Master
Reference
L'intégration du chemin en milieu virtuel non immersif : influence d'une perspective incorrecte sur l'orientation spatiale
MUELLER, Laure
Abstract
L'intégration du chemin est la capacité à revenir à son point de départ par le chemin le plus court en se basant sur des indices sensoriels générés lors du mouvement. Il est possible d'isoler l'impact du flux visuel sur les performances d'intégration du chemin en créant une tâche en milieu virtuel...
MUELLER, Laure. L'intégration du chemin en milieu virtuel non immersif : influence d'une perspective incorrecte sur l'orientation spatiale. Master : Univ. Genève, 2017
Available at:
http://archive-ouverte.unige.ch/unige:95626
Disclaimer: layout of this document may differ from the published version.
1 / 1
FA.CUlTE Of PSVCHOLOGIE ET DES SCIUICfS I>E l'iCUtAfiO.fll
L'intégration du chemin en milieu virtuel non immersif : influence d'une perspective incorrecte sur l'orientation spatiale
MEMOIRE REALISE EN VUE DE L'OBTENTION DE LA MAITRISE UNIVERSITAIRE EN PSYCHOLOGIE
ORIENTATIONS
PSYCHOLOGIE COGNITIVE PSYCHOLOGIE CLINIQUE
PAR Laure Müller
DIRECTEUR DU MEMOIRE Roland Maurer
JURY Dirk Kerzel Igor Faulman
GENEVE, juin 2017
UNIVERSITE DE GENEVE
FACULTE DE PSYCHOLOGIE ET DES SCIENCES DE L'EDUCATION SECTION PSYCHOLOGIE
Table des matières
Introduction ... 1
Introduction théorique ... 1
But de notre étude et hypothèses ... 14
Méthode ... 16
Echantillon ... 16
Matériel ... 16
Logiciel et monde virtuel ... 16
Procédure ... 18
Phase d’exploration. ... 18
Phase d’exécution de la tâche. ... 19
Questionnaire. ... 20
Plan de l’expérience ... 20
Mesures ... 21
Variables ... 22
Résultats ... 23
Statistiques descriptives ... 23
Statistiques inférentielles ... 25
Transformation de nos données. ... 25
Variable dépendante erreur de translation. ... 26
Variable dépendante erreur de rotation. ... 28
Variable dépendante erreur d’imprécision. ... 30
Résumé des effets significatifs. ... 31
Discussion ... 32
Références bibliographiques ... 41
Annexes ... 49
Annexe I : feuille de répartition des participants ... 49
Annexe II : scripts ... 50
Annexe III : questionnaire ... 56
Annexe IV : ellipses de déviation standard ... 57
Annexe V : analyses exploratoires sur les données en valeurs absolues ... 59
Annexe VI : analyses exploratoires sur les données après une transformation logarithmique ... 68
Annexe VII : analyses exploratoires sur les données après une transformation racine carrée ... 77
Annexe IIX : statistiques inférentielles sur les données transformées ... 86
Introduction
Introduction théorique
La quasi-totalité de nos comportements ont une composante spatiale, que ça soit au niveau des conséquences ou au niveau des processus psychologiques qui sous-tendent ces comportements (Nadel & Waller, 2013). Effectivement, il est fondamental pour toute espèce de pouvoir estimer sa propre position dans l’espace, de connaître l’emplacement des ressources ainsi que de pouvoir rapidement déterminer un lieu sécurisé. L’orientation et la navigation spatiales sont donc des processus utilisés quotidiennement pour interagir de manière efficiente avec son environnement. L’orientation spatiale est, selon Nygen (2011), la capacité à déterminer sa position relativement aux objets environnants. L’orientation est donc centrale dans la construction de la conscience d’une situation et dans la préparation à l’action. La navigation spatiale, quant à elle, est définie par Gallistel (1990) comme étant la capacité à planifier et exécuter un trajet dirigé vers un but. Il s’agit donc d’un comportement complexe combinant l’action physique à des capacités cognitives plus élaborées comme la mémoire ou la planification (Nadel & Waller, 2013).
L’intégration du chemin ou « dead reckoning » est la forme la plus simple de navigation (Etienne & Jeffery, 2004). C’est un processus qui permet de mettre à jour sa position relativement à un point de référence sans utilisation d’indices externes (Etienne, Maurer, Boulens, Levy & Rowe, 2004). Pour ce faire, l’intégration du chemin utilise les informations rotationnelles et translationnelles issues du déplacement propre (Séguniot, 2000) puis combine ces incrémentations du mouvement pour donner lieu à une représentation continuellement remise à jour concernant la position relative au point de départ (Etienne & Jeffery, 2004). En somme, l’intégration du chemin est un processus permettant la formation de vecteurs qui, mis ensemble, constituent la totalité du chemin parcouru (Mittelstaedt & Mittelstaedt, 1982) et qui permettent ainsi de calculer implicitement le vecteur de retour jusqu’au point de départ.
La spécificité de l’intégration du chemin est de s’appuyer uniquement sur des informations issues du mouvement propre, autrement dit des informations idiothétiques (Mittelstaedt & Mittelstaedt, 1982). Afin d’estimer la vitesse et la rotation du corps, plusieurs
mécanismes rentrent en jeu. Le système vestibulaire permet de calculer les accélérations linéaires et angulaires grâce à ses différentes structures : les cellules ciliées présentes dans les canaux semi-circulaires sont sensibles aux accélérations angulaires de la tête alors que les organes maculaires vont répondre préférentiellement aux accélérations linéaires de la tête. Le système kinesthésique renseigne sur la position des différentes parties du corps ainsi que sur leurs mouvements. Effectivement, les fuseaux neuromusculaires ainsi que les organes tendineux de Golgi sont sensibles à l’étirement et la contraction des muscles permettant ainsi de connaître la position des membres relativement au corps.
Le système visuel permet aussi l’estimation de ses déplacements. Même si cela peut être contre-intuitif, le flux visuel, tout comme le flux auditif, est une source d’information idiothétique. Effectivement, le flux visuel est produit par le mouvement propre du corps créant ainsi une impression de mouvement de l’environnement. Le flux optique ou flux visuel est défini par Gibson (1950) comme étant le changement constant de pattern projeté sur la rétine en réponse à un mouvement propre à travers un environnement. Il combine des informations relatives aux flux rotationnels et translationnels. Selon Gibson (1950), un observateur peut déduire les informations sur sa vitesse et sa direction de déplacement grâce aux informations contenues dans le flux visuel. Il décrit les changements du flux optique induit par le mouvement de l’observateur comme un champ vectoriel constitué de vecteurs avec une vitesse et une direction propre selon les déplacements de chaque point de l’environnement (Bardy, 2003).
Quand le flux translationnel est déduit d’un flux visuel pur, il peut être estimé sur la base du focus d’expansion. Il s’agit d’un point duquel semblent émerger tous les vecteurs du flux dont le foyer correspond au lieu vers lequel se dirige l’observateur lui permettant ainsi de déduire sa direction de déplacement (Bardy, 2003). Le focus d’expansion peut être visible par l’observateur, dans le cas où celui-ci regarde dans sa direction de marche (cf. figure 1.A). Dans cette situation, le flux prend une forme radiale en vision centrale et lamellaire, linéaire et parallèle, dans le champ visuel périphérique (Thinus-Blanc, 2005). Le focus d’expansion peut aussi être hors du champ visuel et prendra alors une forme uniquement lamellaire (cf. figure 1.B). De plus, la vitesse du flux visuel n’est pas similaire dans tout le champ, elle augmente avec l’éloignement du centre d’expansion. La vitesse de déplacement peut être quant à elle déduite de l’amplitude de ces mêmes vecteurs. La vitesse angulaire est plus simple à déduire car un mouvement de rotation isolé crée une vitesse angulaire identique pour tous les vecteurs (Berthoz, 1997). Des lors, cette vitesse peut être estimée comme étant inversement égale au flux de rotation, c’est-à-dire qu’elle sera équivalente à la vitesse du flux perçu mais dans le sens opposé (Séguinot, 2000). Evidemment, ces deux types de mouvement ne sont pas indépendants.
