ぶをしましょう。対応するブースに歩くし、実験を開始するを待つ参加者を持っています。
   2. 参加者を読むし、同意書に署名するために数分を待ちます。実験を行う前にこれらのフォームを収集します。

3. 実験を行います。

1. すべての参加者にマイクを使って実験手順をブロードキャストします。他の参加者への通信と許可されてない個人の電子機器を含む、基本的なルールを知らせます。実験に関する質問がある場合は挙手する参加者に依頼します。
2. 人口アンケートを提示することによって実験を開始 (e.g。 性別、年齢) 各クライアント上。
3. 参加者に仮想環境を操縦する方法を教えるためのトレーニング シーンを展開します。参加者コントロール インターフェイスを使用して問題がある場合 (例:。、マウス、キーボード)、それらを支援するために彼らのブースに向かって歩きます。すべてのクライアントからのスクリーン ショットを要求することによって参加者の進行状況の監視を維持 (すなわち。、PowerShell コンソールを取得-スクリーン ショットを入力) のすべての参加者は、トレーニング セッションが終了するまで。
4. トレーニング セッションの後に、実験のテスト段階を開始します。サーバー コンピューター上の鳥瞰的インタ フェースから参加者の行動を観察します。彼らは自分のアバターをクリックして異常な何かをやっている場合プログラムを通じ、参加者に警告メッセージを送信します。そうでなければ、実験中に参加者に干渉しないようにします。
5. 次のシーンを読み込んで、指示を読んで、参加者のそれぞれの試験の前に短い待機期間があることを確認します。

4. 実験を終了します。

1. PowerShell コンソールで停止 GameClientと停止 GameServerを入力して、サーバー、クライアント ・ プログラムを閉じます。
2. マイクで自分の番号が呼び出されるまで着席して参加者に依頼します。
3. サーバー コンピューター上のファイル"Score.txt"プロジェクト フォルダー内から参加者の最終的なスコアを抽出し、金銭的な支払に彼らのスコアを変換します。
4. 一度に 1 つのブース番号を呼び出すし、受付で各参加者に会います。参加者に感謝し、それらに対応する支払いを与えます。
5. 個室を確認し、残っているペンやフォームを収集します。
6. コピーし、将来の分析のための外部ディスクにサーバーから実験データを保存します。

それぞれの試験に各クライアントに対して、DeSciL から実験データ通常軌道、タイムスタンプ、およびパフォーマンスのメジャーを含める (e.g。 参加者は、特定の交差点を「正しい」方向になっているかどうか、)。シンプルな Y 字の仮想環境で (仮想アバター) と人間の参加者の群衆は代表的な検討を看板複雑さの経路選択に及ぼす影響。この実験では、28 人の参加者 (12 女性と平均年齢 16 男性 = 22.5) 同じ目標の場所を与えられた (すなわち。、番ゲート) 交差点マップを使用して対応するルート オプションを選択するように求めていたと (図 2参照)。

マップの複雑さ以上 16 の試験を様々 な仮説だった意思決定の時間と精度より複雑なマップの高くなるで 。今後の実験で参加者の軌跡を現実的な社会的シグナルを伝えるエージェントの歩行のパスを定義する使用ことができますが全体的に比較的高い判定精度期待、(すなわち。、信じられる動き)。合計実験時間は、参加者を歓迎 (コントロール インタ フェース) のトレーニング セッションを実施、Y 字通路のテストなど、約 1 時間でした。得られたデータを表 1にまとめます。

図 3では、試行のそれぞれの最小値と最大の完了時刻を示します。これらの説明的な統計情報は、試用期間中の混雑の間接的な手段を提供します。得られたデータは、仮想の群集によって生成された軌跡の可視化 (図 4を参照)。空間統計は、試験を巡る軌道の変化を分析する使用できます。たとえば、研究者は、参加者がお互いをその後どのように密接にまたは特定のコントロールのインタ フェースを持つ参加者がどのようにスムーズに操縦に興味があります。

図 1: DeSciL の実験室の写真です。(a) コントロール ルームには、36 のクライアント コンピューターからのトラフィックを受信し、彼らのブースの参加者を監視サーバーが含まれています。この部屋は、サウンドおよび視覚面での実験室から分離できます。参加者への通信は、マイクとスピーカー ・ システムを介して提供されます。(b) の 3 つの実験室には、36 のブースが含まれています。(c) 各ブースには、デスクトップ コンピューター、モニター、マウスとキーボード インターフェイス、ヘッドホン、アイト ラッカーが含まれています。この図の拡大版を表示するのにはここをクリックしてください。

図 2: Y 字の仮想環境のビュー 。(a) サーバーから研究者は、参加者の交差点に向かって移動を観察できます。(b) クライアントから、参加者は移動中に仮想環境と最初の人の視点から他のアバターを表示できます。この図の拡大版を表示するのにはここをクリックしてください。

図 3: 16 の実験的試験から結果を代表します。最大値と最小時間は、各試行の宛先に到達する最速および最も遅い参加者に必要な時間です。この図の拡大版を表示するのにはここをクリックしてください。

図 4: (a) 試用 1 と (b) 試験 16 から参加者軌跡。X 軸と y 軸の位置を表す群衆の中にアバター。表します時間バーの色は、試用期間中に経過します。この図の拡大版を表示するのにはここをクリックしてください。

