به سمت تعاملات نقشه مبتنی بر نگاه: تعیین زمان ماندن و اندازه بافر برای انتخاب ویژگی‌های نقشه مبتنی بر نگاه

حالت های تعامل (مثلاً ماوس و لمس) بین نقشه ها و کاربران بر اثربخشی و کارایی انتقال اطلاعات کارتوگرافی تأثیر می گذارد. پیشرفت‌های اخیر در فناوری ردیابی چشم، ردیاب‌های چشم را سبک‌تر، ارزان‌تر و دقیق‌تر کرده است و پتانسیل تعامل با نقشه‌ها از طریق نگاه را افزایش داده است. در این مطالعه، ما به طور انحصاری بر روی استفاده از نگاه برای انتخاب ویژگی های نقشه (یعنی نقاط، چند خط و چندضلعی) از طریق عملیات انتخاب تمرکز کردیم ، یک اقدام اساسی قبل از سایر عملیات در تعاملات نقشه. ما رویکردی مبتنی بر زمان ماندن و اندازه بافر برای رسیدگی به دقت فضایی پایین و لمس Midas اتخاذ کردیم.مشکل در تعاملات مبتنی بر نگاه و تعیین مناسب ترین زمان ماندن و اندازه بافر برای انتخاب ویژگی های نقشه مبتنی بر نگاه. ما آزمایشی را انجام دادیم که در آن ۳۸ شرکت‌کننده یک سری وظایف انتخاب ویژگی نقشه را از طریق نگاه انجام دادند. ما عملکرد شرکت‌کنندگان (کارایی و دقت) را بین ترکیب‌های مختلف زمان ماند (۲۰۰ میلی‌ثانیه، ۶۰۰ میلی‌ثانیه و ۱۰۰۰ میلی‌ثانیه) و اندازه‌های بافر (نقطه: ۱ درجه، ۱٫۵ درجه و ۲ درجه؛ چند خط: ۰٫۵ درجه، ۰٫۷ درجه) مقایسه کردیم. و ۱ درجه). نتایج تأیید کرد که اندازه بافر بزرگ‌تر، کارایی را افزایش می‌دهد اما دقت را کاهش می‌دهد، در حالی که زمان ماندگاری طولانی‌تر، کارایی را کاهش می‌دهد اما دقت را افزایش می‌دهد. به طور خاص، ما دریافتیم که زمان ماندگاری ۶۰۰ میلی‌ثانیه در انتخاب ویژگی‌های نقشه از ۲۰۰ میلی‌ثانیه و ۱۰۰۰ میلی‌ثانیه کارآمدتر بود، اما دقت کمتری نسبت به ۱۰۰۰ میلی‌ثانیه داشت. با این حال، ۶۰۰ میلی‌ثانیه مناسب‌تر از ۱۰۰۰ میلی‌ثانیه در نظر گرفته شد، زیرا زمان ماندگاری طولانی‌تر خطر بیشتری برای ایجاد خستگی بینایی دارد. بنابراین، ۶۰۰ میلی‌ثانیه از تعادل بهتری بین دقت و کارایی پشتیبانی می‌کند. علاوه بر این، متوجه شدیم که اندازه‌های بافر ۱٫۵ درجه و ۰٫۷ درجه نسبت به سایر اندازه‌ها برای انتخاب نقاط و چند خط به ترتیب کارآمدتر و دقیق‌تر هستند. نتایج ما شواهد تجربی مهمی را برای انتخاب مناسب‌ترین زمان‌های اقامت و اندازه‌های بافر برای تعاملات نقشه مبتنی بر نگاه ارائه می‌کند.

کلید واژه ها:

ردیابی چشم ؛ تعامل انسان و کامپیوتر ؛ تعامل نقشه مبتنی بر نگاه ؛ انتخاب عملیات ؛ زمان سکونت ; اندازه بافر

۱٫ مقدمه

تعامل یک ویژگی اساسی و ضروری نقشه های الکترونیکی/وب مدرن و سیستم های اطلاعات جغرافیایی (GIS) است. تعامل بین نقشه ها و کاربران نقش مهمی در انتقال موثر و کارآمد اطلاعات مکانی از طریق نقشه های وب دارد. ماوس و لمس، دو روش به خوبی تثبیت شده در تعاملات انسان و رایانه (HCIs)، معمولاً برای تعامل با نقشه‌ها بر روی صفحه‌نمایش رایانه و دستگاه‌های تلفن همراه استفاده می‌شوند، اگرچه پیشرفت‌های اخیر در فن‌آوری سنجش (به عنوان مثال، ردیابی نگاه و حسگر حرکتی) گسترش یافته است. پتانسیل روش های تعامل نقشه جدید، مانند تعاملات مبتنی بر نگاه و اشاره [ ۱ ، ۲ ]]. به طور خاص، ردیاب های چشم سبک تر، ارزان تر و دقیق تر می شوند. در نتیجه، کاربران ردیاب چشم در حال حاضر از محققان علمی به عموم مردم گسترش یافته اند. در واقع، با استفاده از چنین حسگرهایی در زندگی روزمره، ردیاب های چشم ممکن است در آینده نزدیک همه جا حاضر شوند. بنابراین، HCI های کنترل شده با نگاه، که می توانند اطلاعات هوشمندانه و شخصی سازی شده بیشتری را در اختیار کاربران قرار دهند، ممکن است فراگیر شوند [ ۳ ، ۴ ، ۵ ، ۶ ]. مهم‌تر از آن، HCI‌های کنترل‌شده با نگاه یک فناوری کمکی حیاتی هستند، زیرا تنها به کاربران نیاز دارند که چشم‌های خود را حرکت دهند و دست‌های خود را آزاد کنند. این به افراد دارای معلولیت (به عنوان مثال، فلج و بیماری لو گریگ) اجازه می دهد تا با تلفن های هوشمند و رایانه های خود تعامل داشته باشند [ ۷ ،۸ ، ۹ ].

انتخاب یک عملیات اساسی در HCI است. این پیش نیاز بسیاری از توابع دیگر است (به عنوان مثال، حذف یک آیتم مستلزم انتخاب مورد است ). موارد انتخاب شده اغلب برجسته می شوند (مثلاً با رنگ های متفاوت یا پررنگ)، و مکان آنها را می توان به راحتی ردیابی کرد. یی و همکاران [ ۱۰ ] انتخاب را به عنوان عملیاتی تعریف می‌کند که «به کاربران امکان می‌دهد یک آیتم (های) داده مورد علاقه را برای پیگیری آن علامت‌گذاری کنند» (ص ۱۲۲۶). یی و همکاران [ ۱۰ ] همچنین شش تعامل دیگر را شناسایی کرد (یعنی کاوش ، پیکربندی مجدد ، رمزگذاری ، انتزاعی / دقیق ، فیلتر کردن و اتصال) و انتخاب را به عنوان عملی در نظر می گیرند که قبل از همه عملیات های دیگر است. به طور مشابه، در تعاملات نقشه، اعمال را به عنوان پیش نیاز برای بسیاری از عملیات دیگر، مانند شناسایی ، مقایسه و رتبه بندی اشیاء انتخاب کنید [ ۱۱ ]. به عنوان مثال، در برنامه های رایج GIS، مانند ArcMap و QGIS، پس از انتخاب یک نقطه (به عنوان مثال، نشان دادن یک شهر)، می توانیم ویژگی های آن را شناسایی کنیم (مثلا نام، کشور و جمعیت).

این مطالعه منحصراً بر انتخاب ویژگی‌های نقشه (یعنی انتخاب یک نقطه، چند خط یا چندضلعی) از طریق نگاه متمرکز است. استفاده از نگاه برای انتخاب اشیا ممکن است کارآمدتر از استفاده از ماوس یا لمس باشد زیرا حرکات چشم در ابتدا سریعتر است [ ۱۲ ]. با این حال، انتخاب مبتنی بر نگاه حداقل با دو مشکل مواجه می شود [ ۱۳ ، ۱۴ ]: دقت فضایی پایین و مشکل لمس Midas ( شکل ۱ ). اولی نشان می دهد که دقت فضایی نگاه به اندازه مانور مکان نما توسط ماوس نیست و منجر به انتخاب ویژگی های ناخواسته می شود. در مقابل، Midas لمسیمشکل زمانی رخ می‌دهد که حرکات ناخودآگاه چشم کاربران (تثبیت‌ها، ساکادها و پلک زدن‌ها) توسط سیستم ضبط می‌شود و در نتیجه باعث ایجاد تعاملات غیرعمدی می‌شود [ ۱۵ ].

