Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Computerwissenschaften# Mensch-Computer-Interaktion

Anleitung neu denken mit Mixed Reality

Mixed Reality verbessert, wie wir Anleitungen bei täglichen Aufgaben folgen.

― 6 min Lesedauer


MR: Die Zukunft derMR: Die Zukunft derAnleitungenMixed Reality verändern.Die Art und Weise, wie wir lernen, mit
Inhaltsverzeichnis

Anleitungen auf Papier werden oft genutzt, um Wissen zu teilen. Aber die können echt schwierig zu verstehen sein, weil sie nicht gut mit den physischen Aufgaben verbunden sind, die die Leute gerade machen. Das macht es schwer, neue Skills zu lernen, besonders bei Geräten oder Werkzeugen. Mixed Reality (MR) bietet eine Möglichkeit, das zu verbessern, indem digitale Anleitungen direkt in den physischen Raum des Nutzers gebracht werden, sodass sie einfacher zu folgen sind.

Das Problem mit Papier-Anleitungen

Wenn's um Kochen oder den Einsatz von Maschinen geht, verlassen sich viele auf Papier-Anleitungen. Auch wenn diese Dokumente Infos bieten, beziehen sie sich oft nicht gut auf die aktuellen Aufgaben. Zum Beispiel, wenn man ein Rezept befolgt, muss man ständig zwischen dem Kochbuch und dem Kochprozess hin- und herschalten. Das kann frustrierend und zeitaufwendig sein. Wenn Anleitungen nicht in der Nähe sind, vergessen die Nutzer vielleicht wichtige Details, was zu Fehlern führen kann.

Die Bedeutung des Kontexts

Moderne Technologie bietet neue Möglichkeiten, wie wir mit Anleitungen interagieren. Mit MR können die digitalen Anleitungen genau dort platziert werden, wo der Nutzer hinschaut, sodass beide Hände für die Aufgaben frei bleiben. Der Vorteil dieses Systems liegt in der Schritt-für-Schritt-Anleitung, die direkt mit dem übereinstimmt, was die Nutzer in Echtzeit machen.

Vorgeschlagene Lösung

Wir schlagen ein System vor, das eine Autorisierungspipeline und eine Konsum-Pipeline kombiniert. Ziel ist es, Papier-Anleitungen in ein MR-Erlebnis zu verwandeln. Das bedeutet, dass Autoren visuelle Anleitungen erstellen können, die einfach zu folgen sind und relevant für die jeweiligen Aufgaben.

Autorisierungspipeline

Die Autorisierungspipeline ermöglicht es den Nutzern, bestehende Papier-Anleitungen schnell in MR-Erlebnisse umzuwandeln. Um diesen Prozess zu erleichtern, können Autoren ein Foto des Anleitungsdokuments machen. Die Software liest dann den Text und segmentiert ihn in einzelne Schritte. Jeder Schritt kann mit einem bestimmten Objekt in der Umgebung verknüpft werden, wie einer Mikrowelle oder einem Mixer.

Ein Machine-Learning-Modell kann helfen, das passendste Objekt für jede Anleitung vorzuschlagen. Das beschleunigt den Prozess und macht es den Autoren einfacher, nützliche MR-Erlebnisse zu erstellen.

Konsum-Pipeline

Die Konsum-Pipeline ist dafür gedacht, dass die Nutzer mit dem MR-Erlebnis interagieren. Wenn die Nutzer Aufgaben erledigen, werden die relevanten Anleitungen an den richtigen Stellen angezeigt. Zum Beispiel, wenn jemand etwas für eine bestimmte Zeit in die Mikrowelle stellen muss, erscheint die Anleitung direkt neben der Mikrowelle.

Dieses Feature reduziert Ablenkungen und die Notwendigkeit, ständig die Aufmerksamkeit zwischen verschiedenen Dingen hin und her zu schalten. Die Nutzer können die Anleitungen auch verschieben, wenn sie merken, dass die ursprüngliche Position nicht optimal ist.

Nutzerstudien

Um unsere Ideen zu validieren, haben wir zwei separate Studien durchgeführt.

Studie 1: Bewertung der Autorisierungspipeline

In der ersten Studie testeten die Teilnehmer die Autorisierungsfunktionen. Sie erlebten sowohl manuelle als auch maschinell unterstützte Methoden. Das Feedback zeigte, dass die meisten Teilnehmer beide Methoden einfach zu nutzen fanden. Die, die den Machine-Learning-Ansatz verwendeten, berichteten, dass sie Aufgaben schneller erledigten.

Die Ergebnisse deuteten darauf hin, dass die Unterstützung durch Machine Learning die Zeit reduzierte, die benötigt wurde, um Objekte den Anleitungen zuzuordnen. Die Teilnehmer schätzten, wie es ihre Arbeit beim Erstellen von MR-Erlebnissen optimierte.

