Fitt's Law는 인간 정신운동 행위의 모델이며 인간의 움직임은 정보 전달에 비유하여 모델링 할 수 있다.
Fitt law의 모델은 운동학, 인간 요인 및 HCI등을 포함한 수많은 연구 분야에서 널리 채택되었다.
본 연구는 예측치와 관측치의 체계적인 편차를 통해 나타난 문제의 분석을 포함하여 이 모델에 대한 역사적, 이론적 맥락을 제공한다.
마우스, 트랙볼, 조이스틱, 터치패드, 헬멧 장착 조준경 및 아이 트래커와 같은 장치를 사용하는 6개의 Fitts 법칙 연구 검토를 통해 커서를 배치하고 대상을 선택하는 데 있어 모델의 유용성을 탐색한다.
하지만 결과가 상당히 달라서 연구 간 비교가 어렵다. 과제 차이, 선택 기법, 채택된 조건의 범위 및 반응 가변성(오류) 이 실험 변이의 주요 원인으로 나타났다.
Summary of FITT'S LAW
Fitts’ idea was novel for two reasons:
작업의 난이도는 정보 메트릭 비트(Information Metric Bits)를 사용하여 측정할 수 있다.
이동 테스크를 수행할 때 정보는 인간 채널(human channel)을 통해 전달된다는 이념을 소개하였다.
정보통신시스템에서 채널(Channel)의 개념:
신호는 이상적이지 않은 매체(예: 공기)를 통해 전송되며 노이즈에 의해 교란됩니다. 노이즈의 효과는 채널의 정보 용량을 이론적 최대값 이하로 제한하는 것이다.
C
- Effective information Capacity (in bits/s) 유효정보용량
B-Communications
channel of bandwidth (in 1/s or Hz) 통신
채널의 대역폭
S-signal
power, N- noise power
휴먼 채널 용량 (human channel capacity) 영역에서
채널 (Channel)과 채널 용량 (channel capacity)의 개념은 용량을 측정하는데 문제가 있어서 쉽지않다
휴먼 코딩(human coding)은 잘못 정의(ill-defined)되어 있고, 개인적이며, 종종 비이성적이거나 예측할 수 없고
인지 및 신경근육 인자를 식별하고 측정하는 어려움은 인간 채널 용량의 측정을 혼란스럽게 하며, 유사한 프로세스를 조사하려는 다른 실험에서 표면에 엄청난 변화를 야기한다.(신경근육 코딩은 숙련된 행동을 습득하고 반복하는 동안 신경, 근육 및 사지 그룹의 상호작용을 통해 나타난다.)(MT를 예측 변수로 왼쪽에 위치시켜 방정식을 유용하게 변동시킨다)IP는 ID 에서 MT를 회귀시켜 결정하고 기울기 계수의 역수 1/b 는 IP에 대응한다Fitt’s Law 의 일반 방정식Fitt's Law 모델의 주요 특징은 예측 방정식에서 매개 변수와 경험적으로 결정된 상수에 의해 제공되는 물리적 해석이다.
ID는 이동 작업의 두 가지 물리적 특성(표적까지의 거리 와 표적의 너비)의 결합된 효과에 대한 유용한 단일 측정값을 제공한다.
절편(a)과 기울기(b) 계수는 경험적으로 결정된 상수이다.
일반적으로 포인팅 뒤에 오는 선택 작동에는 버튼을 누르거나 압력을 가하거나 체류 시간 등이 수반될 수 있다.
이러한 반응은 회귀선의 절편에는 기여하지만 기울기에는 기여하지 않는다
가까운 거리의 큰 타겟은 멀리 있는 작은 타겟보다 더 빨리 획득된다.
이 모델은 작업의 난이도 지수(목표 진폭 대 목표 폭 비율의 로그)의 함수로 이동 시간을 예측한다.
ID=log2(2A/W)공식에서 목표 거리가 2배가 되거나 크기가 절반으로 줄어들면 과제 난이도(ID)가 1비트 증가한다.
•피험자가 자극 조명에 반응하고 왼쪽 또는 오른쪽에 있는 대상을 두드리기 - Discrete task•태핑 실험에서 피실험자들은 스타일러스를 가능한 한 빨리 두 판 사이를 앞뒤로 움직였고, 그들의 중심에 있는 판들을 두드리기 -Series task목표의 거리와 목표 너비는 4개 레벨에 걸쳐 다양하여 ID가 1~7비트가 되었다. 분석을 한 결과 정보 처리 속도는 일정한 작업 난이도 범위에서 일정하다. IP = 10.10 bits(SD = 1.33 bits)의 평균값은 인간 모터 시스템의 정보 처리 속도이다.Effective Target Width(W_e)
목표 너비는 적중률 96%로 목표물을 선택하고 4%의 오류율로 목표물을 놓치는 정규분포를 가진다.
