没有合适的资源?快使用搜索试试~ 我知道了~
’0通用化编程:应对为自闭症用户设计虚拟现实干预所面临的已知挑战0Matthew Schmidt a,*,Noah Glaser b,Carla Schmidt e,Rachel Kaplan a,Heath Palmer c,Sue Cobb d0a 美国佛罗里达大学 b 美国密苏里大学 c美国辛辛那提大学 d 美国诺丁汉大学 e美国Bayada家庭保健0文章信息0关键词:虚拟现实自闭症 通用化日常生活技能 公共交通0摘要0本研究探讨了如何使用全沉浸式虚拟现实(VR)干预来进行通用化编程,以教授与使用大学班车相关的交通技能给自闭症成年人。通过多种方法,本研究旨在确定VR环境与现实世界之间的行为相似性和差异性,参与者对VR环境中的远程存在感的感知,以及参与者如何描述VR环境与现实世界之间的相似性和差异性。男性成年参与者(N =6)完成培训,然后参加了两个逐渐复杂的基于VR的培训课程,之后在现实世界中实施所学内容。在VR和现实世界的课程中,实施的忠实度很高,并且在VR和现实世界的课程之间没有发现行为上的显著差异,为从人为设置的VR环境到自然实际的现实世界环境中技能的通用化提供了证据。参与者报告了对远程存在感(例如,身临其境)和社交存在感(例如,与他人一起在那里)的高度感知,并且定性证据表明他们在虚拟世界和现实世界之间建立了联系。讨论了未来研究的意义和方向。01.介绍0本研究报告详细介绍了一项纵向设计研究的结果,旨在设计、开发和评估一种名为Virtuoso的虚拟现实(VR)学习干预,以帮助自闭症成年人学习如何安全、有效和可控地使用公共交通服务(Glaser和Schmidt,2018年)。该研究突出了为自闭症用户设计VR所面临的挑战,特别是在VR环境中学习的技能如何推广到现实世界的公共交通。报告讨论了VR技术在自闭症干预中的潜在益处,包括在VR中学习的技能可能推广到现实世界情境的潜力。报告全面概述了研究及其发现,为支持自闭症个体学习需求的VR技术潜力提供了宝贵的见解(Glaser和Schmidt,2021年;Schmidt等,2019年;Schmidt和Glaser,2021a,2021b)。在接下来的章节中,我们介绍了自闭症,一种神经发育0影响全球2%人口的一种状况,以及可能影响教育、就业和生活质量的挑战。然后,我们描述了公共交通培训对于增加自闭症人士的独立性、就业机会和社交参与的潜力,以及访问此类培训的障碍,包括安全风险和缺乏可用的培训选择。我们认为虚拟现实技术对于自闭症的应用尤其有前景,因为它有潜力将技能推广到现实世界。我们的干预措施,名为Virtuoso,旨在通过提供安全和可控的培训环境来解决公共交通培训的挑战。详细介绍了Virtuoso公共交通培训干预措施,并讨论了各种设计元素,以增强学习体验并促进通用化。0*通讯作者。电子邮件地址:matthew.schmidt@u � .edu(M.Schmidt)。0ScienceDirect提供的内容列表0计算机与教育:X现实0期刊主页:www.journals.elsevier.com/computers-and-education-x-reality0https://doi.org/10.1016/j.cexr.2023.100013 收稿日期:2022年11月10日;修订稿收到日期:2023年2月23日;接受日期:2023年2月25日 2949-6780/ © 2023 The Authors. Publishedby Elsevier Ltd. This is an open access article under the CC BY-NC-ND license ( http://creativecommons.org/licenses/by- nc-nd/4.0/ )。0计算机与教育:X现实2(2023)100013’“”’202. 文献综述02.1. 自闭症和公共交通0自闭症被定义为一种神经谱系疾病,自闭症谱系上的个体通常在社交沟通和互动方面经历挑战,并且存在受限或重复的行为或兴趣(美国精神病学会,2013年)。患有自闭症的人往往有各种各样的相关症状,类型和严重程度差异很大,因为自闭症经常伴随认知残疾和癫痫,焦虑,注意力缺陷多动障碍,感觉整合挑战,认知障碍和强迫症等疾病(Brondino等,2019年;Müller等,2008年;Sharma等,2018年)。尽管存在各种服务和干预方式来支持自闭症患者,但自闭症是一种终身的神经发育状况。