画面ベースのインタラクティブデジタルアート環境における視覚的注意を定量化するためのアイトラッキングに基づく測定フレームワーク

サマリー

このプロトコルは、インタラクティブなデジタルアートにおける視覚的注意を定量化するための包括的な枠組みを説明しています。このレポートでは、アイトラッキングデータとインタラクションログを同期させるシステムアーキテクチャ、動的関心領域(AOI)マッピングの手法、注意の動態とユーザー体験の結果を結びつける分析パイプラインについて詳述しています。

要約

本稿では、インタラクティブなデジタルアート体験における視覚的注意力を定量化し、注意の動態と体験的成果を結びつけるために設計された視線対応型測定フレームワークを提示します。従来の静的なアート鑑賞とは異なり、インタラクティブなデジタルアートは動的メディア、多元情報源、継続的なフィードバックループを含み、従来のアイトラッキング手法に挑戦します。提案されたシステムは、眼球追跡取得、インタラクションログ、タイムスタンプ同期、動的関心領域(AOI)マッピング、メトリクス計算を統合した統一パイプラインに統合されています。このプロトコルは、視線データを特定のインタラクションイベントに同期させる再現可能なデータワークフローの開発を示し、注意配分、スイッチングコスト、探索的エントロピーの正確な計算を可能にします。実験デザインは自由探索と目標指向型課題の両方を含み、37人の参加者を対象とした研究で示されました。このプロトコルを適用した結果は、高い認識されたユーザーフレンドリーさと満足度を示しており、測定モデリングはユーザビリティと満足度の二つの構成要素モデルを支持しています。さらに、アウトカムモデリングは、知覚されたユーザビリティが全体的なユーザー満足度の基盤となることを裏付けており、単一ケースの実証はパイプラインがコンテキスト認識した注意のシフトを定量化する能力を検証しています。このプロトコルは、フィードバック遅延やガイダンス強度などのインタラクションデザイン要素が、没入型デジタル環境におけるユーザーの注意力やその後の主観的体験をどのように形成するかを分析するための厳密で再現可能なツールセットを研究者や設計者に提供します。

概要

インタラクティブなデジタルアートは、没入型空間インスタレーションからスクリーンベースの^{インタラクティブプラットフォームまで}、幅広いモダリティを包含^します。完全没入型のセットアップがこの進化の最前線を示していますが、画面ベースのインタラクティブアートは依然として基盤となるメディアであり、無制限な空間拡張の前に厳密で標準化された評価手法が緊急に求められています。このモダリティは、観客の役割を受動的な観察から能動的な共創へと効果的に再定義し、参加が作品の意味を直接形作ることを意味します^。芸術心理学の古典的な枠組み、特にウィーン統合芸術知覚モデル(VIMAP)は、美的出会いにおけるトップダウンの認知制御とボトムアップの知覚処理の相互作用を理解するための高度なレンズを提供します。しかし、これらのモデルは静的観察の強固な基盤を提供する一方で、最新の応用をインタラクティブなデジタル環境に拡張するには高度な測定技術が必要です。これらの理論的構造をインタラクティブな応用に翻訳するには、ユーザー入力とシステム応答間の継続的なフィードバックループを客観的に捉えるためのリアルタイム生理学的指標が必要です。その結果、静的表示からアクティブインタラクションへの移行は、ユーザー体験の評価に大きな複雑さをもたらします。現在の主流評価方法は主に、事後アンケート、回顧インタビュー、視聴者の視聴習慣、順序、^{滞在時間に関する}現地観察に基づいています。これらはしばしば、滞在時間や^{クリック頻度5}といった粗粒度の行動指標で補完されます。これらの手法は一般的な好みや全体的な満足度を捉えるには効果的ですが、体験中に起こるリアルタイムかつ微細な注意の変化を追跡するのが根本的に困難です。記憶の遅延に依存し認知バイアスに影響されやすい回顧的アンケートとは異なり、提案された視線追跡フレームワークは連続的でリアルタイムかつ客観的な生理学的データを提供します。さらに、総停留時間や表面的なクリック頻度などの粗い行動指標と比較して、この凝視対応の手法は、ためらいの瞬間、視覚的探索戦略、システムフィードバックに対する即時の知覚反応といったミクロレベルの認知プロセスを捉えています。これにより、従来の評価手法が^{根本的に欠}けていることを実用的かつ詳細な反復的相互作用設計の証拠として提供します。この技術は、インタラクティブアートにおける注意の割り当て、維持、シフトを理解するためのプロセスレベルの指標を提供し、ユーザーの^{認知状態の}客観的な生理学的指標を提供します^7,8,9。ユーザーが特定の要素をいつ、どこで、どれくらいの時間見るかを分析することで、研究者は展示の最適化やインタラクティブデザインに客観的な支援を提供できます。しかし、インタラクティブなデジタルアート体験の文脈でアイトラッキングを実装するには、標準的なユーザビリティテストや静止画像表示とは異なる、多重で自明でない技術的・方法論的課題があります。

