J'ai étudié cette loi toute la semaine mais je ne comprends toujours pas comment elle fonctionne ou en d'autres termes, j'ai un exemple mais je ne sais pas comment lui appliquer la loi.
Je vais l’utiliser dans l’espace à 2 dimensions (axes x-y).
Voir [ * ] pour un examen rapide de la définition de ce théorème.
D'après cet article [1 *] et la vidéo [ A1 ], ils donnent un exemple où [~ # ~] w [~ # ~] (largeur de la cible) et [~ # ~] a [~ # ~] (amplitude ou distance de la position initiale à la position cible) sont modifiés chaque fois qu'ils l'utilisent. Cela parce qu'ils semblent dire que "hé, les gars, ce théorème fonctionne bien", ils prennent donc de nombreux exemples différents, mais maintenant mon problème est quand je veux appliquer ce théorème à la même valeur [~ # ~] w [~ # ~] et [~ # ~] a [~ # ~]; comment puis-je obtenir une valeur de a et b? et comment ça marche? Cela fonctionne-t-il en prenant un groupe de personnes et en calculant le temps qu'ils prennent ou quoi?
Pourquoi devrais-je prendre la même valeur [~ # ~] w [~ # ~] et [~ # ~] a [~ # ~]? ceci parce que j'ai un exemple où un utilisateur déplace la souris de haut en bas à bas à droite donc [~ # ~] un [~ # ~] = 800 pixels et [ ~ # ~] w [~ # ~] = 10 pixels. Maintenant, pouvez-vous me dire comment obtenir la valeur de a et b? ou pouvez-vous me dire quel type d'expérience je peux faire pour obtenir ces deux valeurs a et b ?
Remarque: La question n'est peut-être pas claire, je vais donc modifier la question pour qu'elle soit claire, comme s'il n'y avait pas quelque chose de clair, faites-le remarquer et je vais essayer de l'expliquer.
[1 *] " Extension de la loi de Fitts aux tâches bidimensionnelles" par S. MacKenzie et W. Buxton.
[2 *] " Prédiction du temps de mouvement dans les interfaces homme-ordinateur" par S. MacKenzie
[3 *] “ Loi de Fitts: Modélisation du temps de mouvement dans HCI” par H. Zhao
certaines ressources vidéo sont:
L'ID doit varier
Vous ne pouvez pas obtenir les valeurs de a et b si ID est constant. Pour ajuster des paramètres à un modèle, vous avez besoin d'au moins autant de conditions que de paramètres à estimer. Vous avez deux paramètres (a et b), vous avez donc besoin d'au moins deux valeurs d'ID. Je ne pense pas qu'il soit logique de faire des hypothèses sur les valeurs d'un paramètre (par exemple, que b est 0).
Votre expérience doit donc varier l'ID en variant A, W ou les deux. Choisissez les valeurs de A et W pour inclure la plage de valeurs à laquelle votre équation dérivée doit s'appliquer. En règle générale, vous incluez les extrêmes physiquement plausibles, tels que le passage d'un bouton à un autre lorsque (1) les boutons sont côte à côte et (2) lorsque les boutons sont du côté opposé du panneau de commande ou de l'écran (s) (pour les boutons physiques ou virtuels respectivement). Au minimum, votre expérience nécessite deux valeurs d'ID, mais je suggère également d'inclure des valeurs intermédiaires, juste pour vous assurer que la loi de Fitt "fonctionne" dans votre cas.
Tracez une ligne pour déterminer a et b
À la suite de l'expérience, vous avez un tas de différentes valeurs MT associées aux valeurs ID. Tracez ces paires de valeurs sous forme de points sur du papier graphique avec MT sur l'axe Y. Tracez une seule ligne droite qui se rapproche le plus des points (bien qu'il s'agisse de la "loi" de Fitt, les points ne s'alignent pas parfaitement en raison du "bruit", y compris la variation de personne à personne). la ligne est b et l'ordonnée à l'origine est a. Si les points ne se répartissent pas uniformément autour d'une seule ligne droite (c'est-à-dire que le nuage de points se courbe vers le haut et/ou vers le bas), alors la loi de Fitt ne s'applique pas dans votre cas, pour certains raison.
En fait, vous feriez un nuage de points de MT et ID dans Excel, ajoutez une ligne de tendance linéaire avec "Afficher l'équation sur le graphique" cochée, puis lisez a et b de l'équation. vous fournit une régression linéaire ligne droite la mieux ajustée, qui est conceptuellement la même que ci-dessus, mais plus précise que le contour des yeux. Vous devez toujours inspecter visuellement le nuage de points pour vous assurer que la loi de Fitt est appliquer.
Utilisation de l'équation résultante
Une fois que vous avez a et b de l'expérience, vous pouvez utiliser l'équation de votre Fitt pour prédire les temps moyens de la seule valeur particulière d'ID qui vous intéresse, bien qu'il ne soit pas très utile d'utiliser Fitt pour une seule valeur d'ID. Si vous voulez savoir combien de temps il faut pour tourner du haut à gauche vers le bas à droite, oubliez Fitt's et lancez une expérience où les utilisateurs tournent du haut à gauche vers le bas à droite et prenez la moyenne.
