La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Bases neurales pour linteraction homme machine. Sommaire Motivation Présentation Modèle prédictif Modèle descriptif Fondement scientifique et modèle de.

Présentations similaires


Présentation au sujet: "Bases neurales pour linteraction homme machine. Sommaire Motivation Présentation Modèle prédictif Modèle descriptif Fondement scientifique et modèle de."— Transcription de la présentation:

1 Bases neurales pour linteraction homme machine

2 Sommaire Motivation Présentation Modèle prédictif Modèle descriptif Fondement scientifique et modèle de description Loi de Fitts Modèle Guiard du talent bimanuelle Etude de cas Prévisions des taux d'entrée de texte sur les téléphones mobiles Affordance que produit l'interface sur le contrôle bimanuel et sur le bureau Situation actuelles et autres documents Bases neurales pour lIHM

3 Motivation Présentation de modèles de mouvement humain pertinent à lIHM : Issus de la recherche Issus des besoins spécifiques Limites de mouvements Capacité Potentiel Périphérique dentrée Techniques d'interaction Système informatique HUMAIN MACHINE Faire correspondre Bases neurales pour lIHM

4 Présentation Modèle Simplification de la réalité Modèles : Prédictif Modèle de Fitts (mathématique) Descriptif Modèle de Guiard (métaphorique) 2 modèle utilisés couramment en IHM Evaluer Concevoir Offrir une base pour comprendre le comportement dun objet Bases neurales pour lIHM

5 Modèle Prédictif : Hick-Hyman Modèle Prédictif modèles de l'ingénierie 1 1. Loi de Hick-Hyman : RT = a + b log2(n) 2 ReactionTime=MovementTime+ProcessingSpeed.log 2 (n) ProcessingSpeed :Temps pris pour prendre une décision n : Nombre de choix Utilisé dans les systèmes interactifs 3 : téléphone mobile pour prédire le temps de sélection des menus modèles de performance 1 Bases neurales pour lIHM

6 Modèle Prédictif : Keystroke-Level Model 2. Keystroke-Level Model 4 : T execute = t k +t p +t h +t d +t m +t r Prédit le temps daccomplir une tâche K : appuie sur la touche P : pointage H : main vers souris et vice versa D : dessin avec souris M : opérateur mentale R : opérateur de système de réponse Servit à prédire les performances en entrée de texte pour les utilisateurs handicapés physiques utilisant les systèmes de prédictions 5 Bases neurales pour lIHM

7 Modèle Descriptif : Key-Action Model Il ne donne pas de mesure quantitative Permet de définir un cadre ou un contexte dapplication afin de décrire une situation ou un problème KAM : clavier Touches de : symbole, modification, exécution Bases neurales pour lIHM

8 Modèle Descriptif : 3-State Model 3-State Model Graphical Input 6 Simulation des états dun périphérique par des primitives : une souris Base de modélisation pour un dispositif de pointage multi boutons, exemple : TouchPad Bases neurales pour lIHM

9 Modèle Descriptif : TouchPad Apple : 1994 lance le TrackPoint TouchPad 7 sur le PowerBook 500 Base de développement : 3-State Model qui a conduit au mouvement lift-and-tap similaire à : Cliquer, Double cliquer, Glisser Bases neurales pour lIHM

10 Modèle Descriptif : TouchPad Problèmes : Certaines primitives sont difficile à réaliser Contiennes des erreurs lors de la réalisation Frustration des utilisateurs Exemple : Lors dun double clic, le doigt doit se trouver à la même position spatiale que lors du premier clic, sinon le double clic nest pas effectué Conséquence : Les 3 primitives ont été adaptées 8 sur le TouchPad Bases neurales pour lIHM

11 Modèle Descriptif : Cartographier des Degrés de Liberté à des Dimensions 1 er degré : X, exemple : vers la droite 2 ème degré : Y, exemple: vers le haut 3 ème degré : θ z, rotation autour dun axe Bases neurales pour lIHM

12 Modèle Descriptif : Cartographier des Degrés de Liberté à des Dimensions Souris traditionnelle souris à 2D 9 Problème : θ z : non ressenti Souris à 2 boules permet de retrouver le degré de liberté manquant Plus besoin dun « outil de rotation » 10 Bases neurales pour lIHM

13 Modèle Descriptif : Cartographier des Degrés de Liberté à des Dimensions Système 3D Isotrak II by Polhemus, Inc. (Colchester, VT) Rockin'Mouse 11 Bases neurales pour lIHM

