基于特征推理的圖標搜索特性實驗研究

彭寧玥 薛澄岐

(東南大學機械工程學院, 南京 211189)

基于特征推理的圖標搜索特性實驗研究

彭寧玥 薛澄岐

(東南大學機械工程學院, 南京 211189)

采用視覺搜索實驗范式,通過行為和眼動追蹤數據揭示了基于形狀相似、功能關聯和語義匹配特征3類推理條件的圖標搜索特性,通過方差分析法比較了不同特征推理條件對各測量指標的影響．實驗結果表明:形狀相似性引導下的目標搜索時間以及對于各搜索項目的平均注視時間均最短,所消耗的認知資源最少,無需深度信息加工即可進行目標識別;基于功能關聯性的圖標搜索過程中注意資源分配最廣;而語義詞引導下的目標搜索正確率最高．基于形狀相似性和功能關聯性特征推理條件下的視覺搜索行為可簡化為搜索項目與啟動圖標之間的模式匹配以及功能層級隸屬關系判斷過程;以語義詞為啟動特征的視覺搜索首先需經過語義詞特征的圖形化過程,再對搜索項進行匹配判斷．3類搜索情境中均存在自上而下的信息加工特征．研究結果為人機界面中圖標設計提供了理論指導．

特征推理;搜索特性;眼動追蹤;圖標設計

在視覺信息界面中,圖標元素承載了豐富的語義和語用信息．圖標設計不僅需要考慮美觀與協調性,更需要從認知層面考慮圖標設計的合理性．界面中圖標的選擇包含信息推理的過程,即在一定關聯性和相似性的基礎上,通過因果、包含等關系順次逐步地與相應圖標進行匹配．用戶對于圖標的認知方式隨使用情境而不同，因此只有分析視覺信息界面中圖標元素的應用情境及特征,研究在不同推理特征條件下用戶的認知和反饋方式,并針對圖標進行優化設計,才能增強圖標元素信息傳達的效能,幫助用戶以最高效率識別和匹配圖標．

依據符號學理論,圖標設計可以理解為以人機界面為載體的設計師與用戶之間在不同時空域下的交互過程[1]．設計師對圖形賦予含義,用戶則根據圖形的形態,結合自身的知識、經驗等進行語義解碼[2]．設計師通常根據形態相似性、功能關聯性和語義接近性對圖標元素進行歸類,并將其分布于信息架構的不同層級中．Anderson[3]通過理性推理預測模型假定了人們需要綜合多類別的信息,對目標物體特征進行推理和判斷．Malt等[4]提出在推理過程中可以僅考慮目標特征最有可能出現的類別進而判別目標．在推理加工過程的影響因素方面,啟動詞情感因素[5]、典型性及其與目標匹配性[6]將影響推理,由此可作為本研究中啟動詞篩選的依據．宮勇等[7]通過N400腦電成分對圖標語義推理認知過程的復雜程度進行表征．問答、判斷任務是研究特征推理認知機制的主流范式,鮮有研究基于視覺搜索任務來探究特征推理的認知特性．然而用戶通過人機界面進行信息獲取這一過程中近80%的信息來源于視覺感官通道,同時視覺注意捕獲是完成圖標識別和理解的前提[8]．

在認知心理學和神經生理學研究中,視覺注意被抽象概括為自上而下和自下而上的貝葉斯推理過程[9]．Theeuwes[10]對比了線索化范式和視覺搜索范式的差異．Horowitz等[11]表明在目標驅動條件下視覺搜索效率高于自由控制下的搜索效率．Heinke等[12]提出了基于知識和視覺常量轉化機制的視覺選擇性注意模型(VS-SAIM)．Clavelli等[13]基于“行為-感知”閉環系統建立了注意轉移眼動模型,并認為注視點轉移由感覺加工和運動加工協同完成．眼動模型的構建能夠更好地闡釋和預測眼動行為,并有助于發掘認知特性等深層次信息．Kilingaru等[14]通過眼動指標揭示了注意聚焦和注意模糊2種情境下的注意力分配情況．Fidopiastis等[15]通過計算最鄰近距離指數(NNI)對任務執行過程中的工作負荷進行表征．劉青等[16]通過眼動路徑和熱區圖反映了用戶瀏覽界面的注意分配模式．然而,眼動參數和認知、行為間并非等價關系,故精確的映射機理有待進一步研究．綜上所述,本文將基于啟動視覺搜索范式,通過眼動追蹤和行為測量技術研究在形狀特征、功能特征和語義特征線索導向下用戶基于特征推理的圖標視覺搜索特性．