Le flux visuel donne une information globale qui combine les deux types de flux, nos mouvements étant rarement décomposés en translations pures et rotations pures (Séguinot, 2000).
Figure 1. A) flux radial en vision centrale quand l’observateur regarde la direction du mouvement
B) flux lamellaire quand l’observateur regarde dans une direction orthogonale au mouvement (Thinus-Blanc, 2005)
L’intégration du chemin montre des limites. Effectivement, revenir à son point de départ sans indices externes est difficile et donc sujet à des erreurs. Comme nous allons le voir, il existe des erreurs systématiques qui sont peu à peu corrigées avec l’expérience alors que les erreurs aléatoires vont s’accumuler progressivement au cours du trajet en l’absence de repères externes (Fujita, Klatzky, Loomis & Golledge, 1993).
L’évolution a sélectionné des mécanismes d’intégration du chemin qui devraient en principe être exemptés d’erreurs systématiques (Seguinot, 2000). La seule erreur systématique qui ait été mise en évidence de manière répétée chez l’animal (Bisetzky, 1957, cité par Séguinot, 2000 ; Wehner & Wehner, 1986) est la majoration de l’angle effectué lors du retour d’un trajet en L. Si cette erreur peut être expliquée par une imperfection dans l’algorithme permettant l’intégration du chemin (Müller & Wehner, 1988), elle pourrait aussi avoir été sélectionnée par l’évolution en raison d’un avantage adaptatif. En effet, la surestimation de l’angle de retour augmente les chances de recroiser un chemin déjà parcouru. Ainsi, les repères seront déjà connus et pourront orienter sur la direction à prendre pour revenir à son point de départ (Wehner
& Wehner, 1990, cités par Etienne & Jeffery, 2004).
Selon Fujita et al. (1993, cités par Riecke, Van Veen & Bülthoff, 2002), les erreurs aléatoires observées lors des performances de retour en intégration du chemin peuvent survenir
à plusieurs étapes du processus. Tout d’abord, elles peuvent être dues à un encodage imprécis du mouvement propre. Ainsi, les erreurs vont tendre à s’accumuler avec la longueur et la complexité du trajet (Séguinot, 2000) ce qui explique que l’intégration du chemin est efficace uniquement pour des petites distances et des trajets simples. Ensuite, des erreurs peuvent provenir d’un raisonnement mental spatial imprécis lors duquel la trajectoire est calculée jusqu’au point de départ. Enfin, une mauvaise exécution de cette trajectoire peut aussi expliquer la présence d’erreurs. De plus, il existe des biais qui modifient la précision du trajet effectué comme par exemple des attentes concernant le trajet (Petzschner & Glasauer, 2011). Des auteurs (Sadalla & Montello, 1989, cité par Klatzky et al., 1990) ont montré que les sujets estiment mieux les angles qui se trouvent sur des axes orthogonaux (0°, 90° et 180°). Enfin, comme nous le verrons dans le paragraphe suivant, les erreurs observées vont être différentes selon le type de stratégie utilisée. La justesse de l’intégration du chemin dépendra donc de la précision des estimations faites concernant les translations et rotations ainsi que de l’algorithme utilisé pour combiner ces vecteurs (Etienne et al., 2004).
Il existe deux grandes hypothèses expliquant les processus de calcul sous-tendant l’intégration du chemin. La première stipule que le vecteur reliant au point de départ est mis à jour de manière continue. Cette stratégie ne requiert donc pas la représentation du chemin parcouru étant donné que la représentation du vecteur lui-même est suffisant (Wiener, Berthoz,
& Wolbers, 2011). Avec l’utilisation de cette stratégie, le temps de calcul du vecteur dépend surtout des caractéristiques de ce dernier vecteur et peu de la forme du trajet (Yamato, Meléndez
& Menzies, 2014). La deuxième hypothèse prévoit que le vecteur menant au point de départ ne sera calculé qu’à la fin du trajet et donc une représentation du chemin parcouru est nécessaire comme base de calcul. Selon cette hypothèse, le temps de calcul du vecteur menant au point de départ devrait être proportionnel au nombre de segment et à la complexité du trajet. Cette stratégie serait moins vulnérable aux erreurs étant donné que le phénomène d’accumulation des erreurs est réduit (Wiener et al., 2011). Les débats sont encore aujourd’hui nombreux afin de déterminer quelle stratégie est utilisée par l’humain. Dans une tâche d’intégration du chemin, Wiener et Mallot (2006) ont observé que le temps de réaction des sujets pour pointer vers le point de départ diminuait quand le nombre de segments parcourus augmentait. Ces observations pourraient indiquer un changement de stratégie selon la difficulté de la tâche. De plus en plus d’études (Wiener et al., 2011 ; Yamato et al., 2014) tendent aujourd’hui à prouver que l’humain a accès à ces deux stratégies lors de l’intégration du chemin et que l’utilisation de l’une ou l’autre dépendra de différents facteurs qu’il reste encore à déterminer précisément
La complétion de triangle est un des paradigmes les plus utilisés pour étudier les compétences en intégrations du chemin. Dans la majorité des études utilisant ce paradigme, les sujets sont rendus aveugles grâce à un bandeau sur leurs yeux et déplacés sur les deux premiers segments du triangle. Leur tâche consiste à revenir à leur point de départ en complétant le troisième segment.
Déjà en 1951, Worchel a mis en évidence une augmentation des erreurs avec une augmentation de la taille du dernier segment à parcourir. Effectivement, plus ce troisième segment était long, plus les sujets montraient une mauvaise estimation du point de départ.
Klatzky et al. (1990) ont montré la présence d’erreurs systématiques dans ce type de tâche. Les sujets rendus aveugles avaient tendance à surestimer les petites distances et sous-estimer les grandes. Loomis et al. (1993) affinent ces résultats en montrant que ce phénomène de régression vers la moyenne s’applique aussi aux rotations. Un modèle d’erreurs d’encodage (« encoding- error model ») sera proposé la même année par Fujita et al. (1993) stipulant que ce phénomène est la conséquence d’erreurs survenues lors de l’encodage du trajet, et non d’erreurs pendant l’exécution. Ce phénomène de compression vers la moyenne peut être expliqué comme étant une stratégie adaptative reflétant une moyenne des expériences passées du sujet, et donc difficilement généralisable selon Klatzky, Beall, Loomis, Golledge et Philbeck (1999). En plus de ce phénomène, Loomis et al. (1993) mettent en évidence un effet de l’angle ainsi que de la longueur du trajet sur les capacités d’intégration du chemin des sujets ; la variabilité entre sujets tend à augmenter avec un trajet plus long et des angles s’éloignant de 90°.
Ces tâches de complétion de triangle « classiques » font intervenir les systèmes vestibulaires et kinesthésiques dans l’intégration du chemin mais excluent le système visuel.
Afin d’isoler l’impact du flux visuel sur les performances d’intégration du chemin, il est possible de mener des études en milieu virtuel. Pour naviguer dans un environnement virtuel, il faut tout d’abord être capable d’estimer son mouvement propre dans ce milieu (Perronne &
Stone, 1994). En 1975, Berthoz, Pavard et Young montrèrent qu’il était possible de créer une illusion de vection uniquement grâce à un mouvement visuel cohérent si celui-ci occupe une large portion du champ visuel. Le flux visuel peut aussi permettre l’estimation du mouvement propre. Plusieurs études ont montré que la présence d’un flux visuel en environnement virtuel pouvait être suffisant pour estimer la distance parcourue (Frenz & Lappe, 2005 ; Lappe, Jenkin,
& Harris, 2007 ; Redlick, Jenkin, & Harris, 2001) et les déplacements angulaires (Ellmore &
McNaughton, 2004) permettant ainsi l’estimation globale du mouvement.