インタラクティブな環境は、動的メディア、複数の情報源、複雑な多段階のタスクを含むことが多いです。視覚刺激は固定されていません。使用者の入力に応じて進化します。視覚刺激とシステムフィードバックの絶え間ない変化により、動く物体とインターフェース領域の間で注意が急速に移動します。このダイナミズムにより、従来の静的でインターフェースベースのセグメンテーションやメトリック解釈が歪みやすくなります^10,11。例えば、ある時点で関連していた関心領域(AOI)が次の瞬間に消えたり意味意味を変えたりし、静的なヒートマップでは不十分になることがあります。

さらに、現実世界の相互作用では頭部の動き、遮蔽、画面からの距離の変化などの自然な物理的挙動が頻繁に関わっており、これがキャリブレーションドリフト^12,13を引き起こします。これらの品質追跡の変動は欠損値やノイズを生み出し、被験者間の比較可能性や統計検定の安定性を低下させます。標準的な実験室のプロトコルでは、厳格な安定化(例えば顎の置き入れ)が求められることが多く、これが芸術鑑賞に必要な自然主義的な体験を損なう¹⁴。したがって、効果的なプロトコルは厳格なデータ品質管理とユーザーの環境的妥当性のバランスを取らなければなりません。リモートスクリーンベースの視線追跡を活用することで、提案されたフレームワークは自然で制約のない胴体や頭部の微細な動きを可能にし、物理的な制約なしに美的反応を捉える実用的な基準となります。

特に、眼球運動データとインタラクションログの時間的同期は、因果解釈に直接影響を与えます。静的な視聴課題では、刺激の開始が唯一の重要な時間指標です。インタラクティブアートでは、触れる一つ一つ、ジェスチャー、視線のトリガーが新たな時間的イベントの参照を引き起こします。統一された時間ベンチマークとイベントアライメントの仕組みがなければ、注意の変化がシステムフィードバックによって引き起こされるのか、個別の探索戦略によって駆動されるのかを判断するのが難し^{くなります。}デジタルアートを包括的に評価するために、研究者は通常、2つの異なるデータソースに依存します。すなわち、ユーザー入力やシステム状態を記録するインタラクションログと、視覚的注意のための視線追跡などの生理的信号です。しかし、これらのモダリティはしばしば単独で分析されます。分析パイプラインの早期段階でこれらを統合することは、概念的にも実践的にも不可欠であり、これらは本質的に補完的であるためです。インタラクションログは正確な文脈的な「トリガー」(システムフィードバックの何といつ)を提供し、連続的な視線データは対応する認知的「反応」(注意のどこでどのように割り当てられるか)を明らかにします。統一された時間、ベンチマーク、マルチモーダルイベントの整合性がなければ、注意のシフトがシステムフィードバック(例:視覚的なリップル効果)によって引き起こされるのか、個々の探索戦略によって駆動されるのかを判断するのが難しくなります。これらのデータストリームを融合させることで、このフレームワークはインタラクティブデザイン機能とユーザー認知の間の因果ループを閉じる理論的利点を提供します。

