Upload
antoine-auvray
View
116
Download
0
Embed Size (px)
Citation preview
Bases neurales pour l’interaction homme machine
Bases neurales pour l’IHM
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
Motivation
Présentation de modèles de mouvement humain pertinent à l’IHM : Issus de la recherche Issus des besoins spécifiques
•Limites de mouvements
•Capacité
•Potentiel
•Périphérique d’entrée
•Techniques d'interaction
•Système informatique
HUMAINMACHINE
Faire correspondre
Bases neurales pour l’IHM
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
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.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
Modèle Prédictif : Keystroke-Level Model2. 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
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
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
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-tap similaire à : Cliquer, Double cliquer, Glisser
Bases neurales pour l’IHM
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
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
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
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
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
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
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
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
Fondement scientifique et description du modèle : Loi de Fitts : exemple
Bases neurales pour l’IHM
Fondement scientifique et description du modèle : Loi de Fitts : exemple
Bases neurales pour l’IHM
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
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 calculer car 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
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
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
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
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
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 6délai supplémentaire
3 ou 4 lettres par touche
Bases neurales pour l’IHM
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
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
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
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
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
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 Computing Machinery) Special
Group for Computer-Human Interaction (SIGCHI) (MacKenzie & Oniszczak, 1997; MacKenzie & Oniszczak, 1998).
Bases neurales pour l’IHM
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
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
Bibliographie 21 : Mayzner & Tresselt, 1965; Soukoreff &
MacKenzie, 1995; Underwood & Schulz, 1960