全球约有2%的人受到自闭症的影响(Baron-Cohen,2017年),有人指出这个数字可能更高,因为诊断的改进和神经多样性运动的庆祝活动已经帮助关注到过去可能被忽视的个体(Brown等,2021年)。与自闭症相关的挑战往往对个人的教育表现,职业成功和生活质量产生不利影响(Taylor等,2014年)。自闭症患者的长期社会融合和就业结果很差(Coleman和Adams,2018年),一些估计表明50%至75%的自闭症成年人失业或就业能力不足(Eaves和Ho,2008年)。职业和教育活动是影响独立性和生活质量的关键因素(Lorenz等,2016年);然而,如果没有交通工具,很难获得这些机会(Scott等,2015年)。自闭症患者不太可能使用公共交通工具(Lubin和Brooks,2021年),并且倾向于依赖父母出行(Deka等,2016年)。如何使用公共交通的培训有可能增加就业机会,鼓励社区和社会参与,并促进更高水平的独立性(Taylor等,2014年),尤其是对于过渡年龄的青年,这是自闭症社区所期望的。然而,存在许多障碍,包括缺乏时间和资源来教授独立出行所需的安全技能,以及过渡项目的培训选项不足(Feeley等,2015年)。尽管公共交通培训对自闭症患者可能有潜在好处,但培训机会几乎不存在,很少有研究涉及这个问题(Rezae等,2020年)。这可能部分是由于公共交通培训所带来的固有风险(Feeley等,2015年)。鉴于这些风险,培训提供者必须决定是在自然环境中还是在人为环境中进行培训(Dixon等,2010年)。从研究的角度来看,人为环境允许更多地控制自然环境中存在的各种风险。然而,在人为环境中学到的技能必须被编程以推广到自然环境,因为“如果目标技能无法推广,培训就没有达到其目的”(Dixon等,2010年,第632页)。02.2. 自闭症和虚拟现实技术0技术支持在自闭症干预中受到了极大的关注,因为人们认为它们符合自闭症患者的需求和优势(Glaser&Schmidt,2021;Grynszpan等,2014)。20多年来,针对自闭症患者开发VR干预的兴趣一直在稳步增长(Aresti-Bartolome&Garcia-Zapirain,2014),最初是通过初步研究来检验自闭症儿童对VR设备的可接受性和潜在学习效果(Strickland,1996,1997)。VR是现实的计算机生成模型,用户可以通过使用普通人的感官与模型进行交互并获取信息(Hale&Stanney,2014)。它通常与能够诱发心理感觉的三维环境相关联,这种感觉通常被称为远程存在(Slater等,2009;Steuer,1992)。研究表明潜在的学习益处,如可预测性,结构,可定制的任务复杂性,控制,现实感,沉浸感,反馈,评估和强化的自动化(Bozgeyikli等,2018)。也许VR最具说服力的好处是在VR中学到的技能可能会推广到现实世界(Bozgeyikli等,2018;Parsons等,2006)。一般化被认为发生在VR环境中的体验非常真实,导致用户在VR中的行为与他们在现实世界中的行为类似。现实感在帮助促进远程存在的认知中起着至关重要的作用(例如Jung&Lindeman,2021)。现实感和远程存在的结合被视为在VR环境中施加社会影响和促进行为改变的关键(Blascovich,2002)。因此,人们通常认为,如果VR环境被制作得更加真实,那么在VR中学到的东西将更容易地推广到现实世界(Dalgarno&Lee,2010;Parsons,2016)。然而,尽管推广的潜力被认为是有希望的,但支持从VR到现实世界的推广的证据才刚刚开始出现(Bozgeyikli等,2018;Dixon等,2019)。 鉴于技术的优势,VR可以用于模拟现实生活中的交通体验,例如乘坐,在受控和安全的环境中。这可以帮助自闭症患者培养在现实世界成功驾驶交通系统所需的技能和信心。在本研究中,我们介绍了一个研究团队如何创建和评估Virtuoso,这是一种新颖的VR干预,旨在支持自闭症患者的交通需求。指导这项研究的问题列在表1中。0虚拟现实技术被认为能够诱发心理感觉,常常被称为远程存在(Slater等,2009;Steuer,1992)。研究表明潜在的学习益处,如可预测性,结构,可定制的任务复杂性,控制,现实感,沉浸感,反馈,评估和强化的自动化(Bozgeyikli等,2018)。也许VR最具说服力的好处是在VR中学到的技能可能会推广到现实世界(Bozgeyikli等,2018;Parsons等,2006)。