Studie 2: Bewertung der Konsum-Pipeline

Die zweite Studie konzentrierte sich darauf, wie die Konsum-Pipeline während der Aufgaben funktionierte. Den Teilnehmern wurden Aufgaben gegeben, die sie während der Nutzung des MR-Erlebnisses erledigen sollten, und sie wurden mit einem traditionellen Ansatz unter Verwendung eines Papiers verglichen.

Die Teilnehmer fanden, dass das MR-System ihnen half, sich auf die Aufgaben zu konzentrieren, ohne ständig wegschauen zu müssen. Sie berichteten von weniger Stress und Verwirrung beim Erledigen ihrer Aktivitäten. Die digitalen Anleitungen ermöglichten es ihnen, die Schritte ohne die Frustration zu durchlaufen, die mit einem physischen Dokument verbunden ist.

Vorteile von Mixed Reality für Anleitungen

Die Nutzung von MR-Technologie bringt viele Vorteile mit sich, darunter die Reduzierung des Aufwands, der nötig ist, um komplexen Anleitungen zu folgen. Die Nutzer können bei ihren Aufgaben engagiert bleiben und haben sofort Zugriff auf nützliche Infos.

Weniger Kontextwechsel

Das MR-Erlebnis minimiert den Aufwand, zwischen dem Lesen von Anleitungen und der Ausführung von Aufgaben zu wechseln. Die Nutzer berichteten, dass Anleitungen, die in ihrem Sichtfeld präsentiert werden, es einfacher machten, sich auf das zu konzentrieren, was sie tun, was zu einem flüssigeren Arbeitsablauf führt.

Bessere Organisation der Informationen

Durch die Bereitstellung von Anleitungen in segmentierter Form sind die Nutzer weniger überwältigt. Statt mit einer langen Liste von Schritten umzugehen, sehen sie nur die relevanten Informationen für die aktuelle Aufgabe. Das führt zu einem überschaubareren und weniger stressigen Erlebnis.

Zukünftige Richtungen

Obwohl unser System vielversprechend ist, gibt es Bereiche, die wir weiter verbessern können. Ein wichtiger Fokus sollte darauf liegen, einen iterativen Autorisierungsprozess zu ermöglichen, bei dem Autoren ihre Anleitungen basierend auf Echtzeit-Feedback verfeinern können.

Reichhaltigere Daten

In zukünftigen Iterationen könnte es hilfreich sein, zusätzliche Details in den Anweisungsschritten einzufügen. Dazu könnten Zeitangaben, Warnungen oder Tipps gehören, die das Lernen verbessern. Fortschrittliche Sprachmodelle könnten helfen, diese reichhaltigeren Daten aus verschiedenen Quellen zu extrahieren.

Automatischer Schrittwechsel

Ein weiterer Verbesserungsbereich könnte sein, den Übergang zwischen den Schritten nahtloser zu gestalten. Statt dass die Nutzer klicken oder wischen müssen, um zum nächsten Schritt zu gelangen, könnten wir ein System entwickeln, das automatisch erkennt, wann ein Nutzer bereit ist, weiterzumachen.

Fazit

Dieser neue Ansatz für Anleitungen mit Mixed Reality bietet einen revolutionären Schritt nach vorn beim Lernen und Ausführen von Aufgaben. Indem digitale Inhalte direkt mit realen Aktionen verbunden werden, können Nutzer ihre Ziele mit weniger Frustration erreichen und besser verstehen, was zu tun ist. Unsere Studien zeigen, dass das System effektiv und benutzerfreundlich ist, was darauf hindeutet, dass MR eine entscheidende Rolle im Design von Anleitungen spielen kann.

Die Verbindung von Technologie und Alltagsaufgaben durch Mixed Reality birgt das Potenzial für effektivere und ansprechendere Lern-Erlebnisse in verschiedenen Kontexten.

Originalquelle

Titel: PaperToPlace: Transforming Instruction Documents into Spatialized and Context-Aware Mixed Reality Experiences

Zusammenfassung: While paper instructions are one of the mainstream medium for sharing knowledge, consuming such instructions and translating them into activities are inefficient due to the lack of connectivity with physical environment. We present PaperToPlace, a novel workflow comprising an authoring pipeline, which allows the authors to rapidly transform and spatialize existing paper instructions into MR experience, and a consumption pipeline, which computationally place each instruction step at an optimal location that is easy to read and do not occlude key interaction areas. Our evaluations of the authoring pipeline with 12 participants demonstrated the usability of our workflow and the effectiveness of using a machine learning based approach to help extracting the spatial locations associated with each steps. A second within-subject study with another 12 participants demonstrates the merits of our consumption pipeline by reducing efforts of context switching, delivering the segmented instruction steps and offering the hands-free affordances.

Autoren: Chen Chen, Cuong Nguyen, Jane Hoffswell, Jennifer Healey, Trung Bui, Nadir Weibel

Letzte Aktualisierung: 2023-08-26 00:00:00

Sprache: English

Quell-URL: https://arxiv.org/abs/2308.13924

Quell-PDF: https://arxiv.org/pdf/2308.13924

Lizenz: https://creativecommons.org/licenses/by-sa/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel