Details

Данная работа посвящена созданию метода автоматической персонализации расположения и размеров сенсорных органов управления в мобильных игровых приложениях и его экспериментальной верификации на программном прототипе. В ходе исследования решены следующие задачи: - выполнен анализ существующих подходов к адаптации пользовательских интерфейсов и психомоторных моделей сенсорного ввода, включая закон Фиттса и его расширение FFitts; - определён набор поведенческих метрик, разработан механизм их регистрации и передачи от клиентской части к серверной; - сформирована математическая модель, определяющая смещение и масштабирование органов управления на основе накопленных данных; - предложен алгоритм внесения адаптивных изменений без прерывания игрового процесса, предусматривающий устранение пространственных коллизий между объектами интерфейса; - реализован программный прототип и выполнено экспериментальное исследование со статистической обработкой полученных результатов. Предложенный подход основан на законе Фиттса и модели FFitts, методе EWMA для оценки систематического смещения касаний и итеративном алгоритме выталкивания, предотвращающем перекрытие объектов интерфейса. Поведенческие метрики передаются в режиме реального времени по протоколу Socket.IO и сохраняются в базе данных SQLite. Прототип включает мобильное приложение на Flutter и серверную часть на Python с использованием FastAPI. Экспериментальное исследование проведено с участием 16 человек, распределённых между адаптивной и контрольной группами, в трёх игровых сценариях различных жанров. Полученные результаты показали увеличение доли успешных попаданий в адаптивной группе на 10,7 процентного пункта, с 71,5% до 82,2%. Среднее евклидово отклонение точки касания от центра элемента сократилось на 4,3 пикселя, а пропускная способность возросла на 0,91 бит/с. Зафиксированный эффект превысил уровень естественного привыкания, наблюдаемый в контрольной группе, в 3,1-3,6 раза. Статистическая значимость результатов подтверждена парным t-критерием Стьюдента при уровне значимости 0,05. При выполнении работы использованы следующие информационные технологии и программные средства. Фреймворк Flutter и язык Dart применялись для создания мобильного приложения. Python, FastAPI и библиотека python-socketio использовались при реализации серверной части. СУБД SQLite обеспечивала хранение поведенческих метрик. Библиотека vgamepad и драйвер ViGEmBus применялись для эмуляции виртуального геймпада на уровне операционной системы Windows.

The thesis focuses on the creation of a method for automatic personalization of the position and size of touch control elements in mobile gaming applications and its experimental validation using a software prototype. The objectives of the study included: - analysis of existing approaches to user interface adaptation and psychomotor models of touch interaction, including Fitts law and its FFitts extension; - identification of a set of behavioral metrics and development of a mechanism for their collection and transmission from the client side to the server; - construction of a mathematical model defining position offsets and scaling parameters of control elements based on accumulated interaction data; - design of an algorithm for applying adaptive interface modifications during gameplay, including spatial collision resolution; - implementation of a software prototype and execution of an experimental study with statistical evaluation of the obtained results. The proposed approach is based on Fitts law, the FFitts model, the EWMA method for estimating systematic touch offsets, and an iterative push-out algorithm preventing overlap between interface objects. Behavioral metrics are transmitted in real time via the Socket.IO protocol and stored in an SQLite database. The prototype consists of a Flutter mobile application and a Python-based server implemented using FastAPI. The experimental study involved 16 participants divided into adaptive and control groups and included three gaming scenarios representing different genres. The results demonstrated an increase in hit rate within the adaptive group by 10.7 percentage points, from 71.5% to 82.2%. The mean Euclidean deviation between touch points and element centers decreased by 4.3 pixels, while throughput increased by 0.91 bits per second. The observed effect exceeded the natural habituation level recorded in the control group by a factor of 3.1-3.6. Statistical significance was confirmed using a paired Student’s t-test at a significance level of 0.05. The following technologies and software tools were employed in the study. Flutter and the Dart programming language were used for mobile application development. Python, FastAPI, and the python-socketio library were used for implementing the server component. SQLite provided storage for behavioral metrics. The vgamepad library and the ViGEmBus driver were utilized for virtual gamepad emulation at the Windows operating system level.

• СПИСОК ОПРЕДЕЛЕНИЙ И СОКРАЩЕНИЙ
• ВВЕДЕНИЕ
• ГЛАВА 1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1. Особенности сенсорного ввода
  • 1.2. Закон Фиттса применительно к сенсорным интерфейсам
  • 1.3. Адаптивные пользовательские интерфейсы, подходы и методы
  • 1.4. Анализ существующих решений
  • 1.5. Метрики качества сенсорного взаимодействия
  • 1.6. Обоснование требований к разрабатываемому методу
  • 1.7. Выбор платформы верификации
• ГЛАВА 2. РАЗРАБОТКА МЕТОДА
  • 2.1. Общая структура метода
  • 2.2. Способ регистрации и сбора поведенческих метрик
  • 2.3. Математическая модель адаптации
  • 2.4. Алгоритм адаптации и условия его применения
• ГЛАВА 3. РЕАЛИЗАЦИЯ ПРОГРАММНОГО ПРОТОТИПА
  • 3.1. Архитектура системы
  • 3.2. Серверная часть
  • 3.3. Клиентское мобильное приложение
  • 3.4. Взаимодействие компонентов
• ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ
  • 4.1. Описание эксперимента и условия проведения
  • 4.2. Методика оценки эффективности метода
  • 4.3. Результаты эксперимента
  • 4.4. Анализ полученных результатов
  • 4.5. Выводы по результатам исследования
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