一般化被认为发生在VR环境中的体验非常真实,导致用户在VR中的行为与他们在现实世界中的行为类似。现实感在帮助促进远程存在的认知中起着至关重要的作用(例如Jung&Lindeman,2021)。现实感和远程存在的结合被视为在VR环境中施加社会影响和促进行为改变的关键(Blascovich,2002)。因此,人们通常认为,如果VR环境被制作得更加真实,那么在VR中学到的东西将更容易地推广到现实世界(Dalgarno&Lee,2010;Parsons,2016)。然而,尽管推广的潜力被认为是有希望的,但支持从VR到现实世界的推广的证据才刚刚开始出现(Bozgeyikli等,2018;Dixon等,2019)。鉴于技术的优势,VR可以用于模拟现实生活中的交通体验,例如乘坐,在受控和安全的环境中。这可以帮助自闭症患者培养在现实世界成功驾驶交通系统所需的技能和信心。在本研究中,我们介绍了一个研究团队如何创建和评估Virtuoso,这是一种新颖的VR干预,旨在支持自闭症患者的交通需求。 指导这项研究的问题列在表1中。02.3. 项目描述0Virtuoso是一套VR技术,是与一所大型中西部大学的日间项目中的自闭症成年人及其服务提供者合作开发的。Virtuoso的开发旨在为日间项目提供正式的沉浸式学习干预,以教授与在大学校园内外使用公共交通大巴相关的技能(Glaser等,2022;Schmidt等,2019;Schmidt&Glaser,2021)。访问和使用公共交通是独立生活的关键方面(Felce,1997),因为它为医疗,职业和社区机会提供了急需的访问机会(Shier等,2009)。在开发Virtuoso之前,日间项目缺乏一个正式和系统化的公共交通日常。鉴于日间项目的工作人员需要定期使用公共交通前往职业培训地点并参与校园内的日常编程,出现了许多问题,其中最突出的问题与交通训练的固有风险有关。因此,使用沉浸式技术被视为解决这个现实问题的有希望的解决方案。但是,我们无法找到任何现成的公共交通VR工具。因此,我们选择开发Virtuoso。 这一决定是基于以下理由。0表1指导研究的研究问题。0RQ编号研究问题0RQ1Virtuoso-VR环境中的行为与现实世界中的行为相似还是不同?RQ2参与者在多大程度上感到自己在Virtuoso-VR环境中?RQ3参与者如何描述Virtuoso-VR环境与现实世界之间的相似之处和不同之处?0M. Schmidt等人。计算机与教育:X Reality 2(2023)100013“”301.缺乏正式培训:在Virtuoso开发之前,没有正式或系统的班车培训可用,这导致参与者面临挑战和风险。2.现实世界的风险:现实世界的公共交通培训使参与者面临各种无法在实际环境中管理的风险。3.安全和受控场景:虚拟现实使培训可以在安全和受控的场景中安全地和重复地体验,减少了与现实世界培训相关的风险。4.重要技能的综合:虚拟现实还允许综合重要的从属技能,例如解释地图或时间表,这在各种职业场景中都可能有用。5.获得职业培训:日间项目参与者需要使用公共交通工具前往职业培训地点,使用虚拟现实系统性地进行班车培训将为他们提供必要的技能和信心。0Virtuoso的学习设计包括一个多层次的四步方法,从简单到更复杂的技能。这些技能是使用低技术和高技术的虚拟现实硬件和软件学习的。我们的教学模式如下发展:(1)使用数字社交叙事介绍技能,(2)使用球形360度视频对技能进行建模,(3)使用全沉浸式头戴式虚拟现实进行技能排练,(4)在现实世界中实施技能(Schmidt和Glaser,2021年)。我们做出了大量努力,以保持我们教学模式的所有四个方面之间的平等,以创建数字孪生体(图1)。在介绍技能阶段,一名训练有素的工作人员通过平板电脑分享了Virtuoso的漫画风格社交叙事。在第二阶段,学习者观看了四个360度视频,这些视频对捕捉班车的四个离散技能进行了建模,并且使用了最佳的视频建模实践(Schmidt等,2019年)。这些视频由用户在低沉浸式的Google Cardboard头戴式显示器(HMD)和全沉浸式的HTCVive或Oculus RiftHMD中体验(见图1)。在第三阶段,学习者由在线指导员(OG)引导穿过Virtuoso-VR环境,这是一个以角色扮演形式呈现的受过训练的临床医生,他呈现教学内容,提供排练先前审查过的技能的机会,并提示参与者。Virtuoso-VR包括两个虚拟环境,Virtuoso VR Level(VRL1)和Virtuoso VR Level2(VRL2)。