Özet

Messung der Wechselkosten für die Smartphone-Nutzung während des Gehens

Published: April 30, 2020
doi:

Özet

Dieses Studiendesign misst die Kosten für den Aufgabenwechsel bei der Verwendung eines Smartphones während des Gehens. Die Teilnehmer durchlaufen zwei experimentelle Bedingungen: eine Kontrollbedingung (Gehen) und eine Multitasking-Bedingung (SMS während des Gehens). Die Teilnehmer wechseln zwischen diesen Aufgaben und einer richtungsbestimmenden Aufgabe. Es werden sowohl EEG-Daten als auch Verhaltensmessungen aufgezeichnet.

Abstract

In diesem Artikel wird ein Studienprotokoll vorgestellt, um die Kosten für den Aufgabenwechsel bei der Verwendung eines Smartphones beim Gehen zu messen. Bei dieser Methode laufen die Teilnehmer unter zwei experimentellen Bedingungen auf einem Laufband: einer Kontrollbedingung (d.h. einfaches Gehen) und einer Multitasking-Bedingung (d.h. SMS während des Gehens). Während dieser Bedingungen müssen die Teilnehmer zwischen den Aufgaben wechseln, die sich auf die Versuchsbedingung beziehen, und einer richtungsbestimmenden Aufgabe. Diese Richtungsaufgabe wird mit einer Punkt-Licht-Walker-Figur durchgeführt, die scheinbar links oder rechts vom Teilnehmer läuft. Die Leistung bei der Richtungsaufgabe stellt die Kosten für den Aufgabenwechsel des Teilnehmers dar. Es gab zwei Leistungsmaße: 1) korrekte Identifikation der Richtung und 2) Reaktionszeit. EEG-Daten werden aufgezeichnet, um die Alpha-Oszillationen und das kognitive Engagement zu messen, die während des Aufgabenwechsels auftreten. Diese Methode ist in ihrer ökologischen Aussagekraft begrenzt: Fußgängerumgebungen haben viele Reize, die gleichzeitig auftreten und um Aufmerksamkeit konkurrieren. Nichtsdestotrotz ist diese Methode geeignet, um die Kosten für den Taskwechsel zu ermitteln. Die EEG-Daten ermöglichen die Untersuchung der zugrunde liegenden Mechanismen im Gehirn, die mit unterschiedlichen Kosten für den Aufgabenwechsel zusammenhängen. Dieses Design ermöglicht den Vergleich zwischen dem Task-Switching beim Ausführen einer Aufgabe nach dem anderen und dem Task-Switching beim Multitasking vor der Stimulus-Präsentation. Dies ermöglicht es, sowohl die verhaltensbezogenen als auch die neurophysiologischen Auswirkungen dieser beiden unterschiedlichen Aufgabenwechselbedingungen zu verstehen und zu lokalisieren. Darüber hinaus können wir durch die Korrelation der Kosten für den Aufgabenwechsel mit der Gehirnaktivität mehr darüber erfahren, was diese Verhaltenseffekte verursacht. Dieses Protokoll ist eine geeignete Grundlage für die Untersuchung der Wechselkosten verschiedener Smartphone-Nutzungen. Es können verschiedene Aufgaben, Fragebögen und andere Maßnahmen hinzugefügt werden, um die verschiedenen Faktoren zu verstehen, die an den Kosten für den Aufgabenwechsel bei der Smartphone-Nutzung während des Gehens beteiligt sind.