Kearns, Warren, Duchon et Tarr (2002) ont notamment montré qu’un flux visuel simple créé par de simples textures dans l’environnement était suffisant pour l’intégration du chemin.
Les auteurs ont repris les mêmes triangles que ceux utilisés par Loomis et al. (1993). Les sujets portaient un casque de réalité virtuelle et devaient suivre à l’aide d’un joystick des poteaux qui indiquaient le chemin à suivre puis revenir à leur point de départ. Les auteurs ont testé l’impact de trois compositions de texture différentes lors d’une tâche de complétion de triangle : une texture présente uniquement sur le sol, une texture présente uniquement au niveau de l’horizon, deux textures différentes présentes sur le sol et l’horizon. Ils ont trouvé que même la présence partielle de texture dans l’environnement permettait l’intégration du chemin, même si les performances n’étaient pas très précises. De plus, la présence de chaque texture semble impacter différemment les performances en intégration du chemin. Effectivement, l’absence de texture sur les murs réduit le flux visuel particulièrement pendant les rotations et donc diminue la justesse d’estimation rotationnelle et augmente la variabilité inter sujet. A l’inverse, une texture présente uniquement sur les murs induit plus de variabilité dans les performances translationnelles. Le flux visuel semble donc être suffisant pour créer un sentiment de vection et semble contenir des informations nécessaires à l’estimation de son mouvement propre.
Cependant, la modélisation de l’environnement virtuel semble primordiale à la création d’un flux visuel utilisable par les observateurs permettant ainsi une navigation virtuelle satisfaisante.
Des tâches de complétion de triangle ont aussi été menées en réalité virtuelle pour mieux étudier l’apport du système visuel dans l’intégration du chemin. Péruch, May et Wartenberg (1997) ont repris les conditions expérimentales utilisées par Loomis et al. dans leur étude de 1993 pour les adapter à un environnement virtuel. Les sujets effectuaient à l’aide d’un joystick les deux premiers segments d’un triangle en suivant des cônes qui apparaissaient à l’écran puis devaient revenir à leur point de départ. Les performances étaient imprécises, surtout concernant les rotations. Cependant, le flux visuel semblait être partiellement utilisable pour estimer son mouvement propre étant donné que les réponses données étaient différentes du hasard. Les sujets montraient des sous estimations systématiques de l’angle à effectuer pour revenir au point de départ de manière encore plus prononcée que dans l’étude de Loomis et al. (1993) en situation réelle. Les auteurs concluent qu’il est possible de mener à bien une tâche d’intégration du chemin en milieu virtuel mais que le flux visuel ne peut compenser l’absence d’indices vestibulaires et proprioceptifs. Klazky, Loomis, Beall, Chance et Golledge (1998) lors d’une tâche de complétion de triangle ont conclu que le flux visuel n’était pas suffisant pour estimer correctement les angles à effectuer pour revenir à son point de départ. Effectivement, les sujets
avaient tendance à surestimer l’angle nécessaire pour revenir au point de départ contrairement à la condition où la marche active était possible.
Kearns et al. (2002) expliquent ces mauvais résultats par un manque de texture dans l’environnement virtuel. Effectivement, ils ont retrouvé ces phénomènes de sous-estimation des angles de rotation mais seulement en cas d’absence de texture au niveau de l’horizon. De la même manière, d’autres auteurs ont mis en évidence des performances plus précises en intégration du chemin sur la base du flux visuel dans des milieux virtuels plus texturisés.
Gramann, Müller, Eick et Schönebeck (2005) ont mené une étude de complétion de triangle en milieu virtuel non immersif lors de laquelle les sujets se baladaient à travers un tunnel texturisé (cf. figure 2.A) et devaient ensuite indiquer leur point de départ. Les participants ont montré des estimations de rotation beaucoup plus précises que les performances observées dans les études de Péruch et al. (1997) et Klatzky et al. (1998). De la même manière, les participants de l’étude de Riecke et al. (2002) ont montré des performances proches de la perfection, notamment au niveau des rotations. Les sujets devaient revenir à leur point de départ après avoir effectué un trajet en en forme de triangle dans un monde composé de nuages (cf. figure 2.B).
Les auteurs concluent que le flux visuel est suffisant pour procéder à une tâche d’intégration du chemin de manière précise. Cependant, d’autres auteurs (Frenz & Lappe, 2005) n’ont pas trouvé d’amélioration dans une tâche d’estimation de distance après avoir augmenté la quantité de texture du sol visible (en éloignant l’horizon).
Malgré un rôle encore peu clair et une interaction probable avec d’autres variables, le flux visuel semble être un facteur primordial influençant les capacités d’intégration du chemin en milieu virtuel.
A B
Figure 2. A) Tunnel en environnement virtuel non immersif dans l’étude de Gramann et al.
(2005) B) Illustration de la texture utilisée dans l’étude de Riecke et al. (2002)
Une autre caractéristique primordiale d’un monde virtuel est l’angle de vue, autant celui de l’observateur par rapport à l’écran, autant celui présent dans le monde virtuel.
Effectivement, la taille et la position de l’écran vont définir l’angle de vue physique de l’observateur (physical field of view PFOV) alors que l’angle de vue géométrique (geometric field of fiew GFOV) sera déterminé par les caractéristiques de l’environnement virtuel (cf.
figure 3).
Figure 3. Illustration de deux PFOV différents (monde réel) et deux GFOV différents (monde virtuel)
Selon Riecke et Schulte-Pelkum (2013), « fournir la simple illusion de mouvement pourrait donner des bénéfices similaires en termes d’orientation spatiale et de changement de perspective que pourrait le faire un mouvement effectif » (« poviding the mere illusion of self- motion might provide similar benefits in terms of spatial orientation and perspective switches as actual self-motion », Riecke et Schulte-Pelkum, 20013, p. 44). Même si au premier abord il serait logique de penser que plus grand est le PFOV plus le sentiment d’immersion sera intense (Lapointe & Vinson, 2002), la question reste bien plus complexe que cela.
Bien que certains auteurs aient effectivement trouvé qu’augmenter l’angle de vue améliorait les performances de navigation en environnement virtuel (Arthur, 2000) augmenter la quantité d’information ne garantit cependant pas des résultats positifs. En prenant un écran plus grand par exemple, seule l’information périphérique est augmentée sans garantir une amélioration de l’information perçue. Une étude de Turano, Hao et Hicks (2005) avec des sujets sains et avec déficits visuels, tend à montrer que la vision centrale est importante pour guider la marche sur la base du flux visuel alors qu’un trouble en vision périphérique n’engendre pas de déficit dans l’utilisation du flux visuel dans cette tâche. Agrandir la taille de l’image peut
parfois se faire au détriment de la qualité ce celle-ci. De plus, une information dispersée demande plus de temps et d’effort pour être perçue correctement.
Cependant, un plus grand écran semble diminuer les différences dues au genre dans les capacités d’orientation en milieu virtuel (Czerwinski, Tan & Robertson, 2002). De plus, certains auteurs ont effectivement trouvé qu’augmenter le PFOV augmentait la sensation d’immersion (Lapointe & Vinson, 2002). En gardant fixe le PFOV, un écran plus large, et donc à plus grande distance de l’observateur, semble améliorer les performances en intégration du chemin en milieu virtuel non immersif (Tan, Gergle, Scupelli & Paush, 2004). Les auteurs expliquent ces résultats par un changement de stratégie : les sujets adopteraient plus facilement une stratégie de type égocentrée plus efficace avec un écran de grande taille. Effectivement, les sujets se représenteraient le point de retour relativement à leur corps, comparé à une stratégie allocentrée où le sujet visualiserait le point de retour dans une perspective de survol. Cependant, cette vision binaire des stratégies ego et allocentrées est remise en question, il apparait que ces deux stratégies peuvent coexister en parallèle (Burgess, 2006 ; Igloi, Zaoui, Berthoz & Rondi- Reig, 2009). Arsenault et Ware (2002) expliquent cette différence de performance observée dans l’expérience de Tan et al. (2004) par une augmentation du nombre de pixels. Même si la vision périphérique semble jouer un rôle primordial pour les tâches d’orientation spatiale (Leibowitz, 1986 ; Turano et al., 2005), la vision centrale joue un plus grand rôle dans la sensation de vection (Webb & Griffin, 2003).