4% 이상의 오류율이 관측되면, 목표 너비를 조정하여 기본 이론에 따라 유효 목표 너비를 형성할 수 있다.
유효 목표 너비(Effective Target Width)를 결정하는 방법에는 두 가지가 있다.
끝점(Endpoint) 좌표(위치)의 표준 편차를 알고 있는 경우 SD에 4.133을 곱하면 We를 얻을 수 있다.
오류 백분율을 아는 경우 단위 정규 곡선 아래의 영역에 대한 z 점수 표가 필요하다.
특정 A- W 조건에 대해 n% 오류가 관찰될 경우,
*z가 단위 정규 곡선 아래 영역의 100 - n%를 포함하도록 z를 결정한다. W에 2.06612를 곱하여 We를 얻는다.
예를 들어, 5cm 너비의 대상을 탭하거나 선택할 때 시도 블록에 2% 오류가 기록된 경우 We = 2.066/z x W = 2.066/2.326 x 5 = 4.45cm입니다(그림 5b 참조)
. 접근 각도가 변할 때 표적 너비를 대체할 수 있는 것은 접근 벡터(W)를 따라 표적을 통과하는 거리이다.2차원(2D) 포지셔닝 작업의 직사각형 타겟의 경우 접근 각도가 0'에서 90'(수평 축 기준)으로 변경되면 타겟 너비와 타겟 높이가 반대 효과를 가진다.
Device Difference마우스와 joystick를 평가한 연구가 간단한 예다. Card 등(1978)과 Epps(1986)
연구 목표가 두 개 이상의 입력 장치에 대해 Fitts의 법칙(또는 기타) 성능 모델을 설정하는 것이라면, 유일한 변동 원인은 장치 간 차이이다.
Task Difference
Fitt's의 태핑 작업의 1차원 간편성은 모델의 구축에 좋고 대량의 연구를 진행할수 있는 좋은 점이 있다.이산 작업（discrete)은 직접 시스템을 조작하는 것과 더욱 많이 유사하다시어리즈(series) 작업이 생성하는 IP 지수는 유사한 이산 작업보다 2~3bits 낮다고 하는 것은 매우 가치가 있는 자원이다.Drury(1975)의 연속적으로 발로 태핑(foot-tapping) 하는 작업에서 IP=11.8bits 라는 결과가 나왔고 이로 이산적 작업을 실시하면 IP는 약 14bits 일 것이다.
시어리즈 작업은 실험을 더욱 쉽게 설계하고 집행할수 있다.
시어리즈(series) 작업이 생성하는 IP 지수는 유사한 이산 작업보다 2~3bits 낮다고 한다.
Selection Technique
작업을 중지시키는 방식(method)은 작업 조작의 다른 방면과 나누어서 분석 하여야 한다.한개 작업의 조작이 두 손으로 나뉘어 졌을 때 작업 완성 시간은 단축된다.- 선택(Selection)이 다른 분리된 limbs에 위임되었 을 때 IP는 증가한다.
위치 지정과 선택 하는 작업이 독립된된limbs(팔 다리)에 위임했을 때 평행 인지 전략이 발생한다.
마우스를 빼고 모든 장비의 타겟 선택 버튼은 모두 장비를 제어하지 않는 손으로 조작한다.
Conclusion
휴먼과 머신간의 대화가 진화되고 직접적으로 되어서 빠르고 정밀하게 움직이는 능력의 과정과 한계가 Interactive 시스템의 결정 요인으로 된다.
Fitt's Law와 같은 강력한 모델은 다양한 디자인 공간에서 최적의 성능을 위한 전략에 대한 중요한 Insight를 제공할 수 있다
본 연구는 fitts’ law 의 이론, 예측력을 검토하고 한계를 제시하며 개선 의견을 제출 하였다.
6개의 연구를 조사한 결과, 이 모델을 적용하여 일관된 결과를 얻는 것은 쉽지 않는것으로 나타났고,
변화의 주요 원인을 식별하고 실험 설계 및 방법에 대한 몇 가지 제안을 함으로써 MacKenzie는 미래 연구의 가치를 보장했다.