在Virtuoso-VR培训的第一和第二“级”之间,VR环境变得越来越真实,并且培训中增加了额外的多样性。在VRL1中使用的额外教学提示后来逐渐消失,使VRL2能够作为更自然的环境体验。例如,在VRL1中,使用红色虚线引导参与者走正确的路径,地图的区域被框起并突出显示以吸引注意重要信息,并使用额外的指示牌来指示步行或搭乘班车。0提示。这些在VRL2中被移除,允许参与者独立练习导航重要路线,并在减少环境提示的情况下遇到必要的信息。进一步增加了诸如灌木、树木、消防栓等更显著的不可玩角色等环境细节,使校园更加真实。第四和最后一个阶段发生在现实世界中,为参与者提供了一个机会,以实际操作他们之前在虚拟环境中学习和练习过的技能。最终,这种教学模式旨在促进重要的从属技能的综合(例如,解释地图,解释时间表),使用一系列基于证据的实践,如最少提示系统(Doyle等,1988年),提示淡化(Cengher等,2018年),视频建模(McCoy和Hermansen,2007年)以及已建立的泛化启发式的整合(Stokes和Osnes,2016a年)。02.4. Virtuoso中的泛化编程0技能的泛化是指随着时间、人员和环境的变化而发生的行为改变(Stokes和Baer,1977年)。自闭症干预的一个挑战是建立这样的条件,使得在虚拟环境中获得的技能能够在这些受控环境之外泛化(Dixon等人,2019年)。当学习者在不同于指导环境的情境中展示行为时,而没有在不同的环境中进行直接训练或产生不同的反应时,就发生了泛化。系统地规划泛化包括选择能够在期望的各种情况中引发自然强化的目标行为。与泛化的评估和规划相关的九部分分类系统被开发出来,以描述对120项研究的分析结果(Stokes和Baer,1977年)。这个系统进一步细化为三个类别,推荐增加干预的泛化和维持的可能性:(1)利用当前的功能性因果关系,(2)多样化训练(图2),(3)整合功能性中介者(Stokes和Osnes,2016b年)。这些启发式是如何被纳入Virtuoso的设计中的,下表2中进行了介绍。03. 方法论0这项多方法研究的目的是调查在大型中西部大学的一项日间项目中参加的自闭症成年人在虚拟现实设置和自然实际世界设置之间的泛化。04. 参与者0参与者是使用目的性抽样招募的(Etikan等人,2016年)。包含标准是:(1)确认的自闭症诊断,(2)能够口头交流,(3)认知水平,(4)能够参与0图1。 Virtuoso的多层次、四步教学方法和每一步使用的技术的概述。0M. Schmidt等人。计算机与教育:X Reality 2(2023)100013“”4030分钟的任务,(5)对参与项目表达了兴趣,(6)至少18岁。如果参与者有显著的行为挑战,如身体攻击,或者无法口头交流,就被排除在外。根据这些标准和项目主任的建议,共有七名参与者被确定为包括在内,其中六人同意参与。所有六名ASD参与者都是男性,平均年龄为26.6岁。涉及自闭症参与者的研究往往具有较小的样本量(Palmen等人,2004年),因为这是一种低发病率的残疾(Baron-Cohen,2017年)。因此,这项工作的样本量与该领域其他自闭症研究一致。此外,所有参与者都是男性是预期的,因为ASD在男性中的患病率远高于女性(Lord等人,1982年),比例约为3:1(Loomes等人,2017年)。ASD参与者的详细情况在表3中提供,其中我们提供了Peabody图片词汇测试(PPVT)、社交反应量表(SRS)和执行功能行为评定量表(BRIEF)的详细信息。我们包括这些措施是因为它在ASD研究中很常见(Kwok等人,2015年;Chan等人,2017年)。PPVT用于衡量单词词汇的理解,并且通常用作早期筛查发展状况的指标。PPVT的分数是标准化的,并计算出年龄等效值。SRS用于识别社交挑战的存在和严重程度。总体T分数是社交挑战和严重程度的量化值。BRIEF用于评估执行功能,是一种常用的衡量工具,用于评估具有学习障碍和其他神经系统疾病的广泛人群的能力。04.1.数据收集和分析0研究程序在校园主要研究员的办公空间进行。在研究开始之前,受过训练的研究人员获得知情同意。在参与者由另一人法定监护的情况下,监护人获得同意,参与者获得同意。参与者参加了三个相隔一周的1小时研究会话(见图3)。在每个会话结束后,参与者被问及是否愿意返回继续研究。使用定量和定性多种方法收集数据,如在表4中总结的。