3.4  Résultats et discussion

L’analyse de la variance (ANOVA) sur les temps de pointage, permet de nous prononcer sur la significativité des facteurs jouant sur nos mesures : les différentes conditions expérimentales et l’indice de difficulté. Il apparaît que le facteur conditions expérimentales est très significatif (F9,39=24.96,  p<0.0001), ainsi que le facteur indice de difficulté (F3,39=10.3,  p<0.0001). De plus, les deux facteurs n’influent pas l’un sur l’autre (F27,39=0.35,  p=1.0000).

Les moyennes des temps pour les 4 conditions de retour haptique sont dans le tableau 3.2.

MT MTF MTDF MTDFH
585 ms 584 ms 723 ms 676 ms
- (−0,2%) (+23,6%) (+15,6%)

Table 3.2 : Moyennes des temps des mouvements dans les 4 conditions; les pourcentages donnent l’écart par rapport à la condition MT

Nous pouvons déjà observer qu’il n’y a pas de différence significative entre cliquer sur une cible sans retour de force (MT) et avec retour de force (MTF). Ceci rejoint les observations de Akamatsu (Akamatsu et Mackenzie, 1996) et s’explique par le fait que le retour de force sur la cible n’est activé que lorsque le pointeur s’y trouve, à la différence d’autres expériences qui élargissaient le bassin d’attraction au delà de la taille de la cible (Hasser et Goldenberg, 1998;Eberhardt et al., 1997;Wall et Harwin, 2000). Par contre, le fait qu’il y ait des champs de force entre l’origine et la cible (MTDF et MTDFH) génère une hausse significative des temps (respectivement +23,6% et +15,6% par rapport au mouvement sans retour de force). Enfin, l’adaptation du retour de force sur la vitesse du curseur permet de réduire cette perte de performance de 6,5% .

Nous aurions pu espérer une amélioration plus nette des temps de pointage dans la condition MTDFH. Cependant, le modèle d’impulsion initiale optimisée de Meyer nous apporte une explication possible : Le geste le plus fréquent lors d’une tâche d’acquisition de cible consiste en un premier mouvement initial qui peut dépasser ou ne pas atteindre la cible, suivi de plus petits mouvements correctifs pour parvenir réellement sur la cible. Avec notre retour de force adaptatif, le geste de pointage pouvait se retrouver « emprisonné » sur une zone proche de la cible.

Les régressions linéaires sur les moyennes des données nous donnent les coefficients de régression linéaire de l’équation (3) pour les différentes conditions de retour haptique. Ainsi, la table 3.3 présente les différents modèles de la loi de Fitts selon ces conditions. Chaque modèle a été calculé en effectuant une régression linéaire entre les 10 indices de difficulté (ID), calculé en utilisant l’équation 2, et les temps observés.

Conditions Modèle de la loi de Fitts R2
MT MT=0,25+0,122ID 0,93
MTF MT=0,25+0,120ID 0,91
MTDF MT=0,38+0,123ID 0,96
MTDFH MT=0,31+0,130ID 0,90

Table 3.3 : Modèles de la loi de Fitts. MT est le temps du mouvement(ms), ID est l’indice de difficulté(bits)

Les différentes conditions ne diffèrent de manière significative que de par leurs ordonnées à l’origine. Les pentes de chaque modèle sont très proches. Enfin, nous pouvons noter, grâce aux valeurs élevées des R² que la loi de Fitts explique plus de 90% des variations dans les observations.

Nous pouvons maintenant tracer la synthèse des mesures de notre expérience (figure 3.6).

Figure 3.6 : Temps du mouvement pour les 4 conditions de retour haptique

La méthode statistique de Bonferroni permet de grouper les observations en groupes significativement différents. Dans notre cas, cette méthode regroupe les observations MT et MTF en un premier groupe non-significativement différent, et les conditions MTDF et MTDFH en un deuxième. Notre proposition d’adapter le retour haptique à la vitesse de la souris (condition MTDFH) n’apparaît donc pas significativement différent de la condition sans adaptation (p>0.15).