Concernant le GFOV, les sujets dans l’étude de Waller (1999) devaient se prêter à une course d’obstacle en milieu virtuel sur écran et devaient ensuite estimer les distances jusqu’à un objet cible. Les auteurs ont testé l’impact de différents GFOV sur les performances de jugement de distances. Ils ont montré une surestimation des distances pour toutes les conditions en l’absence de feedback. Cependant, lorsqu’un retour était donné aux participants, un petit GFOV (<50°) induisait une sous-estimation des distances alors même qu’il était proche du PFOV naturel (50°). A l’inverse, les sujets avaient tendance à surestimer les distances avec un grand GFOV (>80°). Les auteurs arrivent à la conclusion qu’un GFOV entre 50° et 80° est le plus approprié pour des tâches d’estimation de distances en milieu virtuel. Il est important de noter qu’un changement de GFOV dans un environnement virtuel contenant des objets change aussi l’image en tant que telle. Effectivement, la dimension des objets peut être transformée ainsi que le nombre d’objets disponibles dans le champ visuel de la caméra. Waller (1999) relève justement ce problème dans la conclusion de son étude. Il explique la sous-estimation des distances lors d’un petit GFOV comme étant le fruit d’un changement de stratégie dû justement à une différence du nombre d’objets disponibles visuellement. La même limite peut
être retrouvée dans la première expérience d’Arsenault et Ware (2002) sur l’impact de différents GFOV (30°, 60° et 90°) et PFOV (30° et 60°) sur des performances de navigation en environnement virtuel. Dans cette première expérience les sujets devaient retrouver le plus rapidement possible des cibles dispersées dans l’environnement. Les auteurs ont trouvé uniquement un effet du GFOV en mettant en évidence une augmentation du temps pour trouver une cible avec un petit GFOV.
Les auteurs ont ensuite procédé à une deuxième expérience de reproduction d’angle dans le même environnement virtuel (cf. figure 4) en l’absence des repères. Les expérimentateurs demandaient aux sujets de tourner de 45°, 90° ou 180° à l’aide d’un joystick.
Ils ont pu mettre en évidence un effet principal de l’angle avec une surestimation lors d’un grand GFOV (90°) et une sous-estimation lors d’un petit GFOV (30°). Les sujets avaient tendance à trop tourner avec un grand GFOV et à ne pas assez tourner avec un petit GFOV. La tâche était exécutée de manière plus précise quand le GFOV correspondait à un angle de 60°.
Les auteurs expliquent ces observations par un effet du flux visuel : augmenter le GFOV crée une diminution de la vitesse angulaire que les participants tentent de compenser en tournant plus. Les auteurs ne trouvent qu’un petit effet du PFOV qu’ils expliquent par le phénomène de robustesse de perspective. Il s’agit d’un phénomène nommé par Kubovy (1988) qui décrit notre capacité à compenser et ignorer les distorsions d’une scène vue depuis un angle incorrect. Les auteurs concluent que le GFOV est plus important que le PFOV pour s’orienter de manière précise dans un environnement virtuel. Cette deuxième expérience est particulièrement intéressante car elle étudie l’impact du GFOV dans un environnement sans repères et donc serait théoriquement à même de mettre en évidence l’apport du flux visuel dans une tâche de reproduction d’angle. Cependant, ce sont les mêmes sujets qui ont passé la première expérience de navigation et la deuxième expérience de reproduction d’angle. Ainsi, ils étaient déjà familiers avec cet environnement et auraient pu utiliser les repères comme référence de taille de l’environnement. De plus, l’environnement n’est pas totalement homogène (présence de collines) et pourrait fournir des indices supplémentaires concernant la vitesse de rotation.
Figure 4. Environnement virtuel utilisé dans la première (avec les repères) et la deuxième (sans les repères) études d’Arsenault et Ware (2002)
Kline et Witmer (1996, cité par Lessels, 2005) ont quant à eux mis en évidence des performances de jugement de distance inverses à celles retrouvées par Arsenault et Ware (2002) lors de reproduction de rotations. Lors d’une tâche de jugement de distance avec un casque de réalité virtuelle, les sujets avaient tendance à sous-estimer les distances en présence d’un grand FOV (140°x90°) et à les surestimer avec un petit FOV (60°x38.5°).
Certains auteurs n’ont cependant trouvé aucune différence de performance en comparant plusieurs modalités de GFOV (Creem-Regehr, Willemsen, Gooch & Thompson, 2005 ; Péruch et al., 1997 ; Schulte-Pelkum, Riecke, von der Heyde & Bülthoff, 2002).
Néanmoins, aucunes des études mentionnées jusqu’ici n’a testé l’impact du GFOV lors d’une tâche d’intégration du chemin pure. Il s’agissait d’études de navigation virtuelle (Arsenault & Ware, 2002), d’estimation ou de reproduction de distances ou de rotations (Arsenault & Ware, 2002 ; Creem-Regehr et al., 2005 ; Kline & Witmer, 1996 ; Schulte-Pelkum et al., 2002 ; Waller, 1999) ou encore d’une tâche de complétion de triangle mais avec la présence de repères dans l’environnement (Péruch et al., 1997). Lors d’une tâche d’intégration du chemin dans un milieu sans repère, le flux visuel est la seule information utilisable pour estimer son mouvement. Ainsi, il serait intuitif de penser qu’un changement de GFOV lors d’une telle tâche aura un plus grand impact que dans un environnement possédant d’autres indices du mouvement (repères). De plus, en sachant que les repères sont utilisés de manière préférentielle à l’intégration du chemin lors des tâches de complétion de triangle (Foo, Harrison, Duchon, Harren & Tarr, 2004, cité par Rey & Alcaniz, 2010), les sujets ont certainement utilisé des stratégies différentes de celles utilisées lors d’une tâche sans repères. De la même manière, une simple tâche de reproduction ou d’estimation de distances ou de rotations ne fait pas appel
aux mêmes mécanismes en jeu lors d’une tâche d’intégration du chemin et donc sera certainement influencée différemment par le GFOV.
L’écran n’est pas une simple fenêtre virtuelle sur un autre monde. Quand nous appréhendons un environnement virtuel, notre PFOV ne correspond presque jamais au GFOV virtuel car nous n’avons souvent ni la bonne position face à l’écran ni la bonne distance.
Cependant, lorsque nous devons estimer nos mouvements dans un monde virtuel sur la base d’un flux visuel pur, nous n’avons pas d’autres moyens que d’appliquer les connaissances issues du monde réel. Il semble donc logique que les capacités d’intégration du chemin sur la base d’un flux visuel pur soit calibré pour un FOV naturel, c’est-à-dire quand le PFOV correspond au GFOV. Il est donc difficile de statuer sur le simple impact du GFOV sur les compétences de navigation virtuelle ; il faut se questionner sur l’impact d’une différence entre le PFOV et le GFOV sur les performances en intégration du chemin.
Il est rare de trouver deux études explorant les effets d’un changement de PFOV et de GFOV avec deux méthodologies similaires. Effectivement, chaque expérience est menée de manière différente, en utilisant différents display (écran, HMD, écran incurvé), différentes tâches (complétion de triangle, recherche visuelle, reproduction ou jugement de translations ou de rotation), différents trajets (longueur, segments, angles), différents matériels (qualité de l’image, contraste). De plus, beaucoup d’études confondent les effets du GFOV et du PFOV.
Tous ces facteurs rendent très difficile l’isolement de chaque variable et la mise en évidence de sa contribution dans le phénomène observé. Lessels (2005) conclut donc dans sa thèse que les évidences sont non claires et en désaccord concernant l’impact du PFOV et du GFOV sur les compétences d’orientation en milieu virtuel.