1 基于特征推理的圖標搜索研究方法與假設

1.1 研究方法

圖標元素具有良好的形象性、象征性和指示性．本文將圖標的使用情境劃分為3類:基于形狀相似性、功能相關性和語義匹配性(見表1)．本研究將通過眼動參數對比在3種特征推理條件驅動下的視覺搜索特征,從而進一步定性比較3種特征推理條件下的認知差異性．

表1 基于特征推理的圖標搜索任務描述

1.2 研究假設

根據3種推理條件的任務特性,假設視覺搜索任務的難度隨特征維度而變化．當用戶基于形狀相似性進行目標定位時,無需進行語義和功能推斷．在該情境下圖標搜索難度較小,且用戶對于搜索答案的確定程度較高．從眼動參數角度作出假設,用戶基于形狀特征進行推理并搜索圖標時回視次數應少于后2種情境,且注視持續時間和反應時間較短．基于功能相關性搜索目標時,首先需要識別啟動特征,繼而進行功能聯想和推理,并依照給定的若干圖標做出判斷．用戶基于語義匹配性搜尋圖標時,往往會依據啟動詞并結合先驗知識對圖標形態生成預期模式．相對于根據形狀相似性的圖標搜索而言,在后2種情境條件中,用于表征視覺搜索難度的回訪率和注視點平均持續時間等指標也會呈現增加的趨勢．

2 實驗

2.1 預實驗與實驗材料

為了避免啟動詞情感效應[5]和熟悉度對圖標搜索造成的影響,實驗啟動詞與圖標均選用生活中常見的素材．通過篩選智能手機日常應用程序中常用的30對啟動-目標圖標組合構成3類集合,分別與形狀、功能和語義特征線索相對應．每個集合中有10對圖標-圖標或語義詞-圖標組合．實驗前請10位專業設計人士與20位非專業人士,通過5級里克特量表對每一類圖標集合在其對應特征維度下的啟動-目標關聯度進行評估．其中5分表示關聯程度很高,0分表示無關聯程度．根據評估結果,針對特征類別各選出5對啟動-目標組合作為目標刺激,其相應關聯度評分均超過4,其中4對作為正式實驗素材(見表2),1對作為練習素材．同時通過相同的量表評估法,對干擾圖標進行篩選,從而消除干擾項所構成的背景信息與啟動刺激關聯度差異對圖標搜索績效的影響．根據評估結果,干擾圖標和啟動圖標在相應維度下的關聯程度評分均低于2．

表2 基于特征推理的圖標搜索實驗素材

所選用圖標的尺寸恰好充滿1.5 cm×1.5 cm的方框(視角為1.2°×1.2°)．目標圖標與其他23個干擾圖標隨機分布于屏幕中央區域20 cm×20 cm的5×5矩陣中．矩陣中心為啟動刺激,此時總體視角為16°×16°,保證了被試在實驗中頭部保持不動．為了消除視野方位給視覺搜索任務帶來的干擾因素[17],目標刺激出現在4個視野方位的概率均等(左上、左下、右上和右下視野各25%)．刺激界面背景色為黑色(RGB:0,0,0),界面中心的啟動圖標為白色(RGB:255,255,255),24個圖標刺激分別用藍色(RGB:62,159,255)和橙色(RGB:255,114,59)著色,以降低刺激背景與前景一致性所產生的視覺疲勞．同一界面中2種色彩出現概率均等,所選用藍色和橙色與背景色的色彩感知差異值(ΔE)近似相等,即圖標色彩差異不會對注意轉移構成影響．