鉴于没有建立的协议用于测试学习技能的泛化,研究人员必须确定自己的泛化测试方法,这可能涉及修改内容,上下文,设置或这些元素的组合(Khowaja等,2020年)。因此,适用于评估0研究团队从自闭症和VR文献中确定了泛化的操作化行为(Dixon等,2019年;Massey和Wheeler,2000年;Palmen和Didden,2012年)。这些包括(1)任务完成的百分比(Smith等,2016年),(2)任务总时间(Palmen和Didden,2012年),以及(3)提示和回应的操作化行为(Osgood,2022年)(见表5)。04.2.数据来源0使用定量和定性数据来源的多种方法,如在表4中总结的和在以下部分详细说明的。 Temple Presence Inventory(TPI)。 Temple PresenceInventory(TPI)是一种无成本的,经过验证的库存,用于测量在许多类型的媒体内容中的电子存在的维度(Lombard等,2009年)。TPI旨在评估人们在虚拟现实环境中体验存在感的程度,并测量电子存在的几个方面,如空间存在(例如,您看到/听到的物体和人似乎已经到达您所在的地方有多少?),社交存在(例如,您感到自己能与您看到/听到的人交流的程度?),心理沉浸(例如,您体验到现实感的程度有多大?),社交现实主义(例如,我看到/听到的事件可能发生在现实世界中。),等等。在完成每个VR场景后,参与者完成了TPI。来自他们的回答的数据被输入电子表格以供以后分析。Virtuoso-VR会话录音。在每个VR培训会话期间,使用Open BroadcasterStudio(https://obsproject.com/)捕获参与者和OG的屏幕,网络摄像头和音频录音。来自参与者和OG视角的视频被合并成一个视频(见图4),使研究人员能够同时观察和分析会话活动。创建了一个行为编码系统,并使用V-Note计算机辅助定性数据分析软件(Bremig,PA的LLC)对这些视频应用了代码。现场记录。一名受过训练的研究助理记录了观察到的活动,这些活动被扫描并数字化,存储在安全的云共享平台中,转录,然后组织在文本文档中以供进一步分析。笔记的性质很广泛,重点是记录与我们的研究问题相关的细节。特别是,在研究助理观察到传达有关数字资产真实性的细节的行为和沟通时,会做笔记。半结构化访谈。在每个会话结束后,使用半结构化访谈方案询问参与者有关使用VR头戴显示器的体验以及他们如何感知VR0图2。在Virtuoso培训的“步行到班车”步骤中进行多样化培训。0M. Schmidt等人。计算机与教育:X Reality 2(2023)100013–“”“”“”“”“”50环境,以及他们的一般想法和印象。访谈内容被记录下来以供后续分析。普通会话录音。普通活动由训练有素的研究人员进行视频录制。这些视频被存储在安全的云共享平台上,以供后续分析。04.3. RQ1的分析:VR环境中的行为与现实世界中的行为有多相似或不同?0使用编码方案进行行为编码。使用V-NotePro对屏幕、网络摄像头和音频录制的视频混合进行编码(图4)。研究人员创建了行为编码方案,然后直接将提示和响应行为编码到视频的时间轴上。研究人员比较了OG和参与者在会话中的行为。首先对持续时间进行编码,然后使用研究小组创建和完善的行为编码系统对OG的提示和参与者的响应进行编码(见表5)。这些编码数据被导出进行进一步的分析。进行编码员校准和观察者间一致性分析。编码员接受培训,直到达到至少80%的简单一致性(Ledford和Gast,2010年)。对于观察者间一致性(IOA),30.4%的所有视频由两名编码员进行编码,并计算了Kappa系数,平均为0.83(最小值为0.71;最大值为1.0;标准偏差为0.096)。鉴于0.6-0.8是IOA的可靠Kappa指标(Kraemer等人,2012年),IOA被认为是可以接受的。使用V-Note Pro进行视频分析。使用V-NotePro精确测量了任务的总时间和任务完成的百分比。为了确定任务的总时间,研究人员使用V-Note应用基于持续时间的代码。两名独立的编码员从开始到结束对任务进行编码。两名编码员的结果几乎相同(相差毫秒)。这些值被输入到电子表格中,然后用于计算描述性统计数据。一因素组内方差分析。使用组内1因素方差分析。在自变量(穿梭训练计划的不同阶段)的不同水平下,对依赖变量(完成每项任务和每个会话的总时间)进行多次测量。方差分析的目标是确定是否存在0在穿梭训练计划的不同阶段,完成每项任务和每个会话的平均总时间存在显着差异。