A data-driven strategy for the subjective evaluation of tacton perceptual similarity
Marc Demers · eScholarship@McGill (McGill) · 2021
Traditionnellement, les études d'évaluation de tactons se fient sur l'aggrégation de résultats d'un faible nombre de participants à une quantité prédéfinie de stimuli.Cette approche ne s'étend pas aisément à un grand nombre de tactons.Nous proposons ici de générer les tactons en temps réel et de les envoyer à l'utilisateur pour évaluation directement, au lieu de les concevoir a priori.De plus, nous développons une approche de collection de données haptiques via smartphone qui puisse récupérer des annotations robustes et pertinentes de manière concurrente, et la déployons sur Amazon Mechanical Turk.Nous mesurons la similarité perceptuelle entre les tactons via un modèle probabiliste, et développons une stratégie d'apprentissage active basée sur la théorie de l'information pour échantilloner l'espace de tactons de manière efficace, réduisant de ce fait la quantité de donnée requise par un facteur de 6.5.Nous conduisons une experience avec plus de 200 participants, de laquelle nous tirons de l'information clé sur la perception tactile, telle que des communautés de tactons similaires.En outre, nous montrons une preuve de l'existence de ``personas,'' ou des groupes de personnes qui partagent des caractéristiques similaires sur la perception haptique, et discutons de l'origine possible de ces personas.Finalement, nous montrons une approche pour effectuer de l'apprentissage machine sur une représentation graphique d'annotations de similarité, ce qui nous permet de prédire les scores de similarité des tactons.L'intégration des personas améliore cette prédiction, ce qui prove leur pertinence et leur utilité.En somme, les résultats empiriques de nos expériences montrent que ce régime haut en données est une approche prometteuse pour conduire des études d'évaluation haptique