Summary

Методы тестирования зрительного внимания Интернет

Published: February 19, 2015
doi:

Summary

To replicate laboratory settings, online data collection methods for visual tasks require tight control over stimulus presentation. We outline methods for the use of a web application to collect performance data on two tests of visual attention.

Abstract

Онлайн методы сбора данных занимает особое место в поведенческих ученых, потому что они предлагают обещание гораздо больше, и намного больше образцов репрезентативные данные, чем обычно может быть собрана на университетских кампусах. Однако, прежде чем эти методы могут быть широко принят, ряд технологических проблем необходимо преодолеть – в частности, в экспериментах, где жесткий контроль над свойствами стимул необходимости. Здесь мы представляем методы для сбора данных о производительности двух тестов зрительного внимания. Оба испытания требуют контроля над углом зрения стимулов (которые в свою очередь, требует знания расстояния просмотра, размер экрана, разрешение экрана, и т.д.) и сроки раздражителей (как показали тесты включают либо кратко мелькнула раздражители или стимулы, которые перемещаются в специфических ставок). Данные, собранные на этих испытаниях из более чем 1700 онлайн участников были совместимы с данными, собранными в лабораторных-разрядных версий тех же тестов. Эти результатыпоказывают, что при надлежащем уходе, размер времени / стимул зависимых задач могут быть развернуты в настройках интернет-обозреватель.

Introduction

За последние пять лет наблюдается всплеск интереса в использовании онлайн-поведенческих методов сбора данных. В то время как подавляющее большинство публикаций в области психологии используются потенциально не репрезентативные тематические населения 1 (то есть, в первую очередь, студенты колледжа) и часто достаточно небольшой размер выборки (а именно, как правило, в диапазоне десятков субъектов), онлайн методов предложить обещание гораздо более разнообразных и более крупных образцов. Например, сервис Amazon Механический турок был предметом ряда недавних исследований, как для описания характеристик «рабочего» населения и использование этого населения в поведенческих исследований 2-6.

Тем не менее, одно существенное беспокойство в связи с такими методов относительное отсутствие контроля над критических переменных стимулирования. Например, в большинстве визуальных психофизических задач, стимулы описаны в терминахугол зрения. Расчет углов зрения требует точных измерений расстояния просмотра, размер экрана, и разрешение экрана. В то время как эти параметры являются тривиальными для измерения и контроля в лабораторных условиях (где есть известный монитор и участники просматривают стимулы в то время как в подбородок остальные были размещены в известном расстоянии от монитора), то же самое нельзя сказать о коллекции данных в онлайновом режиме. В онлайновой среде, не только участники неизбежно использовать широкий спектр мониторов различных размеров с разными настройками программного обеспечения, они также не могут иметь легкий доступ к линейки / рулетки, которая позволила бы им для определения размера экрана монитора или иметь знания, необходимые чтобы определить свои программные и аппаратные параметры (например, частоту обновления, разрешение).

Здесь мы опишем набор методов для сбора данных о двух хорошо известных тестов визуального внимания – полезное поле зрения (UFOV) парадигмы 7 и несколько объект слежения (MOT) задачи <sup> 8 -, избегая при этом как можно больше источников изменчивости, которые присущи онлайн измерений. Эти задачи могут быть выполнены любым участником с подключением к Интернету и совместимый браузер HTML5. Участники, которые не знают их размер экрана гуляют через процесс измерения с использованием широко доступных элементов стандартных размеров (то есть, кредитная карта / CD – рисунок 1).

Данные об этих двух задач были собраны из более чем 1700 участников в масштабной онлайн-открытый курс. Средняя производительность этого онлайн образца был очень согласуются с результатами, полученными в строго контролируемых лабораторных основе мер и тех же задач 9,10. Наши результаты, таким образом, в соответствии с растущим количеством литературы, демонстрирующей эффективность онлайновых методов сбора данных, даже в задачах, требующих особый контроль над условиями просмотра.