یک راه حل ممکن برای هر دو مشکل ذکر شده در بالا، بزرگ کردن اندازه هدف و افزایش زمان ماندن روی هدف مورد نیاز برای شروع عملیات انتخاب است [ ۱۶ ]. پنکار و همکاران [ ۱۷ ] ترکیب‌های مختلف اندازه دکمه‌ها و زمان‌های ماندگاری مورد استفاده برای انتخاب دکمه‌ها را مقایسه کرد و دریافت که دکمه‌های بزرگ‌تر و زمان‌های ماندگاری طولانی‌تر نسبت به دکمه‌های کوچک‌تر و زمان ماندن کوتاه‌تر منجر به کارایی بالاتری می‌شوند. به همین ترتیب، نیو و همکاران. [ ۱۳] گزارش کرد که دکمه های بزرگتر می توانند دقت انتخاب را افزایش دهند. در تعامل نقشه، اندازه دکمه را می توان با اندازه بافر ویژگی های نقشه (نقاط و چند خط) جایگزین کرد: اگر نگاه فرد به منطقه بافر یک ویژگی نقشه بیفتد و برای مدت زمان معینی در آن منطقه ثابت بماند، این ویژگی انتخاب شد. با این حال، افزایش اندازه بافر می تواند ظرفیت اطلاعات نقشه را کاهش دهد [ ۱۸ ]، و زمان ماندگاری طولانی تر ممکن است تعاملات را به تاخیر بیندازد و باعث شود کاربران به راحتی از نظر بصری خسته شوند ( شکل ۲)). بنابراین، لازم است هم اندازه بافر و ظرفیت اطلاعات نقشه و هم زمان ماندن و تأخیر تعامل (خستگی بصری) متعادل شود. همانطور که در بخش بعدی بررسی شد، محققان مقادیر تجربی اندازه دکمه و زمان ماندن را برای انتخاب شیء کنترل‌شده با نگاه در HCIs پیشنهاد کرده‌اند. با این حال، نقشه‌ها به طور قابل‌توجهی با رابط‌های کاربر عمومی با توجه به HCI متفاوت هستند، و بنابراین، اینکه آیا این مقادیر برای انتخاب ویژگی‌های نقشه مناسب هستند یا خیر، ناشناخته باقی می‌ماند، به ویژه به این دلیل که شواهد تجربی نادر است.

در این مطالعه، ترکیب‌های مختلف دو پارامتر کلیدی را برای انتخاب ویژگی‌های نقشه مقایسه کردیم: اندازه بافر و زمان ماند. ما در نظر داشتیم مناسب ترین مقادیر پارامتر را برای تعاملات نقشه مبتنی بر نگاه پیدا کنیم. پس از بررسی کار مرتبط در بخش ۲ ، ما یک پلت فرم آزمایشی ایجاد کردیم و آزمایشی را انجام دادیم که در آن شرکت کنندگان یک سری وظایف انتخاب ویژگی نقشه را با استفاده از نگاه خود انجام دادند. جزئیات این آزمایش در بخش ۳ ارائه شده است. در مرحله بعد، همانطور که در بخش ۴ توضیح داده شد ، کارایی تکمیل کار و دقت شرکت کنندگان را مقایسه کردیم و تجربه آنها را با انتخاب مبتنی بر نگاه تحلیل کردیم. سپس نتایج را در بخش ۵ مورد بحث قرار می‌دهیم و مقاله را در پایان می‌دهیمبخش ۶ .

۲٫ پیشینه و کارهای مرتبط

۲٫۱٫ تعاملات مبتنی بر نگاه در HCI

با ردیابی و پردازش حرکات چشم کاربران (در مختصات xy با زمان t ، که نگاه ها نامیده می شود ) در زمان واقعی، یک سیستم کامپیوتری می تواند به توجه بصری کاربران پاسخ دهد (یعنی تعامل مبتنی بر نگاه) [ ۱۹ ]. این تکنیک مبتنی بر این فرض ذهن – چشم است که تمرکز چشم فرد منعکس کننده چیزی است که در حال فکر کردن است [ ۲۰ ]. روش های مختلفی برای ردیابی نگاه انسان ایجاد شده است. سه فناوری غالب که به طور گسترده در تحقیقات و کاربردهای تجاری مورد استفاده قرار می‌گیرند عبارتند از اکولوگرافی ویدئویی، بازتاب مردمک قرنیه مادون قرمز مبتنی بر ویدئو، و الکترواکولوگرافی [ ۲۱ ، ۲۲ ].]. در این مطالعه، ما بر روی ردیاب‌های چشمی مبتنی بر ویدیو از راه دور، مانند Tobii Eye Tracker 4C [ ۲۳ ] تمرکز کردیم.

راه حل های متعددی برای HCI های مبتنی بر حرکت چشم پیشنهاد شده است که هر کدام مزایا و معایب منحصر به فردی دارند. چشمک زدن (یعنی باز و بسته شدن یک فرد یا هر دو چشم) برای انتخاب اشیا یکی از روش های ممکن است [ ۲۴ ، ۲۵ ، ۲۶ ]. با این حال، پلک زدن عمدتا تحت کنترل ناخودآگاه است و بنابراین برای تعاملات غیرطبیعی است. از طرف دیگر، ژست‌های نگاه (یعنی توالی‌های حرکت چشم خاص مانند حرکت افقی و به دنبال آن یک ضربه عمودی) در برابر فعل و انفعالات ناخواسته قوی هستند [ ۲۷ ، ۲۸ ، ۲۹ ]. هیرسکیکاری و همکاران [ ۱۴] عملکرد ژست های نگاه و تعاملات مبتنی بر سکونت را مقایسه کرد و متوجه شد که اولی به خوبی یا بهتر از دومی است. با این حال، ژست های نگاه نیاز به زمان بیشتری پس از اتمام حرکات قبل از شروع اقدامات دارند. علاوه بر این، ژست‌های نگاه از کاربران می‌خواهند تا ژست‌ها را یاد بگیرند و به خاطر بسپارند.

استفاده از زمان‌های ماندگاری طولانی‌تر با اندازه‌های هدف بزرگ‌تر، یک رویکرد متداول و قوی است [ ۳۰ ]. با این حال، اندازه‌های بزرگ‌تر و زمان‌های ماندگاری طولانی‌تر به ترتیب فضای بیشتری را اشغال می‌کنند و باعث خستگی بصری می‌شوند. در نتیجه، محققان مقادیر تجربی اندازه دکمه و زمان ماندن را برای انتخاب شی پیشنهاد کرده‌اند. برای مثال، Paulus و Remijn [ ۳۱ ] دریافتند که زمان ماندگاری ۶۰۰ میلی‌ثانیه توسط کاربران برای انتخاب اشیا ساده‌ترین رتبه‌بندی شده است. نیو و همکاران [ ۱۳ ] دریافت که انتخاب اندازه دکمه ۲۵۶ × ۲۵۶ پیکسل دقیق تر از انتخاب اندازه دکمه ۱۲۸ × ۱۲۸ پیکسل است، در حالی که پنکار و همکاران. [ ۱۷ ] یک منطقه دایره ای ۱۵۰ پیکسل را به عنوان ساده ترین منطقه برای انتخاب شناسایی کرد. فیت و همکاران [ ۳۲] پیشنهاد کرد که شکل و اندازه دکمه ها باید به صورت جداگانه با توجه به موقعیت دکمه روی صفحه طراحی شود.

به طور خلاصه، مطالعات قبلی پیشنهاد کرده‌اند که ژست‌های نگاه و روش‌های مبتنی بر سکونت، رویکردهای امیدوارکننده‌ای برای جلوگیری از مشکل لمس Midas هستند و می‌توانند هر دو با روش‌های ماوس یا لمس برای تحقق تعاملات چندوجهی ترکیب شوند [ ۱۹ ]. با این حال، در این مطالعه، ما به طور خاص بر روی استفاده از یک رویکرد مبتنی بر سکونت برای تعامل با ویژگی‌های نقشه تمرکز کردیم، و حرکات نگاه و تعاملات چندوجهی را به عنوان موضوعاتی برای تحقیقات آینده رها کردیم.

۲٫۲٫ تعاملات مبتنی بر نگاه در Geo-Application

ردیابی چشم از دیرباز در نقشه‌برداری و GIS برای بررسی مسیریابی عابر پیاده و قابلیت استفاده و درک نقشه‌ها استفاده می‌شود [ ۳۳ ، ۳۴ ، ۳۵ ، ۳۶ ، ۳۷ ، ۳۸ ، ۳۹ ، ۴۰ ]. در مقابل، تحقیقات کمی استفاده از ردیابی چشم را برای تعاملات نقشه مبتنی بر نگاه و کاربردهای جغرافیایی بررسی کرده است. به عنوان مثال، گوبل و همکاران. [ ۲ ] یک نقشه پردیس کنترل شده با نگاه طراحی کرد که کاربران را قادر می سازد ساختمان ها را شناسایی کرده و مسیرهای داخلی و خارجی را بررسی کنند. در این نقشه، کاربران مستقیماً با ویژگی‌های نقشه ارتباط برقرار نمی‌کنند، بلکه بر روی منوهای سلسله مراتبی (دکمه‌ها) ثابت می‌شوند تا در نقشه حرکت کنند. به طور مشابه، ژو و همکاران. [۴۱ ] یک نقشه کنترل‌شده با نگاه ایجاد کرد که کاربران را قادر می‌سازد ویژگی‌ها را شناسایی کنند، بزرگ‌نمایی یا کوچک‌نمایی کنند و نقشه را حرکت دهند. جیانوپولوس و همکاران [ ۴۲ ] یک سیستم ناوبری عابر پیاده مبتنی بر نگاه را ارائه کرد که اطلاعات مسیر را بر اساس مکان و آنچه کاربران به آن نگاه می کنند، ارتباط برقرار می کند. کواک و همکاران [ ۵ ] یک سیستم روایت هدایت‌شده با نگاه را طراحی کرد که انطباق محتوای صوتی را برای گردشگران شهری فراهم می‌کند. این سیستم ابتدا مشخص می کند که کاربر به کدام ساختمان از طریق ردیاب چشمی نصب شده روی سر نگاه می کند و سپس اطلاعات مربوط به ساختمان را از طریق صدا ارائه می دهد.