表 1: 16 の実験的試験から結果を代表します。意思決定の精度は、正しい選択の割合を表します (すなわち。 正しいゲートに向かって回す、) すべての参加者に。意思決定の時間つまり宛先に到達するために必要な平均時間 (かどうか正しいかではなく) すべての試験を巡る。

この記事で述べる、マルチ ユーザー デスクトップ仮想現実研究室まで 36 名の参加と対話したり、さまざまな仮想環境を同時に移動します。実験プロトコルは、手順このタイプの研究のために必要なユニークなマルチ ユーザー シナリオを詳しく説明します。これらのシナリオに固有の考慮事項は、レンダリングとネットワーク容量 (両方サーバー側およびクライアント側)、制御インターフェイス、データ、研修出席、一見小さな実験者のエラーのコストの参加者数セキュリティ。オーバーブッ キングの参加者は、実験的セッションの参加者の正確な数を確保するため必要です。あまりにもいくつかの参加者が出席する場合失敗した実験的セッションのコストは比較的高いです。同様に、実験誤差はエラーが検出された、またはソフトウェアまたはハードウェアの障害のため実施できません前にいずれかの参加者のデータが汚染されたとき失敗したセッションにつながることができます。たとえば、あまりにも多くの情報がネットワークを通じて配布される場合はシステム全体の再起動が必要と可能性があります。これは、実験が始まっている場合に特に問題です。さらに、仮想ナビゲーション実験参加者必要経験・研修コントロール インタ フェース コントロールは現実の²¹を歩行未満直感であり、コントロールとの相互作用、空間に干渉するのでメモリ タスク²⁰。責任データ管理はまたセッションごとに得られたデータの大規模な量を与えられた特に重要になります。

DeSciL によって与えられる多くの機会がありますが、少なくとも 3 つの制限が残っています。まず、現在のシステムは、最大 36 同時参加者のためのセットアップです。大きい群集で仮想実験はコンピューター制御剤、いくつかの以前のセッションからの人間の参加者の痕跡またはオンライン参加者を含む機能を必要があります。第二に、将来ハードウェアのアップグレード (e.g。 より良いグラフィック カードとより良いプロセッサ) 従来、シングル ユーザーのシステムよりもはるかに高価になります。第三に、マルチ ユーザー デスクトップ仮想現実研究に近い制御インタ フェースとまだ実施できない実質歩行。したがって、参加者間の物理的な相互作用と歩行に関する研究は限られています。

これらの制限にもかかわらず、DeSciL は、リアルなシングル ユーザー実験室調査・ マルチ ユーザー オンライン研究上のいくつかの利点を提供しています。自動化ソフトウェアは、研究者のニーズに関して実験的プロトコルに適応する能力を与えます。現実世界とオンラインの両方の研究と比較して、DeSciL より実験的制御できます。たとえば、DeSciL で実験できる環境の体系的なバリエーションを採用し、仮想と物理の世界では、参加者の直接観察を提供します。コンピューター制御エージェントとシングル ユーザー デスクトップ仮想現実研究に比べて、参加者が互いに相互作用のリアルタイム仮想群衆の創発的行動は実験者の先入観に依存。VR におけるコンピューター制御エージェントはしばしばスクリプト化されたアクションに依存してリアルタイムでユーザーの動きに適応する、しないで。対照的に、ネットワーク デスクトップ VR 人間制御のアバターに影響のより生態学的なコンテキストを提供します (と受けます) 互いの動き。さらに、このアプローチは、運動パラメーターを知らせることができます (e.g。、歩行速度とためらい) 群集研究におけるエージェント ベースのモデルを将来の (e.g。、避難シナリオ³⁹)。一般に、マルチ ユーザー デスクトップ仮想現実研究空間行動のより正確な測定または以前見過ごされている可能性がありますパターンを検出できること。

最近では、DeSciL は正常に意思決定^40,41とナビゲーション研究^3、21のシリーズで採用されています。たとえば、Moussaid と同僚は、避難³の間に群衆挙動に及ぼすストレスを研究するためにマルチ ユーザー デスクトップ VR セットアップを使いました。この研究では、「正しい」出口様々 な試みの試用版からと参加者の割合だけが正しい終了を知らされました。結果、ストレスの下で参加者がより効率的な避難につながったが、この発見は衝突が実装されている方法に起因する可能性があります。さらに、参加者は直接物理的な相互作用の欠如にもかかわらず、参加者の間で社会的シグナルを伝えられたことを示唆しているストレスの下で他のアバターを追随する傾向が。これらの結果は、エージェントのコンピューター制御と単一ユーザー VR と比較してマルチ ユーザー VR のメリットを強調します。将来の研究かオンラインで実験室より複雑な環境変化と目トラッカーなどの周辺機器または生理学的なデバイスの追加取得したマルチ ユーザー データの比較が含まれます。これらの進歩は複雑な行動データ⁴²のさまざまな種類のコレクションします。たとえば、参加者の関心を監視または粗く画面上に関心の領域を検出するために低コストの目追跡システムを組み込むことができます。

著者が明らかに何もありません。

代表的な研究補助金「社会環境の探索」(100014_162428 号) の一部としてスイスの全米科学財団によって資金を供給されました。 されました洞察力に富んだ議論のため m. Moussaid を感謝したいです。またソフトウェア開発中に自分の仕事のため C. ヴィルヘルム、F. Thaler、h. Abdelrahman、s. Madjiheurem、a. インゴールド及び A. Grossrieder を感謝したいです。