2.2 實驗設計

依據3類圖標使用情境和選用的15對啟動-目標項,正式實驗之前對每類特征情境均安排1個練習試次,正式實驗中每類情境下均會依次出現4次搜索任務,共12個試次．被試在每一試次中,需要根據啟動刺激和任務要求搜索唯一的目標刺激,找到后按回車鍵,即可跳轉到答案確認界面．此時被試需匯報給主試所搜索的答案與屏幕中呈現答案是否一致,之后按回車鍵進入下一試次．在實驗前,被試需要結合主試講解和練習環節,學習3類特征推理的任務要求和不同圖標維度的劃分依據,并通過練習環節對學習效果進行檢測,同時讓被試了解實驗流程．

2.3 實驗設備與程序

實驗程序由TobiiStudio編寫、呈現刺激并進行眼動數據統計．刺激呈現在17英寸(43.2 cm)的顯示器中央,屏幕分辨率為1 280×1 024像素,亮度為92 cd/cm2．實驗在東南大學人因工程實驗室進行,被試為30名在校本科生和研究生(男生18人,女生12人),均有使用智能手機的經驗,年齡在21～29歲之間,視力或矯正視力正常,無色盲或色弱,且均未參加預實驗．每一類情境圖標搜索任務之前均會出現任務提示．實驗流程圖如圖1所示,每位被試約花費15 min．在實驗結束后被試需根據要求對3類特征推理任務驅動下的搜索目標確定程度進行主觀評估,以5級里克特量表形式進行記錄和統計．

3 實驗結果與討論

3.1 行為及主觀評價數據

行為數據主要包括反應時間和搜索正確率2項指標．前者表示從刺激呈現到作出按鍵反應之間的時間跨度,后者根據被試在確認界面作出的回答進行統計．如圖2所示,被試基于功能特征進行圖標搜索所用反應時間比基于形狀特征和語義特征的反應時間長,且在功能推理特征條件下被試正確率最低(見表3)．根據方差分析得知:對反應時間而言,特征類別的主效應顯著(F=20.816,p=0.000<0.05),對于正確率的主效應則相對較弱(F=2.987,p=0.053<0.1)．根據LSD事后檢驗結果,基于形狀推理特征進行目標搜索的反應時間顯著低于其他2種情境(ps=0.000<0.05),而功能和語義2種推理條件下的反應時間無顯著差異(p=0.053>0.05)．然而形狀推理特征與語義推理特征條件下的搜索正確率差異不顯著(p=0.804>0.05),且均超過90%;在功能推理特征條件下的正確率顯著低于其他2組條件(ps=0.000<0.05)．

圖1 實驗流程圖

圖2 3種特征推理條件下的反應時間箱型圖

特征類型正確率/%把握程度平均值標準偏差平均值標準偏差形狀特征91．22934．520．665功能特征80．34033．320．808語義特征92．52733．930．794

根據被試在3種特征推理條件下對于視覺搜索目標的確定程度統計結果(見表3),被試基于功能相關性條件進行視覺搜索時,對答案把握性最小,因而被試會將可能性高的圖標特征與工作記憶中的功能啟動模式進行比對,進而反應時間會有所增加．而對于形狀特征而言,被試在啟動形狀呈現時便會進行“轉譯”加工．在視覺搜索過程中被試會結合圖形相似性以及對啟動刺激的語義理解進行目標定位．

3.2 眼動數據

本研究主要分析的眼動數據包括:整體注視點個數、注視點平均持續時間、特定興趣區域中訪問次數(回視次數)、回視率．在眼動數據分析時將采樣率低于80%的被試數據予以剔除,故最終僅對24名有效被試的眼動數據做進一步分析．