برخلاف مطالعات قبلی که کاربردهای جغرافیایی مبتنی بر نگاه ساختمان را هدف قرار داده بودند، این مطالعه با هدف یک مشکل اساسی تر در تعامل نقشه مبتنی بر نگاه انجام می شود: چگونه می توان یک ویژگی نقشه (نقطه، چند خط یا چند ضلعی) را از طریق نگاه انتخاب کرد؟ اگرچه رویکردهای مختلفی در HCI ها اتخاذ شده است (همانطور که در بخش ۲٫۱ بررسی شد، مشخص نیست که آیا این رویکردها برای انتخاب ویژگی های نقشه قابل اجرا هستند یا خیر زیرا ویژگی های نقشه به طور قابل توجهی با منوها و دکمه های موجود در HCI متفاوت است. این به این دلیل است که اندازه‌های منو/دکمه، حاشیه‌ها و مکان‌ها را می‌توان به طور روشمند در HCI‌های مبتنی بر نگاه تنظیم کرد. ویژگی‌های نقشه، از سوی دیگر، نمایش‌های انتزاعی از اشیاء دنیای واقعی هستند، بنابراین اندازه‌ها و مکان‌های آنها را نمی‌توان تغییر داد. بنابراین، ما مقادیر مناسب را برای دو پارامتر، یعنی اندازه بافر و زمان ماند، برای انتخاب ویژگی نقشه مبتنی بر سکونت بررسی کردیم. جزئیات این روش در بخش بعدی ارائه شده است.

۳٫ روش

۳٫۱٫ شركت كنندگان

در مجموع ۳۹ شرکت کننده (۲۵ مرد و ۱۳ زن) با دید طبیعی یا اصلاح شده به نرمال برای این مطالعه انتخاب شدند. سن شرکت کنندگان بین ۱۹ تا ۳۲ سال (M = 26، SD = 2.25) بود. آنها دانشجویان کارشناسی یا کارشناسی ارشد از دانشکده علوم جغرافیایی، دانشگاه عادی هونان بودند. همه دانش آموزان سابقه جغرافیا داشتند. همه شرکت‌کنندگان که از هدف آزمایش بی‌اطلاع بودند، داوطلبانه شرکت کردند و یک فرم رضایت آگاهانه را امضا کردند. به هر شرکت کننده یک هدیه کوچک به عنوان غرامت داده شد.

۳٫۲٫ دستگاه و نرم افزار

ما پلت فرم آزمایشی را با استفاده از Tobii Eye Tracker 4C (Tobii، سوئد، www.tobii.com ، دسترسی به ۱۰ فوریه ۲۰۲۲) [ ۲۳ ] متصل به لپ تاپ Lenovo Yoga 14C (Lenovo، چین، www.lenovo.com.cn ) پیاده سازی کردیم.، مشاهده شده در ۱۰ فوریه ۲۰۲۲; پردازنده مرکزی Intel i7 1165G7، ۲٫۸ گیگاهرتز و ۱۶ گیگابایت رم). ردیاب چشم دارای نرخ نمونه برداری ۹۰ هرتز بود. این لپ تاپ دارای صفحه نمایش LED 14 اینچی با وضوح فول اچ دی ۱۹۲۰ × ۱۰۸۰ پیکسل (۳۰٫۸ سانتی متر × ۱۷٫۴ سانتی متر) بود و مایکروسافت ویندوز ۱۰ را اجرا می کرد. این پلتفرم یک برنامه دسکتاپ ویندوز بود که با استفاده از زبان برنامه نویسی سی شارپ پیاده سازی شد. در رابط های برنامه نویسی برنامه ESRI ArcObjects 10.2 و Tobii Interactor 0.7.3 (API). شرکت کنندگان در فاصله تقریباً ۵۰ سانتی متری قرار گرفتند و اجازه داشتند سر خود را به طور طبیعی حرکت دهند. زاویه دید ۱ درجه مربوط به فاصله ≈۰٫۸۷ سانتی متر (≈۵۴ پیکسل) روی صفحه است.

این دستگاه ها در یک آزمایشگاه GIS در دانشکده علوم جغرافیایی تحت شرایط نور خوب قرار گرفتند ( شکل ۳ ). شرکت کنندگان در طول آزمایش توسط دیگران مزاحم نشدند. همه شرکت کنندگان آزمایش را در یک محیط انجام دادند.

۳٫۳٫ مقادیر پارامتری که باید آزمایش شوند

فقط نقاط و چند خطوط با اندازه های بافر مختلف (شعاع) مورد آزمایش قرار گرفتند. ملاحظات متعددی برای تعیین اندازه بافر مناسب برای آزمایش در نظر گرفته شد. اولاً، دقت فضایی Tobii Eye Tracker 4C (و بسیاری دیگر از ردیاب‌های چشمی) ۰٫۵ درجه [ ۳۲ ] است، و بنابراین، اندازه بافر باید حداقل ۰٫۵ درجه باشد. دوم، مطالعات علوم اعصاب نشان داده اند که دید فووال بزرگسالان به ۱٫۵-۲ درجه مرکزی میدان بینایی محدود می شود [ ۴۳ ، ۴۴ ]. سوم، اندازه‌های دکمه‌ای که معمولاً در مطالعات قبلی مورد آزمایش قرار می‌گرفتند از ۳٫۳ درجه تا ۷٫۷ درجه (شعاع تقریباً ۱٫۶ درجه تا ۳٫۸ درجه) متغیر بودند [ ۱۳ ، ۳۲]. چهارم، نقاط و چندخطوط باید اندازه‌های بافر متفاوتی داشته باشند، زیرا از نظر هندسی متفاوت هستند: نقاط، اشیاء صفر بعدی هستند و چند خطوط، اشیاء یک بعدی با ویژگی طول هستند. شکل ۴ نمونه هایی از سه اندازه بافر را برای نقاط و چند خط نشان می دهد. برای اندازه بافر ۱ درجه، مناطق بافر چند خطوط ( شکل ۴ f) بسیار بزرگتر هستند و می توانند همپوشانی های بیشتری نسبت به مناطق بافر نقاط ایجاد کنند ( شکل ۴ a). بنابراین، بر اساس این ملاحظات، ما ۱°، ۱٫۵°، و ۲° را به عنوان کاندیدهای اندازه بافر برای انتخاب نقاط و ۰٫۵°، ۰٫۷° و ۱° را به عنوان کاندیدهای انتخاب چند خطوط انتخاب کردیم ( جدول ۱).). توجه داشته باشید که ما از واحدهای زاویه ای به جای پیکسل های صفحه نمایش برای اندازه گیری شعاع بافر استفاده کردیم، زیرا اندازه پیکسل صفحه به اندازه نمایشگر فیزیکی بستگی دارد.

تعیین زمان اقامت نامزدها به طور مشابه مستلزم چندین ملاحظات است. اول، مدت زمان تثبیت معمول جستجوی بصری از ۱۸۰ میلی‌ثانیه تا ۲۷۵ میلی‌ثانیه است [ ۴۴ ]. لیائو و همکاران [ ۴۵ ] نشان داد که میانگین مدت زمان تثبیت نقشه خوانی از ۱۹۷ میلی ثانیه تا ۲۹۲ میلی ثانیه متغیر است. ثانیاً، زمان‌های ساکن معمولی که توسط مطالعات قبلی آزمایش شده‌اند، از ۲۰۰ میلی‌ثانیه تا ۲۰۰۰ میلی‌ثانیه متغیر بود [ ۱۳ ، ۱۷ ، ۳۱ ]. بنابراین، بر اساس تحقیقات قبلی و ویژگی‌های فیزیولوژیکی انسان، ۲۰۰ میلی‌ثانیه، ۶۰۰ میلی‌ثانیه و ۱۰۰۰ میلی‌ثانیه به عنوان سه کاندید زمان ماندن انتخاب شد. این سه نامزد برای هر سه نوع ویژگی نقشه اعمال شدند. میز ۱زمان‌های ماندگاری آزمایش‌شده و اندازه‌های بافر را برای انواع مختلف ویژگی‌های نقشه خلاصه می‌کند.

۳٫۴٫ محرک ها و وظایف

ما ۲۴ نقشه (۸ نقشه برای هر نوع ویژگی نقشه) طراحی کردیم که به دو نوع تقسیم شدند: لایه های نقشه ( ۱۲ = n ) و نقشه های موضوعی ( n = ۱۲). لایه‌های نقشه از یک نوع ویژگی تشکیل شده‌اند (مثلاً شامل فقط نقاط، چند خط یا چند ضلعی؛ شکل ۵ ، ستون سمت چپ را ببینید) و بنابراین ناقص بودند، زیرا حاوی عناصر نقشه دیگر، مانند برچسب‌ها، عنوان‌ها یا افسانه‌ها نبودند. . ما این لایه‌های نقشه را طراحی کردیم تا از تأثیر سایر عناصر نقشه بر انتخاب ویژگی‌ها جلوگیری کنیم. در مقابل، نقشه‌های موضوعی نقشه‌های کاملی بودند که شامل هر سه نوع ویژگی و سایر عناصر نقشه بودند ( شکل ۵ ، ستون سمت راست را ببینید). به عنوان تنها منتخبعملیات در این مطالعه در نظر گرفته شد، شرکت‌کنندگان مجاز به بزرگ‌نمایی و کوچک‌نمایی نقشه‌ها نبودند.

