Name: 모바일 아이 트래커를 사용하여 공동 시각 주의를 포착하는 방법론 (동영상) | JoVE Journal
Uploaded: 2020-01-18T14:00:00.000+00:00
Duration: 12 min 39 s
Description: 배우세요 모바일 아이트래커를 활용한 공동 시각 주의 정량적 측정 방법입니다. 공동체 상호작용의 질을 평가하고 협력 학습 과정을 심층 분석하는 데 활용할 수 있습니다.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

이 방법론의 개발은 국립 과학 재단 (NSF #0835854), 직업 교육을위한 선도적 인 하우스 기술, 교육, 연구 및 혁신을위한 스위스 국가 사무국, 하버드 교육 대학의 딘 벤처 펀드에 의해 지원되었다.

1. 참가자 심사
<ol><li>정상 또는 수정 된 - 정상 시력을 가진 참가자를 모집해야합니다. 참가자는 모바일 아이 트래커를 착용하라는 요청을 받게 되므로 콘택트렌즈를 착용할 수 있지만 일반 안경은 착용할 수 없습니다.</li>
</ol>2. 실험 준비
<ol><li>아이트래킹 장치<ol>
<li>실제 환경에서 눈의 움직임을 포착할 수 있는 모든 모바일 아이 트래커를 사용하십시오. 참고: 여기에 사용된 모바일 아이 트래커는 두 개의 Tobii Pro Glasses 2(재료 표참조)였습니다. 눈의 움직임을 추적할 수 있는 특수 카메라 외에도 HD 장면 카메라와 마이크가 장착되어 있어 사용자의 시야에서 시선을 시각화할 수 있습니다. 이 안경은 초당 50회 시선 데이터를 캡처합니다. 다른 연구자들은 ASL Mobile Eye5,SMI6또는 동공 실험실7을사용했으며, 이 모든 것은 장면 카메라의 비디오 스트림과 다양한 샘플링 속도(30-120Hz)의 아이 트래킹 좌표를 제공합니다. 아래 절차는 다른 아이 트래킹 장치와 약간 다를 수 있습니다.</li>
	</ol>
</li>
	<li>신탁 마커<ol>
<li>아래의 두 단계(즉, 시간 및 공간 정렬)에서는 fiducial 마커를 사용해야 합니다. 연구자에게 이미지 또는 비디오 피드에서 이러한 마커와 알고리즘을 감지할 수 있는 몇 가지 컴퓨터 비전 라이브러리가 있습니다. 설명된 프로토콜은 칠리타그 라이브러리8을사용합니다.</li>
	</ol>
</li>
	<li>시간 정렬<ol>
<li>아이트래킹 데이터는 두 개의 개별 단위에 기록되므로 데이터가 제대로 동기화되었는지 확인합니다(그림1). 두 가지 주요 방법을 사용할 수 있습니다. 서버 동기화는 모바일 아이 트래커의 각 브랜드와 다르게 작동하기 때문에 이 원고는 첫 번째 방법만 다룹니다.<ol>
<li>세션의 시작과 끝을 표시하기 위해 컴퓨터 화면에 신탁 마커를 간단히 표시합니다. 이는 시각적인 "손 박수"(그림2)와유사합니다.</li>
			<li>또는 서버를 사용하여 두 데이터 수집 단위의 클럭을 동기화합니다. 이 방법은 약간 더 정확하며 더 높은 시간 정확도가 필요한 경우 권장됩니다.</li>
		</ol>
</li>
	</ol>
</li>
	<li>공간 정렬<ol>
<li>두 참가자가 동시에 같은 장소를 보고 있는지 확인하려면 시선을 공통 평면에 매핑합니다. 이 평면은 실험 설정의 그림일 수 있습니다(그림 3의왼쪽 참조). 실험 전에 이 이미지를 신중하게 디자인합니다.</li>