3.2.1 注視點平均持續時間和注視點個數

本研究將注視點平均持續時間(mean fixation duration,MFD)定義為興趣區域內所有被試在每個注視點的平均注視時間;注視點個數(total fixation count, TFC)定義為同一興趣區域內目光停留超過100 ms的次數,停留低于100 ms的注視點將不予統計．此處興趣區域為整體搜索界面．24名有效被試在3種特征推理條件下的圖標搜索注視點平均持續時間和注視點個數變化趨勢分別如圖3(a)和(b)所示,圖4顯示了在3種特征推理條件下這2種眼動指標的均值分布情況．

(a) 注視點平均持續時間

(b) 注視點個數

圖3 被試在3種特征推理條件下注視平均持續時間和注視點個數對比如圖4所示,基于功能推理特征的圖標搜索條件下,注視點個數最多,而基于形狀特征圖標搜索條件下的注視點個數最少．相應地,基于語義特征圖標搜索條件下注視點平均持續時間最長．對3種實驗條件下的注視點持續時間和注視點個數進行方差分析,特征類型對于平均注視持續時間和注視點個數的主效應均顯著(F1=3.115,p1=0.046<0.05;F2=17.204,p2=0.000<0.05)．對MTD和TFC進行LSD事后檢驗:基于功能推理特征的MFD值與其他2種條件下的MFD值并無顯著差異(pAB=0.097,pBC=0.438>0.05),而形狀和語義條件下的MFD值則差異顯著(pAC=0.015<0.05);3種搜索條件下兩兩之間的TFC具有顯著差異(ps<0.05)．

圖4 搜索界面中注視點個數和注視點平均持續時間均值對比

由于大多數信息只有在被注視的條件下才能獲得信息加工[18],故可以用注視點平均持續時間來表征和定性比較搜索過程中的認知資源投入量,對被試的認知效率進行評估和檢測．注視點平均持續時間越短,即認知和編碼所需時間越短,則所需加工資源越少,加工深度越淺,反之則加工深度越深;注視點個數可用于表征注意資源的分配廣度．由此可推斷,基于形狀推理特征的視覺搜索效率[19]最高;基于語義推理特征的視覺搜索條件下,對于每一個待搜索項的認知加工深度均高于其他2種情況．當被試基于功能推理特征進行目標搜索時,注意資源分配廣度最大．

3.2.2 興趣區域中回視次數

通過回視次數和回視率(regression rate,RR)的統計,獲取3種特征推理條件下視覺搜索效率,并結合主觀評價數據中通過5級量表獲取的回答肯定程度統計結果,對3種特征推理的認知加工難度做進一步探究．將目標搜索項定義為局部興趣區域,回視次數是指對局部興趣區域的訪問次數,可從眼動儀中直接獲?。匾暵士捎苫匾暣螖岛涂傋⒁暣螖档谋戎涤嬎愕贸鯷18]．如圖5所示,基于形狀特征的回視次數最少,且回視率最低;基于功能特征的回視次數最多,而基于語義特征的回視率最高．對回視次數與回視率進行方差統計,特征類型對于回視次數的主效應顯著(F=33.155,p=0.000<0.05),其中基于形狀特征的圖標搜索回視次數顯著低于基與功能和語義特征的回視次數(ps<0.05);而特征類型對于回視率的主效應則不顯著(F=2.368,p=0.096>0.05)．

圖5 局部興趣區域回視次數及回視率均值比較

被試在搜索過程中回視次數越高,表明界面信息的清晰性和指向性越差,此時被試需要通過視線迂回來精確定位目標,從而導致被試搜索效率降低．結合被試對于搜索目標的把握程度(確定性)測試結果,基于功能特征推理并定位目標的確定性最低,從回視次數中亦可加以驗證．此外,不同推理特征也會影響工作記憶廣度．推理難度增加會消耗更多的認知資源,從而工作記憶占用的認知資源量減少,工作記憶廣度與記憶能力降低,導致回視次數相應增加．今后將進一步針對推理特征條件下的工作記憶廣度變化情況展開研究．