هر نقشه با دستورالعملی همراه بود که در طول آزمایش به شرکت کنندگان ارائه شد و در مجموع ۲۴ دستورالعمل به دست آمد. برای لایه‌های نقشه، دستورالعمل‌های نمونه شامل «لطفاً نقطه قرمز را انتخاب کنید» ( شکل ۵ الف)، «لطفاً چند خط قرمز را انتخاب کنید» ( شکل ۵ ج)، و «لطفاً چند ضلعی زرد را انتخاب کنید» ( شکل ۵ e). برای نقشه‌های موضوعی، دستورالعمل‌های نمونه شامل «لطفاً شهر Anqiu را انتخاب کنید» ( شکل ۵ ب)، «لطفاً رودخانه با برچسب «L» را انتخاب کنید ( شکل ۵ د)، و «لطفاً منطقه‌ای را با بیشترین میزان بارش انتخاب کنید» ( شکل ۵) و)

برای هر نقشه با ویژگی های نقطه ( n = ۸) و چند خط ( n = ۸)، ما سه نقشه با استفاده از سه اندازه بافر در جدول ۱ ایجاد کردیم که منجر به ۴۸ (=۸ × ۳ + ۸ × ۳) نقشه شد. اگر نواحی بافر ویژگی با هم همپوشانی داشتند، ویژگی که نزدیک‌ترین نقطه به نقطه نگاه کاربران بود انتخاب می‌شد. توجه داشته باشید که مناطق بافر به شرکت کنندگان نشان داده نشده است. توجه داشته باشید که ما بافرهایی را برای نقشه های چند ضلعی ایجاد نکردیم زیرا قصد نداشتیم اندازه بافر را برای انتخاب چند ضلعی آزمایش کنیم. بنابراین، ما در مجموع از ۵۶ نقشه (۲۴ نقشه نقطه، ۲۴ نقشه چند خطی و ۸ نقشه چند ضلعی) و ۵۶ نقشه با سه زمان ماندگاری (۲۰۰ میلی ثانیه، ۶۰۰ میلی ثانیه و ۱۰۰۰ میلی ثانیه) ۱۶۸ وظیفه تولید کردیم.

۳٫۵٫ روش

آزمایش شامل سه جلسه کالیبراسیون، آموزش و انتخاب بود ( شکل ۶ ).

جلسه کالیبراسیون شرکت کنندگان ابتدا مورد استقبال قرار گرفتند و در یک موقعیت راحت در مقابل یک لپ تاپ قرار گرفتند. به آنها معرفی مختصری درباره ردیابی چشم داده شد و سپس از روش کالیبراسیون ۶ نقطه ای برای کالیبره کردن چشم شرکت کنندگان برای ردیاب چشم استفاده شد. در صورت لزوم، فرآیند کالیبراسیون در طول آزمایش تکرار شد.
جلسه آموزشی. شرکت کنندگان حداقل پنج دقیقه فرصت داشتند تا یاد بگیرند که چگونه با استفاده از نگاه خود با کامپیوتر تعامل داشته باشند. آنها با دموهای ارائه شده توسط Tobii تمرین کردند. سپس از آنها خواسته شد تا پنج وظیفه آموزشی را به پایان برسانند تا مطمئن شوند که با روش آزمایشی آشنا هستند.
جلسه انتخاب در این جلسه شرکت کنندگان موظف شدند ۱۶۸ کار را به پایان برسانند. ما از طرح درون موضوعی استفاده کردیم، به این معنی که همه نقشه‌ها به همه شرکت‌کنندگان ارائه شد. هر نقشه با ترکیب های مختلفی از اندازه های بافر و زمان های اقامت تکرار شد. برای مقابله با اثر یادگیری، یک ترتیب مربعی لاتین را برای ارائه وظایف اتخاذ کردیم ( شکل ۶ را ببینید ). در هر کار، دستور کار روی صفحه نمایش داده شد ( شکل ۷ a). به شرکت کنندگان اجازه داده شد تا پس از خواندن و درک صحیح دستورالعمل کار، با فشار دادن کلید فاصله به رابط نقشه سوئیچ کنند ( شکل ۷)ب). در این مرحله، شرکت کنندگان باید ویژگی نقشه مورد نیاز را با استفاده از نگاه خود انتخاب کنند. هر ویژگی که آستانه های پارامتر را برآورده کند (به بخش ۳٫۳ مراجعه کنید ) انتخاب شد (در شکل ۷ ج برجسته شده است). پس از انتخاب هدف مورد نیاز، از آنها خواسته شد که کلید فاصله را فشار دهند تا در اسرع وقت آن را به عنوان پاسخ نهایی خود ارسال کنند. برای جلوگیری از تأثیر قطع‌ها (مثلاً تماس تلفنی شرکت‌کنندگان یا قطع تصادفی ردیاب چشم) در طول آزمایش، شرکت‌کنندگان می‌توانند کلید enter را فشار دهند تا از انجام کار صرف‌نظر کنند. چه شرکت‌کننده کلید فاصله یا کلید اینتر را فشار داده باشد، دستور کار بعدی ارائه می‌شود ( تصویر ۷ د)، اما کارهای حذف شده در نتایج محاسبه نمی‌شوند.

۳٫۶٫ تحلیل و بررسی

۳٫۶٫۱٫ بررسی کیفیت داده ها

در مجموع ۶۵۳۰ کارآزمایی از ۳۹ نفر در این آزمایش جمع آوری شد. یک آزمودنی به دلایل شخصی آزمایش را ترک کرد و بنابراین از تجزیه و تحلیل بیشتر کنار گذاشته شد. علاوه بر این، به دلیل مسائل فنی (در برخی آزمایش‌ها اتصال ردیاب چشم قطع شد) و سایر وقفه‌های غیرقابل کنترل در طول آزمایش، ۷۷۵ کارآزمایی نامعتبر وجود دارد که از نتایج حذف شدند. پس از بازرسی دقیق، در مجموع ۵۷۷۵ کارآزمایی معتبر از ۳۸ نفر حفظ شد. ۲۴۸۶ آزمایش انتخاب نقطه، ۲۴۳۱ آزمایش انتخاب چند خط و ۸۵۸ آزمایش انتخاب چند ضلعی بودند.

۳٫۶٫۲٫ متریک ارزیابی

برای هر شرکت‌کننده و برای هر نوع ویژگی نقشه، زمان پاسخ و دقت را برای اندازه‌گیری عملکرد شرکت‌کنندگان محاسبه کردیم.

(۱) زمان پاسخگویی میانگین زمان (های) تکمیل کار برای هر کار (آزمایش) برای اندازه گیری کارایی شرکت کنندگان محاسبه شد.

(۲) دقت. در یک کار، وقتی یک ویژگی به عنوان کاندید علامت‌گذاری می‌شد (لایت شده)، به این معنی بود که یک شرکت‌کننده عملیات انتخابی را آغاز می‌کرد. توجه داشته باشید که ویژگی انتخاب شده ممکن است هدفی بوده باشد که برای انجام وظیفه لازم است شرکت کننده انتخاب کند زیرا ممکن است ویژگی های ناخواسته انتخاب شده باشد. شکل ۸ یک مثال را نشان می دهد. دقت کار به صورت ۱ یا ۰ محاسبه شد (بسته به اینکه شرکت کننده هدف مورد نیاز را به درستی انتخاب کرده باشد، صرف نظر از اینکه چند عملیات انتخابی آغاز شده است) تقسیم بر تعداد کل عملیات انتخابی در این کار. در نهایت، میانگین دقت تمام وظایف به عنوان دقت شرکت‌کننده محاسبه شد.

انتخاب‌های ناخواسته در محاسبه دقت در نظر گرفته شدند، زیرا در HCI‌های عملی مبتنی بر نگاه، چنین انتخاب‌های ناخواسته‌ای می‌توانند عملیات بعدی را آغاز کنند که تعاملات مورد نظر کاربران را مختل می‌کند و بنابراین روانی تعامل را کاهش می‌دهد. در روش ما، یک کار با دقت ۱۰۰٪ به این معنی است که کاربر فقط یک انتخاب (درست) را برای این کار فعال کرده است، در حالی که دقت کمتر از ۱۰۰٪ به این معنی است که کاربران ویژگی های ناخواسته را انتخاب کرده اند. به طور خاص، یک کار با ۰٪ به این معنی است که شرکت کننده یک پاسخ نادرست برای کار ارسال کرده است.

برای هر دو زمان پاسخ و دقت (متغیرهای وابسته)، ما از یک تحلیل واریانس دو طرفه (ANOVA) برای شناسایی اثرات اصلی و اثرات متقابل اندازه بافر و زمان ماند استفاده کردیم. با توجه به [ ۴۶ ، ۴۷ ]، ما همچنین eta-squared جزئی (ηp ^۲ ؛ ANOVA) و مقدار d کوهن ( d ) را محاسبه کرده ایم [ ۴۸ ]] برای تشخیص اندازه اثر آنها. سپس مقایسه‌های زوجی انجام دادیم تا تشخیص دهیم که آیا تفاوت‌های آماری معنی‌داری بین اندازه‌های مختلف بافر و بین زمان‌های اقامت متفاوت وجود دارد یا خیر. توجه داشته باشید که تنها دو متغیر مستقل (یعنی اندازه بافر و زمان ماندن) در ANOVA گنجانده شده‌اند که هر متغیر دارای سه سطح (ترکیب ۳×۳) است. ما نوع محرک (لایه های نقشه در مقابل نقشه های موضوعی) را به عنوان یک متغیر مستقل در نظر نگرفتیم زیرا تمرکز اصلی مطالعه نبود.

