Brain Dynamics Lab @MEF

  • Sümeyye Özdemir

Bana Hareketini Göster, Sana Kim Olduğunu Göstereyim: Bir Algoritma Olarak Sanal Gerçeklik

Sanal gerçeklik (bkz; virtual reality), tüketici pazarında ciddi ilgi gören bir teknolojidir ve vücut hareketlerini izleme (bkz; tracking body motions) konusunda benzeri görülmemiş bir yetkinlikle birlikte gelir. Yapılan araştırmalarda, vücut hareketi türleri ve yaratıcılık, öğrenme ve diğer davranışsal sonuçlar arasında ilişkiler kurulmuştur. Ayrıca, izleme verilerinde yakalanan davranışlar, dikkat eksikliği ve hiperaktivite bozukluğu, otizm ve travma sonrası stres bozukluğu gibi tıbbi durumlarla ilişkilendirilebilmektedir. Demansı teşhis etmek için izleme verilerinin kullanımıyla ilgili artan bir literatür de vardır. Burada inceleyeceğimiz araştırmada bu vücut hareketleri; kişisel kimlik, tıbbi durumlar ve zihinsel durumların teşhisini içermektedir.


Simüle edilmiş bir ortam oluşturmak için hesaplamalı teknolojinin (bkz; computational theory) kullanımı olan sanal gerçeklikte, sanal dünyayı kullanıcının bakış açısından işlemek için kullanıcının pozisyonunun hesaplanması ve takip edilmesi gerekir. Tüm sanal gerçeklik sistemleri kafa yönünü (bkz; head orientation), pek çoğu da bununla birlikte kafa konumunu (head position) ve el yönünü ve konumunu (bkz; hand orientation and position) ölçer. Daha az yaygın olmakla birlikte, bazıları kapsayıcılığını artırmak için ayakları, göğsü ve hatta dirsekleri ve dizleri takip edebilir. Kimi çalışmalar, çalışma tasarımcısı tarafından bazı eylemlerin seçildiği idealleştirilmiş durumlarda vücut hareketlerinin tanımlanabilirliğine/teşhis edilebilirliğine (bkz; the identifability of body motions) odaklanmıştır.



Görsel-1: Bütün vücut hareketlerini izleme (bkz; full body motion tracking) uygulama örneği.



Kullanıcıları tanımlamak veya kimliklerini doğrulamak için sanal gerçeklik görevleri tasarlamaya odaklanan önceki çalışmaların aksine, tanımlama için tasarlanmamış bir görevle izleme verileri yoluyla kullanıcıları tanımayı hedefleyen bu araştırmada, özel olarak tasarlanmış bir tanımlama görevi olmaksızın, tipik sanal gerçeklik izleme koşullarında kullanıcıların tanımlanabilirliği test edilmiştir. Dahası üniversite dışından çok büyük (500'den fazla) ve çeşitli örneklem kullanılmıştır. Bunun bir nedeni, küçük örneklemlerdeki tanımlama, beden ölçütü ve diğer varyans kaynaklarında örtüşme olmaması nedeniyle bazı özelliklerin tanısallığının abartılabilme ihtimalidir. İkincisi, farklı insanlar muhtemelen farklı vücut hareketlerine sahiptir; örneğin, çalışmada 55 yaşın üzerinde 60'ın üzerinde katılımcı bulunmaktadır ve bu grubun hareketi tipik bir üniversite öğrencisinden muhtemelen farklıdır.


Söz konusu sanal gerçeklik içeriği, her biri 20 saniye uzunluğunda ve 80 videodan rastgele seçilen beş adet, 360 derecelik videodan oluşuyordu. Videolar, değerlik (olumluya karşı olumsuz) ve uyarılma (sakin ve heyecan verici) açısından bir araya getirildi. 360 derecelik videonun herhangi bir yönden izlenmesi düşünüldüğünde, içeriğin kendisinin hareket üzerindeki etkisini de dikkate almak önemlidir. İçerik birçok insanın benzer şekillerde hareket etmesine neden oluyorsa, hareket üzerinden tanımlama daha zor olabilir. Buna neden olabilecek iki özellik, sözlü anlatımlar ve videonun odak noktasının gücüdür. Videolarda katılımcıya nereye bakması gerektiğini söyleyen harici bir anlatıcı yoktu, ancak insan sesinin duyulabildiği on altı video vardı ve bunlardan dokuz tanesi belirli kelimelerin ve belirli konuşmacıların seçilebildiği yerlerdi. Videoların odak noktası, kameranın etrafında dolaşan tek bir hayvanın (ör, fil, babun, zürafa) olduğu videolarda en güçlüydü ve odak noktaları, ağaçların her yönden görülebildiği doğa sahneleri videolarında en zayıftı.



