基于特征推理的图标搜索特性实验研究

彭宁玥 薛澄岐

(东南大学机械工程学院, 南京 211189)

基于特征推理的图标搜索特性实验研究

彭宁玥 薛澄岐

(东南大学机械工程学院, 南京 211189)

采用视觉搜索实验范式,通过行为和眼动追踪数据揭示了基于形状相似、功能关联和语义匹配特征3类推理条件的图标搜索特性,通过方差分析法比较了不同特征推理条件对各测量指标的影响．实验结果表明:形状相似性引导下的目标搜索时间以及对于各搜索项目的平均注视时间均最短,所消耗的认知资源最少,无需深度信息加工即可进行目标识别;基于功能关联性的图标搜索过程中注意资源分配最广;而语义词引导下的目标搜索正确率最高．基于形状相似性和功能关联性特征推理条件下的视觉搜索行为可简化为搜索项目与启动图标之间的模式匹配以及功能层级隶属关系判断过程;以语义词为启动特征的视觉搜索首先需经过语义词特征的图形化过程,再对搜索项进行匹配判断．3类搜索情境中均存在自上而下的信息加工特征．研究结果为人机界面中图标设计提供了理论指导．

特征推理;搜索特性;眼动追踪;图标设计

在视觉信息界面中,图标元素承载了丰富的语义和语用信息．图标设计不仅需要考虑美观与协调性,更需要从认知层面考虑图标设计的合理性．界面中图标的选择包含信息推理的过程,即在一定关联性和相似性的基础上,通过因果、包含等关系顺次逐步地与相应图标进行匹配．用户对于图标的认知方式随使用情境而不同，因此只有分析视觉信息界面中图标元素的应用情境及特征,研究在不同推理特征条件下用户的认知和反馈方式,并针对图标进行优化设计,才能增强图标元素信息传达的效能,帮助用户以最高效率识别和匹配图标．

依据符号学理论,图标设计可以理解为以人机界面为载体的设计师与用户之间在不同时空域下的交互过程[1]．设计师对图形赋予含义,用户则根据图形的形态,结合自身的知识、经验等进行语义解码[2]．设计师通常根据形态相似性、功能关联性和语义接近性对图标元素进行归类,并将其分布于信息架构的不同层级中．Anderson[3]通过理性推理预测模型假定了人们需要综合多类别的信息,对目标物体特征进行推理和判断．Malt等[4]提出在推理过程中可以仅考虑目标特征最有可能出现的类别进而判别目标．在推理加工过程的影响因素方面,启动词情感因素[5]、典型性及其与目标匹配性[6]将影响推理,由此可作为本研究中启动词筛选的依据．宫勇等[7]通过N400脑电成分对图标语义推理认知过程的复杂程度进行表征．问答、判断任务是研究特征推理认知机制的主流范式,鲜有研究基于视觉搜索任务来探究特征推理的认知特性．然而用户通过人机界面进行信息获取这一过程中近80%的信息来源于视觉感官通道,同时视觉注意捕获是完成图标识别和理解的前提[8]．

在认知心理学和神经生理学研究中,视觉注意被抽象概括为自上而下和自下而上的贝叶斯推理过程[9]．Theeuwes[10]对比了线索化范式和视觉搜索范式的差异．Horowitz等[11]表明在目标驱动条件下视觉搜索效率高于自由控制下的搜索效率．Heinke等[12]提出了基于知识和视觉常量转化机制的视觉选择性注意模型(VS-SAIM)．Clavelli等[13]基于“行为-感知”闭环系统建立了注意转移眼动模型,并认为注视点转移由感觉加工和运动加工协同完成．眼动模型的构建能够更好地阐释和预测眼动行为,并有助于发掘认知特性等深层次信息．Kilingaru等[14]通过眼动指标揭示了注意聚焦和注意模糊2种情境下的注意力分配情况．Fidopiastis等[15]通过计算最邻近距离指数(NNI)对任务执行过程中的工作负荷进行表征．刘青等[16]通过眼动路径和热区图反映了用户浏览界面的注意分配模式．然而,眼动参数和认知、行为间并非等价关系,故精确的映射机理有待进一步研究．综上所述,本文将基于启动视觉搜索范式,通过眼动追踪和行为测量技术研究在形状特征、功能特征和语义特征线索导向下用户基于特征推理的图标视觉搜索特性．