Introduction

Da sowohl die Smartphone-Verbreitung als auch die Tendenz zum Multitasking zunehmen, ist es wichtig zu verstehen, welche Auswirkungen die Smartphone-Nutzung beim Gehen auf die Aufmerksamkeit hat. Die Literatur hat wiederholt gezeigt, dass der Aufgabenwechsel mit Kosten verbunden ist1, einschließlich der Smartphone-Nutzung beim Gehen. Studien haben gezeigt, dass die Verwendung eines Smartphones während des Gehens ablenkend und gefährlich sein kann 2,3,4. Diese Gefahren wurden mit den Aufmerksamkeitsbeeinträchtigungen einer solchen Aufgabe in Verbindung gebracht 3,4,5,6,7. Aufgrund der komplexen Natur der Fußgängerumgebung kann es problematisch sein, sie in einem experimentellen Kontext zu untersuchen, der ökologisch gültig ist. Nichtsdestotrotz kann die Durchführung solcher Studien in realen Fußgängerumgebungen mit eigenen Komplikationen verbunden sein, da viele äußere Variablen ins Spiel kommen können und die Gefahr besteht, dass der Teilnehmer aufgrund von Ablenkungen geschädigt wird. Es ist wichtig, ein solches Phänomen in einer relativ sicheren Umgebung untersuchen zu können, die so realistisch wie möglich bleibt. In diesem Artikel beschreiben wir eine Forschungsmethode, die die Kosten für den Aufgabenwechsel beim Texten während des Gehens untersucht und gleichzeitig die Gültigkeit der Aufgabe erhöht und die damit verbundenen potenziellen Risiken mindert.

Bei der Verwendung eines Smartphones während des Gehens sind Einzelpersonen gezwungen, von den Smartphone-Aufgaben auf Geh- und Umweltaufgaben umzusteigen. Um ein solches Phänomen zu untersuchen, hielten wir es daher für angebracht, diese Methode in die Literatur über Multitasking einzubetten, die sich speziell auf das Task-Switching-Paradigma konzentriert. Um dies zu erreichen, wurde das Task-Switching-Paradigma1 verwendet, bei dem die Teilnehmer zwischen einer Pre-Stimulus-Aufgabe und einer Post-Stimulus-Aufgabe wechselten. Eine der beiden Aufgaben vor dem Stimulus beinhaltete Multitasking, die andere nicht. In der Post-Stimulus-Aufgabe mussten die Teilnehmer auf einen Reiz reagieren, dessen Wahrnehmung durch geteilte Aufmerksamkeit beeinflusst wird8. Darüber hinaus haben experimentelle Laborstudien, die versuchen, so ökologisch wie möglich zu sein, oft virtuelle Fußgängerumgebungen verwendet, um die Aufmerksamkeitswirkung der Smartphone-Nutzung beim Gehenzu verstehen 4,9. Um die zugrunde liegenden neurophysiologischen Mechanismen zu erfassen, haben wir uns jedoch entschieden, uns auf die spezifische Task-Switching-Reaktion auf einen Reiz zu konzentrieren, um die Anzahl der Reize, auf die die Teilnehmer reagieren mussten, zu minimieren. Auf diese Weise können wir die Kosten für den Taskwechsel genauer bestimmen, die allein durch das Verlagern der Aufmerksamkeit vom Smartphone auf den Stimulus entstehen. Mit unserem Studiendesign verwenden wir Verhaltensmessungen (d.h. Kosten für den Aufgabenwechsel) und neurophysiologische Daten, um die Aufmerksamkeitsbeeinträchtigungen bei der Smartphone-Nutzung von Fußgängern besser zu verstehen.