Protocol

Протокол был одобрен этическим комитетом университета Висконсин-Мэдисон. Следующие шаги были написаны в качестве руководства для программистов повторить автоматизированный процесс веб-приложения описаны. 1. Войти Участник Попросите участника использовать комп…

Representative Results

Outlier удаления Всего 1779 участников выполнили задачу UFOV. Из них 32 участников были UFOV пороговые значения, которые были больше, чем 3 стандартных отклонения от среднего значения, предполагая, что они были не в состоянии выполнить задачу в соответствии с инструкциями. Таким обр?…

Discussion

Коллекция Интернет данных имеет ряд преимуществ по сравнению с обычной сбора данных лабораторного. Они включают в себя потенциал попробовать гораздо больше представительства населения, чем типичный колледжа студентов бассейном, используемой в этой области, и возможность получить го…

Divulgations

The authors have nothing to disclose.

Acknowledgements

The authors have nothing to disclose.

Materials

Name of Reagent/ Equipment Company Catalog Number Comments/Description
Computer/tablet N/A N/A It must have an internet connection and an HTML5 compatible browser
CD or credit card N/A N/A May not be needed if participant already knows the monitor size

References

  1. Henrich, J., Heine, S. J., Norenzayan, A. The weirdest people in the world. The Behavioral And Brain Sciences. 33, 61-135 (2010).
  2. Buhrmester, M., Kwang, T., Gosling, S. D. Amazon’s Mechanical Turk: A new source of inexpensive, yet high-quality, data. Perspectives on Psychological Science. 6 (1), 3-5 (2011).
  3. Goodman, J. K., Cryder, C. E., Cheema, A. Data collection in a flat world: the strengths and weaknesses of mechanical turk samples. Journal of Behavioral Decision Making. 26 (3), 213-224 (2013).
  4. Mason, W., Suri, S. Conducting behavioral research on Amazon’s Mechanical Turk. Behavior Research Methods. 44 (1), 1-23 (2012).
  5. Crump, M. J., McDonnell, J. V., Gureckis, T. M. Evaluating Amazon’s Mechanical Turk as a tool for experimental behavioral research. PLoS One. 8, e57410 (1371).
  6. Lupyan, G. The difficulties of executing simple algorithms: why brains make mistakes computers don’t. Cognition. 129, 615-636 (2013).
  7. Ball, K., Owsley, C. The useful field of view test: a new technique for evaluating age-related declines in visual function. J Am Optom Assoc. 64 (1), 71-79 (1993).
  8. Pylyshyn, Z. W., Storm, R. W. Tracking multiple independent targets: Evidence for a parallel tracking mechanism. Spatial Vision. 3 (3), 179-197 (1988).
  9. Dye, M. W. G., Bavelier, D. Differential development of visual attention skills in school-age children. Vision Research. 50 (4), 452-459 (2010).
  10. Green, C. S., Bavelier, D. Enumeration versus multiple object tracking: The case of action video game players. Cognition. 101 (1), 217-245 (2006).
  11. Chengalur, S. N., Rodgers, S. H., Bernard, T. E. Chapter 1. Kodak Company. Ergonomics Design Philosophy. Kodak’s Ergonomic Design for People at Work. , (2004).
  12. Elze, T., Bex, P. P1-7: Modern display technology in vision science: Assessment of OLED and LCD monitors for visual experiments. i-Perception. 3 (9), 621 (2012).
  13. Elze, T., Tanner, T. G. Temporal Properties of Liquid Crystal Displays: Implications for Vision Science Experiments. PLoS One. 7 (9), e44048 (2012).

Play Video

Citer Cet Article
Yung, A., Cardoso-Leite, P., Dale, G., Bavelier, D., Green, C. S. Methods to Test Visual Attention Online. J. Vis. Exp. (96), e52470, doi:10.3791/52470 (2015).

View Video