Muster vr beschluss

In der Clusteranalyse haben wir ein Vier-Cluster-Modell gefunden, das die niedrigsten BIC-Werte in der schnellen Bedingung liefert, anstatt der fünf Clustermodelle, die im langsamen Zustand als ideal erachten. Darüber hinaus unterscheiden sich die Clusterzuweisungen für einige der Hindernisse und stimmen nicht mehr perfekt mit den semantischen Kategorien überein (siehe Abbildung 2). Diese Befunde stimmen mit dem Einfluss erhöhter Geräusche in den Daten überein und können daher auch auf die erhöhten Fehlerquoten zurückgeführt werden. Da es kein passendes Clustermodell sowohl für die langsame als auch für die schnelle Bedingung gibt, haben wir einen Vergleich der Clustermodelle auf der Grundlage der semantisch definierten Kategorisierungen in Abbildung 4 aufgenommen, uns aber entschieden, sich im Rest dieses Vergleichs auf das Hindernismodell zu konzentrieren. Im Hindernismodell wurde der Koeffizientenbereich im schnellen Zustand auf 50 % des Koeffizienten in der langsamen Bedingung reduziert (siehe Abbildung 4). Insbesondere sind die Hindernisse auf den extremen Seiten des Spektrums – die leere Gasse und die Gruppen von Mensch und Tier – nicht gut von den angrenzenden Hinderniskategorien getrennt. Um diesen beobachteten Unterschied statistisch zu bestätigen, haben wir einen verschachtelten Modellansatz mit Log-Likelihood-Ratio-Tests verwendet. Für das verschachtelte Modell haben wir den gemeinsamen Datensatz der schnellen und langsamen Bedingungen mit 19 Prädiktoren, d.h. den 18 Hindernissen plus Startspur, an das Hindernismodell angepasst. Für das größere Verschachtelungsmodell haben wir einen zweiten Satz von 19 Prädiktoren hinzugefügt. Diese 19 waren Duplikate der ersten 19 Prädiktoren, wurden aber nur für die langsamen Zustandsversuche angepasst. Zusammen bildeten diese beiden Sets ein Modell mit insgesamt 38 Prädiktoren.

Der Log-Likelihood-Verhältnistest zwischen dem verschachtelten und dem verschachtelten Modell war signifikant (p = 0,037), was zeigt, dass die Reduzierung der Parameter zwischen den beiden modelliert erheblich reduziert. Mit anderen Worten, der Unterschied zwischen den beiden Bedingungen ist groß genug, um die Verwendung von zwei völlig getrennten Parametersätzen zu rechtfertigen, um sie zu beschreiben. Dies bestätigt unsere dritte Hypothese, d.h. erhöhter Zeitdruck verringert die Konsistenz in den Antwortmustern signifikant. Das Experiment lief in einer 3D-Virtual-Reality-Anwendung, die mit der Unity-Spiel-Engine implementiert wurde und das Oculus Rift DK2 als Head-Mounted-Display verwendet. Der Ton wurde während des gesamten Experiments über Bose QC25 und Sennheiser HD215 Kopfhörer abgespielt. Die Teilnehmer saßen auf dem Fahrersitz eines virtuellen Autos, das eine Vorstadtstraße hinunterfuhr. Schließlich blockierten zwei Hindernisse, eines auf beiden Fahrspuren, den Weg des Autos und die Teilnehmer mussten sich entscheiden, welches der beiden Hindernisse zu schlagen war. Mit den Pfeiltasten auf der Tastatur konnten die Teilnehmer jederzeit zwischen den beiden Bahnen wechseln, bis zu einem Punkt ca. 15 m vor dem Aufprall. Auf diese Weise stellten wir ein hohes Maß an Agentur, das dem manuellen Autofahren sehr ähnlich sein sollte, und stellten gleichzeitig sicher, dass die Entscheidung nicht durch Zickzack in der Mitte der Straße oder einen Zusammenstoß mit dem Auto vermieden werden konnte, bevor sie die Hindernisse erreichten.