Certains auteurs ont néanmoins essayé d’extraire des variables explicatrices des différentes études menées en milieu virtuel pour expliquer les différences de performances lors de différents GFOV et PFOV. Thomson (2012) argumente que la majorité des études ayant conclu à un effet non significatif du PFOV présentaient leurs expériences sur des display avec un PFOV beaucoup plus petit que le PFOV naturel de l’humain (200°). Ainsi, l’impact du flux visuel aurait pu être diminué par cette méthodologie. D’ailleurs, une des expériences ayant été menée avec le plus grand PFOV (Riecke et al. 2002) a aussi été celle montrant les meilleures performances des participants. Cependant, d’autres expériences n’ont montré aucun impact sur la capacité de rotation sur la base du flux visuel lors d’une réduction du PFOV (Creem-Regehr et al. 2005). Riecke et al. (2002) expliquent donc les différences observées non pas par une différence de PFOV mais pas une différence de display. Ils pensent que l’utilisation d’un écran
géant incurvé explique les bonnes performances observées. Thomson (2012) met d’ailleurs en évidence que la forme du triangle a un impact sur les performances seulement lors de l’utilisation d’HMD (Kearns et al., 2002) mais que ce phénomène n’est pas retrouvé avec écran (Péruch et al., 1997 ; Riecke et al., 2002). De plus, Schulte-Pelkum et al. (2002) ont montré que les estimations de rotations étaient plus précises sur la base du flux visuel lors de l’utilisation d’un écran comparé à un HDM avec un PFOV similaire. Cependant, Frenz et Lappe (2005) n’ont pas réussi à mettre en évidence une amélioration dans les performances d’estimation de distances lors de l’utilisation d’un écran géant incurvé comparé à un écran standard. Thomson propose que la différence observée entre les différentes tâches étudiant le FOV pourrait être due à la présence ou non de feedback pendant la tâche.
But de notre étude et hypothèses
L’utilisation de la technologie nécessitant une navigation à l’écran est de plus en plus courante dans notre quotidien. Les environnements virtuels sont aujourd’hui utilisés dans de nombreux domaines : entrainements virtuels (aviation, conduite, chirurgie), domaine de la santé (réhabilitation, chirurgie), évaluation et visualisation (ingénierie, plans, cadastre), divertissement (jeux vidéo, films). Cependant, l’importance des champs visuels, qu’ils soient physiques ou géométriques, est souvent sous-estimée et parfois même complétement délaissée alors que des études ont montré leur impact sur les capacités de navigation virtuelle.
Néanmoins, les facteurs sous tendant les différences observées entre différents PFOV et GFOV ne sont pas clairs.
Pour éclaircir les différents impacts de chaque variable (PFOV, GFOV, display), nous avons décidé de nous pencher plus particulièrement sur les effets du GFOV sur les capacités d’intégration du chemin en milieu virtuel. Plus spécifiquement, nous voulons voir si les performances lors d’une tâche de complétion de triangle sont différentes quand le GFOV correspond au PFOV comparé à des conditions où ceux-ci ne correspondent pas. Pour ce faire, nos participants feront une tâche de complétion de triangle en environnement virtuel.
L’expérience se déroulera sur un grand écran étant donné les études antérieures montrant de meilleures performances avec un grand PFOV (Riecke et al., 2002), une amélioration de la sensation de d’immersion (Lapointe & Vinson, 2002) ainsi qu’une diminution de différence entre les genres (Czerwinski et al., 2002). Les sujets devront revenir à leur point de départ à l’aide d’un joystick après avoir été déplacés passivement dans un environnement virtuel non immersif. Cet environnement ne contiendra aucun repère ou indice autre que le flux visuel. Les sujets seront aléatoirement repartis dans une des trois conditions du GFOV : une condition où le GFOV est plus petit que le PFOV (condition petit PFOV ou P), une condition où le GFOV correspond au PFOV (condition PFOV naturel ou N) et enfin une condition où le GFOV est plus grand que le PFOV (condition grand PFOV ou G).
Nous nous attendons à ce que les performances en intégration du chemin soient moins précises lorsque que le GFOV ne correspond pas au PFOV, c’est-à-dire lorsque la perspective de la caméra diffère de la perspective réelle. Effectivement, même si des expériences antérieures n’ont pas retrouvé de meilleurs résultats en navigation virtuelle lorsque le GFOV correspondait au PFOV (Waller, 1999), les sujets pouvaient se baser sur des repères présents dans l’environnement virtuel lors de ces expériences. En sachant que les repères sont utilisés de manière préférentielle à l’intégration du chemin lors des tâches de complétion de triangle
(Foo et al., 2004, cité par Rey & Alcaniz, 2010), les sujets ont certainement utilisé des stratégies différentes que celles utilisées lors d’une tâche sans repères. Sans repères, les sujets ne peuvent pas appréhender les dimensions de l’espace virtuel autrement qu’en appliquant les connaissances qu’ils ont du monde réel. Ainsi, nous faisons l’hypothèse que les sujets estimeront mieux leur déplacement et donc le vecteur de retour lorsque le champ visuel physique correspond au champ visuel virtuel.
Chaque participant fera plusieurs essais dans la condition qui lui sera attribuée (condition P, N ou G). Une deuxième hypothèse concerne une amélioration des performances au fil des essais. Effectivement, nous nous attendons à ce que les performances au dernier essai soient meilleures que lors du premier essai peu importe la condition attribuée dû à une diminution des erreurs systématiques avec l’expérience et à une habituation à l’environnement.
Au cours de l’expérience, nous procéderons à un changement de GFOV. Chaque participant fera un essai supplémentaire en condition N (GFOV correspondant au PFOV), créant ainsi un changement de GFOV par rapport aux essais précédents. Si, comme nous l’espérons, les participants se basent sur le flux visuel pour la tâche de complétion de triangle, un changement de GFOV devrait donc se traduire par un changement dans les performances observées. Notre troisième hypothèse porte donc sur l’impact d’un changement de GFOV sur les performances d’intégration du chemin. Nous nous attendons à une différence de performance entre les essais après un changement de GFOV. Nous faisons l’hypothèse que si l’utilisation du flux visuel est due à un apprentissage lors des essais précédents, les erreurs devraient augmenter après un changement de GFOV, dès lors que le flux visuel ne correspond plus aux derniers essais. Si, au contraire, les participants appliquent une stratégie générale d’utilisation du flux visuel, les erreurs devraient diminuer après le changement de GFOV étant donné qu’il correspond au PFOV.
Méthode
Echantillon
Notre échantillon est composé de 60 adultes entre 18 et 48 ans (m = 25.15; sd = 3.91).
La majorité des participants sont des étudiants qui ont été recrutés dans l’entourage des expérimentateurs. Il y avait autant d’hommes que de femmes. Les sujets ont été repartis aléatoirement dans une des trois conditions selon leur ordre de passation et leur genre (cf.
annexe I)
Matériel
Nous avons utilisé un écran d’ordinateur de 46 pouces de diagonale (102 cm de large, 58 cm de hauteur, 117 cm de diagonale) avec une résolution de 1920x1080 pixels et un taux de rafraichissement de 50 Hz. Cet écran était installé à une distance approximative de 70 cm de chaque sujet. La distance du sujet était contrôlée par une chaise positionnée de manière fixe à l’aide de marquage au sol. Le sujet avait ainsi un PFOV de 70°. Les sujets devaient se déplacer dans un environnement virtuel à l’aide d’un joystick qui était placé devant l’écran mais qui pouvait être bougé par les participants s’ils le souhaitaient. Durant l’étude pilote, certains participants ont tenté de reculer avec le joystick pour revenir à leur point de départ. Nous avons donc enlevé la possibilité de faire marche arrière avec le joystick. Dans la présente étude, les participants pouvaient procéder à trois possibilités de mouvement : avant, gauche et droite. Pour aller en avant, il fallait simplement pousser le joystick vers l’avant. Pour aller à droite ou à gauche il fallait faire un mouvement de rotation du poignet. En plus de ces trois possibilités de mouvement virtuel, les sujets devaient appuyer sur un bouton du joystick clairement indiqué par un sticker rouge pour accéder aux différentes étapes de l’expérience. Les sujets avaient aussi besoin d’utiliser un clavier ; ils devaient appuyer sur la barre espace du clavier positionné sur la table, clavier qu’ils pouvaient positionner à leur guise.