۴٫ نتایج

۴٫۱٫ انتخاب نقطه

۴٫۱٫۱٫ عملکرد کلی کارایی و دقت

شکل ۹ زمان پاسخ (بازده) و دقت انتخاب نقطه را تحت ترکیبات مختلف اندازه بافر و زمان ماند نشان می دهد. مقادیر میانگین (M) و انحراف معیار (SD) زمان پاسخ و دقت به ترتیب در جدول ۲ و جدول ۳ نشان داده شده است. آنالیز واریانس دوطرفه نشان داد که هر دو زمان ماند ( ۰۰۱/۰ < 000/0، ۵۲۷/۰ = ηp ^۲ ) و اندازه بافر ( ۰۰۱/۰ < 000/0 p = 034/0 = ^۲ ηp ) اثر اصلی معنی‌داری بر کارایی داشتند، در حالی که اثر متقابل آنها نبود. معنی دار ( p = ۰٫۰۹۶ > 0.05، ηp ^۲ = ۰٫۰۰۶). یک اثر اصلی قابل توجه بر دقت نیز برای هر دو زمان ماندن مشاهده شد ( ص= ۰٫۰۳۲ < 0.05، ηp ^۲ = ۰٫۰۱۲) و اندازه بافر ( p = ۰٫۰۱۵ < 0.05، ηp ^۲ = ۰٫۰۲۲)، اما دوباره، اثر متقابل آنها معنی دار نبود ( p = ۰٫۴۷۷ > 0.05، ηp ^۲ = ۰٫۰۰۳). بنابراین در ادامه ابتدا به بررسی اثرات اندازه بافر (صرف نظر از زمان ماندگاری) بر کارایی و دقت پرداخته و سپس اثرات زمان ماندگاری (بدون توجه به اندازه بافر) را مورد تجزیه و تحلیل قرار دادیم.

۴٫۱٫۲٫ اثرات اندازه بافر بر کارایی و دقت

شکل ۱۰ نتایج مقایسه های زوجی بین زمان پاسخ و دقت را در اندازه های مختلف بافر نشان می دهد. با افزایش اندازه بافر، کارایی افزایش می یابد (یعنی زمان پاسخ کاهش می یابد)، در حالی که دقت کاهش می یابد. زمان پاسخ تحت یک بافر ۱ درجه (M = 3.69 s، SD = 3.22 s) به طور قابل توجهی طولانی تر از موارد زیر ۱٫۵ درجه بود (M = 3.02 ثانیه، SD = 3.15 ثانیه، p = ۰٫۰۰۰ < 0.001، d = ۰٫۲۲۴) و ۲ درجه (M = 2.94 s، SD = 2.91 s، p = ۰٫۰۰۰ < 0.001، d = ۰٫۲۵۲) بافرها. علاوه بر این، دقت بافر ۱ درجه (M = 0.79، SD = 0.24) و بافر ۱٫۵ درجه (M = 0.77، SD = 0.24) به طور قابل توجهی بالاتر از بافر ۲ درجه (M = 0.70، SD = بود. ۰٫۲۵) ( p = ۰٫۰۰۰ < 0.001، d= 0.368 و p = ۰٫۰۰۶ < 0.01، d = ۰٫۲۸۷، به ترتیب). به طور خلاصه، برای انتخاب نقطه، بافرهای ۱٫۵ درجه و ۲ درجه به طور قابل توجهی کارآمدتر از بافر ۱٫۰ درجه بودند، اما بافرهای ۱٫۰ و ۱٫۵ درجه دقیق تر از بافر ۲ درجه بودند. بنابراین، ۱٫۵ درجه بهتر از دو اندازه دیگر با توجه به کارایی و دقت است.

۴٫۱٫۳٫ اثرات زمان ماندن بر کارایی و دقت

شکل ۱۱ اثرات زمان ماندن را بر کارایی و دقت انتخاب نقطه نشان می دهد. زمان پاسخ‌دهی تحت زمان ماندگاری ۱۰۰۰ میلی‌ثانیه (M = 3.60 ثانیه، SD = 3.19 ثانیه) به طور قابل‌توجهی بیشتر از زمان‌های ماندگاری ۶۰۰ میلی‌ثانیه بود (M = 2.91 ثانیه، SD = 3.06 ثانیه، p = ۰٫۰۰۰ <0.001، d . = ۰٫۲۲۰) و ۲۰۰ ms (M = 3.11 ثانیه، SD = 3.80 ثانیه، p = ۰٫۰۰۵ < 0.01، d = ۰٫۱۴۲). برای دقت، ۶۰۰ میلی‌ثانیه منجر به دقت قابل‌توجهی بالاتر (M = 0.85، SD = 0.15) نسبت به ۲۰۰ میلی‌ثانیه (M = 0.47، SD = 0.15، p = ۰٫۰۰۰ < 0.001، d = ۲٫۵۳۳)، در حالی که ۱۰۰۰ ms (3،۰۰۰ = M. SD = 0.12) منجر به دقت قابل توجهی بالاتر از هر دو ms 600 شد ( ۰٫۰۰۰ = ۰٫۰۰۱ ، d= 0.584) و ۲۰۰ ms ( p = ۰٫۰۰۰ < 0.001، d = ۳٫۳۸۲). ترکیب نتایج کارایی و کارایی نشان می‌دهد که آستانه ماندگاری ۶۰۰ میلی‌ثانیه بهتر از ۲۰۰ میلی‌ثانیه و ۱۰۰۰ میلی‌ثانیه برای انتخاب نقطه است.

۴٫۲٫ انتخاب چند خط

۴٫۲٫۱٫ عملکرد کلی کارایی و دقت

شکل ۱۲ زمان پاسخ و دقت انتخاب چند خط را در زمان‌های ماندگاری و اندازه‌های بافر مختلف نشان می‌دهد. داده های دقیق در جدول ۴ و جدول ۵ ارائه شده است که نشان می دهد زمان ماندگاری ۶۰۰ میلی ثانیه و بافر ۱ درجه منجر به کوتاه ترین زمان پاسخ (M = 2.74 s، SD = 2.52 s)، در حالی که ۱۰۰۰ ms و ۰٫۵ درجه منجر به طولانی ترین زمان پاسخ (M = 5.18 ثانیه، SD = 5.60). با این حال، ۱۰۰۰ ms و ۰٫۵ درجه بالاترین دقت (M = 0.94، SD = 0.10) را داشتند، در حالی که ۲۰۰ ms در ترکیب با ۱ درجه کمترین دقت را داشتند (M = 0.45، SD = 0.14).

آنالیز واریانس دوطرفه نشان داد که هر دو زمان ماند ( ۰۰۱/۰ < 000/0، ۰۵۱/۰ ^{= ηp}^۲ ) و اندازه بافر ( ۰۰۱/۰ < 000/0p، ۰۳۰/۰ = ηp2) اثرات اصلی مهمی بر زمان پاسخ برای انتخاب چند خط داشتند، اما اثر متقابل معنی دار نبود ( ۰۵/۰ > 733/0 = p، ۰۰۱/۰ = ηp ^۲ ). جای تعجب نیست که تأثیرات اصلی زمان ماند ( ۰۰۱/۰ < p = 0.490 = ηp ^۲ ) و اندازه بافر ( ۰٫۰۰۱ < 0.000 p = ۰٫۰۲۸ ⁼ ۰٫۰۲ ηp ) بر دقت نیز معنی‌دار بود، اما اثر متقابل بین آنها معنی‌دار نبود. معنی دار ( p = ۰٫۷۴۹ > 0.05، ηp² = ۰٫۰۰۵).

۴٫۲٫۲٫ اثرات اندازه بافر بر کارایی و دقت

مشابه انتخاب نقطه ( شکل ۱۰ )، در انتخاب چند خط، با افزایش اندازه بافر، کارایی افزایش یافت، اما دقت کاهش یافت ( شکل ۱۳ ). زمان پاسخ بافر ۰٫۵ درجه (M = 4.33 s، SD = 5.03 s) به طور قابل توجهی بیشتر از هر دو ۰٫۷ درجه بود (M = 3.54 s، SD = 3.92 s، p = ۰٫۰۰۰ < 0.001، d = ۰٫۱۷۵) و اندازه بافر ۱ درجه (M = 3.16 s، SD = 3.30 s، p = ۰٫۰۰۰ < 0.001، d = ۰٫۲۷۵). با این حال، دقت اندازه بافر ۰٫۵ درجه (M = 0.80، SD = 0.22) به طور قابل توجهی بالاتر از بافر ۱ درجه بود (M = 0.72، SD = 0.24، ۰٫۰۱۴ = p <0.05، d .= 0.347). به طور خلاصه، اندازه های بافر ۰٫۷ درجه و ۱٫۰ درجه عملکرد مشابهی از نظر کارایی و دقت نشان دادند. با این حال، با توجه به اینکه اندازه بافر بزرگتر ممکن است ظرفیت اطلاعات نقشه را کاهش دهد، ۰٫۷ درجه نسبت به ۱٫۰ درجه برای انتخاب چند خط ترجیح داده می شود.

