1 / 35

Bases neurales pour l’interaction homme machine

Bases neurales pour l’interaction homme machine. Sommaire. Motivation Présentation Modèle prédictif Modèle descriptif Fondement scientifique et modèle de description Loi de Fitts Modèle Guiard du talent bimanuelle Etude de cas

ceri
Download Presentation

Bases neurales pour l’interaction homme machine

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Bases neurales pour l’interaction 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 l’IHM

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

  4. Présentation • Modèle Simplification de la réalité • Modèles : • Prédictif  Modèle de Fitt’s (mathématique) • Descriptif  Modèle de Guiard (métaphorique) • 2 modèle utilisés couramment en IHM Evaluer Concevoir Offrir une base pour comprendre le comportement d’un objet Bases neurales pour l’IHM

  5. Modèle Prédictif : Hick-Hyman • Modèle Prédictif modèles de l'ingénierie 1 • Loi de Hick-Hyman : RT = a + b log2(n) 2 • ReactionTime=MovementTime+ProcessingSpeed.log2(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 l’IHM

  6. Modèle Prédictif : Keystroke-Level Model • Keystroke-Level Model 4: Texecute= tk+tp+th+td+tm+tr • Prédit le temps d’accomplir 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 prédictions5 Bases neurales pour l’IHM

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

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

  9. Modèle Descriptif : TouchPad • Apple : 1994 lance le TrackPoint TouchPad7 sur le PowerBook 500 • Base de développement : 3-State Model qui a conduit au mouvement lift-and-tapsimilaire à : • Cliquer, Double cliquer, Glisser Bases neurales pour l’IHM

  10. Modèle Descriptif : TouchPad • Problèmes : • Certaines primitives sont difficile à réaliser • Contiennes des erreurs lors de la réalisation • Frustration des utilisateurs • Exemple : • Lors d’un double clic, le doigt doit se trouver à la même position spatiale que lors du premier clic, sinon le double clic n’est pas effectué • Conséquence : • Les 3 primitives ont été adaptées8 sur le TouchPad Bases neurales pour l’IHM

  11. Modèle Descriptif : Cartographier des Degrés de Liberté à des Dimensions • 1er degré : X, exemple : vers la droite • 2ème degré : Y, exemple: vers le haut • 3ème degré : θz, rotation autour d’un axe Bases neurales pour l’IHM

  12. Modèle Descriptif : Cartographier des Degrés de Liberté à des Dimensions • Souris traditionnelle  souris à 2D9 • Problème : θz : non ressenti • Souris à 2 boules permet de retrouver le degré de liberté manquant • Plus besoin d’un « outil de rotation »10 Bases neurales pour l’IHM

  13. Modèle Descriptif : Cartographier des Degrés de Liberté à des Dimensions • Système 3D • Isotrak II by Polhemus, Inc. (Colchester, VT) • Rockin'Mouse11 Bases neurales pour l’IHM

  14. Fondement scientifique et description du modèle : Loi de Fitts • Modèle hautement adapté mouvement humain et sans doute le plus réussit12 Amplitude d’un mouvement Signal électronique Précision spatiale du mouvement Bruit électronique Système moteur humain : Canal de communication Bases neurales pour l’IHM

  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 1713 : • C = B log2(S / N + 1) • C : Capacité de l’information (bits/s) • B : bande passante (Hetz) • S : Puissance du signal • N : Puissance du bruit Bases neurales pour l’IHM

  16. Fondement scientifique et description du modèle : Loi de Fitts • Fitts a présenté ses lois dans 2 Articles14 • ID = log2 (2A / W) • A : Amplitude ( Signal de Shannon S) • W : Largeur ( Bruit N) Bases neurales pour l’IHM

  17. Fondement scientifique et description du modèle : Loi de Fitts • Amélioration de l’information 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 l’IHM

  18. Fondement scientifique et description du modèle : Loi de Fitts : exemple Bases neurales pour l’IHM

  19. Fondement scientifique et description du modèle : Loi de Fitts : exemple Bases neurales pour l’IHM

  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 = TP15 (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 l’IHM

  21. Fondement scientifique et description du modèle : Loi de Fitts : exemple • Mais, le calcul de débit n’est pas aussi simple en réalité • Il est parfois comme l’inverse de la pente de la droite de régression16 • Avec ce raisonnement : • TP de A : 1/0,197 = 5,08 bits/s • Alors que avec ID/MT = 3,73 bits/s •  Difficile à calculercar il faut inclure la précision spatiale pour retrouver l’analogie avec le Th. De Shannon17 • On aurait donc : We= 4,133 × SDX • Sdx : écarte type des cordonnées sur un bloc de trials18 Bases neurales pour l’IHM