3.2.3 注視點分布熱點圖

注視點分布熱點圖由所有有效被試的注視點分布疊加而成,越偏暖色表示注視次數越多．由圖6中3種推理條件下的圖標搜索熱點圖可知,3種條件均呈現分散式搜索特征．其中基于形狀特征的圖標搜索視線流[18]呈折線模式,而基于功能和語義特征的視線流均呈現網狀和循環2種模式相互疊加的形式,如圖7所示．基于功能和語義特征推理的視覺搜索中,對于每一待搜索項的注視次數更多．由每一待搜索項的熱區色度可得,語義特征情境中注意熱點分布更均勻,而功能特征情境下則更傾向于注視其中與啟動圖標功能特征相關度較高的若干圖標項,如圖6(b)所示．由此可以判斷,在語義匹配性推理特征條件下,對于所有待搜索項的語義加工深度趨于均等,但基于功能特征推理時被試則更有可能采用不斷縮小和精確搜索范圍的搜索方式,先全局搜索,再對局部選項進行深度加工,最終確定搜索對象．

3.3 討論

本研究結合視覺搜索范式,對形狀相似性、功能相關性和語義匹配性在3種特征推理條件下的圖標搜索特性進行研究．結合行為和眼動數據進行分析得出,基于形狀相似推理特征條件下的視覺搜索效率最高,且對于每一搜索項的信息加工程度最淺．可以用單位時間內對搜索目標的定位程度來表征搜索界面的指向性,由此可以推斷形狀推理特征的指向性最強,被試更容易通過相似形狀定位目標．

(a) 形狀特征

(b) 功能特征

(c) 語義特征

(a) 形狀特征

(b) 功能特征

(c) 語義特征

由于注視點平均持續時間可用于衡量認知資源投入量,故可以將該指標用于表征待搜索項和啟動特征項之間知識推理距離．推理距離增大,表示從啟動概念推理到待搜索項所需要的認知資源投入量增加．由于語義匹配特征條件下注視點平均持續時間最長,且回視率最高,因此可以推斷在語義推理特征下語義特征詞匯與待搜索圖標項之間的抽象距離最遠,特征推理和視覺搜索難度增加．此外,啟動刺激的類型也會影響視覺搜索效率．如圖8所示,語義推理特征情境是將語義詞作為啟動項,從語義詞到目標圖標項的推理過程需經歷語義詞記憶存儲、語義特征提取與生成圖形化模式,以及圖標識別、語義判斷和匹配等過程．在基于形狀相似性和功能相關性推理的視覺搜索行為中(見圖9),以圖形元素為推理起點并進行目標搜索的過程可以簡化為模式識別或模式歸類的自上而下過程．

圖8 基于語義推理特征的視覺搜索流程圖

圖9 基于形狀和功能推理特征的視覺搜索流程圖

以形狀特征為推理原點的視覺搜索過程依賴于刺激特征與工作記憶中存儲的啟動特征之間的模式匹配．而在基于功能關聯特征推理的圖標搜索過程中,對于目標的鎖定依賴于刺激圖標的功能含義與啟動圖標所對應功能層級的隸屬關系判別．對于圖形元素的釋義相對于語義詞而言更具有多樣性和全面性,容易思維發散．由于功能層級之間存在一對多的映射關系,因而在功能推理情境中,啟動圖標產生的思維發散性和不確定性對應關系導致正確率和主觀確定程度偏低．同時,用戶對于功能層級的匹配與隸屬關系判斷過程所消耗的認知資源水平高于形狀模式匹配,因而在功能關聯性條件下的注視點平均持續時間較長．

3種推理特征條件下的搜索反應時間與眼動數據中注視點平均持續時間比較結果均存在差異,這是因為被試反應時間包含視覺訪問時間、決策判斷時間按鍵反應時間．故從反應時間中不能準確判斷3種條件下的認知差異性,而注視點平均持續時間則可以揭示3種視覺搜索條件的認知資源分配差異性．基于注視點平均持續時間可以判斷,在形狀推理特征條件下進行視覺搜索時,對于待搜索項的信息加工程度最淺．根據Fischer等[20]對于知識推理和遷移的理解,基于圖形相似性和形象性等屬性進行推理無需被試深度學習和比較．相比之下,基于功能和語義等屬性進行推理則需要深度學習并歸納語法規則從而完成推理任務,但后者更便于對知識的長時記憶和理解．

4 結論

1) 不同推理條件下的圖標搜索視線流存在差異.以形狀相似性為啟動特征的目標搜索呈現折線模式；其他2種條件均呈現網狀和循環2種模式相結合的視線流模式.