使用Shapiro-Wilk检验检查每项任务的数据是否符合正态分布。如果数据符合正态分布,则进行1因素组内方差分析。如果数据不符合正态分布,则改用Friedman秩和检验。04.4. RQ2的分析:参与者在多大程度上感到自己存在于VR环境中?0Temple Presence Inventory . Temple PresenceInventory(TPI)是一个经过验证的库存,用于测量远程存在的维度(Lombard等人,2009年)。TPI包含按远程存在的维度组织的个别问题。通过将相关问题的聚合计算在1到7的比例上进行计算,范围从“一点也不”到“非常”。TPI的数据被输入到电子表格中,以便使用仪器作者详细介绍的方法进行分析。RQ3的分析:参与者如何描述VR环境和现实世界之间的相似之处和不同之处?VirtuosoVR会话录音。研究人员在V-NotePro中应用编码方案,以识别代表性示例和视频摘录,其中参与者评论了VR环境和现实世界之间的相似之处和不同之处。这些代码被分类为“生态效度”声明,并分为提示和未提示的声明(见表6)。这些声明首先被识别,然后导出进行进一步的分析和综合。半结构化访谈。完成每个VR培训会话后,参与者参加了半结构化访谈,每个访谈都使用主题分析进行了注释。为了对我们的数据进行主题分析,我们首先通过多次阅读访谈记录来熟悉数据。接下来,我们开始识别和突出显示似乎相关的数据片段。研究小组的两名成员完成了这个过程,以生成初步代码。然后,我们会面并将主题形式化为代码书,并开始对其进行图表化,以寻求它们之间的关系。0表2 泛化启发式以及这些启发式在Virtuoso中如何实施的示例。0Stokes和Osnes(2016)的泛化启发式在Virtuoso中的实施0启发式实施示例的描述0利用当前的功能性因果关系。�使用修改后的后果来教授新技能。�利用自然环境中的后果。0�计划让参与者在训练过程中接触到修改后的和自然的奖励性后果,类似于在虚拟现实训练之外接触到的后果�在自然状态或修改状态下使用因果关系�在整个训练过程中强化泛化的发生�随着目标行为的学习,提供口头和手势赞美�随着时间的推移,赞美逐渐消失0�参与者通过搭乘穿梭车获得成就徽章�等待穿梭车接触强化了搭乘穿梭车乘坐的行为�按照提供的时间表完成任务会产生自然的后果0多样化训练。�重复训练活动�使用随时间逐渐增加的逼真度和复杂性的场景进行训练�提供各种现实世界的示例进行训练�淡化指导性提示�明确教授自然的前因�使用各种方法教授活动0�反复进行训练活动,要求逐渐增加�训练使用各种现实世界的示例�虚拟现实环境的复杂性逐渐增加的训练�提示逐渐消失0�多阶段过程(1)观看数字社交叙事,(2)观看360度视频,展示所需的离散技能,(3)在逐渐增加复杂性和难度的虚拟现实环境中排练技能(图2),(4)在自然环境中展示学到的技能�在VRL1中使用了大量的支架式教学提示(例如虚线、标志和提示),在VRL2中取消了0整合功能中介者。�整合现实世界的视觉刺激�整合常见的、显著的物理刺激�整合自我介导的刺激0�练习通过查看时间表、在地图上找到站点和建筑物、走到穿梭车站、站在车站等方式识别物理刺激�在虚拟现实环境中代表现实世界的刺激,例如地图上的建筑物、街道标志、穿梭车站等�学会使用自我介导的刺激,如地图、时间表和标志。0�OG指出可以帮助参与者回忆到穿梭车站的路径的视觉刺激(例如标志或喷泉)�OG问问题,比如“我们现在在哪里”,以帮助参与者将虚拟现实环境与现实世界联系起来�OG和学习者化身一起搭乘穿梭车,OG提醒参与者在虚拟穿梭车上“找一个空座位并在一起呆在一起”。0M. Schmidt et al. Computers & Education: X Reality 2 (2023) 100013“”“”“”“”“”“”“”“”“”60从中,我们选择了最重要和相关的主题,并对其进行解释和阐述,考虑到它们对我们研究问题的相关性。主题通过比较和对比参与者对虚拟现实环境属性与现实世界的感知来组织。田野笔记。田野笔记用于三角测量Vir-tuoso虚拟现实会话记录和半结构化访谈的发现。田野笔记使用与Virtuoso虚拟现实会话记录相同的编码方案进行审查和注释(表6)。田野笔记还使用类似的主题分析技术进行分析,就像对“0半结构化访谈的主题通过比较和对比参与者对虚拟现实环境属性与现实世界的感知来组织。从Virtuoso的数据三角测量0表3 参与者人口统计数据以及来自皮博迪图片词汇测试(PPVT)、社交反应量表(SRS)和执行功能行为评定量表(BRIEF)的得分。