  22. Fondement scientifique et description du modèle : Modèle Guiard du talant bi-manuel • Contrôle Bi-manuel ou Latéralité19 : 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 d’un espace de problème Rôle et Action des mains à préférer ou non Bases neurales pour l’IHM

  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 l’intérieur du cadre de référence fixé par la « Nonpreferred hand leads ») • Croquis : la main préférée fait des mouvements précis Bases neurales pour l’IHM

  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  « l’efficacité de la main motrice » • La recherche fondamentale s’est servit des résultats et a exploités les recherches de Guiard grâce aux effort de Paul Kabbash20 • L'article de Kabbash, Buxton et Sellen (1994) fut le premier en HCI à citer le papier de Guiard de 1987 Bases neurales pour l’IHM

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

  26. Etude de cas : Loi de Fitts & Téléphones mobiles : Multitap • 33 pressions 15 caractères • Moyenne : 2,034 pressions pour 1 caractère, d’après MacKenzie, 2002. • Problème : • Segmentation : 2 lettres dans le mot le sont sur la touche 6délai supplémentaire • 3 ou 4 lettres par touche Bases neurales pour l’IHM

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

  28. Etude de cas : Loi de Fitts & Téléphones mobiles : calcul de la vitesse de frappe avec la loi de Fitts • 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) Bases neurales pour l’IHM

  29. Etude de cas : Loi de Fitts & Téléphones mobiles : calcul de la vitesse de frappe avec la loi de Fitts • 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 l’index : • MT = 165 + 52 ID • Pour une entrée avec le pouce : • MT = 176 + 64 ID • Tableaux de probabilité disponibles21 Bases neurales pour l’IHM

  30. Etude de cas : Loi de Fitts & Téléphones mobiles : calcul de la vitesse de frappe avec la loi de Fitts • On limite à 26 caractères + Espace on a 27² = 729 • MTL = ΣΣ (Pij × MTij) • MTL: temps du mouvement pour une lettre • j : prédiction de la lettre i • MTij :temps pour entrer une lettre • Pij : pondération de la probabilité d’avoir la lettre dans le diagramme • WPM = MTL × (60 / 5) • WPM : Mot par minute • 5 : Moyenne d’un mot en anglais Bases neurales pour l’IHM

  31. Etude de cas : Loi de Fitts & Téléphones mobiles : Prédiction des taux d’entrée • Problème : • Pression de 1 à 4 fois sur 1 touche  Mtrepeat • Mtrepeat:Tâche de la loi de fitts avec « 0 amplitude de mouvement »A=0 • L’indice de difficulté ID = log2(0/W + 1) = 0 bits Bases neurales pour l’IHM

  32. Bibliographie • 1: Card, Moran, & Newell, 1983, p. 411; Marchionini & Sibert, 1992 • 2: Hick, 1952; Hyman, 1953 • 3: Card et al. (1983, p. 74) • 4 : Card et al. (1980; 1983, chap. 8) • 5 : Koester & Levine, 1994 • 6: Buxton, 1990 • 7 : MacNeill & Blickenstorfer, 1996 • 8 : pour (ACM ComputingMachinery) Special Group for Computer-Human Interaction (SIGCHI) (MacKenzie & Oniszczak, 1997; MacKenzie & Oniszczak, 1998). Bases neurales pour l’IHM

  33. Bibliographie • 9 : Zhai & Mac Kenzie, 1998 • 10 : Mac Kenzie, Soukoreff, et Pal (1997) • 11 : The Rockin'Mouse: Integral 3D Manipulation on a Plane : http://portal.acm.org/citation.cfm?id=258778 • 12 : MacKenzie, 1991; MacKenzie, 1992; Meyer, Smith, Kornblum, Abrams, et Wright, 1990; Welford, 1968 • 13 : Shannon & Weaver, 1949, pp. 100-103 • 14 : 1er en 1954 (Fitts, 1954), le 2ème en 1964 (Fitts & Peterson, 1964) • 15 : Douglas, Kirkpatrick, & MacKenzie, 1999; ISO, 1999 Bases neurales pour l’IHM

  34. Bibliographie • 16 : Card, anglais, & Burr, 1978; MacKenzie, Sellen, & Buxton, 1991 • 17 : Fitts& Peterson, 1964; Welford, 1968 • 18 : The coefficient 4.133 emerges from the term (2 × π × e)1/2 in Shannon’s original theorem. See MacKenzie(1992) for details • 19 : Kelso, Southard, & Goodman, 1979; Peters, 1985; Porac & Coren, 1981; Wing, 1982 • 20 : Kabbash, Buxton, & Sellen, 1994; Kabbash, MacKenzie, & Buxton, 1993 Bases neurales pour l’IHM

  35. Bibliographie • 21 : Mayzner & Tresselt, 1965; Soukoreff & MacKenzie, 1995; Underwood & Schulz, 1960 Bases neurales pour l’IHM

More Related