Logiciel et monde virtuel
Le logiciel utilisé est worlds (version 1.2, DarkBasic Pro ; Maurer, 2017). Dans une étude pilote, l’environnement était constitué d’un sol désertique craquelé et de sphères.
Cependant, les sujets utilisaient ces sphères pour s’orienter malgré un avertissement de notre
part qu’elles ne pouvaient fournir aucune information utilisable pour la tâche. De plus, changer le GFOV avec la présence de sphères aurait aussi changé l’image en tant que telle (nombre de sphères visibles) et aurait pu créer une confusion entre les différents effets. Nous avons donc supprimé ces sphères pour notre étude. L’environnement virtuel de notre présente étude était constitué uniquement d’un sol désertique craquelé. Le ciel était de couleur uniforme avec une lumière zénithale donc les participants ne pouvaient pas se référer à l’azimut solaire pour s’orienter. Le milieu virtuel était le même pour chaque participant.
Les dimensions d’un tel milieu virtuel sont arbitraires étant donné l’absence de référence de taille mais nous avons construit la projection avec la relation suivante : en supposant que la caméra virtuelle se situait à 1m30 du sol alors la vitesse maximale de déplacement avec le joystick était de 30km/h afin de simuler la position assise dans une voiture avec une vitesse réduite.
Durant l’expérience, trois GFOV différents ont été utilisés (40°, 70° et 100°) afin d’avoir une modification de perspective symétrique entre conditions (cf. figure 5). Le logiciel définit uniquement le champ vertical. Nous avons donc rentré dans les scripts les valeurs des champs verticaux 23.2°, 43° et 67.7°correspondant aux valeurs des champs horizontaux de 40°, 70° et 100° respectivement (cf. annexe II). Le trajet était à chaque fois le même, pour tous les essais et tous les participants, seul le GFOV variait entre les conditions et entre les sujets (voir plan de l’expérience plus bas).
Figure 5. PFOV et GFOV utilisés pendant l’expérience à l’échelle
Procédure
Notre expérience durait environ une vingtaine de minutes par sujet. Elle avait à chaque fois lieu dans le même bureau. Elle se décomposait en trois phases : une première phase d’exploration virtuelle, une phase d’exécution de la tâche et enfin une phase lors de laquelle le participant devait remplir un questionnaire sur la tâche.
En accueillant le participant, nous lui expliquions ce qu’il allait devoir faire pendant cette expérience et lui faisions remplir une feuille de consentement. Afin qu’il ne se doute pas d’un changement de perspective pendant la tâche, nous avons changé le titre de l’expérience sur la feuille de consentement par « Revenir chez soi par le chemin le plus court : mécanismes cognitifs en jeu ».
Phase d’exploration.
Cette phase permettait au participant de se familiariser avec l’environnement. Durant l’étude pilote, plusieurs sujets avaient tenté de refaire le chemin en sens inverse pour rejoindre leur point de départ au lieu de prendre un raccourci comme attendu malgré des consignes claires. Pour éviter ce comportement, nous avons décomposé la phase d’exploration et la phase d’exécution de la tâche en deux étapes ; une étape de rotation et une étape de translation, afin de pousser la participant à adopter la stratégie attendue.
Afin que le temps d’exploration soit similaire entre participants, cette phase se décompose en trois sous-phases avec une durée limitée. L’expérimentateur lance le programme, prévient le participant qu’il s’agit d’une phase d’entrainement et le laisse lire les consignes qui s’affichent « Vous vous trouvez sur une planète inconnue et aride… Nous allons vous faire exécuter une petite promenade avec votre vaisseau spatial. Appuyez sur espace pour commencer ». Une fois que le participant a appuyé sur espace et que le monde virtuel est apparu, l’expérimentateur commence à lui donner des consignes verbales.
- La première sous phase consistait à familiariser le sujet avec la rotation seule. L’expérimentateur donnait comme consigne « Tournez sur vous-même en utilisant le joystick » et laissait le sujet exécuter la consigne pendant une dizaine de secondes. Nous demandions ensuite au sujet d’appuyer sur le bouton rouge du joystick pour passer à la phase suivante.
- La deuxième sous-phase a pour but de familiariser le sujet avec la translation seule dans un premier temps. La consigne donnée par l’expérimentateur était la suivante : « avancez tout droit en augmentant progressivement votre vitesse ». Une
fois que le participant avait atteint la vitesse maximum de 30km/h en avançant le joystick au maximum, l’expérimentateur lui demandait d’effectuer des rotations à droite puis à gauche tout en continuant d’avancer. Cette deuxième sous-phase durait une dizaine de secondes.
- Lors de la dernière sous phase, le participant pouvait se balader librement dans l’environnement virtuel pendant une dizaine de seconde.
Durant la phase d’exécution de la tâche que nous allons aborder plus loin, les participants sont déplacés passivement sur les deux premiers segments du triangle qu’ils devront ensuite compléter (cf. figure 6). Durant ce transport passif, la caméra se déplace seule dans l’environnement virtuel et les participants n’ont pas de contrôle sur leur mouvement.
Pendant l’étude pilote, nous avons constaté que la majorité de nos participants tentaient de compter la durée du déplacement passif en seconde afin de déduire le trajet à parcourir pour revenir à leur point de départ. Ainsi, ils n’utilisaient que très peu les informations données par le flux visuel. Pour éviter cette stratégie, nous avons rajouté une tâche de suppression articulatoire pour empêcher les participants de compter. Effectivement, compter dans sa tête est une stratégie verbale qui peut être empêchée en faisait répéter au participant des syllabes sans signification sans pour autant que cela n’entrave le traitement des informations spatiales étant donné qu’il s’agit de deux systèmes distincts (Baddeley & Hitch, 1974). L’expérimentateur finit donc cette phase d’exploration en expliquant la consigne de suppression articulatoire qui sera présente pendant la tâche. Il prévient le participant qu’il devra en plus répéter
« BABIBABOU » pendant le trajet (Gavens & Barrouillet, 2004). L’expérimentateur répète plusieurs fois BABIBOU avec le participant afin de lui montrer la vitesse d’articulation attendue.
Phase d’exécution de la tâche.
L’expérimentateur lance le programme et laisse le participant lire les consignes qui s’affichent « Maintenant que vous vous êtes bien familiarisé avec l’environnement, vous allez commencer votre mission d’exploration. Vous allez être déplacé passivement. Une fois le trajet terminé, votre but est de revenir à votre point de départ par le chemin le plus court. Vous allez d’abord effectuer une rotation afin de vous tourner en direction de votre point de départ. Une fois la bonne direction choisie, appuyez sur le bouton rouge. Ensuite vous pouvez utiliser le joystick pour avancer jusqu’à l’endroit qui vous semble être votre point de départ puis vous arrêter. Dès l’apparition de la croix de fixation, répétez BABIBABOU continuellement jusqu’à
la fin du trajet passif. Appuyez sur espace pour commencer. » L’expérimentateur répète les consignes et s’assure que le participant les ait bien comprises. Le sujet fait ensuite l’expérience sans retour feedback de l’expérimentateur. A la fin de l’expérience, l’expérimentateur pouvait montrer sa performance au participant s’il le désirait.
Figure 6. Trajet passif après lequel les participants devaient revenir à leur point de départ (coordonnées 0,0)
Questionnaire.