14 Fondement scientifique et description du modèle : Loi de Fitts Modèle hautement adapté mouvement humain et sans doute le plus réussit 12 Amplitude dun mouvement Signal électronique Précision spatiale du mouvement Bruit électronique Système moteur humain : Canal de communication Bases neurales pour lIHM

15 Fondement scientifique et description du modèle : Loi de Fitts Motivation : Evaluer la difficulté des tâches Savoir comment celles-ci ont été réalisée Les mouvements sont considérés comme la transmission de signaux Basé sur le Théorème de Shannon : C = B log2(S / N + 1) C : Capacité de linformation (bits/s) B : bande passante (Hetz) S : Puissance du signal N : Puissance du bruit Bases neurales pour lIHM

16 Fondement scientifique et description du modèle : Loi de Fitts Fitts a présenté ses lois dans 2 Articles 14 ID = log2 (2A / W) A : Amplitude ( Signal de Shannon S) W : Largeur ( Bruit N) Bases neurales pour lIHM

17 Fondement scientifique et description du modèle : Loi de Fitts Amélioration de linformation analogique par MacKenzie, 1989 : ID = log2 (A / W + 1) Le temps de mouvement est : MT = a + b × ID A et b : constantes déterminées par tests Bases neurales pour lIHM

18 Fondement scientifique et description du modèle : Loi de Fitts : exemple Bases neurales pour lIHM

19 Fondement scientifique et description du modèle : Loi de Fitts : exemple Bases neurales pour lIHM

20 Fondement scientifique et description du modèle : Loi de Fitts : exemple Une tâche : ID = 4,09 bits MT = 0,979 s ID/MT = 4,18 bits/s Pour Fitts : ID/MT = IP (Indice de Performance) En 1999 : ID/MT = TP 15 (Throughput débit de terme) Figure 3.6 : Débit moyen Périphérique A : 2,4/0,644 = 3,73 bits/s Débit moyen Périphérique B : 2,4/01,555 = 1,57 bits/s Sur A, la performance est 2,4 fois plus élevée que B Bases neurales pour lIHM

21 Fondement scientifique et description du modèle : Loi de Fitts : exemple Mais, le calcul de débit nest pas aussi simple en réalité Il est parfois comme linverse de la pente de la droite de régression 16 Avec ce raisonnement : TP de A : 1/0,197 = 5,08 bits/s Alors que avec ID/MT = 3,73 bits/s Difficile à calculer car il faut inclure la précision spatiale pour retrouver lanalogie avec le Th. De Shannon 17 On aurait donc : W e = 4,133 × SD X Sdx : écarte type des cordonnées sur un bloc de trials 18 Bases neurales pour lIHM

22 Fondement scientifique et description du modèle : Modèle Guiard du talant bi-manuel Contrôle Bi-manuel ou Latéralité 19 : domaine du comportement moteur Les mains sont asymétriques : rôle et tâches différentes pour chaque mains fondement du travail de Guiard (1987) Modèle de Guiard : Définit un des caractéristique dun espace de problème Rôle et Action des mains à préférer ou non Bases neurales pour lIHM

23 Fondement scientifique et description du modèle : Modèle Guiard du talant bi-manuel : exemple Patron main gauche (Nonpreferred hand leads) Le patron est manipulé au dessus du dessin (définit le cadre de référence) Stylo main droite (preferred hand follows) dans le patron ( à lintérieur du cadre de référence fixé par la « Nonpreferred hand leads ») Croquis : la main préférée fait des mouvements précis Bases neurales pour lIHM

24 Fondement scientifique et description du modèle : Modèle Guiard du talant bi-manuel : conclusion Buxton and Myers (p. 321, 1986) : conclut que la tendance naturelle de sujets utilisant 2 mains étaient dû à « lefficacité de la main motrice » La recherche fondamentale sest servit des résultats et a exploités les recherches de Guiard grâce aux effort de Paul Kabbash 20 L'article de Kabbash, Buxton et Sellen (1994) fut le premier en HCI à citer le papier de Guiard de 1987 Bases neurales pour lIHM

25 Etude de cas : Loi de Fitts & Téléphones mobiles Bases neurales pour lIHM Etude sur la prévision des taux dentrée de texte sur les téléphones mobiles Motivation : Volume de SMS de lordre du Milliard par mois (www.gsmworld.com) 2 approches : Multitap Saisie prédictive : T9

