Usage of smartphones and tablets have been increasing rapidly with multi-touch interaction and powerful configurations. Performing tasks on mobile phones become more complex as people age, thereby increasing their cognitive workload. In this context, we conducted an eye tracking study with 50 participants between the age of 20 to 60 years and above, living in Bangalore, India. This paper focuses on visual nature of interaction with mobile user interfaces. The study aims to investigate how aging affects user experience on mobile phones while performing complex tasks, and estimate cognitive workload using eye tracking metrics. The study consisted of five tasks that were performed on an android mobile phone under naturalistic scenarios using eye tracking glasses. We recorded ocular parameters like fixation rate, saccadic rate, average fixation duration, maximum fixation duration and standard deviation of pupil dilation for left and right eyes respectively for each participant. Results from our study show that aging has a bigger effect on performance of using mobile phones irrespective of any complex task given to them. We noted that, participants aged between 50 to 60+ years had difficulties in completing tasks and showed increased cognitive workload. They took longer fixation duration to complete tasks which involved copy-paste operations. Further, we identifed design implications and provided design recommendations for designers and manufacturers.


翻译:智能手机和平板电脑的使用随着多触摸互动和强大的配置而迅速增加。移动电话的任务随着人老化而变得更加复杂,从而增加了他们的认知工作量。在这方面,我们对生活在印度班加罗尔的20至60岁及以上的50名学员进行了眼部跟踪研究。本文侧重于与移动用户界面互动的视觉性质。研究的目的是调查老龄化如何影响移动电话用户在执行复杂任务时的经历,并利用眼部跟踪指标估计认知工作量。研究由五个任务组成,即:在自然假设下使用眼睛跟踪眼镜在自然假设情况下执行的手机和机器人移动电话上完成的5项任务。我们记录了固定率、读取率、平均固定时间、最大固定时间和学生左眼和右眼标准偏差等眼参数。我们的研究结果表明,老龄化对使用移动电话的性能有更大的影响,而不管赋予他们什么复杂任务如何。我们注意到,50至60岁以上学员在完成任务时遇到困难,并显示认知工作量增加。他们用较长的时间完成固定时间完成固定率、读取率率、平均固定时间、平均固定时间、最高固定时间以及每个学员左眼和右眼部设计厂商设计建议的任务。我们提供了设计设计建议。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
153+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Yoshua Bengio,使算法知道“为什么”
专知会员服务
7+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
40+阅读 · 2019年10月9日
已删除
将门创投
3+阅读 · 2019年4月12日
Arxiv
3+阅读 · 2018年3月22日
VIP会员
相关VIP内容
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
153+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Yoshua Bengio,使算法知道“为什么”
专知会员服务
7+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
40+阅读 · 2019年10月9日
相关资讯
已删除
将门创投
3+阅读 · 2019年4月12日
Top
微信扫码咨询专知VIP会员