Görsel-2: Deneysel kurulum. Solda: 360 derecelik videolardan birinin ekran görüntüsü, sağda: sanal gerçeklik anketinin ekran görüntüsü.



Program rastgele beş video seçti. Videoların her biri için, program videoyu katılımcıya göstermiş ve ardından katılımcıya değerlik, uyarılma, mevcudiyet, simülatör hastalığı ve içeriği paylaşma arzusu ile ilgili sorular yöneltilmiştir.



Görsel-3: Deneysel Kurulum. Deney sırasında video izleme ve anketi cevaplama sürecinden bir fotoğraf.



Araştırma, günlük bir sanal gerçeklik deneyimi sırasında, veri takibinin büyük örneklerde bile etkili bir tanımlayıcı olduğunu öne sürmektedir. Yalnızca konum izleme verilerini (bkz; position tracking data) kullanarak, 500'den fazla katılımcı arasından seçim yapıldığı durumda, basit bir makine öğrenimi modelinin katılımcıları 5 dakikadan daha kısa sürede % 95'in üzerinde bir doğrulukla belirleyebileceğini göstermiştir. Araştırmacılar bu nedenle, tipik sanal gerçeklik deneyimlerinin tanımlayıcı veriler ürettiğini gösteren verilere katkıda bulunduklarını ve bu sonuçların, sözel olmayan verilerin kişisel olarak tanımlayıcı veriler (bkz; personally identifying data) olarak anlaşılması gerektiğini gösterdiğini savunmaktadırlar. Kuvvetle muhtemel, gelecekteki çalışmalar, izleme verilerine dayanarak cinsiyet, yaş veya sanal gerçeklik deneyimini çıkarsamanın uygulanabilirliğini de keşfedebilir. Daha sonra, model yalnızca verileri eşleştirmekle kalmayacak, aynı zamanda kullanıcının bir profilini de oluşturacaktır.


Gizlilik Meselesi

Kullanıcının kimliğini belirlemenin amacı kimlik doğrulama veya tanımlama (bkz; authentication or identifcation) olabilir. Burada Rogers ve arkadaşlarının (2015), kimlik doğrulama ve tanımlama arasında yaptığı ayrım takip edilmiştir. Kimlik doğrulama, bir sistemin diğer herhangi bir kullanıcısından tek bir kullanıcıyı tanımlayan güçlü pozitif kanıt gerektirir ve genellikle yüksek ayrıcalıklara yol açar (örneğin, hassas verilere erişim veya daha güçlü komutlar çalıştırma yeteneği). Diğer yandan tanımlama, rastgele (ancak sonlu) sayıda kullanıcının önceden tanımlanmış bir kümesi içindeki bir kullanıcı ile eşleştirilmesidir. Örneğin, kimlik belirleme, kullanıcı tercihlerini otomatik olarak uygulamak veya kişiselleştirilmiş reklamlar oluşturmak için kullanılabilir.

İzleme verileri doğası gereği tanımlayıcıysa, sanal gerçeklik daha popüler hale geldikçe mahremiyet (bkz; privacy) için önemli çıkarımlar olacaktır:

  • En acil sorun kategorisi, verilerin kimliklerinin kaldırılması (bkz; de-identifying data) sürecidir. Katılımcıları tanımlayabilecek herhangi bir bilgiyi kaldırarak araştırma veri kümelerini yayınlamak veya verileri paylaşmak standart bir uygulamadır. 2020'deki en popüler sanal gerçeklik kulaklıklarından ikisinin yapımcısı olan Oculus ve HTC'nin gizlilik politikasında, şirketlerin kimliği belirsiz verileri paylaşmalarına izin verilmektedir.