1 基于特征推理的图标搜索研究方法与假设

1.1 研究方法

图标元素具有良好的形象性、象征性和指示性．本文将图标的使用情境划分为3类:基于形状相似性、功能相关性和语义匹配性(见表1)．本研究将通过眼动参数对比在3种特征推理条件驱动下的视觉搜索特征,从而进一步定性比较3种特征推理条件下的认知差异性．

表1 基于特征推理的图标搜索任务描述

1.2 研究假设

根据3种推理条件的任务特性,假设视觉搜索任务的难度随特征维度而变化．当用户基于形状相似性进行目标定位时,无需进行语义和功能推断．在该情境下图标搜索难度较小,且用户对于搜索答案的确定程度较高．从眼动参数角度作出假设,用户基于形状特征进行推理并搜索图标时回视次数应少于后2种情境,且注视持续时间和反应时间较短．基于功能相关性搜索目标时,首先需要识别启动特征,继而进行功能联想和推理,并依照给定的若干图标做出判断．用户基于语义匹配性搜寻图标时,往往会依据启动词并结合先验知识对图标形态生成预期模式．相对于根据形状相似性的图标搜索而言,在后2种情境条件中,用于表征视觉搜索难度的回访率和注视点平均持续时间等指标也会呈现增加的趋势．

2 实验

2.1 预实验与实验材料

为了避免启动词情感效应[5]和熟悉度对图标搜索造成的影响,实验启动词与图标均选用生活中常见的素材．通过筛选智能手机日常应用程序中常用的30对启动-目标图标组合构成3类集合,分别与形状、功能和语义特征线索相对应．每个集合中有10对图标-图标或语义词-图标组合．实验前请10位专业设计人士与20位非专业人士,通过5级里克特量表对每一类图标集合在其对应特征维度下的启动-目标关联度进行评估．其中5分表示关联程度很高,0分表示无关联程度．根据评估结果,针对特征类别各选出5对启动-目标组合作为目标刺激,其相应关联度评分均超过4,其中4对作为正式实验素材(见表2),1对作为练习素材．同时通过相同的量表评估法,对干扰图标进行筛选,从而消除干扰项所构成的背景信息与启动刺激关联度差异对图标搜索绩效的影响．根据评估结果,干扰图标和启动图标在相应维度下的关联程度评分均低于2．

表2 基于特征推理的图标搜索实验素材

所选用图标的尺寸恰好充满1.5 cm×1.5 cm的方框(视角为1.2°×1.2°)．目标图标与其他23个干扰图标随机分布于屏幕中央区域20 cm×20 cm的5×5矩阵中．矩阵中心为启动刺激,此时总体视角为16°×16°,保证了被试在实验中头部保持不动．为了消除视野方位给视觉搜索任务带来的干扰因素[17],目标刺激出现在4个视野方位的概率均等(左上、左下、右上和右下视野各25%)．刺激界面背景色为黑色(RGB:0,0,0),界面中心的启动图标为白色(RGB:255,255,255),24个图标刺激分别用蓝色(RGB:62,159,255)和橙色(RGB:255,114,59)着色,以降低刺激背景与前景一致性所产生的视觉疲劳．同一界面中2种色彩出现概率均等,所选用蓝色和橙色与背景色的色彩感知差异值(ΔE)近似相等,即图标色彩差异不会对注意转移构成影响．

2.2 实验设计

依据3类图标使用情境和选用的15对启动-目标项,正式实验之前对每类特征情境均安排1个练习试次,正式实验中每类情境下均会依次出现4次搜索任务,共12个试次．被试在每一试次中,需要根据启动刺激和任务要求搜索唯一的目标刺激,找到后按回车键,即可跳转到答案确认界面．此时被试需汇报给主试所搜索的答案与屏幕中呈现答案是否一致,之后按回车键进入下一试次．在实验前,被试需要结合主试讲解和练习环节,学习3类特征推理的任务要求和不同图标维度的划分依据,并通过练习环节对学习效果进行检测,同时让被试了解实验流程．

2.3 实验设备与程序

实验程序由TobiiStudio编写、呈现刺激并进行眼动数据统计．刺激呈现在17英寸(43.2 cm)的显示器中央,屏幕分辨率为1 280×1 024像素,亮度为92 cd/cm2．实验在东南大学人因工程实验室进行,被试为30名在校本科生和研究生(男生18人,女生12人),均有使用智能手机的经验,年龄在21～29岁之间,视力或矫正视力正常,无色盲或色弱,且均未参加预实验．每一类情境图标搜索任务之前均会出现任务提示．实验流程图如图1所示,每位被试约花费15 min．在实验结束后被试需根据要求对3类特征推理任务驱动下的搜索目标确定程度进行主观评估,以5级里克特量表形式进行记录和统计．