したがって、インタラクティブアートのためのアイトラッキング研究を進めるには、単に固定点を捉えるだけでは不十分です。厳格な品質管理、同期された整合性、再現可能なデータ処理ワークフローが必要です。既存の解決策の限界は、この研究動機をさらに強調しています。芸術的な文脈における既存のアイトラッキング研究は、主に静的な鑑賞課題に焦点を当てたり、テキストの説明やツアーガイドを外部変数として扱い、インタラクティブなメカニズムとの統合が欠けています(^16,17)。情報提示法や誘導戦略が視聴者の注意経路や焦点を大きく変える可能性は示唆されていますが、ほとんどの結果は単一介入の相関レベルにとどまり、インタラクティブなフィードバックループが体験の持続期間を通じて注意戦略をどのように形成するかを説明できていません。

一方で、インタラクティブアートの実践では、視線を自然なインタラクション入力として用いるプロトタイプシステムを開発しており、鑑賞者が受動的な観察者から能動的な参加者へと変貌することを強調していますが、これらの取り組みはしばしばインスタレーションのデモンストレーションや技術的検証に焦点を当てています(^18,19)。彼らはしばしば統一された注意指標、再現可能な実験パラダイム、そして注意の動態と体験的成果の間に検証可能な関連性を確立するクローズドループ研究モデルを欠いています。このギャップは、特定のデザイン選択(例えば視覚的な移行の速度)がユーザーの没入感や使いやすさにどのように影響するかを確実に予測できる移転可能なデザイン原則の開発を妨げています。

重要なのは、既存の文献には視覚的注意をリアルタイムのインタラクティブシステムと根本的に一致させる一貫した枠組みが欠けていることです。動的AOIマッピングや視線・イベント同期の進歩は一般的なHCIの文脈で探求されていますが、流動的で非常に変動の激しいデジタルアート環境に統合されることは稀です。根本的な研究のギャップは、現在の単一モダリティ評価がシステムフィードバックとユーザー認知の間の因果ループを説明できないことにあります。マルチモーダルデータの早期統合、特に連続的な視線座標とミリ秒精度の相互作用ログを融合させることで、研究者は基本的なユーザビリティ指標を超えることができます。この統合は、特定のミクロレベルの注意シフト(例:探索戦略と安定化した焦点)を特定のインタラクションデザインの選択に直接帰属させる理論的利点を提供し、主観的な感覚から定量的な認知状態へと体験の流れを変換します。

これらのギャップを埋めるために、本プロトコルは画面ベースのインタラクティブデジタルアートに特化した視線追跡駆動型の注意力測定フレームワークを提案します。基盤となる技術的パイプラインは一般的なヒューマンコンピュータインタラクション(HCI)テストと構造的類似点を持っていますが、このフレームワークは非実用的な美的タスク(例:生成メディアの自由な視覚的探索)を目標指向のアクションと並行して独自に統合しています。この統合は、芸術鑑賞の流動的で探求的な性質を、標準的な実用主義的ソフトウェア評価アプローチと明確に区別しています。理論的には、本研究はインタラクティブなデジタルアート、HCI、視線追跡分析の交差点で機能しています。この研究は、デジタルアート評価における連続的な体験の流れを客観的に特徴づけるという継続的な課題と、インタラクティブ入力と注意出力の相関関係の解明の両方に対応しています。

この研究範囲は、インタラクティブなデジタルアートの体験的文脈だけでなく、眼球追跡データとインタラクションログを統合し、体験入力から注意指標、最終的にの結果変数に至るまでの体系的なエビデンスチェーンを構築することに焦点を当てています。システムレベルでは、眼球運動のキャプチャ、インタラクションログの記録、時間的同期を統合した再現可能なデータパイプラインを構築し、統一されたアーキテクチャを構築します。このフレームワークは、前処理、リージョンマッピング、注意メトリクス生成を標準化しつつ、トレーサブルなデータ構造と分析スクリプトを提供します。