0PPVT SRS行为调节元认知全局执行0参与者姓名和描述 原始分数 标准分数 年龄等效(年:月)0T分数和范围 T分数和百分位数 T分数和百分位数 T分数和百分位数0Travis:29岁,ASD、Smith LemliOpitz综合征、注意力缺陷多动障碍(ADHD)和听觉处理障碍男性0196 93 18:11 69; 中度 88; 98 90; 99 94; 990Andy:24岁,ASD、焦虑症和注意力缺陷男性 161 72 10:11 71; 中度 93; 99 72; 97 84; 990Evan:35岁,ASD和智力障碍男性 162 72 11:1 66; 中度 48; 70 52; 68 50; 660Kevin:25岁,ASD和焦虑症男性 165 73 11:6 65; 轻度 68; 90 63; 82 67; 91 Jonah:22岁,ASD男性 65 20 4:1 75; 轻度 86; 98 82; 99 88; 99 Keith:25岁,ASD和唐氏综合征男性 57 20 3:9 82; 轻度62; 86 98; 99 88; 990图3. 每个研究会话中的活动。0表4 数据分析方法。0RQ#分析重点 数据来源 方法0RQ1 �任务完成百分比(Smith等人,2016年) �任务总时间(Palmen&Didden,2012年) �比较OG提示和参与者在会话中的反应行为(Osgood,2022年)0�Virtuoso虚拟现实会话录音0�使用编码方案进行行为编码 � 使用V-NotePro进行视频分析 �单因素组内方差分析0RQ2 � 参与者对存在感的感知 �Temple存在感问卷(Lombard等人,2009年)0� 聚合分数 �描述性0RQ3 �参与者对虚拟现实相对于现实世界对应物的描述。0�Virtuoso虚拟现实会话录音 � 现场记录 �半结构化访谈0� 主题分析 �开放和轴向编码0表5 提示和响应行为代码和操作定义。0代码操作定义示例0提示OG向参与者发出的任何口头指令、要求或反馈,用于引发反应0“我们现在在哪里?”“站在舱门上。”0OG指向舱门,指示参与者应该站在哪个舱门上。OG以某种方式移动头像以引发反应。OG站在舱门上,向参与者展示应该站在哪个舱门上。响应参与者对OG的提示做出回应。OG说:“看一下我们的日程表上的第一步。”参与者然后说:“看地图并确定西南穿梭车站”OG说:“过来这边,站在绿色舱门上。”参与者然后将头像移动到绿色舱门上。参与者对提示做出口头回应。OG问:“我们在哪里?”参与者回答:“在穿梭车上。”参与者的头像对提示做出指向、观看或触摸物品或区域的回应。0OG问:“穿梭车站在哪个方向?”参与者指向穿梭车站的方向。参与者根据提示移动头像。OG说:“请站在舱门上。”参与者将头像移动到舱门上。0M. Schmidt等人。计算机与教育:X Reality 2(2023)100013“”“”“”“”“”“”“”70虚拟现实会话录音、半结构化访谈和现场记录使得对参与者对生态效度的感知有了更完整和全面的理解,并提供了关于同一现象的多个视角的证据。05. 结果05.1.RQ1的结果:虚拟现实环境中的行为与现实世界中的行为有多相似或不同?05.1.1. 任务完成百分比任务完成百分比的分析显示,在虚拟现实会话和真实世界会话中,所有参与者都完成了所有四个任务(即检查日程安排、检查地图、步行到班车和等待班车)。唯一的例外是在VRL1中,参与者Keith由于技术错误无法完成等待班车任务。VRL1中所有参与者的任务完成百分比为95.83%,VRL2中为100.00%,真实世界中为100%。05.1.2. 任务总时间对每个参与者完成每个任务和每个会话所需的总时间进行了计算,然后使用被试内1因素方差分析进行了比较。Shapiro-Wilk正态性检验表明以下任务的数据呈正态分布:检查日程安排(W=0.95,p=0.41)。0检查地图(W=0.99,p=0.99),步行到班车(W=0.97,p=0.88)。因此,对这些数据进行了被试内1因素分析。等待班车任务的数据不呈正态分布(W=0.74,p=0.0002),总会话时间的数据也不呈正态分布(W=0.86,p=0.01)。因此,对这些数据使用了Friedman秩和检验。结果表明,在以下阶段完成所需时间之间没有显著差异:检查日程安排(p=0.06),检查地图(p=0.15),步行到班车(p=0.19)和等待班车(p=0.51)。