in|situ| Lab - Log In

all in|situ| jobs

Fitts' law in the wild and in the lab / La loi de Fitts en situation réelle et au laboratoire

Internship proposal at in|situ|

Advisor: Olivier Chapuis (chapuis@lri.fr)

Description

La loi de Fitts permet de prédire et de modéliser le temps de mouvement nécessaire pour acquérir une cible (d'une interface graphique) en fonction, uniquement, de la distance à parcourir et de la taille de la cible. Cette loi fondamentale de l'interaction Homme-Machine a été vérifiée à de multiples reprises dans le cadre restrictif du « laboratoire » où tous les facteurs externes pouvant perturber la tâche sont si possible éliminés.

Nous avons récemment étudié cette loi dans un contexte plus réaliste en enregistrant pendant plusieurs mois les mouvements de souris pour 'une vingtaine de personnes dans leur utilisation journalière de leurs ordinateurs. Nous avons pu constater que la loi de Fitts permet effectivement de modéliser le temps d'acquisition d'une cible à condition de lisser les données ou bien de faire entrer en compte d'autres caractéristiques de la tâche que la distance à parcourir et la taille de la cible.

L'objectif de la thèse est un retour au laboratoire avec l'expérience acquise lors de cette étude insitu du pointage. La méthodologie de recherche est inspirée de la psychologie expérimentale et comporte deux principales phases : (i) la mise au point de modèles prédictifs et (ii) la validation de ces modèles par des expériences réalisées en laboratoire. Les tâches expérimentales étudiées seront des acquisitions de cibles qui introduisent des facteurs contrôlés afin d’opérationnaliser des situations réalistes et/ou que l'on a pu observer. Par exemple, on pourra introduire des contraintes sur les trajectoires, des conditions de choix de cibles et/ou des perturbations extérieures. Les modèles prédictifs pourront s’inspirer et étendre les lois connues jusqu’à présent comme la loi de Fitts, la loi du mouvement canalisé de Accot et Zhai, la loi cinématique de Viviani et Terzuolo et la loi des choix multiples de Hick-Hyman.

Ces expériences seront réalisées dans le contexte de nos ordinateurs de bureau ainsi que dans celui du mur d'images du LRI. Ce dernier cas, extrême, nous permettra d'évaluer le passage à l'échelle des résultats obtenus. Il présente un cas particulièrement intéressant car très peu exploré et sujet à de nombreux effets de facteurs externes.

Prérequis

Programmation graphique en JAVA et bonne maîtrise de l'anglais. Des connaissances dans les domaines suivants sont un plus: (i) interaction Homme-Machine ; (ii) statistique (e.g., ANOVA) ; (iii) OpenGL; (iv) algorithmique distribuée.