2) 基于形狀相似性和功能關聯性的圖標搜索過程依賴于搜索項目與工作記憶中存儲的圖標模式之間的匹配，或功能層級間隸屬關系判斷；基于語義匹配性的圖標搜索過程首先需經過語義詞的圖形化轉譯，進而從圖形層面進行模式匹配判斷.

3) 3種情境中均包含自上而下的視覺搜索特征.以形狀相似性為啟動特征的目標搜索效率最高，用戶無需對搜索項進行深度加工，搜索難度最低.

4) 在數字界面設計中，應充分發揮圖形相似度識別對于圖標搜索的優勢.在考慮圖標語義特征同時兼顧語義所映射的圖形相似度，以取得最優搜索效率.

References)

[1]Isherwood S. Graphics and semantics: The relationship between what is seen and what is meant in icon design[C]//InternationalConferenceofEngineeringPsychologyandCognitiveErgonomics. San Diego, CA, USA, 2009: 197-205. DOI:10.1007/978-3-642-02728-4_21.

[2]Faulkner C.Theessenceofhuman-computerinteraction[M]. Prentice Hall, 1998: 144-155.

[3]Anderson J R. The adaptive nature of human categorization[J].PsychologicalReview, 1991, 98(3): 409-429. DOI:10.1037//0033-295x.98.3.409.

[4]Malt B C, Ross B H, Murphy G L. Predicting features for members of natural categories when categorization is uncertain[J].JournalofExperimentalPsychologyLearningMemoryandCognition, 1995, 21(3): 646-661. DOI:10.1037//0278-7393.21.3.646.

[5]Spruyt A, Houwer J D, Hermans D. Modulation of automatic semantic priming by feature-specific attention allocation[J].JournalofMemoryandLanguage, 2009, 61(1): 37-54.

[6]劉鳳英. 類別特征推理的認知機制及腦機制[D]. 重慶: 西南大學心理學院, 2009.

[7]宮勇,楊穎,張三元,等. 具體性對圖標理解影響的事件相關電位研究[J]. 浙江大學學報(工學版), 2013, 47(6): 1000-1005. Gong Yong, Yang Ying, Zhang Sanyuan, et al. Event-related potential study on concreteness effects to icon comprehension[J].JournalofZhejiangUniversity(EngineeringScience), 2013, 47(6): 1000-1005. (in Chinese)

[8]McDougall S, Isherwood S. What’s in a name? The role of graphics, functions, and their interrelationships in icon identification[J].BehaviorResearchMethods, 2009, 41(2): 325-336. DOI:10.3758/BRM.41.2.325.

[9]Vul E, Hanus D, Kanwisher N. Attention as inference: Selection is probabilistic; Responses are all-or-none samples[J].JournalofExperimentalPsychology:General, 2009, 138(4): 546-560. DOI:10.1037/a0017352.

[10]Theeuwes J. Stimulus-driven capture and attentional set: Selective search for color and visual abrupt onsets[J].JournalofExperimentalPsychologyHumanPerception&Performance, 1994, 20(4): 799-806. DOI:10.1037//0096-1523.20.4.799.

[11]Horowitz T S, Wolfe J M, Alvarez G A, et al. The speed of free will[J].QuarterlyJournalofExperimentalPsychology, 2009, 62(11): 2262-2288. DOI:10.1080/17470210902732155.

[12]Heinke D, Backhaus A. Modelling visual search with the selective attention for identification model (VS-SAIM): A novel explanation for visual search asymmetries[J].CognitiveComputation, 2011, 3(1): 185-205. DOI:10.1007/s12559-010-9076-x.