参与者之间总会话时间的比较也没有显示显著差异(p=0.57)。鉴于缺乏显著差异,结果表明每个任务的总完成时间对于所有参与者来说是相似的。此外,完成会话的总时间对于所有参与者也是相似的。描述性统计数据显示了参与者完成会话和任务所需时间的聚合(见表7)。对于检查日程安排任务,观察到了平均完成时间的下降趋势,VRL1和真实世界会话之间存在33秒的差异,表明可能存在传递效应。对于检查地图任务也观察到了类似的趋势,VRL1和真实世界会话之间也存在33秒的差异。对于步行到班车任务,VRL1和VRL2是相同的,尽管在真实世界中执行该任务的平均完成时间要长43秒。对于等待班车任务,平均完成时间在会话之间相差1秒到32秒。平均而言,完成每个会话的总时间在会话之间是相当相似的,范围从7:01到7:32。05.1.3. OG和参与者在会话中行为的比较OG提示行为和Virtuoso参与者响应行为在会话和任务中进行了分析。计算了描述性统计数据,并在表8中进行了呈现。为了比较以下会话之间的行为,对方差分析(ANOVA)在以下条件下进行了:(1) VRL1和VRL2,(2) VRL1和真实世界,以及(3)VRL2和真实世界。对OG和Virtuoso参与者(VP)在各种条件下的方差齐性进行了计算,结果表明数据呈正态分布。一般来说,会话和任务中的行为是相似的。然而,也观察到了一些差异。对于VRL1和VRL2,在等待班车任务中发现了OG行为和在步行到班车任务中发现了VP行为的显著差异。对于VRL1和真实世界,在步行到班车任务中发现了OG和VP行为的显著差异。对于VRL2和真实世界,在步行到班车任务中发现了OG行为和在等待班车任务中发现了VP行为的显著差异。0图4. (1)参与者在虚拟现实空间中的视图,(2)参与者在真实世界中的网络摄像头视频,(3)OG在虚拟现实空间中的视图,以及(4)OG在真实世界中的网络摄像头视频的混合视频。0生态效度的提示和未提示代码表。0代码描述样本引用0OG:“我们现在在哪里?”参与者:“我们在师范学院。”OG:“这让你想起了项目办公室吗?”参与者:“不太像。”自发的EV陈述EV陈述是对环境刺激做出的评论或言辞,参与者在没有提示的情况下对VR环境的EV进行了评论或言辞。0参与者:“那是我的桌子。”参与者:“那是[OG的]办公室。”参与者:“这些树看起来很假。”0M. Schmidt等人。计算机与教育:X Reality 2(2023)100013“”“”“” “”“”80对OG提示行为和Virtuoso参与者(VP)在不同会话中的响应行为进行了ANOVA比较。比较的四个任务分别是(1)检查每日时间表,(2)检查地图,(3)走向班车,(4)等待班车。比较是在VRL1和VRL2之间进行的,在VRL1和现实世界之间进行的,在VRL2和现实世界之间进行的。对于VRL1和VRL2的比较,在检查每日时间表(F(1,10)=1.72,p=0.22)或检查地图(F(1,10)=0.39,p=0.54)方面,OG提示行为没有显著差异。然而,在走向班车(F(1,10)=2.28,p=0.16)和等待班车(F(1,10)=10.28,p=0.01)方面,OG提示行为存在显著差异。对于检查每日时间表(F(1,10)=1.04,p=0.33),检查地图(F(1,10)=0.81,p=0.39)或等待班车(F(1,10)=0.08,p=0.79),VP的响应行为没有显著差异,但在走向班车(F(1,10)=10.91,p=0.01)方面存在显著差异。对于VRL1和现实世界的比较,在检查每日时间表(F(1,10)=0.07,p=0.80),检查地图(F(1,10)=0.06,p=0.82)或走向班车(F(1,10)=2.37,p=0.16)方面,OG提示行为没有显著差异。然而,在等待班车(F(1,10)=41.33,p=0)方面,OG提示行为存在显著差异。对于检查每日时间表(F(1,10)=0.45,p=0.52),检查地图(F(1,10)=1.87,p=0.20)或走向班车(F(1,10)=2
下载后可阅读完整内容,剩余1页未读,立即下载
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![doc](https://img-home.csdnimg.cn/images/20210720083327.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)