Mise en évidence visuelle et charge cognitive dans le design web
Cette étude examine comment le surlignage visuel affecte l'attention des utilisateurs sous une charge cognitive.
― 6 min lire
Table des matières
Le surlignage visuel est une méthode utilisée dans les interfaces utilisateur (UI) pour attirer l’attention des utilisateurs. On y arrive en modifiant les caractéristiques visuelles de certains éléments, comme leur couleur ou leur luminosité. Bien qu'on sache que ça aide les utilisateurs à se concentrer, son efficacité quand les gens sont mentalement surchargés n’a pas été étudiée en profondeur. Cet article examine comment différents types de surlignage visuel, combinés à la Charge Cognitive d'une tâche secondaire, influencent où les gens regardent quand ils utilisent des pages web complexes.
Ce qu'on a fait
Notre étude a impliqué 27 participants qui ont regardé 150 designs de pages web différents dans diverses conditions. On voulait voir comment deux facteurs influençaient leur attention : le type de surlignage visuel (statique ou dynamique) et la charge cognitive d'une tâche secondaire.
Les participants ont visionné des pages web sous trois scénarios de surlignage : sans surlignage, avec un surlignage permanent et un surlignage dynamique qui apparaissait après trois secondes. Ils ont aussi effectué une tâche secondaire qui ne nécessitait pas beaucoup de réflexion ou qui les faisait beaucoup réfléchir. On a collecté des données sur où leur regard était concentré pendant qu'ils interagissaient avec ces pages.
Résultats clés
Effet de la charge cognitive : À mesure que la charge cognitive des participants augmentait, leur capacité à remarquer divers éléments sur la page diminuait. Ils avaient plus de mal à assimiler l’information quand ils étaient occupés à compter à voix haute ou à faire quoi que ce soit qui demandait un effort mental.
Le surlignage visuel fonctionne : Quand une zone d'une page web était surlignée, les participants avaient tendance à la remarquer plus. Ils se concentraient plus longtemps sur les zones surlignées par rapport à d'autres parties de la page, même si ces parties étaient normalement accrocheuses.
Surlignage dynamique vs. statique : Le surlignage dynamique, qui apparaissait après un délai, était particulièrement efficace pour capter l’attention. Les participants remarquaient rapidement les zones surlignées dynamiquement, même sous une forte charge cognitive. Les surlignages statiques avaient aussi un effet, mais pas aussi fort que les dynamiques.
Impacts sur le comportement global du regard : Quand il y avait des surlignages, les participants avaient tendance à explorer moins la page web. Ça veut dire qu'ils regardaient moins de zones au total, se concentrant plus sur les parties surlignées. Cependant, le surlignage dynamique aidait à atténuer cet effet, permettant aux participants d'explorer plus de zones.
Performance des modèles de saillance : Les modèles de saillance, qui sont des outils utilisés pour prédire où les gens vont regarder en fonction de l'entrée visuelle, fonctionnaient mieux quand ils prenaient en compte différents types de surlignage et de charge cognitive. Ça indique qu'il est important de considérer ces facteurs pour comprendre l’attention des utilisateurs.
Comprendre l’attention des utilisateurs
L’attention est une ressource limitée ; les gens ne peuvent pas se concentrer sur tout en même temps. Cette recherche visait à identifier comment les indices visuels influencent ce que les gens regardent, surtout quand ils sont distraits ou submergés.
Comment le surlignage affecte l’attention
Le surlignage visuel peut guider les utilisateurs vers des informations importantes dans des interfaces complexes. En modifiant des éléments comme la couleur ou le mouvement, les concepteurs peuvent orienter les yeux des utilisateurs vers ce sur quoi ils veulent qu'ils se concentrent. Les recherches ont montré que certains indices visuels peuvent être plus efficaces que d'autres.
Charge cognitive et ses effets
La charge cognitive fait référence à l’effort mental nécessaire pour réaliser une tâche. Quand une personne fait face à une forte charge cognitive, cela peut mener à une "vision en tunnel". Ça signifie qu’elle pourrait manquer des détails importants dans sa vision périphérique. Notre étude a trouvé que lorsque la charge cognitive était élevée, les participants avaient de longs temps de fixation et moins de fixations au total. Cela suggère qu'ils étaient submergés et incapables de traiter autant d'informations.