  • İkinci kategori sorunlar, genel olarak sanal gerçeklik oturumlarını birbirine bağlama yetkinliğinin iyileştirilmesiyle ilgilidir. Daha önce dağınık ve ayrı olan bilgiler artık bir "hareket imzası (bkz; motion signature)" ile birleştirilebilir. Bazı izleme verilerini bir isme bağlarken, artık diğer birçok yerdeki izleme verileri aynı çatı altına eklenmiş olur.


  • Üçüncü bir sorun kategorisi, "özel taramadan (bkz; private browsing)" kaynaklanır. Prensip olarak, bir web tarayıcısına "özel tarama modu (bkz; private browsing mode)" girmenin bir yolu vardır. Zor olabilir ve birçok bilgi katmanını gizleyen birçok araç gerektirse de, bu mümkündür. Ancak doğru sanal gerçeklik izleme verileriyle, bir özel tarama modu prensipte imkansızdır.


Bu testlerin her biri, deneycinin bazı tıbbi durumların göstergesi olduğu bilinen birtakım davranışları ölçtüğü günlük bir sahnedir (ör, dikkat dağınıklığı, yüzlere dikkat etme, hareket planlamasındaki süre). Bu ilişkilerin yalnızca izleme verilerinden çıkarsanabilmesi, araştırmacıların dikkatini sanal gerçeklikte gizliliğe getirmiştir. Hosfelt (2019), kapsamlı medya etiğini (bkz; immersive media ethics) tartışır ve istemsiz sözel olmayan etkileşimleri toplamanın gücüne dikkat çeker. Gizli olmasını beklediğimiz yanıtlar, biz farkında olmadığımız halde algoritmalar tarafından hızla tespit edilebilir. Vitak ve arkadaşları (2015), sanal gerçeklik gizliliği tartışmasını daha geniş bir ağ bağlantılı gizlilik bağlamında temel alır. Birçok gizlilik endişesinde olduğu gibi, soru, kullanıcıya sağlanan kazanımların endişelerden daha ağır basıp basmadığına bağlıdır. Araştırmacıların önerisi ise şöyledir: Sanal gerçeklikte gizlilik için tasarım yöntemleri araştırılmaya devam edilmelidir. Politika, kullanıcı davranışı, endüstri yönergeleri ve diğerleri dahil olmak üzere bu tür verileri korumanın birçok yolu vardır.



GÖRSEL KAYNAKÇA

Manus Announces its ‘Polygon’ Full-Body VR Tracking Solution – Virtual Reality Times

Miller, M.R., Herrera, F., Jun, H. et al. Personal identifiability of user tracking data during observation of 360-degree VR video. Sci Rep 10, 17404 (2020). https://doi.org/10.1038/s41598-020-74486-y

The Valve Index might have the most fun VR controllers I’ve ever tried - The Verge



KAYNAKÇA

Hosfelt, D. Making ethical decisions for the immersive web (2019). https://arxiv.org/abs/1905.06995

Miller, M.R., Herrera, F., Jun, H. et al. Personal identifiability of user tracking data during observation of 360-degree VR video. Sci Rep 10, 17404 (2020). https://doi.org/10.1038/s41598-020-74486-y

Rogers, C. E., Witt, A. W., Solomon, A. D. & Venkatasubramanian, K. K. An approach for user identifcation for head-mounted displays. In Proceedings of the 2015 ACM International Symposium on Wearable Computers 143–146 (ACM, 2015). https://doi.org/10.1145/2802083.2808391

Vitak, J. et al. The future of networked privacy: challenges and opportunities. In Proceedings of the ACM Conference on Computer Supported Cooperative Work, CSCW2015-Janua, 267–272 (2015). Microsoft Word - CSCW 2015 privacy workshop-FINAL-1204.docx (stirlab.org)

50 görüntüleme0 yorum

Son Paylaşımlar

Hepsini Gör

NEURALINK