۴٫۲٫۳٫ اثرات زمان ماندن بر کارایی و دقت

شکل ۱۴ اثرات زمان ماندن را بر کارایی و دقت انتخاب چند خط نشان می دهد. زمان پاسخ تحت زمان ماندگاری ۱۰۰۰ ms (M = 4.43 s، SD = 4.77 s) به طور قابل توجهی بیشتر از زمان های ماندگاری هر دو ms 600 بود (M = 3.26 s، SD = 3.24، p = ۰٫۰۰۰ < 0.001، d = ۰٫۲۸۷) و ۲۰۰ ms (M = 3.34 s، SD = 4.17 s، p = ۰٫۰۰۰ < 0.001، d = ۰٫۲۴۳). دقت در زمان ماندگاری ۶۰۰ ms (M = 0.85، SD3 = 0) به طور قابل توجهی بالاتر بود. نسبت به زمان ماندگاری ۲۰۰ میلی ثانیه (M = 0.50، SD = 0.16، p = ۰٫۰۰۰ < 0.001، d = ۲٫۴۰۱)، در حالی که دقت زیر ۱۰۰۰ ms (M = 0.91، SD = 0.13) به طور قابل توجهی بالاتر از موارد زیر بود. هر دو ۶۰۰ میلی‌ثانیه ( ص= ۰٫۰۰۰ < 0.001، d = ۰٫۴۶۲) و ۲۰۰ ms ( p = ۰٫۰۰۰ < 0.001، d = ۲٫۸۱۳). با ترکیب این نتایج، زمان ماندگاری ۶۰۰ میلی‌ثانیه تعادل بهتری بین کارایی و دقت نسبت به زمان ماندگاری ۲۰۰ میلی‌ثانیه یا ۱۰۰۰ میلی‌ثانیه برقرار می‌کند.

۴٫۳٫ انتخاب چند ضلعی

فقط زمان ماند برای انتخاب چند ضلعی آزمایش شد و نتایج در شکل ۱۵ نشان داده شده است. ANOVA یک طرفه نشان داد که زمان ماندگاری ۱۰۰۰ میلی‌ثانیه منجر به طولانی‌ترین زمان پاسخ (M = 3.94 ثانیه، SD = 3.36 ثانیه)، که به طور قابل‌توجهی طولانی‌تر از زمان‌های پاسخ در زمان‌های ماندگاری ۶۰۰ میلی‌ثانیه بود (M = 2.98 ثانیه، SD. = 2.45 ثانیه، p = ۰٫۰۰۰ < 0.001، d = ۰٫۳۲۶) و ۲۰۰ ms (M = 3.18 ثانیه، SD = 3.22 ثانیه، p = ۰٫۰۰۰ < 0.001، d = ۰٫۲۳۱). علاوه بر این، دقت زیر ۶۰۰ ms (M = 0.77، SD = 0.16) به طور قابل توجهی بالاتر از زیر ۲۰۰ ms بود (M = 0.23، SD = 0.13، p = ۰٫۰۰۰ <0.001، d= 3.704)، و زیر ۱۰۰۰ ms (M = 0.88، SD = 0.14) به طور قابل توجهی بیشتر از موارد زیر ۶۰۰ ms ( p = ۰٫۰۰۱ < 0.01، d = ۰٫۷۳۲) و ۲۰۰ ms ( p = ۰٫۰۰۰ < d0) بود . ۴٫۸۱۲). در مجموع، این نتایج نشان می‌دهد که زمان ماندگاری ۶۰۰ میلی‌ثانیه می‌تواند به کارایی بالاتر و دقت بالاتری نسبت به زمان‌های ماندگاری دیگر برای انتخاب چند ضلعی دست یابد.

۵٫ بحث

۵٫۱٫ انتخاب زمان اقامت و اندازه بافر مناسب

برای نقاط و چند خط، ما اثرات متقابل قابل توجهی بین زمان ماند و اندازه بافر بر کارایی یا دقت مشاهده نکردیم (و چند ضلعی ها فقط با زمان ماند آزمایش شدند). بنابراین، نتایج را خلاصه کرده و مقادیر مناسب را برای این دو پارامتر به طور جداگانه پیشنهاد می کنیم.

۵٫۱٫۱٫ اندازه بافر

جای تعجب نیست که هم برای نقاط و هم برای چند خط، یک اندازه بافر بزرگتر می تواند کارایی را افزایش دهد اما دقت را کاهش دهد ( جدول ۲ ، جدول ۳ ، جدول ۴ و جدول ۵ ). برای انتخاب نقطه، متوجه شدیم که ۱٫۵ درجه نسبت به ۱٫۰ درجه و ۲ درجه با توجه به کارایی و دقت آن مناسب تر است ( شکل ۱۰ ). برای انتخاب چند خط، ۰٫۷ درجه نسبت به ۱٫۰ درجه و ۰٫۵ درجه ترجیح داده می شود ( شکل ۱۳ ).

۵٫۱٫۲٫ زمان اقامت

زمان ماند ۶۰۰ میلی ثانیه منجر به انتخاب کارآمدتر از هر سه نوع ویژگی نقشه (نقاط، چند خط و چند ضلعی) نسبت به زمان های ماند ۲۰۰ میلی ثانیه و ۱۰۰۰ میلی ثانیه شد ( جدول ۲ و جدول ۴ و شکل ۱۵ a). برای دقت، برای هر سه نوع ویژگی نقشه، دقت با افزایش زمان ماندن افزایش یافت ( جدول ۳ و جدول ۵ و شکل ۱۵).ب). با این حال، افزایش دقت از ۶۰۰ میلی ثانیه به ۱۰۰۰ میلی ثانیه کمتر از ۲۰۰ میلی ثانیه به ۶۰۰ میلی ثانیه بود. این به این معنی است که ارزش افزوده ارائه شده توسط زمان ماند ۱۰۰۰ میلی ثانیه کمتر از ۶۰۰ میلی ثانیه است. علاوه بر این، زمان ماندن طولانی‌تر، خطر بیشتری برای ایجاد خستگی بینایی دارد. بنابراین، ما ۶۰۰ میلی‌ثانیه را مناسب‌ترین زمان ماندگاری برای انتخاب ویژگی نقشه مبتنی بر نگاه می‌دانیم که با نتایج پنکار و همکارانش مطابقت دارد. [ ۱۷ ] و پائولوس و رمیجن [ ۳۱ ].

۵٫۲٫ محدودیت ها

ما یک سری وظایف نقشه را با نقشه های موضوعی در آزمایش خود ایجاد کردیم تا از یک محیط نقشه خوانی واقعی تقلید کنیم (به عنوان مثال، شکل ۵ f: “لطفاً منطقه ای را با بیشترین میزان بارش انتخاب کنید”). استفاده از این وظایف می تواند اعتبار زیست محیطی آزمایش را افزایش دهد زیرا آنها مشکلات معمولی در نقشه خوانی بودند. با این حال، این یک روش غیرمستقیم برای انتخاب ویژگی‌های نقشه است، زیرا شرکت‌کنندگان باید ابتدا یک متن (به عنوان مثال، شهر “Anqiu”)، حرف یا رنگ را قبل از انجام عملیات انتخاب جستجو می‌کردند . در نتیجه، فرآیند جستجوی بصری ممکن است بر زمان واکنش تأثیر بگذارد (یعنی زمان پاسخ، زمان عملیات انتخابی واقعی نبود، زیرا شامل زمان جستجوی دیداری و انتخاب می‌شود.زمان عملیات). در این مرحله، ما نمی توانیم زمان پاسخ را به زمان جستجوی بصری و زمان عملیات انتخاب واقعی تقسیم کنیم. این یک محدودیت اصلی آزمایش است.

۶٫ نتیجه گیری و کار آینده

این مطالعه اثرات زمان ماندن و اندازه بافر را بر کارایی و دقت انتخاب ویژگی نقشه مبتنی بر نگاه بررسی کرد. نتایج نشان داد که برای انتخاب هر دو ویژگی نقطه‌ای و چند خطی، شرکت‌کنندگان با اندازه بافر بزرگ‌تر کارآمدتر اما دقت کمتری داشتند. با این حال، برای هر سه نوع ویژگی نقشه، شرکت‌کنندگان با زمان‌های ماندگاری طولانی‌تر کارآمدتر اما دقیق‌تر بودند. نتایج ما نشان داد که زمان ماندگاری ۶۰۰ میلی‌ثانیه بهتر از زمان‌های ماندگاری ۲۰۰ میلی‌ثانیه و ۱۰۰۰ میلی‌ثانیه برای انتخاب ویژگی نقشه است و اندازه‌های بافر ۱٫۵ و ۰٫۷ درجه به ترتیب بهترین مقادیر پارامتر در انتخاب نقاط و چند خط هستند. این نتایج شواهد اولیه ای را برای انتخاب زمان های اقامت و اندازه های بافر مناسب در توسعه تعاملات نقشه مبتنی بر نگاه ارائه می دهد.

علاوه بر کارایی و دقت، ارزیابی ذهنی کاربر از تعاملات نقشه مبتنی بر نگاه نیز مهم است. با این حال، این جنبه ناشناخته باقی مانده است. در آینده، ما قصد داریم این مقادیر پارامتر را برای تعاملات نقشه مبتنی بر نگاه اعمال کنیم و قابلیت استفاده آنها را با مقایسه آنها با رویکردهای سنتی مبتنی بر ماوس و لمس ارزیابی کنیم.