3 实验结果与讨论

3.1 行为及主观评价数据

行为数据主要包括反应时间和搜索正确率2项指标．前者表示从刺激呈现到作出按键反应之间的时间跨度,后者根据被试在确认界面作出的回答进行统计．如图2所示,被试基于功能特征进行图标搜索所用反应时间比基于形状特征和语义特征的反应时间长,且在功能推理特征条件下被试正确率最低(见表3)．根据方差分析得知:对反应时间而言,特征类别的主效应显著(F=20.816,p=0.000<0.05),对于正确率的主效应则相对较弱(F=2.987,p=0.053<0.1)．根据LSD事后检验结果,基于形状推理特征进行目标搜索的反应时间显著低于其他2种情境(ps=0.000<0.05),而功能和语义2种推理条件下的反应时间无显著差异(p=0.053>0.05)．然而形状推理特征与语义推理特征条件下的搜索正确率差异不显著(p=0.804>0.05),且均超过90%;在功能推理特征条件下的正确率显著低于其他2组条件(ps=0.000<0.05)．

图1 实验流程图

图2 3种特征推理条件下的反应时间箱型图

特征类型正确率/%把握程度平均值标准偏差平均值标准偏差形状特征91．22934．520．665功能特征80．34033．320．808语义特征92．52733．930．794

根据被试在3种特征推理条件下对于视觉搜索目标的确定程度统计结果(见表3),被试基于功能相关性条件进行视觉搜索时,对答案把握性最小,因而被试会将可能性高的图标特征与工作记忆中的功能启动模式进行比对,进而反应时间会有所增加．而对于形状特征而言,被试在启动形状呈现时便会进行“转译”加工．在视觉搜索过程中被试会结合图形相似性以及对启动刺激的语义理解进行目标定位．

3.2 眼动数据

本研究主要分析的眼动数据包括:整体注视点个数、注视点平均持续时间、特定兴趣区域中访问次数(回视次数)、回视率．在眼动数据分析时将采样率低于80%的被试数据予以剔除,故最终仅对24名有效被试的眼动数据做进一步分析．

3.2.1 注视点平均持续时间和注视点个数

本研究将注视点平均持续时间(mean fixation duration,MFD)定义为兴趣区域内所有被试在每个注视点的平均注视时间;注视点个数(total fixation count, TFC)定义为同一兴趣区域内目光停留超过100 ms的次数,停留低于100 ms的注视点将不予统计．此处兴趣区域为整体搜索界面．24名有效被试在3种特征推理条件下的图标搜索注视点平均持续时间和注视点个数变化趋势分别如图3(a)和(b)所示,图4显示了在3种特征推理条件下这2种眼动指标的均值分布情况．

(a) 注视点平均持续时间

(b) 注视点个数

图3 被试在3种特征推理条件下注视平均持续时间和注视点个数对比如图4所示,基于功能推理特征的图标搜索条件下,注视点个数最多,而基于形状特征图标搜索条件下的注视点个数最少．相应地,基于语义特征图标搜索条件下注视点平均持续时间最长．对3种实验条件下的注视点持续时间和注视点个数进行方差分析,特征类型对于平均注视持续时间和注视点个数的主效应均显著(F1=3.115,p1=0.046<0.05;F2=17.204,p2=0.000<0.05)．对MTD和TFC进行LSD事后检验:基于功能推理特征的MFD值与其他2种条件下的MFD值并无显著差异(pAB=0.097,pBC=0.438>0.05),而形状和语义条件下的MFD值则差异显著(pAC=0.015<0.05);3种搜索条件下两两之间的TFC具有显著差异(ps<0.05)．

图4 搜索界面中注视点个数和注视点平均持续时间均值对比

由于大多数信息只有在被注视的条件下才能获得信息加工[18],故可以用注视点平均持续时间来表征和定性比较搜索过程中的认知资源投入量,对被试的认知效率进行评估和检测．注视点平均持续时间越短,即认知和编码所需时间越短,则所需加工资源越少,加工深度越浅,反之则加工深度越深;注视点个数可用于表征注意资源的分配广度．由此可推断,基于形状推理特征的视觉搜索效率[19]最高;基于语义推理特征的视觉搜索条件下,对于每一个待搜索项的认知加工深度均高于其他2种情况．当被试基于功能推理特征进行目标搜索时,注意资源分配广度最大．