Während eines Task-Switching-Experiments führten die Teilnehmer in der Regel mindestens zwei einfache Aufgaben aus, die sich auf eine Reihe von Stimuli bezogen, wobei jede Aufgabe einen anderen Satz kognitiver Ressourcen erforderte, die als “Aufgabensatz”1 bezeichnet werden. Wenn Individuen gezwungen sind, zwischen Aufgaben zu wechseln, müssen sich ihre mentalen Ressourcen anpassen (d.h. Hemmung des vorherigen Aufgabensatzes und Aktivierung des aktuellen Aufgabensatzes). Es wird angenommen, dass dieser Prozess der “Neukonfiguration des Aufgabensatzes” die Ursache für die Kosten des Taskwechsels ist1. Die Kosten für den Aufgabenwechsel werden in der Regel durch Beobachtung der Unterschiede in der Reaktionszeit und/oder der Fehlerrate zwischen Versuchen, bei denen die Teilnehmer zwischen Aufgaben wechseln, und solchen, bei denen sie nicht wechseln10, bestimmt. In unserem Experiment hatten wir drei Aufgabensätze: 1) Reagieren auf einen Punktlicht-Walker-Stimulus; 2) SMS auf einem Smartphone während des Gehens; und 3) einfach zu Fuß gehen. Wir verglichen die Wechselkosten zwischen zwei verschiedenen Bedingungen: 1) einfaches Gehen vor der Reaktion auf den Reiz und 2) Gehen während des SMS-Schreibens vor der Antwort. Auf diese Weise erfassten wir die Kosten für Multitasking auf einem Smartphone, bevor wir die Aufgabe wechselten, und konnten sie direkt mit den Kosten für den Nicht-Multitasking-Wechsel vergleichen, die durch einfaches Gehen vor dem Auftreten des visuellen Reizes entstehen. Da das in dieser Studie verwendete Smartphone von einer bestimmten Marke war, wurden alle Teilnehmer vor dem Experiment überprüft, um sicherzustellen, dass sie wussten, wie man das Gerät richtig benutzt.

Um ein realistisches Erlebnis zu simulieren, das für den Fußgängerkontext repräsentativ ist, haben wir uns entschieden, eine Punkt-Licht-Walker-Figur als visuellen Stimulus zu verwenden, die eine menschliche Form darstellt, die mit einem Abweichungswinkel von 3,5° nach links oder rechts des Teilnehmers geht. Diese Figur besteht aus 15 schwarzen Punkten auf weißem Hintergrund, wobei die Punkte den Kopf, die Schultern, die Hüften, die Ellbogen, die Handgelenke, die Knie und die Knöchel eines Menschen darstellen (Abbildung 1). Dieser Reiz beruht auf biologischer Bewegung, d.h. er folgt dem für Mensch und Tier typischen Bewegungsmuster11. Darüber hinaus ist dieser Anreiz mehr als ökologisch gültig; Es erfordert eine komplexe visuelle Verarbeitung und Aufmerksamkeit, um erfolgreich analysiert zu werden12,13. Interessanterweise fanden Thornton et al.8 heraus, dass die korrekte Identifikation der Richtung des punktförmigen Läufers stark von geteilter Aufmerksamkeit beeinflusst wird, was sie als Leistungsmaßstab bei der Untersuchung der Kosten für den Taskwechsel beim Multitasking geeignet macht. Die Teilnehmer wurden gebeten, die Richtung, in die die Figur ging, verbal anzugeben. Dem Erscheinen des Spaziergängers ging immer ein akustischer Hinweis voraus, der sein Erscheinen auf dem Bildschirm signalisierte.