Apprendre à prédire l’attention
La prédiction de saillance concerne la compréhension de l'endroit où les utilisateurs sont le plus susceptibles de regarder. Les méthodes traditionnelles ne prenaient souvent pas en compte les effets du surlignage visuel. Dans notre étude, on a utilisé une nouvelle approche qui tient compte de ces facteurs, améliorant ainsi notre capacité à modéliser où les gens dirigeront leur regard.
Le rôle du dataset
Le dataset collecté durant cette étude est important car il fournit des aperçus sur la façon dont différentes conditions influencent l’attention des utilisateurs. Avec les données de suivi oculaire recueillies, les chercheurs peuvent explorer davantage le comportement des utilisateurs dans divers contextes et affiner les modèles qui prédisent les motifs de regard.
Implications pour la conception d'interfaces
Les résultats de cette étude ont des implications pour la façon dont les interfaces sont conçues. En comprenant mieux l’attention des utilisateurs, les concepteurs peuvent créer des stratégies de surlignage visuel plus efficaces. Cette recherche suggère que combiner un surlignage dynamique avec une considération de la charge cognitive peut améliorer significativement l’engagement des utilisateurs et la performance des tâches.
Conclusion
Pour résumer, notre recherche montre que le surlignage visuel est une méthode efficace pour guider l’attention dans les interfaces utilisateur. Cependant, la charge cognitive peut entraver l’efficacité de ces indices visuels. Le surlignage dynamique semble particulièrement bénéfique, même sous une charge cognitive élevée. Nos résultats posent les bases de modèles prédictifs plus avancés et fournissent des aperçus précieux pour les concepteurs d'interfaces.
En continuant d'explorer comment les éléments visuels et les facteurs cognitifs interagissent, on peut encore améliorer la façon dont les utilisateurs interagissent avec des environnements numériques complexes. Cette compréhension aidera à créer des designs plus conviviales qui guident efficacement l’attention et facilitent un meilleur traitement de l'information.
Titre: Shifting Focus with HCEye: Exploring the Dynamics of Visual Highlighting and Cognitive Load on User Attention and Saliency Prediction
Résumé: Visual highlighting can guide user attention in complex interfaces. However, its effectiveness under limited attentional capacities is underexplored. This paper examines the joint impact of visual highlighting (permanent and dynamic) and dual-task-induced cognitive load on gaze behaviour. Our analysis, using eye-movement data from 27 participants viewing 150 unique webpages reveals that while participants' ability to attend to UI elements decreases with increasing cognitive load, dynamic adaptations (i.e., highlighting) remain attention-grabbing. The presence of these factors significantly alters what people attend to and thus what is salient. Accordingly, we show that state-of-the-art saliency models increase their performance when accounting for different cognitive loads. Our empirical insights, along with our openly available dataset, enhance our understanding of attentional processes in UIs under varying cognitive (and perceptual) loads and open the door for new models that can predict user attention while multitasking.
Auteurs: Anwesha Das, Zekun Wu, Iza Škrjanec, Anna Maria Feit
Dernière mise à jour: 2024-05-02 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2404.14232
Source PDF: https://arxiv.org/pdf/2404.14232
Licence: https://creativecommons.org/licenses/by-nc-sa/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.
Liens de référence
- https://creativecommons.org/licenses/by-nc-sa/4.0/
- https://dl.acm.org/ccs.cfm
- https://perspicuous-computing.science
- https://www.tobii.com/
- https://doi.org/10.18637/jss.v067.i01
- https://doi.org/10.1145/3173574.3173856
- https://doi.org/10.1145/3526113.3545651
- https://doi.org/10.1145/3379155.3391321
- https://doi.org/10.1145/3025453.3025599
- https://doi.org/10.1609/aimag.v30i4.2268
- https://doi.org/10.1177/001872088903100206
- https://doi.org/10.1145/3332165.3347945
- https://doi.org/10.1145/3491102.3501954
- https://doi.org/10.1145/2307798.2307800
- https://doi.org/10.1080/10447319409526098
- https://www.R-project.org/
- https://doi.org/10.1559/15230406384373
- https://doi.org/10.1109/TVCG.2015.2467759
- https://doi.org/10.1145/2168556.2168616
- https://osf.io/x8p9b/
- https://osf.io/x8p9b/?view_only=1dee01e9ce8442cfb7ef867a4bea290a