3.2.2 兴趣区域中回视次数

通过回视次数和回视率(regression rate,RR)的统计,获取3种特征推理条件下视觉搜索效率,并结合主观评价数据中通过5级量表获取的回答肯定程度统计结果,对3种特征推理的认知加工难度做进一步探究．将目标搜索项定义为局部兴趣区域,回视次数是指对局部兴趣区域的访问次数,可从眼动仪中直接获取．回视率可由回视次数和总注视次数的比值计算得出[18]．如图5所示,基于形状特征的回视次数最少,且回视率最低;基于功能特征的回视次数最多,而基于语义特征的回视率最高．对回视次数与回视率进行方差统计,特征类型对于回视次数的主效应显著(F=33.155,p=0.000<0.05),其中基于形状特征的图标搜索回视次数显著低于基与功能和语义特征的回视次数(ps<0.05);而特征类型对于回视率的主效应则不显著(F=2.368,p=0.096>0.05)．

图5 局部兴趣区域回视次数及回视率均值比较

被试在搜索过程中回视次数越高,表明界面信息的清晰性和指向性越差,此时被试需要通过视线迂回来精确定位目标,从而导致被试搜索效率降低．结合被试对于搜索目标的把握程度(确定性)测试结果,基于功能特征推理并定位目标的确定性最低,从回视次数中亦可加以验证．此外,不同推理特征也会影响工作记忆广度．推理难度增加会消耗更多的认知资源,从而工作记忆占用的认知资源量减少,工作记忆广度与记忆能力降低,导致回视次数相应增加．今后将进一步针对推理特征条件下的工作记忆广度变化情况展开研究．

3.2.3 注视点分布热点图

注视点分布热点图由所有有效被试的注视点分布叠加而成,越偏暖色表示注视次数越多．由图6中3种推理条件下的图标搜索热点图可知,3种条件均呈现分散式搜索特征．其中基于形状特征的图标搜索视线流[18]呈折线模式,而基于功能和语义特征的视线流均呈现网状和循环2种模式相互叠加的形式,如图7所示．基于功能和语义特征推理的视觉搜索中,对于每一待搜索项的注视次数更多．由每一待搜索项的热区色度可得,语义特征情境中注意热点分布更均匀,而功能特征情境下则更倾向于注视其中与启动图标功能特征相关度较高的若干图标项,如图6(b)所示．由此可以判断,在语义匹配性推理特征条件下,对于所有待搜索项的语义加工深度趋于均等,但基于功能特征推理时被试则更有可能采用不断缩小和精确搜索范围的搜索方式,先全局搜索,再对局部选项进行深度加工,最终确定搜索对象．

3.3 讨论

本研究结合视觉搜索范式,对形状相似性、功能相关性和语义匹配性在3种特征推理条件下的图标搜索特性进行研究．结合行为和眼动数据进行分析得出,基于形状相似推理特征条件下的视觉搜索效率最高,且对于每一搜索项的信息加工程度最浅．可以用单位时间内对搜索目标的定位程度来表征搜索界面的指向性,由此可以推断形状推理特征的指向性最强,被试更容易通过相似形状定位目标．

(a) 形状特征

(b) 功能特征

(c) 语义特征

(a) 形状特征

(b) 功能特征

(c) 语义特征

由于注视点平均持续时间可用于衡量认知资源投入量,故可以将该指标用于表征待搜索项和启动特征项之间知识推理距离．推理距离增大,表示从启动概念推理到待搜索项所需要的认知资源投入量增加．由于语义匹配特征条件下注视点平均持续时间最长,且回视率最高,因此可以推断在语义推理特征下语义特征词汇与待搜索图标项之间的抽象距离最远,特征推理和视觉搜索难度增加．此外,启动刺激的类型也会影响视觉搜索效率．如图8所示,语义推理特征情境是将语义词作为启动项,从语义词到目标图标项的推理过程需经历语义词记忆存储、语义特征提取与生成图形化模式,以及图标识别、语义判断和匹配等过程．在基于形状相似性和功能相关性推理的视觉搜索行为中(见图9),以图形元素为推理起点并进行目标搜索的过程可以简化为模式识别或模式归类的自上而下过程．