[13]Clavelli A, Karatzas D, Lladós J, et al. Modelling task-dependent eye guidance to objects in pictures[J].CognitiveComputation, 2014, 6(3): 558-584. DOI:10.1007/s12559-014-9262-3.

[14]Kilingaru K, Tweedale J W, Thatcher S, et al. Monitoring pilot “situation awareness”[J].JournalofIntelligent&FuzzySystems, 2013, 24(3): 457-466.

[15]Fidopiastis C M, Drexler J, Barber D, et al. Impact of automation and task load on unmanned system operator’s eye movement patterns[C]//InternationalConferenceonFoundationsofAugmentedCognition,NeuroergonomicsandOperationalNeuroscience. San Diego, USA, 2009, 5638: 229-238. DOI:10.1007/978-3-642-02812-0_27.

[16]劉青, 薛澄岐, Hoehn Falk. 基于眼動跟蹤技術的界面可用性評估[J]. 東南大學學報(自然科學版),2010, 40(2): 331-334. DOI:10.3969/j.issn.1001-0505.2010.02.022. Liu Qing, Xue Chengqi, Hoehn Falk. Interface usability evaluation based on eye-tracking technology[J].JournalofSoutheastUniversity(NaturalScienceEdition), 2010, 40(2): 331-334. DOI:10.3969/j.issn.1001-0505.2010.02.022.(in Chinese)

[17]Turatto M, Galfano G. Attentional capture by color without any relevant attentional set[J].Perception&Psychophysics, 2001, 63(2): 286-297. DOI:10.3758/bf03194469.

[18]李晶. 均衡認知負荷的人機界面信息編碼方法[D]. 南京:東南大學機械工程學院, 2015.

[19]Zelinsky G J, Sheinberg D L. Eye movements during parallel-serial visual search[J].JournalofExperimentalPsychology:HumanPerceptionandPerformance, 1997, 23(1): 244-262. DOI:10.1037//0096-1523.23.1.244.[20]Fischer S, Itoh M, Inagaki T. Prior schemata transfer as an account for assessing the intuitive use of new technology[J].AppliedErgonomics, 2015, 46: 8-20. DOI:10.1016/j.apergo.2014.05.010.

Experimental study on characteristics of icon searching based on feature inference

Peng Ningyue Xue Chengqi

(School of Mechanical Engineering, Southeast University, Nanjing 211189, China)

Visual searching experimental paradigm was employed. Behavioral and eye-tracking data were recorded to reveal the characteristics of icon searching based on three types of feature inference conditions including visual similarities, functional relevance and semantic matching. Effects of different inference features on individual metric were compared through the analysis of variance. Experimental results show that time for target identification and mean fixation duration, which indicates the amount of cognitive resource allocated to each item, is the shortest when searching for the target icon according to shape similarity. No deep information processing is required to identify the target when based on the shape feature. The scope of attentional resources during icon searching is the broadest when based on functional relevance. The accuracy rate in the semantics-primed condition is the highest. Behaviors under guidance of shape similarity and functional revelance can be simplified as pattern matching or subordination judgment of functional hierarchy between each searching item and the priming icon. Semantic words-primed visual searching needs transformation of semantic word into image and then the image is matched with displayed items. Top-down information processing is included in these three searching situations. The research results provide theoritical guidance for icon design in digital interfaces.

feature inference;searching characteristic;eye-tracking;icon design

10.3969/j.issn.1001-0505.2017.04.013

2016-12-19. 作者簡介: 彭寧玥(1992—),女,博士生;薛澄岐(聯系人),男,博士,教授,博士生導師,ipd_xcq@seu.edu.cn.

國家自然科學基金資助項目(71271053,71471037).

彭寧玥,薛澄岐.基于特征推理的圖標搜索特性實驗研究[J].東南大學學報(自然科學版),2017,47(4):703-709.

10.3969/j.issn.1001-0505.2017.04.013.

TB472;TP391.72

A

1001-0505(2017)04-0703-07