26 Etude de cas : Loi de Fitts & Téléphones mobiles : Multitap Bases neurales pour lIHM 33 pressions 15 caractères Moyenne : 2,034 pressions pour 1 caractère, daprès MacKenzie, Problème : Segmentation : 2 lettres dans le mot le sont sur la touche 6 délai supplémentaire 3 ou 4 lettres par touche

27 Etude de cas : Loi de Fitts & Téléphones mobiles : T9 Bases neurales pour lIHM 16 pressions 15 caractères Problème : Plusieurs mots ont la même séquence de touche le mot par défaut est choisit

28 Etude de cas : Loi de Fitts & Téléphones mobiles : calcul de la vitesse de frappe avec la loi de Fitts Bases neurales pour lIHM Modèle non approprié car : Tâche complexe Mouvement fait par 2 mains et 10 doigts Solution : Réduire la frappe à 1 doigt Des modèles ont été rapportés par Silfverberg, MacKenzie et Korhonen (2000)

29 Etude de cas : Loi de Fitts & Téléphones mobiles : calcul de la vitesse de frappe avec la loi de Fitts Bases neurales pour lIHM Nécessite : informations sur la position et la taille des touches l'affectation des lettres aux touches les probabilités relatives des diagrammes dans la langue cible Pour une entrée avec lindex : MT = ID Pour une entrée avec le pouce : MT = ID Tableaux de probabilité disponibles 21

30 Etude de cas : Loi de Fitts & Téléphones mobiles : calcul de la vitesse de frappe avec la loi de Fitts Bases neurales pour lIHM On limite à 26 caractères + Espace on a 27² = 729 MT L = ΣΣ (P ij × MT ij ) MT L : temps du mouvement pour une lettre j : prédiction de la lettre i MT ij : temps pour entrer une lettre P ij : pondération de la probabilité davoir la lettre dans le diagramme WPM = MT L × (60 / 5) WPM : Mot par minute 5 : Moyenne dun mot en anglais

31 Etude de cas : Loi de Fitts & Téléphones mobiles : Prédiction des taux dentrée Bases neurales pour lIHM Problème : Pression de 1 à 4 fois sur 1 touche Mt repeat Mt repeat :Tâche de la loi de fitts avec « 0 amplitude de mouvement » A=0 Lindice de difficulté ID = log 2 (0/W + 1) = 0 bits

32 Bibliographie 1 : Card, Moran, & Newell, 1983, p. 411; Marchionini & Sibert, : Hick, 1952; Hyman, : Card et al. (1983, p. 74) 4 : Card et al. (1980; 1983, chap. 8) 5 : Koester & Levine, : Buxton, : MacNeill & Blickenstorfer, : pour (ACM Computing Machinery) Special Group for Computer-Human Interaction (SIGCHI) (MacKenzie & Oniszczak, 1997; MacKenzie & Oniszczak, 1998). Bases neurales pour lIHM

33 Bibliographie 9 : Zhai & Mac Kenzie, : Mac Kenzie, Soukoreff, et Pal (1997) 11 : The Rockin'Mouse: Integral 3D Manipulation on a Plane : 12 : MacKenzie, 1991; MacKenzie, 1992; Meyer, Smith, Kornblum, Abrams, et Wright, 1990; Welford, : Shannon & Weaver, 1949, pp : 1 er en 1954 (Fitts, 1954), le 2 ème en 1964 (Fitts & Peterson, 1964) 15 : Douglas, Kirkpatrick, & MacKenzie, 1999; ISO, 1999 Bases neurales pour lIHM

34 Bibliographie 16 : Card, anglais, & Burr, 1978; MacKenzie, Sellen, & Buxton, : Fitts & Peterson, 1964; Welford, : The coefficient emerges from the term (2 × π × e)1/2 in Shannons original theorem. See MacKenzie (1992) for details 19 : Kelso, Southard, & Goodman, 1979; Peters, 1985; Porac & Coren, 1981; Wing, : Kabbash, Buxton, & Sellen, 1994; Kabbash, MacKenzie, & Buxton, 1993 Bases neurales pour lIHM

35 Bibliographie 21 : Mayzner & Tresselt, 1965; Soukoreff & MacKenzie, 1995; Underwood & Schulz, 1960 Bases neurales pour lIHM


Télécharger ppt "Bases neurales pour linteraction homme machine. Sommaire Motivation Présentation Modèle prédictif Modèle descriptif Fondement scientifique et modèle de."

Présentations similaires


Annonces Google