概念的枠組み(図1)は、インタラクションデザインが視聴者の視覚的注意プロセスを変えることで主観的な結果にどのように影響を与えるかを明らかにしています。コアロジックでは、フィードバック遅延や誘導強度などの相互作用要素を制御可能な入力として、視覚的注意のダイナミクスを主要なプロセス変数として、体験の成果(没入感、使いやすさ、満足度)を出力として扱います。個人差も調整要因として取り入れられています。実験デザインでは、自由な探索と目標志向のバランスを取ったインタラクティブなタスクが開発されます。モデリングレベルでは、注意のダイナミクスと結果変数を相関させ、インタラクションデザイン要素が視覚的注意を通じてユーザー体験に影響を与えるメカニズムを検証します。このプロトコルは、このフレームワークを再現するための詳細な方法論的手順を提供し、ユーザー、システム、アート間の複雑な相互作用を科学的厳密さで測定できるようにしています。

プロトコル

この研究は、マカオ市立大学イノベーションデザイン学部の機関ガイドラインに従って実施されました。すべての参加者はデータ収集前にインフォームドコンセントを提供しました。

1. システム開発およびアーキテクチャ構成

1. 研究ワークフローを定義してください
   1. 図2に示される4段階のクローズドループプロセスを採用します:システム開発、眼球追跡実験、分析、アウトカムモデリング。
   2. ワークフローが反復的な洗練を促進し、分析フェーズのデータが将来の反復に向けたシステム開発の調整に役立てられるようにしましょう。
2. システムアーキテクチャの設定
   1. 図3に示されたパイプラインアーキテクチャを用いてシステムを構築します。これには5つの異なるモジュールから構成されています:経験(タスク)、アイトラッキング、ログ、同期(同期)、分析。
   2. エクスペリエンスモジュール:インタラクティブアートインターフェースを開発し、統一された入り口として機能させます。2つの並列データストリームを生成するように設定します:
      1. アイトラッキングデータストリーム:デバイスから生の視線座標とタイムスタンプを出力します。
      2. インタラクションログストリーム:ユーザーの操作(クリック、ジェスチャー)やシステム状態の変化(フィードバックトリガー、シーン移行)を記録します。
   3. 同期モジュール内にユーザーデータグラムプロトコル(UDP)スクリプトを実装し、視覚刺激が変化する、またはユーザーの入力が登録される正確なミリ秒で、インタラクションレンダリングエンジンからアイトラッカーAPIへイベントマーカーを送信します。
   4. 実験前に60秒間の同期テストループを実行してオフセット安定性を評価してください。インタラクションクロックとアイトラッカークロック間の遅延の標準偏差(SD)が厳密に6.5ms未満に保たれていることを確認しましょう( 表1参照)。SDが6.5msを超えた場合はネットワーク接続をリセットし、再キャリブレーションしてください。
   5. アラインドデータストレージ:データベースやファイルシステムを設定し、各データポイントに同期されたゲイズ座標、イベントフラグ、AOIインデックスを含むアラインドデータを格納します。
3. システムランタイムループを確立する
   1. 図4に示すようにランタイムループを実装します。
   2. シーケンスを厳密に従うようにプログラムしてください:セッション開始→キャリブレーション→シーンを読み込み + AOIs→リアルタイムループ(ユーザーインタラクション/視線キャプチャ/レンダーフィードバック)を行ってください。
   3. データ取得直後にデータパイプライン(ログ書き込み、タイムスタンプ→同期→固定解析→AOIマッピング)が迅速に動作し、迅速な品質チェックを可能にします。