Die Leistung bei der Punktlicht-Walker-Aufgabe und neurophysiologische Daten ermöglichten es uns, die Aufmerksamkeitswirkung beider Zustände zu bestimmen und zu bestimmen, was sie verursachte. Die Leistung wurde gemessen, indem die Fehlerraten und Reaktionszeiten bei der Bestimmung der Richtung der Punkt-Licht-Walker-Figur betrachtet wurden. Um die zugrunde liegenden kognitiven und Aufmerksamkeitsmechanismen zu verstehen, die an den Aufmerksamkeitsbeeinträchtigungen beteiligt sind, die wir mit dem Leistungsmaß gefunden haben, haben wir die neurophysiologischen Daten der Teilnehmer mit dem EEG actiCAP mit 32 Elektroden ausgewertet. Das EEG ist ein geeignetes Werkzeug in Bezug auf die vorübergehende Präzision, was wichtig ist, um zu sehen, was zu bestimmten Zeitpunkten eine schlechte Leistung verursacht (z. B. das Aussehen der Punktlicht-Walker-Figur), obwohl Artefakte in den Daten aufgrund von Bewegungen vorhanden sein können. Bei der Analyse der EEG-Daten sind zwei Indizes besonders relevant: 1) Alpha-Oszillationen; und 2) kognitives Engagement. Die Forschung hat herausgefunden, dass Alpha-Oszillationen sowohl die Kontrolle des Arbeitsgedächtnisses als auch die aktive Hemmung von aufgabenirrelevanten Gehirnschaltkreisen darstellen können14,15,16,17. Durch den Vergleich der Alpha-Oszillationen zu Beginn der Studie mit denen, die bei der Stimuluspräsentation18,19 auftraten, erhielten wir das Alpha-Verhältnis. Mit diesem Verhältnis haben wir die ereignisbezogenen Veränderungen bestimmt, die der Aufmerksamkeitsbeeinträchtigung zugrunde liegen könnten, die beim Texten während des Gehens beobachtet wird. In Bezug auf das kognitive Engagement entwickelten Pope et al.20 einen Index, bei dem die Beta-Aktivität eine erhöhte Erregung und Aufmerksamkeit darstellt und die Alpha- und Theta-Aktivität eine Abnahme der Erregung und Aufmerksamkeit widerspiegelt21,22. Diese Analyse wurde durchgeführt, um festzustellen, ob ein erhöhtes Engagement vor dem Auftreten des Stimulus die Neukonfiguration des Aufgabensatzes erschweren würde, die erforderlich ist, um auf die Gehfigur zu reagieren.

Mit der in diesem Artikel beschriebenen Methodik versuchen wir, die zugrunde liegenden Mechanismen zu erfassen, die sich auf die Leistung beim Wechseln von Aufgaben bei Teilnehmern auswirken, die an Multitasking-Episoden beteiligt sind. Die Gehbedingung stellt eine Nicht-Multitasking-Task-Switch-Leistung dar, die mit einer Multitasking-Task-Switch-Leistung (d. h. SMS während des Gehens) verglichen wird. Durch die Messung der Rollen der Aufgaben-Set-Hemmung und der Task-Set-Aktivierung haben wir versucht, die Wechselkosten besser zu verstehen, die beim Texten während des Gehens auftreten. Es ist wichtig anzumerken, dass die ursprüngliche Studie in einer immersiven virtuellen Umgebung23 durchgeführt wurde, aber später in einem Versuchsraum (siehe Abbildung 2) mit einem Projektor repliziert wurde, der die Gehfigur auf einem Bildschirm vor dem Teilnehmer anzeigte. Da diese virtuelle Umgebung nicht mehr zur Verfügung steht, wurde das Protokoll an die aktuelle experimentelle Raumgestaltung angepasst.

Protocol

Bevor mit der Datenerhebung begonnen wird, ist es wichtig, alle notwendigen ethischen Forschungsgenehmigungen für menschliche Teilnehmer zu erhalten. Dies sollte durch die entsprechenden Prüfungsausschüsse und/oder Überprüfungsausschüsse für menschliche Teilnehmer erfolgen. Dieses Protokoll wurde vom Ethikrat der HEC Montréal für die Forschungseinrichtung Tech3Lab genehmigt und zertifiziert. 1. Vorbereitung des visuellen Reizes Erstellen Sie die e…

Representative Results

Dieses Studienprotokoll wurde ursprünglich mit 54 Teilnehmern durchgeführt, die jeweils auf 88 Richtungsstudien ansprachen. Die Hälfte dieser Studien fand statt, wenn die Teilnehmer vor der Stimuluspräsentation einfach gingen. Die andere Hälfte trat auf, als die Teilnehmer vor der Stimuluspräsentation während des Gehens SMS schrieben. Ergebnisse des VerhaltensDie Leistung in der Richtung des Punktlicht-Walkers stellt die Kosten für den Taskwechsel dar, während ein…

