Durante o passo-a-passo cognitivo com o uso de gestos integrado a esse aplicativo, o usuário experiente respondeu "sim" a todas as perguntas. As perguntas "O feedback visual auxilia na realização do gesto?" e "A resposta ao gesto foi a esperada?" também foram respondidas simplesmente com "sim" todas as vezes pelo usuário inexperiente. Abaixo seguem suas respostas às outras duas perguntas, para cada um dos passos do teste, listados em negrito.
AM
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto?
Sim. No treino confundi com Irradiate, mas como Irradiate é ofensivo, associei com a mão fechada e esse com a mão aberta.
Hasten
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto?
Mais ou menos, tem três poderes com um gesto bem parecido. Seleção com ponteiro
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto?
Sim, é como se eu pegasse o inimigo com a mão! NB e movimento para trás
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto?
Sim, só foi difícil lembrar que precisava me mover rápido para trás. RI
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto? Sim.
EF
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto? Sim.
CB
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto? Sim.
XRB
Você lembra qual gesto deve usar? Não.
Foi fácil lembrar desse gesto?
Não, como esse poder são raios que saem dos olhos, foi difícil lembrar que movimento de mão estava associado a eles. Só depois da dica e de ver o personagem fazendo o movimento lembrei do porquê.
NBolt
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto? Sim.
Selecionar próximo alvo (repetido por duas vezes) Você lembra qual gesto deve usar?
Sim.
Foi fácil lembrar desse gesto? Sim, mas não sei porque. Aim
Você lembra qual gesto deve usar? Sim
Foi fácil lembrar desse gesto?
Soul Drain
Você lembra qual gesto deve usar? Não.
Foi fácil lembrar desse gesto?
Não, pois não tinha prestado atenção no personagem quando fez da última vez. Depois me lembrei que era o gesto em que as mãos se cruzavam, como comentamos naqueles outros testes faz tempo, e foi mais fácil de lembrar.
Irradiate
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto?
Sim. No treino confundi com AM, mas como esse é ofensivo, associei com a mão fechada.
NBomb
Você lembra qual gesto deve usar? Sim.
Foi fácil lembrar desse gesto?
Sim, esse foi o gesto e o poder mais legal.
Por fim, com relação aos testes de movimento no CoH, usando o tapete e feitos com três usuários. Um desses usuários têm experiência com ambientes 3D, as outras duas são do sexo feminino, uma tem mais de 60 anos de idade e nenhuma tem experiência alguma com ambientes 3D. Foi pedido aos três que realizassem um percurso determinado com o personagem, primeiro utilizando o tapete e depois o teclado. Coincidentemente, o usuário experiente sofria de uma crise aguda de tendinite durante esse teste e não pode realizar o teste com o teclado, mas ainda assim opinou que o movimento com o tapete foi "um pouco mais lento mas mais divertido" do que o que costuma fazer usando o teclado. Ambas as usuárias inexperientes cometeram mais erros durante os testes, tanto com o teclado quanto com o tapete, e opinaram que a navegação utilizando o tapete foi mais fácil que com o teclado. A usuária com mais de sessenta anos se queixou que, ao preferir não pular nas diagonais do tapete para fazer com que o personagem pulasse, tinha seu
movimento prejudicado, pois ao pisar primeiro em uma diagonal e depois na outra, o personagem começava a se virar antes de pular. Essa mesma usuária comentou que a navegação pelo teclado seria impossível durante um longo período, por ter artrite nas mãos. Os comentários dos usuários com tendinite e artrite mostram que o uso do tapete dessa forma pode ser uma ferramenta para acessibilidade em alguns casos.
APÊNDICE B - FERRAMENTAS COMUNS
O filtro de Bayes é o principal algoritmo para calcular a crença ao longo do tempo para cada estado de um sistema, com base na regra de Bayes, que permite o cálculo da probabilidade de um evento dadas as probabilidades dos eventos que o afetam. Dentre esses estados, um ou mais que tenham valores mais altos de crença podem ser tomados como hipóteses sobre o estado do sistema em cada instante. Para todos os estados possíveis do sistema, esse algoritmo realiza uma predição, ou seja, calcula um valor de crença baseado no estado anterior, nas entradas de controle que foram impostas ao sistema e em um modelo de sua dinâmica. Depois atualiza ou corrige essa crença com base nas entradas que observou por meio de sensores (como, por exemplo, uma imagem vinda de uma câmera) e em um modelo de observação. A predição e a correção são realizadas a cada passo de tempo. Um filtro de Kalman (Welsh & Bishop, 1995) é uma implementação de filtros bayesianos em que o espaço é contínuo, uma única hipótese é utilizada e é representada como uma distribuição gaussiana e os modelos dinâmico e de observação são lineares (existem variações que aceitem modelos não lineares ou múltiplas hipóteses usando misturas de gaussianas). Um filtro de partículas, também conhecido como algoritmo de Condensation (Isard & Blake, 1998a), implementa o filtro de Bayes para múltiplas hipóteses com quaisquer distribuições de probabilidades, que são representadas por um conjunto de amostras.
Um HMM como, por exemplo, os utilizados e discutidos por Bauer e Hienz (2000), é uma cadeia de Markov (ou seja, vale a regra de Markov que afirma que o estado atual tem toda a informação necessária para definir o estado futuro), um conjunto de estados, cada um representando um instante de tempo e com probabilidades de transição para algum outro estado (ou de volta para o mesmo) e de gerar determinada observação. Isso permite que tolere variações na amplitude e no tempo dos padrões que procura reconhecer. Essas probabilidades são ajustadas durante o treinamento do sistema, quando são fornecidas entradas e as saídas corretas. Em geral cada HMM representa um gesto.
Uma máquina de estados finitos, de acordo com Hong, Turk e Huang (2000) é similar a um HMM, mas não tem estados pré-definidos nem há a necessidade de alinhamento dos dados durante o treinamento.
Auto-espaços (eigenspaces) utilizam, nesse contexto, um pequeno número de imagens base (representadas vetores com suas features) e combinações lineares delas para definir um espaço de imagens e permitir sua comparação nesse espaço. Black & Jepson (1998), por exemplo, fazem uso essa abordagem.
DTW, nesse caso, consiste na aplicação de técnicas de programação dinâmica para alinhar gestos com durações diferentes, de acordo com Marcel (2002). Enquanto EGM tolera variações na forma da mão e da postura (Triesch & Malsburg, 2001). Mitra & Acharya (2007) discutem ainda diversos exemplos do uso de "soft computing" no reconhecimento de gestos. Dentre as abordagens dessa classe, a mais comum é o uso de redes neurais, mas também estão incluídos algoritmos genéticos e lógica fuzzy.