2. 刺激と相互作用の設計

1. 選択的な相互作用モダリティ
   1. 相互作用のモダリティは分類に基づいて選択します。研究課題に応じて、視線ベースのインタラクション、タッチ/ジェスチャーベースのインタラクション、またはマルチユーザー共同配置インタラクションのいずれかを選択できます。
   2. このプロトコルでは、入力の難易度を最小化しつつ出力の解釈可能性を最大化する原則に従うため、視線入力とタッチ入力の組み合わせを実装します。
2. インタラクションモジュールとトリガーイベントを定義します。
   注意:ここで「インタラクションモジュール」は、デジタルアートワークの独立した機能ユニット(例:特定のインタラクティブな視覚効果)として運用上定義され、「トリガーイベント」とは、そのモジュールをミリ秒単位のタイムスタンプで起動させる特定のユーザー入力やシステム状態の変化を指します。
   1. 表2に定義された特定のインタラクションモジュールをプログラムします。
   2. アンビエントアトラクター:トリガーをシーンエントリーまたはアイドル状態に設定し、≥3.2秒間。期待される注意応答を、より広い探索とより高い視線分散と定義します。
   3. ゲイズハイライト:トリガーをオブジェクトのAOIに420ms≥視線停留として設定します。これにより視覚的なハイライトが出て集中力を強化しましょう。
   4. タッチリップル:キャンバスイベントをタップすると座標(x,y)に視覚的なリップル効果を実装します。波面の後にサッケード振幅の変化を記録してください。
   5. ガイドキュー:あらかじめ設定されたAOIで1.4〜2.1秒間視覚的なキューをプログラムします。このキューを使って、最初の固定までの時間(TTFF)を測定してください。
   6. 選択ゲート:ユーザーが7.5秒以内に3つの選択肢のうち1つを選択する決定点を作成します。これを使い、選択した選択肢と却下された選択肢の滞留時間を測定します。
3. デザイン関心分野(AOI)
   1. 図5に示すように静的および動的なAOIを作成します。
   2. 固定ユーザーインターフェース(UI)要素(例:メニュー、境界線)に対する静的AOIを定義します。
   3. 動く視覚要素(例:浮遊するオーブ、パーティクルシステム)に対する動的AOIを定義します。AOI座標がシステムのリフレッシュレートでログファイル内で更新されていることを確認してください。
   4. AOIに対してセマンティックタグ付け(例: ターゲットオブジェクト、 ディストラクタ、 命令テキスト)を実装し、分析中のセマンティック信頼性の計算を容易にします。

3. 参加者の募集と選考

1. 採用戦略
   1. 関連する人口層(例:デジタルアート研究の大学生)から参加者を募集し、デジタルリテラシーの基礎を確立します。
   2. インフォームドコンセントを取得し、参加者に眼球追跡の内容について説明を伝えましょう。
2. スクリーニング基準
   1. 視力検査。参加者が正常または正常に矯正された視力を持っているかを確認しましょう。
   2. 標準的な視線追跡のキャリブレーションを妨げる眼疾患(例:斜視、重度乱視)を持つ患者は除外します。
   3. キャリブレーションチェック:初期セットアップ時に5ポイントまたは9ポイントキャリブレーションを行います。平均キャリブレーション≤誤差0.85°を達成できない、または持続的な追跡損失を示す参加者(有効標本比<85%)は除外します。
   4. 年齢、性別、利き手、自己申告のデジタルアート露出などの人口統計データを記録します( 表3 パラメータ参照)。

4. 実験的手続き

1. 物理的な構成
   1. 実験は静かで安定した環境照明のある部屋で行います。画面に直射日光や強い反射を避けましょう。
   2. 特定の市販のスクリーンベースの視線追跡装置に適した固定の視聴距離(例:60〜70cm)で座席を設けます。
   3. 椅子の高さを調整して、参加者の目が画面の中心と同じ高さになるようにします。
2. セッション実行
   1. キャリブレーション:キャリブレーションルーチンを実行します。正確さを確認してください。ドリフトが1.10°>場合は再キャリブレーション(ドリフトチェック)を行います。
   2. 模擬試験:参加者にインタラクションプロトコル(例:Gaze Highlightの発動方法)を慣れさせるため、標準化された練習セッション(約2分)を実施します。
   3. タスク実行:シーケンス効果を最小限に抑えるために、2つのタスクタイプをバランスの取れた順序で提示します。
      1. 自由探索課題:参加者に「自由にアートワークを探索し、興味のある要素と交流する」と指示します。
      2. 目標指向型タスク:参加者に「特定の隠された要素を見つける」または「インタラクションシーケンスを完了して最終的なビジュアルを解放する」と指示します。
   4. データ記録:システムがアイトラッキングストリームとインタラクションログの両方を、タスク全体で統一されたタイムスタンプで自動的に記録することを確実にしてください。
   5. タスク後のアンケート:各タスクブロックの直後に、体験スケール(没入感、美的快楽、使いやすさ、満足度)を実施します。