Discussion

Eine kritische Entscheidung bei der Verwendung des Protokolls wäre die Sicherstellung der Qualität der neurophysiologischen Daten. Es gibt eine inhärente Komplikation bei der Verwendung eines Tools wie EEG während der Bewegung, da übermäßige Bewegung viel Rauschen in den Daten erzeugen kann. Es ist daher wichtig, vor der Datenerfassung zu überlegen, wie die Daten aufbereitet werden, um so viele Artefakte wie möglich zu entfernen, ohne das eigentliche Signal zu verändern. Nichtsdestotrotz ist es immer noch sehr …

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

Die Autoren danken für die finanzielle Unterstützung des Social Sciences and Humanities Research Council of Canada (SSHERC).

Materials

The Observer XT Noldus Integration and synchronization software: The Noldus Observer XT (Noldus Information Technology) is used to synchronize all behavioral, emotional and cognitive engagement data.
MediaRecorder Noldus Audio and video recording software
FaceReader Noldus Software for automatic analysis of the 6 basic facial expressions
E-Prime Psychology Software Tools, Inc. Software for computerized experiment design, data collection, and analysis
BrainVision Recorder Brain Vision Software used for recording neuro-/electrophysiological signals (EEG in this case)
Analyzer EEG signal processing software
Qualtrics Qualtrics Online survey environment
Tapis Roulant ThermoTread GT Office Treadmill
Syncbox Noldus Syncbox start the co-registration of EEG and gaze data by sending a Transistor-Transistor Logic (TTL) signal to the EGI amplifier and a keystroke signal to the Tobii Studio v 3.2.
Move2actiCAP Brain Vision Add-on for a digital wireless system for EEG
iPhone 6s Apple
iMessage Apple
iPad Apple