A la fin de l’expérience, nous demandions aux participants de remplir un questionnaire sur la tâche (cf. annexe III). Ce questionnaire nous permet d’avoir des données supplémentaires à rajouter en covariées si nécessaire.
Plan de l’expérience
Chaque participant faisait trois essais dans la condition qui lui était attribuée ; petit GFOV (condition P), GFOV naturel (condition N) et grand GFOV (condition G). Tous les participants finissaient par une quatrième condition avec un GFOV naturel. Ainsi, les participants ayant été attribués au groupe GFOV naturel ont dû effectuer quatre essais avec le même GFOV. Aucun feedback n’était donné au cours de la tâche.
Tableau 1
Plan factoriel de l’expérience
Essai 1 (GFOV selon condition)
Essai 2 (GFOV selon condition)
Essai 3 (GFOV selon condition)
Essai 4
(GFOV = 70°)
Condition P
(GFOV = 40°) GFOV = 40 GFOV = 40 GFOV = 40 GFOV = 70
Condition N
(GFOV = 70°) GFOV = 70 GFOV = 70 GFOV = 70 GFOV = 70
Condition G
(GFOV = 100°) GFOV = 100 GFOV = 100 GFOV = 100 GFOV = 70
Mesures
Le trajet des participants a été reporté dans un système de coordonnées (cf. figure 6). Le logiciel enregistrait toutes les 500ms les coordonnées du trajet passif ainsi que les coordonnées que le participant effectuait ensuite pour revenir à son point de départ. Ainsi, nous avons pu recréer de manière simple des graphiques correspondant à ces coordonnées afin de mieux visualiser les trajets effectués. Nous avons ensuite pu extraire les coordonnées correspondant au point d’arrêt des sujets puis avons calculer un vecteur entre le point de lâcher du sujet et son point d’arrêt. Un vecteur est caractérisé par trois informations ; une longueur, une direction et un sens (Wikipédia, s.d.) Le sens du vecteur de nos sujets n’est pas d’un grand intérêt dans cette expérience car il est toujours similaire (les sujets s’éloignent toujours du point de lâcher). Nous avons pu extraire des informations concernant la longueur et la direction du vecteur des participants pour ensuite calculer deux de nos variables dépendantes (voir section variables).
Variables
Le GFOV constituait notre variable indépendante et comportait trois modalités : P (GFOV = 40°), N (GFOV = 70°) et G (GFOV = 100°).
Nos variables dépendantes sont constituées de trois types d’erreurs différentes ; l’erreur de translation, l’erreur de rotation et l’erreur d’imprécision. L’erreur de translation est calculée comme la différence entre la longueur du vecteur correct et la distance du vecteur effectué. Une valeur positive indique une surestimation de la longueur à effectuer et donc que le participant a parcouru une plus grande distance que le vecteur correct. Inversement, une erreur négative indique une sous-estimation de la distance et donc que le participant n’est pas allé assez loin par rapport au vecteur correct. L’erreur de translation est calculée selon les unités arbitraires de l’environnement virtuel. Les valeurs en distance correspondent grossièrement à des mètres.
L’erreur de rotation est représentée selon un modèle trigonométrique (cf. figure 7). Le vecteur correct correspond à un angle de -135°. L’erreur de rotation est calculée comme la différence entre la direction du vecteur du sujet et la direction du vecteur correct. Une erreur négative indique une surestimation de l’angle effectué alors qu’une erreur positive témoigne d’une sous- estimation. L’erreur de rotation est représentée en degrés. Pour finir, l’erreur d’imprécision représente la distance entre le point de retour attendu (coordonnée 0,0) et le point d’arrivée du participant. Cette erreur est donc toujours positive et correspond grossièrement à des mètres.
Elle témoigne de la performance globale des participants. Nos données sont donc constituées des trois types d’erreur pour chaque participant.
Figure 7. Représentation de l’erreur de rotation selon un modèle trigonométrique et illustration du vecteur correct jusqu’au point de départ (coordonnées 0,0)
Résultats
Pour rappel, nous avons trois hypothèses concernant nos données. Ici, il faut comprendre le terme performance comme l’ensemble de nos trois variables dépendantes (erreurs de translation, erreurs de rotations, erreur d’imprécision). Une amélioration de la performance se traduira donc par une diminution des trois types d’erreurs.
Notre première hypothèse s’intéresse à l’impact du GFOV sur les performances en intégration du chemin. Plus spécifiquement, nous nous attendons à de meilleures performances dans le groupe N comparativement aux groupes P et G. Ensuite, nous supposons trouver une amélioration des performances au fil des essais 1, 2 et 3. Enfin, nous postulons qu’il y aura une différence de performance entre l’essai 3 et l’essai 4 pour les groupes P et G.
Statistiques descriptives
Nous avons calculé les ellipses de déviation standard de la distribution des points d’arrivée de nos sujets. Ces ellipses sont l’équivalent à deux dimensions de l’écart-type. Cette technique nous permet d’avoir une vision plus globale des performances pour chaque condition.
Elle permet de visualiser la dispersion bivariée de nos données ainsi que de mettre en évidence une tendance directionnelle de celles-ci. Sur ces graphiques d’ellipses de déviation standard, le trajet passif est représenté par le trait vert et la flèche indique le point de lâcher des sujets.
Malgré une forme de trajet passif plutôt simple, la majorité des participants ne sont pas parvenus à revenir à leur point de départ. Nous voyons que les points rouges représentant les points d’arrivée de chaque participant se dispersent dans toutes les directions. D’ailleurs, beaucoup de participants ont rapporté se sentir désorientés pendant l’expérience. Le centre de gravité indiqué par la croix rouge est assez éloigné du point de départ, point sur lequel les sujets auraient dû revenir s’ils avaient parfaitement exécuté la tâche. Nous voyons que dans tous le cas, cette croix rouge est située au coude du chemin ce qui signifie qu’en moyenne les sujets ont fait un demi-tour après leur trajet passif et qu’il y a peu de points dans le demi espace qui prolonge le trajet. Ceci semble indiquer que les sujets ont correctement compris la tâche.
Concernant les trois premiers essais, le centre de gravité semble assez similaire entre les trois groupes (cf. figures 8). Visuellement, les participants semblent plus regroupés dans l’ellipse dans la condition G (GFOV = 100°) (cf. figure 8.C) comparativement aux deux autres conditions N (GFOV = 70°) et P (GFOV = 40°) où plus de points semblent être en dehors de l’ellipse. Ceci semble indiquer que les sujets de la condition G ont parcouru de plus petites distances comparé aux deux autres conditions. Il semble y avoir une plus grande agglomération des participants vers le point de départ dans la condition N (GFOV=70°) (cf. figure 8.B) qui pourrait indiquer une plus grande précision de rotation comparé aux deux autres groupes. Si cette observation se confirme, ceci irait dans le sens de nos hypothèses, c’est –à-dire une meilleure performance pour le groupe dans lequel le GFOV se rapproche le plus du PFOV.
A B C
Figures 8. Ellipses de déviation standard pour les essais 1-2-3 combinés A) pour le groupe P (GFOV = 40°
B) pour le groupe N (GFOV = 70°) C) pour le groupe G (GFOV = 100°)
Concernant notre hypothèse sur une amélioration des performances au fil des trois premiers essais, il est difficile de mettre en évidence une telle tendance sur la base des graphiques des ellipses de déviation standard (cf. annexe IV). De la même manière, il ne semble pas y avoir de différence flagrante de performance entre l’essai 3 et l’essai 4 pour les groupes P et G (cf. annexe IV).
Cependant, il ne s’agit ici que de d’ellipses de déviation standard qui permettent de décrire les données. Pour vérifier nos hypothèses, il faut procéder à des analyses inférentielles qui permettront de dire si les différences observées avec les ellipses de déviation standard sont significatives.
Statistiques inférentielles
Transformation de nos données.