5. データ処理および分析パイプライン

1. データ前処理と品質管理
   1. 視線処理パイプラインの包括的な概要については 図6 を参照してください。この視覚的回路図は、生の視線座標を解釈可能な解析データに変換するために必要な逐次段階を示しています。すなわち、初期信号品質管理(まばたき補間や空間フィルタリングを含む)、速度に基づく眼球運動の注視やサッカードへの解析、注目点をアクティブな関心領域(AOI)への動的マッピング、そして定量的な注意指標の最終計算です。
   2. ブリンクや信号のドロップアウトは標準化された補間およびフィルタリングパイプラインで処理します。瞳孔径がゼロになる点滅や信号損失セグメントを特定し、追跡の有効性フラグが無効となる場合を識別してください。
   3. 短いギャップ(≤75 ms)の場合は、線形補間アルゴリズムを適用して欠損した視線座標を推定します。75msを超えるギャップについては、人工的なアーティファクト生成を防ぐためにデータをマッピングせずにおきましょう。補間後、移動平均フィルター(ウィンドウサイズ=3サンプル)を適用してマイナーな高周波ノイズを滑らかにします。
   4. 物理的なスクリーン境界の外に位置する視線点や、生物学的に不可能なサケード速度(> 1000^o/s)を示す空間的外れ値を検出・除去します。
   5. 最終ドロップアウト分数を計算します。回収不能な損失がタスク期間の12%を超えるセッションは除外します。
   6. トライアルレベルのドリフト補正を適用してください。特定のタスクブロック直前の検証チェック中に体系的なオフセットが検出された場合、その試験の生の視線データに線形座標補正ベクトルを適用し、頭部のわずかな姿勢の変化を補正します。
2. 固定とサッケード解析
   1. 速度閾値による識別(I-VT)解析アルゴリズムを適用します。眼球運動速度が30°/sを超える場合は、生データポイントをサッケードと分類します。そうでなければ、それらは固執として分類してください。
   2. 微小射撃やアーティファクトノイズをフィルタリングするために、最小の固定時間閾値を80ms適用してください。
   3. 眼球運動を、固定(安定した視線)とサッケード(急速な動き)に分類します。固定テーブルとサッケードテーブルを生成します。
3. 時間的アライメントとAOIマッピング
   1. UDPイベントマーカーを絶対参照アンカーとして、視線イベントのタイムスタンプとインタラクションログのタイムスタンプを一致させます。
   2. 初期化テストループ中に記録された平均オフセットをすべてのゲーズタイムスタンプから差し引くことで、ハードウェア伝送遅延に補正します。
   3. 分析レベルでの統合を示す同期データ行の概略例は 表4 を参照してください。このマトリックスが連続的な視線座標、離散的なインタラクションイベントフラグ、ミリ秒分解の動的AOIインデックスを融合させ、後の計量計算の基礎データセットを形成している様子に注目してください。
   4. 流動的なデジタルアート環境における静的空間分割の制約を克服するために、動的AOIマッピングを実装します。
   5. 各フィクセーション座標を、その正確なミリ秒タイムスタンプに特別に更新されたアクティブなAOIに、ポイントインポリゴンアルゴリズムを用いてマッピングします。
   6. 注意:これにより、視覚要素が絶えず移動または状態が変化しても、視線データが固定された旧画面位置ではなく、意図されたインタラクティブオブジェクトに正しく帰属されることを保証します。
   7. 重なるAOIには厳格なzバッファ階層ルールで優先順位を割り当てます。生の(x,y)視線座標を、その特定のミリ秒タイムスタンプで更新されたバウンディングボックス配列にマッピングします。
   8. 座標が複数のアクティブなバウンディングボックス内にある場合は、最も高いレンダリングレイヤーインデックスを持つAOI(最前面の視覚要素)に限定して固定を割り当てます。重複するデータを下層から破棄し、重複カウントを防ぐこと。
   9. マッピングされていない固定の割合を計算してください。AOI定義の完全性を検証するために、この値を0.18(18%)≤に保つようにしてください。
4. 計量計算
   1. 図1のフレームワークに示されるように、3次元にわたる指標を計算します。
   2. TTFFを計算します。これは、特定の視覚刺激の開始から対応するターゲットAOI内で最初の注視開始までの経過時間として厳密に定義されます。停留時間(AOI内の固定総時間)と再訪率を計算します。
   3. 注意の切り替えを定量化するために遷移行列を計算します。AOI AからAOI Bへの移行確率PABを、AからAから発するトランジションの総数で割って算出します。スイッチレートは、AOI間トランジションの総数を有効なタスク時間で割って算出します。
   4. シャノンの情報理論の公式を用いて、視覚的探索のランダム性を定量化するためにグローバル・ゲイズ・エントロピー(H)を計算します。式を次のように定式化します:
      (1)
      ここで変数は次のように定義されます:視覚的注意の分散を表すグローバルゲイズエントロピー。 N: シーン内で定義された動的AOIの総数。 p_i: 視線が特定のAOI内に着く確率。これはAOIにおける停留時間の割合と、有効タスクの総時間の比率から導かれます。
   5. これらの指標をタスクフェーズ(自由探索 vs. 目標指向)ごとに集約してください。
5. 統計モデリング
   1. 計算された指標と調査スコアを統合して最終データセットを組み立てます。
   2. ユーザビリティと満足度の構成要素を検証するために、確認的因子分析(CFA)を実施します。
   3. 混合効果モデルや構造方程式モデリング(SEM)を用いて仮説を検証します(例: 相互作用遅延は注意の切り替えを予測し、 注意の切り替えは使いやすさを予測する)。