Referanslar

  1. Monsell, S. Task switching. Trends in Cognitive Sciences. 7 (3), 134-140 (2003).
  2. Haga, S., et al. Effects of using a Smart Phone on Pedestrians’ Attention and Walking. Procedia Manufacturing. 3, 2574-2580 (2015).
  3. Hatfield, J., Murphy, S. The effects of mobile phone use on pedestrian crossing behaviour at signalised and unsignalised intersections. Accident Analysis, Prevention. 39 (1), (2007).
  4. Stavrinos, D., Byington, K. W., Schwebel, D. C. Distracted walking: Cell phones increase injury risk for college pedestrians. Journal of Safety Research. 42 (2), 101-107 (2011).
  5. Nasar, J., Hecht, P., Wener, R. Mobile telephones, distracted attention, and pedestrian safety. Accident Analysis, Prevention. 40 (1), 69-75 (2008).
  6. Hyman, I. E., Boss, S. M., Wise, B. M., McKenzie, K. E., Caggiano, J. M. Did you see the unicycling clown? Inattentional blindness while walking and talking on a cell phone. Applied Cognitive Psychology. 24 (5), 597-607 (2010).
  7. Pourchon, R., et al. Is augmented reality leading to more risky behaviors? An experiment with pokémon go. Proceedings of the International Conference on HCI in Business, Government, and Organizations. , 354-361 (2017).
  8. Thornton, I. M., Rensink, R. A., Shiffrar, M. Active versus Passive Processing of Biological Motion. Perception. 31 (7), 837-853 (2002).
  9. Neider, M. B., McCarley, J. S., Crowell, J. A., Kaczmarski, H., Kramer, A. F. Pedestrians, vehicles, and cell phones. Accident Analysis, Prevention. 42, 589-594 (2010).
  10. Wylie, G., Allport, A. Task switching and the measurement of “switch costs”. Psychological Research. 63 (3-4), 212-233 (2000).
  11. Johansson, G. Visual perception of biological motion and a model for its analysis. Perception, Psychophysics. 14 (2), 201-211 (1973).
  12. Cavanagh, P., Labianca, A. T., Thornton, I. M. Attention-based visual routines: Sprites. Cognition. 80 (1-2), 47-60 (2001).
  13. Troje, N. F. Retrieving Information from Human Movement Patterns. Understanding Events. , 308-334 (2008).
  14. Klimesch, W. EEG alpha and theta oscillations reflect cognitive and memory performance: A review and analysis. Brain Research Reviews. 29 (2-3), 169-195 (1999).
  15. Jensen, O., Gelfand, J., Kounios, J., Lisman, J. E. Oscillations in the Alpha Band (9-12 Hz) Increase with Memory Load during Retention in a Short-term Memory Task. Cerebral Cortex. 12 (8), 877-882 (2002).
  16. Busch, N. A., Herrmann, C. S. Object-load and feature-load modulate EEG in a short-term memory task. NeuroReport. 14 (13), 1721-1724 (2003).
  17. Herrmann, C. S., Senkowski, D., Röttger, S. Phase-Locking and Amplitude Modulations of EEG Alpha. Experimental Psychology. 51 (4), 311-318 (2004).
  18. Pfurtscheller, G., Aranibar, A. Event-related cortical desynchronization detected by power measurements of scalp EEG. Electroencephalography and Clinical Neurophysiology. 42 (6), 817-826 (1977).
  19. Sauseng, P., et al. EEG alpha synchronization and functional coupling during top-down processing in a working memory task. Human Brain Mapping. 26 (2), 148-155 (2005).
  20. Pope, A. T., Bogart, E. H., Bartolome, D. S. Biocybernetic system evaluates indices of operator engagement in automated task. Biological Psychology. 40 (1-2), 187-195 (1995).
  21. Scerbo, M. W., Freeman, F. G., Mikulka, P. J. A brain-based system for adaptive automation. Theoretical Issues in Ergonomics Science. 4 (1-2), 200-219 (2003).
  22. Charland, P., et al. Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective. Journal of Visualized Experiments. (101), e52627 (2015).
  23. Courtemanche, F., et al. Texting while walking: An expensive switch cost. Accident Analysis, Prevention. 127, 1-8 (2019).
  24. Townsend, J. T., Ashby, F. G. . The stochastic modeling of elementary psychological processes. , (1983).
  25. Jung, T., et al. Removal of eye activity artifacts from visual event-related potentials in normal and clinical subjects. Clinical Neurophysiology. 111, 1745-1758 (2000).
  26. Luck, S. J. . An Introduction to the Event-related Potential Technique (Cognitive Neuroscience). , (2005).
  27. Steiger, J. H. Tests for comparing elements of a correlation matrix. Psychological Bulletin. 87 (2), 245-251 (1980).
  28. Léger, P. -. M., Davis, F., Riedl, R., vom Brocke, J., Léger, P. -. M., Randolph, A., Fischer, T. H., et al. Task Switching and Visual Discrimination in Pedestrian Mobile Multitasking: Influence of IT Mobile Task Type. Information Systems and Neuroscience: Vienna Retreat on NeuroIs 2019. , 245-251 (2020).
  29. Mourra, G. N. . Addicted to my smartphone: what factors influence the task-switching cost that occurs when using a smartphone while walking. , (2019).
  30. Schabrun, S. M., van den Hoorn, W., Moorcroft, A., Greenland, C., Hodges, P. W. Texting and walking: strategies for postural control and implications for safety. PloS One. 9 (1), 84312 (2014).

Play Video

Bu Makaleden Alıntı Yapın
Mourra, G. N., Brieugne, D., Rucco, E., Labonté-Lemoyne, É., Courtemanche, F., Sénécal, S., Fredette, M., Cameron, A., Faubert, J., Lepore, F., Bellavance, F., Léger, P. Measuring the Switch Cost of Smartphone Use While Walking. J. Vis. Exp. (158), e60555, doi:10.3791/60555 (2020).

View Video