图8 基于语义推理特征的视觉搜索流程图

图9 基于形状和功能推理特征的视觉搜索流程图

以形状特征为推理原点的视觉搜索过程依赖于刺激特征与工作记忆中存储的启动特征之间的模式匹配．而在基于功能关联特征推理的图标搜索过程中,对于目标的锁定依赖于刺激图标的功能含义与启动图标所对应功能层级的隶属关系判别．对于图形元素的释义相对于语义词而言更具有多样性和全面性,容易思维发散．由于功能层级之间存在一对多的映射关系,因而在功能推理情境中,启动图标产生的思维发散性和不确定性对应关系导致正确率和主观确定程度偏低．同时,用户对于功能层级的匹配与隶属关系判断过程所消耗的认知资源水平高于形状模式匹配,因而在功能关联性条件下的注视点平均持续时间较长．

3种推理特征条件下的搜索反应时间与眼动数据中注视点平均持续时间比较结果均存在差异,这是因为被试反应时间包含视觉访问时间、决策判断时间按键反应时间．故从反应时间中不能准确判断3种条件下的认知差异性,而注视点平均持续时间则可以揭示3种视觉搜索条件的认知资源分配差异性．基于注视点平均持续时间可以判断,在形状推理特征条件下进行视觉搜索时,对于待搜索项的信息加工程度最浅．根据Fischer等[20]对于知识推理和迁移的理解,基于图形相似性和形象性等属性进行推理无需被试深度学习和比较．相比之下,基于功能和语义等属性进行推理则需要深度学习并归纳语法规则从而完成推理任务,但后者更便于对知识的长时记忆和理解．

4 结论

1) 不同推理条件下的图标搜索视线流存在差异.以形状相似性为启动特征的目标搜索呈现折线模式；其他2种条件均呈现网状和循环2种模式相结合的视线流模式.

2) 基于形状相似性和功能关联性的图标搜索过程依赖于搜索项目与工作记忆中存储的图标模式之间的匹配，或功能层级间隶属关系判断；基于语义匹配性的图标搜索过程首先需经过语义词的图形化转译，进而从图形层面进行模式匹配判断.

3) 3种情境中均包含自上而下的视觉搜索特征.以形状相似性为启动特征的目标搜索效率最高，用户无需对搜索项进行深度加工，搜索难度最低.

4) 在数字界面设计中，应充分发挥图形相似度识别对于图标搜索的优势.在考虑图标语义特征同时兼顾语义所映射的图形相似度，以取得最优搜索效率.

References)

[1]Isherwood S. Graphics and semantics: The relationship between what is seen and what is meant in icon design[C]//InternationalConferenceofEngineeringPsychologyandCognitiveErgonomics. San Diego, CA, USA, 2009: 197-205. DOI:10.1007/978-3-642-02728-4_21.

[2]Faulkner C.Theessenceofhuman-computerinteraction[M]. Prentice Hall, 1998: 144-155.

[3]Anderson J R. The adaptive nature of human categorization[J].PsychologicalReview, 1991, 98(3): 409-429. DOI:10.1037//0033-295x.98.3.409.

[4]Malt B C, Ross B H, Murphy G L. Predicting features for members of natural categories when categorization is uncertain[J].JournalofExperimentalPsychologyLearningMemoryandCognition, 1995, 21(3): 646-661. DOI:10.1037//0278-7393.21.3.646.

[5]Spruyt A, Houwer J D, Hermans D. Modulation of automatic semantic priming by feature-specific attention allocation[J].JournalofMemoryandLanguage, 2009, 61(1): 37-54.

[6]刘凤英. 类别特征推理的认知机制及脑机制[D]. 重庆: 西南大学心理学院, 2009.

[7]宫勇,杨颖,张三元,等. 具体性对图标理解影响的事件相关电位研究[J]. 浙江大学学报(工学版), 2013, 47(6): 1000-1005. Gong Yong, Yang Ying, Zhang Sanyuan, et al. Event-related potential study on concreteness effects to icon comprehension[J].JournalofZhejiangUniversity(EngineeringScience), 2013, 47(6): 1000-1005. (in Chinese)

[8]McDougall S, Isherwood S. What’s in a name? The role of graphics, functions, and their interrelationships in icon identification[J].BehaviorResearchMethods, 2009, 41(2): 325-336. DOI:10.3758/BRM.41.2.325.

[9]Vul E, Hanus D, Kanwisher N. Attention as inference: Selection is probabilistic; Responses are all-or-none samples[J].JournalofExperimentalPsychology:General, 2009, 138(4): 546-560. DOI:10.1037/a0017352.

[10]Theeuwes J. Stimulus-driven capture and attentional set: Selective search for color and visual abrupt onsets[J].JournalofExperimentalPsychologyHumanPerception&Performance, 1994, 20(4): 799-806. DOI:10.1037//0096-1523.20.4.799.