منابع

نیوبوری، آر. ساتریادی، ک.ا. بولتون، جی. لیو، جی. کوردیل، ام. پروزو، ا. جنی، بی. تعامل ژست تجسم یافته برای نقشه های همهجانبه. کارتوگر. Geogr. Inf. علمی ۲۰۲۱ ، ۴۸ ، ۴۱۷-۴۳۱٫ [ Google Scholar ] [ CrossRef ]
گوبل، اف. باکوگیوآنیس، ن. هنگلر، ک. تشومپرلین، آر. خو، ی. کیفر، پ. Raubal, M. نقشه پردیس کنترل شده با نگاه عمومی. در ردیابی چشم برای تحقیقات فضایی، مجموعه مقالات سومین کارگاه بین المللی، زوریخ، سوئیس، ۱۴ ژانویه ۲۰۱۸ . ETH Zurich: زوریخ، سوئیس، ۲۰۱۸٫ [ Google Scholar ]
کیفر، پ. ژانگ، ی. Bulling، A. پنجمین کارگاه بین المللی در مورد ردیابی فراگیر چشم و تعامل مبتنی بر چشم تلفن همراه. در سمپوزیوم بین المللی رایانه های پوشیدنی ; Kenji Mase، ML، Gatica-Perez، D.، Eds. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۵; صص ۸۲۵-۸۲۸٫ [ Google Scholar ]
چوانگ، ال. دوچوفسکی، آ. Qvarfordt، P. Weiskopf، D. سنجش و تعامل همه جا نگاه نگاه (سمینار Dagstuhl 18252). در گزارش های داگستول ; Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik: Wadern، آلمان، ۲۰۱۹٫ [ Google Scholar ] [ CrossRef ]
Kwok، TCK; کیفر، پ. Schinazi، VR; آدامز، بی. Raubal, M. Gaze-Guided Narratives: Adapting Audio Guide Content to Gaze in Virtual and Real Environments. در CHI’ 19: مجموعه مقالات کنفرانس CHI 2019 در مورد عوامل انسانی در سیستم های محاسباتی ؛ استفن بروستر، GF، اد. ACM: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۹٫ [ Google Scholar ]
لیائو، اچ. دونگ، دبلیو. Zhan, Z. شناسایی کاربران نقشه با داده های حرکت چشم از وظایف فضایی مبتنی بر نقشه: نگرانی های حریم خصوصی کاربر. کارتوگر. Geogr. Inf. علمی ۲۰۲۲ ، ۴۹ ، ۵۰-۶۹٫ [ Google Scholar ] [ CrossRef ]
هایاشیدا، ن. ماتسویاما، اچ. آئوکی، اس. یونزاوا، تی. کاواگوچی، N. انتخاب اطلاعات بدون انسداد مبتنی بر نگاه توسط رابط کاربری متحرک آگاه از زمینه در واقعیت ترکیبی. در کنفرانس بین المللی تعامل انسان و کامپیوتر ; Springer: Cham، سوئیس، ۲۰۲۱; صص ۳۰۱-۳۱۵٫ [ Google Scholar ]
بنابید نجار، ع. الوابل، ع. حسنی، م. آلراشد، دبلیو. الروبائیان، الف. ارزیابی کاربردپذیری صفحه کلیدهای عربی تک نقطه ای بهینه شده با استفاده از ردیابی چشم. Adv. هوم محاسبه کنید. تعامل داشتن. ۲۰۲۱ ، ۲۰۲۱ ، ۶۶۵۷۱۵۵٫ [ Google Scholar ] [ CrossRef ]
رودنیکی، تی. کنترل چشم افراد دارای معلولیت را توانمند می کند. در دسترس آنلاین: https://www.abilities.com/community/assistive-eye-control.html (در ۲۱ دسامبر ۲۰۲۱ قابل دسترسی است).
یی، JS; آه کانگ، ی. استاسکو، جی تی. Jacko، JA به سوی درک عمیق تر از نقش تعامل در تجسم اطلاعات. IEEE Trans. Vis. محاسبه کنید. نمودار. ۲۰۰۷ ، ۱۳ ، ۱۲۲۴-۱۲۳۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
راث، RE یک طبقه‌بندی تجربی مشتق‌شده از تعاملات اولیه برای کارتوگرافی تعاملی و تصویرسازی جغرافیایی. Vis. محاسبه کنید. نمودار. IEEE Trans. ۲۰۱۳ ، ۱۹ ، ۲۳۵۶-۲۳۶۵٫ [ Google Scholar ] [ CrossRef ]
کاسپروفسکی، پی. هارزلک، ک. Niezabitowski، M. ردیابی حرکت چشم به عنوان روشی نویدبخش برای تعامل انسان با کامپیوتر. در مجموعه مقالات ۲۰۱۶ هفدهمین کنفرانس بین المللی کنترل کارپات (ICCC)، High Tatras، اسلواکی، ۲۹ مه تا ۱ ژوئن ۲۰۱۶٫ صص ۳۱۴-۳۱۸٫ [ Google Scholar ]
نیو، ی. گائو، ی. ژانگ، ی. ژو، سی. یانگ، ال. بهبود طراحی رابط تعامل چشم و رایانه: بررسی‌های ارگونومیک اندازه هدف بهینه و زمان ماندن محرک خیره. J. Eye Mov. Res. ۲۰۱۹ ، ۱۲ ، ۱-۱۴٫ [ Google Scholar ] [ CrossRef ]
هیرسکیکاری، ع. ایستنس، اچ. Vickers، S. ژست های نگاش یا تعامل مبتنی بر سکونت؟ در مجموعه مقالات سمپوزیوم تحقیقات و کاربردهای ردیابی چشم – ETRA ’12، سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، ۲۸ مارس ۲۰۱۲; صص ۲۲۹-۲۳۲٫ [ Google Scholar ]
ولیچکوفسکی، بی. اسپرنگر، ا. Unema، P. به سوی تعامل با واسطه نگاه: جمع آوری راه حل های مشکل لمس Midas. در مجموعه مقالات کنفرانس بین المللی تعامل انسان و کامپیوتر، سیدنی، استرالیا، ۱۴ ژوئیه ۱۹۹۷٫ ص ۵۰۹-۵۱۶٫ [ Google Scholar ]
هارزلک، ک. دولیبان، ا. Kasprowski، P. روش‌های مبتنی بر حرکت چشم برای تعامل انسان و سیستم. مقایسه رویکردهای مختلف. Proc. محاسبه کنید. علمی ۲۰۲۱ ، ۱۹۲ ، ۳۰۹۹-۳۱۰۸٫ [ Google Scholar ] [ CrossRef ]
پنکار، AM; لوتروت، سی. وبر، جی. طراحی برای چشم: پارامترهای طراحی برای اقامت در تعامل نگاه. در مجموعه مقالات کنفرانس تعامل کامپیوتر و انسان استرالیا، ملبورن، استرالیا، ۲۶ نوامبر ۲۰۱۲; ص ۴۷۹-۴۸۸٫ [ Google Scholar ]
لی، ز. Huang, P. اقدامات کمی برای اطلاعات مکانی نقشه ها. بین المللی جی. جئوگر. Inf. علمی ۲۰۰۲ ، ۱۶ ، ۶۹۹-۷۰۹٫ [ Google Scholar ] [ CrossRef ]
دوچوفسکی، تعامل مبتنی بر نگاه AT: یک مرور گذشته نگر ۳۰ ساله. محاسبه کنید. نمودار. ۲۰۱۸ ، ۷۳ ، ۵۹-۶۹٫ [ Google Scholar ] [ CrossRef ]
فقط، MA; نجار، PA استفاده از تثبیت چشم برای مطالعه درک مطلب. در روشهای نوین در تحقیق درک مطلب ; Routledge: انگلستان، انگلستان، ۱۹۸۴; صص ۱۵۱-۱۸۲٫ [ Google Scholar ]
هلمکویست، ک. نیستروم، ام. اندرسون، آر. دیورست، آر. هالسکا، جی. Weijer، Jvd Eye Tracking: راهنمای جامع روش ها و اقدامات . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، ۲۰۱۱٫ [ Google Scholar ]
Duchowski، A. روش ردیابی چشم: نظریه و عمل . Springer: برلین/هایدلبرگ، آلمان، ۲۰۰۷; جلد ۳۷۳٫ [ Google Scholar ]
توبی. نحوه استفاده از Tobii Eye Tracker 4C در دسترس آنلاین: https://gaming.tobii.com/zh/onboarding/how-to-tobii-eye-tracker-4c/ (در ۲۹ اکتبر ۲۰۲۱ قابل دسترسی است).
ماجارانتا، پ. رایها، ک.-جی. بیست سال تایپ چشمی: سیستم ها و مسائل طراحی در مجموعه مقالات تحقیقات و کاربرد ردیابی چشم، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، ۲۵ مارس ۲۰۰۲٫ صص ۱۵-۲۲٫ [ Google Scholar ]
کوالچیک، پ. Sawicki، DJ Blink و تشخیص چشمک به عنوان یک ابزار کنترلی در تعامل چندوجهی. چندتایی. ابزارهای کاربردی ۲۰۱۹ ، ۷۸ ، ۱۳۷۴۹–۱۳۷۶۵٫ [ Google Scholar ] [ CrossRef ]
