44、人机交互中的隐式态度测量与语义网络可视化

人机交互中的隐式态度测量与语义网络可视化

1. 人机交互中隐式态度测量实验

1.1 实验过程与结果分析

在实验结束后的十分钟内，受试者被要求再次进行测试。第二次测试的 D - 测量值未被使用，不过我们对错误数量的变化进行了分析。从错误数量对比图中可以看到，受试者 #8 在第二次测试中犯了较多错误，而其他受试者给出了明显更多的正确答案。这表明受试者在第一次测试中学习到了正确答案，证实了假设的第二部分。

1.2 改进的内隐联想测验（IAT）程序与计分算法

为了解决传统 IAT 在评估某些情况时出现的问题，我们对其程序和计分算法进行了修改。
- 程序差异 ：改进后的测试不再向受试者强调错误答案。
- 计分算法差异 ：在计分前，我们会剔除那些错误数量超过总呈现次数 35% 的刺激。同时，取消了对错误答案的进一步处理（如传统计分中的惩罚机制）。

1.3 初步实验验证

我们使用“花 - 昆虫”测试场景对改进后的测试进行了初步验证。共有 7 名欧洲受试者参与，他们年龄在 26 至 37 岁之间，是京都大学不同学院的学生和讲师，英语水平从中等到流利。受试者先进行传统测试，然后立即进行改进测试。改进测试的 D - 测量值显示，所有受试者都对花表现出强烈偏好（范围从 0.63 到 1.25），这与传统 IAT 的结果相关。

1.4 问题分析与解决方案

传统 IAT 处理的是熟知的概念，而在评估某些情况时，用户处理的是刚学到的信息，这除了会导致正常的拼写错误外，还可能引发更多错误。此外，传统