[11]Horowitz T S, Wolfe J M, Alvarez G A, et al. The speed of free will[J].QuarterlyJournalofExperimentalPsychology, 2009, 62(11): 2262-2288. DOI:10.1080/17470210902732155.

[12]Heinke D, Backhaus A. Modelling visual search with the selective attention for identification model (VS-SAIM): A novel explanation for visual search asymmetries[J].CognitiveComputation, 2011, 3(1): 185-205. DOI:10.1007/s12559-010-9076-x.

[13]Clavelli A, Karatzas D, Lladós J, et al. Modelling task-dependent eye guidance to objects in pictures[J].CognitiveComputation, 2014, 6(3): 558-584. DOI:10.1007/s12559-014-9262-3.

[14]Kilingaru K, Tweedale J W, Thatcher S, et al. Monitoring pilot “situation awareness”[J].JournalofIntelligent&FuzzySystems, 2013, 24(3): 457-466.

[15]Fidopiastis C M, Drexler J, Barber D, et al. Impact of automation and task load on unmanned system operator’s eye movement patterns[C]//InternationalConferenceonFoundationsofAugmentedCognition,NeuroergonomicsandOperationalNeuroscience. San Diego, USA, 2009, 5638: 229-238. DOI:10.1007/978-3-642-02812-0_27.

[16]刘青, 薛澄岐, Hoehn Falk. 基于眼动跟踪技术的界面可用性评估[J]. 东南大学学报(自然科学版),2010, 40(2): 331-334. DOI:10.3969/j.issn.1001-0505.2010.02.022. Liu Qing, Xue Chengqi, Hoehn Falk. Interface usability evaluation based on eye-tracking technology[J].JournalofSoutheastUniversity(NaturalScienceEdition), 2010, 40(2): 331-334. DOI:10.3969/j.issn.1001-0505.2010.02.022.(in Chinese)

[17]Turatto M, Galfano G. Attentional capture by color without any relevant attentional set[J].Perception&Psychophysics, 2001, 63(2): 286-297. DOI:10.3758/bf03194469.

[18]李晶. 均衡认知负荷的人机界面信息编码方法[D]. 南京:东南大学机械工程学院, 2015.

[19]Zelinsky G J, Sheinberg D L. Eye movements during parallel-serial visual search[J].JournalofExperimentalPsychology:HumanPerceptionandPerformance, 1997, 23(1): 244-262. DOI:10.1037//0096-1523.23.1.244.[20]Fischer S, Itoh M, Inagaki T. Prior schemata transfer as an account for assessing the intuitive use of new technology[J].AppliedErgonomics, 2015, 46: 8-20. DOI:10.1016/j.apergo.2014.05.010.

Experimental study on characteristics of icon searching based on feature inference

Peng Ningyue Xue Chengqi

(School of Mechanical Engineering, Southeast University, Nanjing 211189, China)

Visual searching experimental paradigm was employed. Behavioral and eye-tracking data were recorded to reveal the characteristics of icon searching based on three types of feature inference conditions including visual similarities, functional relevance and semantic matching. Effects of different inference features on individual metric were compared through the analysis of variance. Experimental results show that time for target identification and mean fixation duration, which indicates the amount of cognitive resource allocated to each item, is the shortest when searching for the target icon according to shape similarity. No deep information processing is required to identify the target when based on the shape feature. The scope of attentional resources during icon searching is the broadest when based on functional relevance. The accuracy rate in the semantics-primed condition is the highest. Behaviors under guidance of shape similarity and functional revelance can be simplified as pattern matching or subordination judgment of functional hierarchy between each searching item and the priming icon. Semantic words-primed visual searching needs transformation of semantic word into image and then the image is matched with displayed items. Top-down information processing is included in these three searching situations. The research results provide theoritical guidance for icon design in digital interfaces.

feature inference;searching characteristic;eye-tracking;icon design

10.3969/j.issn.1001-0505.2017.04.013

2016-12-19. 作者简介: 彭宁玥(1992—),女,博士生;薛澄岐(联系人),男,博士,教授,博士生导师,ipd_xcq@seu.edu.cn.

国家自然科学基金资助项目(71271053,71471037).

彭宁玥,薛澄岐.基于特征推理的图标搜索特性实验研究[J].东南大学学报(自然科学版),2017,47(4):703-709.

10.3969/j.issn.1001-0505.2017.04.013.

TB472;TP391.72

A

1001-0505(2017)04-0703-07