کرولاک، ا. Strumiłło، P. سیستم تشخیص پلک زدن چشم برای تعامل انسان و کامپیوتر. دانشگاه دسترسی به Inf. Soc. ۲۰۱۲ ، ۱۱ ، ۴۰۹-۴۱۹٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دروز، اچ. اشمیت، الف. تعامل با کامپیوتر با استفاده از حرکات نگاه. در مجموعه مقالات کنفرانس IFIP در مورد تعامل انسان و کامپیوتر، ریودوژانیرو، برزیل، ۱۰-۱۴ سپتامبر ۲۰۰۷٫ صص ۴۷۵-۴۸۸٫ [ Google Scholar ]
روزادو، دی. آگوستین، جی اس. رودریگز، FB؛ وارونا، پی. شناسایی ژست های زل زدن و نگاه ساکادیک در زمان واقعی. ACM Trans. تعامل داشتن. هوشمند سیستم ۲۰۱۲ ، ۱ ، ۱-۲۷٫ [ Google Scholar ] [ CrossRef ]
مولنباخ، ای. هانسن، جی پی؛ لیلهلم، ام. گیل، AG حرکات نگاه تک ضربه ای. در CHI ’09 چکیده های گسترده در مورد عوامل هوم در سیستم های محاسباتی ; ACM: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۰۹; صص ۴۵۵۵–۴۵۶۰٫ [ Google Scholar ]
ماجارانتا، پ. آهولا، U.-K. Špakov, O. تایپ سریع با نگاهی سریع با زمان ماندن قابل تنظیم. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، بوستون، MA، ایالات متحده، ۴-۹ آوریل ۲۰۰۹٫ صص ۳۵۷-۳۶۰٫ [ Google Scholar ]
پاولوس، YT; Remijn، GB قابلیت استفاده از زمان‌های مختلف اقامت برای انتخاب شیء مبتنی بر نگاه چشم با ردیابی چشم. نمایشگرها ۲۰۲۱ ، ۶۷ ، ۱۰۱۹۹۷٫ [ Google Scholar ] [ CrossRef ]
Feit, AM; ویلیامز، اس. تولدو، ا. پارادیزو، ا. کولکارنی، ح. کین، اس. موریس، MR به سمت ورودی نگاه روزمره. در مجموعه مقالات کنفرانس CHI 2017 در مورد عوامل انسانی در سیستم های محاسباتی، دنور، CO، ایالات متحده آمریکا، ۵ فوریه ۲۰۱۷؛ صص ۱۱۱۸–۱۱۳۰٫ [ Google Scholar ]
کلتکین، ا. هیل، بی. گارلاندینی، اس. Fabrikant، SI ارزیابی اثربخشی طراحی های رابط نقشه تعاملی: مطالعه موردی ادغام معیارهای قابلیت استفاده با تجزیه و تحلیل حرکت چشم. کارتوگر. Geogr. Inf. علمی ۲۰۰۹ ، ۳۶ ، ۵-۱۷٫ [ Google Scholar ] [ CrossRef ]
فابریکانت، SI; هسپانها، اس آر؛ Hegarty، M. نمایش‌های گرافیکی برجسته با الهام از شناخت و ادراکی برای استنتاج فضایی کارآمد. ان دانشیار صبح. Geogr. ۲۰۱۰ ، ۱۰۰ ، ۱۳-۲۹٫ [ Google Scholar ] [ CrossRef ]
لیائو، اچ. دونگ، دبلیو. پنگ، سی. لیو، اچ. بررسی تفاوت‌های توجه بصری در جهت‌یابی عابر پیاده هنگام استفاده از نقشه‌های دو بعدی و مرورگرهای جغرافیایی سه بعدی. کارتوگر. Geogr. Inf. علمی ۲۰۱۷ ، ۴۴ ، ۴۷۴-۴۹۰٫ [ Google Scholar ] [ CrossRef ]
دونگ، دبلیو. لیائو، اچ. لیو، بی. ژان، ز. لیو، اچ. منگ، ال. لیو، ی. مقایسه رفتار نگاه عابران پیاده در دسکتاپ و در محیط های واقعی. کارتوگر. Geogr. Inf. علمی ۲۰۲۰ ، ۴۷ ، ۴۳۲-۴۵۱٫ [ Google Scholar ] [ CrossRef ]
اومز، ک. دی مایر، پ. فاک، وی. ون آسشه، ای. Witlox، F. تفسیر نقشه ها از دید کاربران متخصص و مبتدی. بین المللی جی. جئوگر. Inf. علمی ۲۰۱۲ ، ۲۶ ، ۱۷۷۳-۱۷۸۸٫ [ Google Scholar ] [ CrossRef ]
پوپلکا، اس. Brychtova، A. مطالعه ردیابی چشم در مورد ادراک متفاوت از تجسم زمین دو بعدی و سه بعدی. کارتوگر. J. ۲۰۱۳ ، ۵۰ ، ۲۴۰-۲۴۶٫ [ Google Scholar ] [ CrossRef ]
استاچون، ز. شاسینکا، چ. میلان، ک. پوپلکا، اس. Lacko، D. تجزیه و تحلیل ردیابی چشمی از کار جستجوی بصری بر روی محرک های کارتوگرافی. در مجموعه مقالات هشتمین کنفرانس بین المللی کارتوگرافی و GIS، نسبار، بلغارستان، ۲۰ تا ۲۵ ژوئن ۲۰۲۲؛ صص ۳۶-۴۱٫ [ Google Scholar ]
چولتکین، ا. Brychtová، A.; گریفین، آل. رابینسون، AC; ایمهوف، ام. پتیت، سی. پیچیدگی ادراکی نقشه‌های خاک-منظر: ارزیابی کاربر از سازماندهی رنگ در طرح‌های افسانه‌ای با استفاده از ردیابی چشم. بین المللی جی دیجیت. زمین ۲۰۱۷ ، ۱۰ ، ۵۶۰–۵۸۱٫ [ Google Scholar ] [ CrossRef ]
زو، ال. وانگ، اس. یوان، دبلیو. دونگ، دبلیو. لیو، جی. نقشه تعاملی بر اساس کنترل نگاه. Geomat. Inf. علمی دانشگاه ووهان ۲۰۲۰ ، ۴۵ ، ۷۳۶-۷۴۳٫ [ Google Scholar ] [ CrossRef ]
جیانوپولوس، آی. کیفر، پ. Raubal, M. GazeNav: ناوبری عابر پیاده مبتنی بر نگاه. در مجموعه مقالات هفدهمین کنفرانس بین المللی تعامل انسان و رایانه با دستگاه ها و خدمات موبایل، کپنهاگ، دانمارک، ۲۴ تا ۲۷ اوت ۲۰۱۵؛ صص ۳۳۷-۳۴۶٫ [ Google Scholar ]
استراسبورگر، اچ. Pöppel, E. میدان بصری. در دایره المعارف علوم اعصاب ، ویرایش سوم. Adelman, G., Smith, B., Eds. Elsevier Science BV: آمستردام، هلند، ۲۰۰۴; صص ۲۱۲۷–۲۱۲۹٫ [ Google Scholar ]
Rayner, K. حرکات چشم و توجه در خواندن، درک صحنه، و جستجوی بصری. QJ Exp. روانی ۲۰۰۹ ، ۶۲ ، ۱۴۵۷-۱۵۰۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
لیائو، اچ. وانگ، ایکس. دونگ، دبلیو. Meng, L. اندازه گیری تأثیر چگالی برچسب نقشه بر پیچیدگی درک شده: مطالعه کاربر با استفاده از ردیابی چشم. کارتوگر. Geogr. Inf. علمی ۲۰۱۹ ، ۴۶ ، ۲۱۰-۲۲۷٫ [ Google Scholar ] [ CrossRef ]
اینکا، ای. استاچون، ز. انک، جی. آینکوا، آ. Lacko، D. مقایسه عملکرد در تجسم های کارتوگرافی بیرونی و درونی از طریق صحت، زمان پاسخ و پردازش شناختی. PLoS ONE ۲۰۲۱ , ۱۶ , e0250164. [ Google Scholar ] [ CrossRef ]
شناسه، JE; تسای، جی ال. Ainka، E. تغییرات فرهنگی در توجه جهانی و محلی و الگوهای حرکت چشم در طول ادراک صحنه های بصری پیچیده: مقایسه دانشجویان دانشگاه چک و تایوانی. PLoS ONE ۲۰۲۰ ، ۲۰۲۰ ، e0242501. [ Google Scholar ] [ CrossRef ]
کوهن، جی. تحلیل قدرت آماری برای علوم رفتاری . انتشارات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، ۲۰۱۳٫ [ Google Scholar ]

شکل ۱٫ دقت فضایی پایین ( الف ) و مشکل “لمس میداس” ( ب ) در کنش متقابل کنترل شده با نگاه. اصلاح شده از Niu et al. [ ۱۳ ].

شکل ۲٫ مزایا و معایب زمان ماندن طولانی تر/کوتاه تر و اندازه های بافر بزرگتر/کوچکتر.

شکل ۳٫ محیط آزمایشی.

شکل ۴٫ نمونه هایی از سه اندازه بافر از نقاط ( a – c ) و چند خط ( d – f ).

شکل ۵٫ نمونه کارهای ( a ، b ) انتخاب نقطه، ( c ، d ) انتخاب چند خط و ( e ، f ) انتخاب چند ضلعی. ستون سمت چپ لایه های نقشه را نشان می دهد و ستون سمت راست نقشه های موضوعی را نشان می دهد. همه نقشه‌ها با استفاده از ESRI ArcMap 10.2 ( https://www.esri.com/ ، در تاریخ ۱۰ فوریه ۲۰۲۲) طراحی شده‌اند.