Nos trois hypothèses s’intéressent aux scores de performances de nos participants (erreur de translation, erreur de rotation, erreur d’imprécision). Pour rappel, l’erreur de translation et l’erreur de rotation sont des erreurs signées. Au vu du manque de consensus dans la littérature, nous n’avons pas fait d’hypothèse concernant des biais qui pourraient être observés sur nos deux premiers types d’erreurs (sous ou surestimation sur les variables translation et rotation). Nous avons décidé de prendre les valeurs absolues de nos données.
Ainsi, une surestimation de 10° sera considérée comme une erreur de rotation similaire à une sous-estimation de 10°. Les scores de la variable erreur d’imprécision sont déjà positifs étant donné qu’il s’agit de la distance entre le point d’arrivée des participants et le point de départ.
Les analyses exploratoires sur ces données absolues n’étaient pas satisfaisantes ; les histogrammes montraient une dispersion asymétrique des données, beaucoup de valeurs extrêmes en mis en évidence par les boxplots, une distribution dirigée et des valeurs extrêmes en bivariée selon les matrixplots pour toutes nos variables (cf. annexes V). Nous avons donc décidé d’appliquer une transformation non linéaire sur nos données. Nous avons tout d’abord essayé la transformation logarithmique qui s’adapte souvent bien aux données avec une asymétrie positive. Cette transformation a pour conséquence de compresser le côté droit de la distribution. Les problèmes de distribution retrouvés dans nos analyses exploratoires sur nos données absolues étaient toujours présents après la transformation logarithmique, bien que légèrement atténués et avec une asymétrie inversée (cf. annexes VI). La transformation racine carrée est plus adaptée à nos données et donne lieu à des analyses exploratoires plus satisfaisantes (cf. annexes VII). De plus, la transformation racine carrée tend à caractériser différemment les erreurs selon qu’elles soient proches ou éloignées de la performance attendue.
Effectivement, une même différence entre deux grandes valeurs apparaitra plus petite après une transformation racinée carrée qu’entre deux petites valeurs. Ainsi, notre intérêt se portant plus particulièrement sur les valeurs se rapprochant d’une performance correcte, cette transformation répond à une réflexion sur nos données. Nous avons donc appliqué cette transformation racine carrée sur nos trois variables dépendantes.
Afin d’avoir une interprétation plus claire de nos résultats, nous avons décidé de considérer notre étude comme deux expériences distinctes. La première expérience s’intéresse aux trois premiers essais réalisés par les participants. Cette expérience nous permettra de vérifier nos hypothèses concernant un effet du GFOV et un effet de l’essai. Nous avons donc réalisé une ANOVA 3x3 à mesures répétées. La deuxième expérience comprend les performances des participants à l’essai 3 et l’essai 4 nous permettant ainsi de tester notre hypothèse d’un changement de performance entre l’essai 3 et l’essai 4 pour les groupes P et G.
Nous avons donc réalisé une ANOVA 2x3 à mesures répétées.
Les résultats sont donnés pour chaque variable séparément et un tableau récapitulatif résumera plus globalement les résultats significatifs (cf. tableau 2). Un niveau alpha de 0.5 a été utilisé pour tous les tests statistiques.
Variable dépendante erreur de translation.
Notre ANOVA 3x3 sur notre variable dépendante erreur de translation n’a rien montré de significatif. L’effet du GFVOV (F (2, 57) = 0.65, p = 0.52) et des essais (F (2, 114) = 0.29, p = 0.75) n’étaient pas significatifs. Nous n’avons donc pas pu mettre en évidence une différence entre les trois groupes concernant l’erreurs de translation. Cependant, nous avons retrouvé un effet tendanciel de l’interaction entre GFOV et essai (F (2, 114) = 2.34, p = 0.06) ; selon le graphique des moyennes (cf. figure 10), le groupe P aurait tendance à faire moins d’erreurs de translation à l’essai 3 comparé aux groupes G et N.
Figure 10. Graphique des moyennes des erreurs de translation en fonction du GFOV et des trois premiers essais
2,5 3,5 4,5 5,5 6,5 7,5 8,5 9,5 10,5 11,5 12,5
G N P
Moyenne des erreurs de translation
Groupe
Essai 1 Essai 2 Essai 3
L’ANOVA 2x3 menée sur cette même variable dépendante a mis en évidence un effet du GFOV (F (2, 57) = 4.80, p = 0.01). En regardant le graphique des moyennes pour les groupes (cf. figure 11), le groupe P semble effectivement montrer moins d’erreurs de translations que les groupes P et G. Afin de vérifier cette hypothèse, nous avons fait un contraste comparant le groupe P aux deux autres groupes qui s’est révélé être significatif (t (57) = 3.07, p < 0.01). Le groupe P produit donc significativement moins d’erreurs de translation que les groupes G et N qui, eux, ne montrent aucune différence significative entre eux. L’effet d’interaction entre le GFOV et l’essai n’est pas significatif (F (2, 57) = 0.99, p = 0.38).
Figure 11. Graphique des moyennes des erreurs de translation pour les essais 3 et 4 en fonction du GFOV
2,5 3,5 4,5 5,5 6,5 7,5 8,5 9,5 10,5 11,5 12,5
G N P
Moyenne des erreurs de translation
Groupes
Variable dépendante erreur de rotation.
L’ANOVA 3x3 menée sur notre variable dépendante rotation a montré un effet significatif de l’interaction (F (2, 57) = 2.74, p= 0.03). Le G-G Epsilon étant de 0.89, nous avons utilisé la correction de Huynt-Feldt qui donne une p-valeur ajustée qui reste similaire (p
= 0.03) avec un arrondi à la deuxième décimale. Selon le graphique des moyennes (cf. figure 12), le groupe N semble différent des deux autres au 3ème essai. Un contraste significatif soutient cette hypothèse (F (1, 57) = 6.60, p= 0.01). Selon le graphique des moyenne, le groupe N montre moins d’erreurs de rotation que les groupes G et P pour le troisième essai. Cette ANOVA 3x3 n’a pas montré d’effet significatif du GFOV (F (2, 57) = 2.24, p = 0.12) ni de l’essai (F (2, 114)
= 0.97, p = 0.38).
Figure 12. Graphique des moyennes des erreurs de rotation en fonction du GFOV et des trois premiers essais
L’ANOVA 2x3 menée sur la variable dépendante rotation a montré un effet d’interaction significatif (F (2, 57) = 5.83, p < 0.01). Selon le graphique des moyennes (cf.
figure 13), le groupe N semble aller dans le sens inverse que les groupes P et G. Effectivement, les erreurs de N semblent augmenter entre l’essai 3 et l’essai 4 contrairement aux groupes P et G qui semblent montrer une diminution de leurs erreurs entre l’essai 3 et 4. Pour tester notre hypothèse d’une différence de performance entre l’essai 3 et l’essai 4 pour le groupe P et G, nous avons mené des contrastes sur ces groupes. Un contraste (F (1, 57) = 6.36, p = 0.01) montre que le groupe G est significativement différent entre l’essai 3 et 4 alors que le groupe P ne l’est pas. Selon le graphique des moyennes, le groupe G montre moins d’erreurs en rotation
2,5 3,5 4,5 5,5 6,5 7,5 8,5 9,5 10,5 11,5 12,5
Essai 1 Essai 2 Essai 3
Moyenne des erreurs de rotation (°)
Essais
Groupe G Groupe N Groupe P
à l’essai 4 comparé à l’essai 3. Cette observation va dans le sens de notre hypothèse mais uniquement pour le groupe G. Cette ANOVA 2x3 n’a pas montré d’effet significatif du GFOV (F (2, 57) = 0.76, p = 0.47) ni de l’essai (F (1, 57) = 1.72, p = 0.2).
Figure 13. Graphique des moyennes des erreurs de rotation en fonction du GFOV et des essais 3 et 4
2,5 3,5 4,5 5,5 6,5 7,5 8,5 9,5 10,5 11,5 12,5
Essai 3 Essai 4
Moyenne des erreurs de rotation (°)
Essai
Groupe G Groupe P Groupe N