Fitt est utile lorsque vous avez divers ID, en particulier lorsque les ID ne sont pas nécessairement tous égaux aux valeurs que vous avez utilisées expérimentalement (bien que pour plus de précision, ils devraient être dans la plage de valeurs que vous avez utilisées expérimentalement) . Par exemple, vous pouvez utiliser votre équation pour voir l'impact du déplacement de la cible vers d'autres endroits de la fenêtre qu'en bas à droite (y compris des endroits auxquels vous ne pensiez pas lorsque vous avez fait l'expérience). Vous pouvez utiliser Fitts pour déterminer la position (ou la taille cible) qui correspond à un MT minimalement acceptable. Les adaptateurs peuvent être utilisés pour une série d'ID. Par exemple, vous pouvez calculer le temps total pour frapper une séquence de boutons dans un ordre typique et voir comment il change avec différentes dispositions de boutons.
Vous pouvez utiliser Fitts pour comparer les périphériques d'entrée, tels que la souris et une alternative à une souris, en dérivant des équations de Fitt distinctes pour chacun. Bien sûr, vous pouvez et devez simplement comparer les MT moyens des deux appareils sur un mélange représentatif d'As et de Ws. Cependant, la comparaison des a et b des deux équations de Fitt peut fournir des informations supplémentaires. Forlines et al. (2007) , par exemple, a trouvé des MT moyens inférieurs pour un écran tactile. Conformément à cela, le b pour l'écran tactile était plus petit que le b pour la souris. Cependant, le a de l'écran tactile était plus grand que le a de la souris, ce qui implique que pour les ID inférieurs (petites distances ou grandes cibles), la souris est plus rapide. Pour être exact, les équations de Forlines et al. Suggèrent que la souris est plus rapide pour un ID <1,636. En utilisant leur définition d'ID (un peu différente de la vôtre), une souris devrait être plus rapide pour une cible de 20 pixels si elle est à moins de 42 pixels de la position actuelle.
L'équation ne doit pas être utilisée en dehors du type de conditions expérimentales que vous avez utilisées pour déterminer a et b. Par exemple, comme Forlines et al. Le montrent, vous ne devez pas utiliser une équation issue d'une expérience avec une souris pour prédire les MT d'un écran tactile. Il est risqué d'extrapoler l'équation au-delà de la plage des As et des W qui étaient dans l'expérience (ce qui est précisément ce que j'ai fait en suggérant que la souris est meilleure pour les identifiants plus petits - je ne pense pas que Forlines et al aient effectivement testé des identifiants plus petits pour être sûr Fitts s'applique toujours à de telles échelles).
Utilisation conceptuelle de Fitt
La loi de Fitt peut également être utile conceptuellement, sans dériver de paramètres expérimentaux. Par exemple, il est évident que des distances de séparation plus grandes signifient des MT plus longs, nous devons donc organiser nos mises en page de menu, de fenêtre et de page pour minimiser le pivotement de la souris.
Moins évident est que plus la cible (W) est grande, plus la MT est basse, ce qui suggère que les contrôles couramment utilisés devraient être plus grands que les contrôles rarement utilisés. De plus, si vous avez placez un bouton loin de l'emplacement actuel probable du pointeur de la souris, vous pouvez compenser en augmentant la taille du bouton. Selon Fitt, un bouton deux fois la taille normale sera aussi rapide à cliquer qu'un bouton normal à une demi-distance.
La loi de Fitt pose une relation logarithmique entre ID et MT. Cela implique que, dans un menu déroulant, il y a une plus grande différence dans MT entre les premier et deuxième éléments de menu qu'entre les septième et huitième éléments de menu, donc la commande des éléments de menu par fréquence d'utilisation est plus important pour les premiers éléments du menu que pour les derniers.
La loi de Fitt implique que les contrôles sur la bordure d'un écran dans une application de bureau sont généralement les les plus rapides auxquels accéder. Bien que A soit généralement grand, W est fondamentalement infini . Parce que le pointeur n'ira pas au-delà de la bordure de l'écran, l'utilisateur peut (et va) faire pivoter la souris rapidement comme pour surpasser la bordure pour une cible beaucoup plus grande.
Vous pouvez utiliser Fitt pour déterminer la limite supérieure de l'amélioration relative de différents endroits pour un contrôle (le pourcentage de temps nécessaire à l'emplacement 1 pour se déplacer par rapport à l'emplacement 2). Le rapport des MT de deux emplacements est maximisé lorsque a est nul. Dans ce cas, b s'annule et le ratio de MTs est:
Rextrême = Journal (2 A1 / W)/Journal (2 A2 / W)
Avec cela, vous pouvez montrer que placer votre cible de 10 pixels dans le coin supérieur gauche (disons A1 = 10 pixels), plutôt qu'en bas à droite (A2 = 800 pixels) améliorera jusqu'à MT jusqu'à 86% (Rextrême = 0,14). D'un autre côté, déplacer la souris d'une case en bas d'une boîte de dialogue vers un bouton OK de 70 pixels de large à la position de la fenêtre (disons à 300 pixels de distance) par rapport à la position Mac (environ 380 pixels) est à la plupart seulement 11% plus rapide pour Windows.