結果

サンプル特性とデータ品質

このプロトコルの適用により43名の学生が募集され、そのうち37名が最終解析に含まれました(包含率:86.0%)。 表3に詳述されているように、6名の参加者の除外はデータ品質プロトコルの遵守のみによるものでした。すなわち、トラッキング損失/不十分な校正(n=2)、過剰なサンプル欠損(n=2)、インタラクティブフェーズ中の自己申告による乗り物酔いによる未完了タスク(n=1)、そして調査完了前の個人スケジュールの都合による自主的な撤退(n=1)。含まれたサンプルは高いデータ品質を示し、平均キャリブレーション誤差は0.74±0.18°、有効な視線標本比は91.6±4.8%でした。中央値の未マッピング固定率は12.7%で、許容範囲内であり、動的AOIマッピング戦略の有効性を裏付けています。

提案された技術的パイプラインは、詳細な視線指標(データ処理プロトコルに詳述されている通り...

ディスカッション

本研究は、インタラクティブデジタルアートに特化した検証済みのアイトラッキング測定フレームワークを確立します。結論として、動的な関心領域(AOI)マッピングとミリ秒レベルのマルチモーダル同期が、流体媒体でこれまで隠されていた微小な視覚的注意の変化を定量化することに成功していることが示されています。理論的には、本研究はインタラクティブな文脈における主観的満足の定量的な上流予測因子としての機能的ユーザビリティを確立することで、受動的観察モデルと能動的参加モデルの概念的なギャップを埋めます。実際には、提案されたパイプラインは、フィードバック遅延と視覚的ガイダンスを最適化するための客観的で継続的な評価ツールセットを設計者に提供し、直感に基づくインタラクションデザインからエビデンスに基づく実践へと移行させます。その結果、これらの成果は方法論とインタラクティブ体験の広範な性質に関する重要な洞察を浮き彫りにしています。

まず、実験条件下で記録された高いユーザビリティおよび満足度スコアは、提案されたシステムランタイムループの実現可能...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
アイトラッカー	トビイAB	プロナノ	60Hzの画面ベースの視線捕捉;5/9ポイントキャリブレーション
モニター	ASUS	VP249QGR	23.8インチ、1920年以降;1080;視聴距離 ~65 cm
インタラクションPC	デル	オプティプレックス7010	Windows 10;Run Interface + Logs
同期クロック	習慣	v1.0	視線を統一し、インタラクションタイムスタンプ
固定パーサー	オープンソース	I-VT	固定閾値80–120ミリ秒。
AOIマッパー	習慣	2Dポリゴン点	マップは静的/動的AOIを視線します