		<li>신탁 마커의 크기: 신탁 마커의 일반적인 크기는 아이 트래킹 비디오에서 이를 감지하는 데 사용되는 알고리즘에 따라 달라집니다. 참가자에 가까운 표면은 더 작은 fiducial 마커를 가질 수 있으며, 표면에서 멀리 떨어진 표면은 더 커야 참가자의 관점에서 유사하게 보일 수 있습니다. 미리 다른 크기를 시도하여 아이트래킹 비디오에서 감지할 수 있는지 확인합니다.</li>
		<li>fiducial 마커 의 수 : 일반적인 평면에 시선 포인트를 매핑하는 과정이 성공하려면, 주어진 시간에 참가자의 관점에서 볼 수있는 여러 신탁 마커를 가지고 있는지 확인하십시오.</li>
		<li>신탁 마커의 위치: 관련 관심 영역을 fiducial 마커 스트립으로 프레임합니다(예: 그림 3의랩톱 화면 참조).</li>
	</ol>
</li>
	<li>마지막으로 파일럿을 실행하여 동기화 절차를 테스트하고 최적의 위치, 크기 및 수의 fiducial 마커 수를 결정합니다. 아이 트래킹 비디오는 컴퓨터 비전 알고리즘을 통해 처리되어 수탁 자 마커가 안정적으로 감지되는지 확인할 수 있습니다.</li>
</ol>3. 실험 실행
<ol><li>지침<ol>
<li>참가자들에게 일반 안경처럼 아이트래킹 안경을 착용하도록 지시합니다. 참가자의 뚜렷한 얼굴 특징에 따라 데이터 품질을 유지하기 위해 다양한 높이의 코 조각을 사용해야 할 수 있습니다.</li>
		<li>아이 트래커를 켠 후 참가자가 자연스러운 신체 움직임을 허용하도록 레코딩 장치를 스스로 클립하도록 합니다.</li>
	</ol>
</li>
	<li>교정<ol>
<li>소프트웨어의 교정 기능이 활성화되어 있는 동안 참가자에게 Tobii에서 제공하는 교정 마커의 중심을 살펴보도록 지시합니다. 보정이 완료되면 소프트웨어 내에서 레코딩을 시작할 수 있습니다.</li>
		<li>보정 후 모바일 아이 트래커를 이동하지 않도록 참가자에게 지시합니다. 이 경우 데이터가 부정확할 수 있으며 교정 절차를 다시 수행해야 합니다.</li>
	</ol>
</li>
	<li>데이터 모니터링<ol>
<li>연구 중에 데이터 수집 프로세스를 모니터링하고 아이트래킹 데이터가 제대로 수집되고 있는지 확인합니다. 대부분의 모바일 아이 트래커는 이러한 목적을 위해 별도의 장치(예: 태블릿)에서 실시간 스트림을 제공할 수 있습니다.</li>
	</ol>
</li>
	<li>데이터 내보내기<ol>
<li>녹화 세션이 끝나면 참가자에게 아이트래킹 안경과 데이터 수집 장치를 제거하도록 지시합니다. 장치를 끕니다.</li>
		<li>세션 데이터를 가져오는 데이터 수집 부에서 SD 카드를 제거하여 다른 소프트웨어인 Tobii Pro Lab을 사용하여 데이터를 추출합니다. Tobii Pro Lab은 비디오를 재생하고, 시각화를 만들고, 아이트래킹 데이터를 쉼표로 구분된(.csv) 또는 탭 분리(.tsv) 파일로 내보내는 데 사용할 수 있습니다.</li>
	</ol>
</li>
</ol>4. 듀얼 아이 트래킹 데이터 전처리
<ol><li>아이 트래킹 데이터를 확인하는 정신<ol>
<li>데이터 수집 후 눈 추적 데이터를 시각적으로 확인합니다. 일부 참가자가 누락된 데이터를 가지고 있는 것은 드문 일이 아닙니다. 예를 들어, 일부 특정 눈 생리학은 아이 트래킹 알고리즘에 문제를 제기할 수 있고, 실험 중에 안경이 변할 수 있으며, 데이터 수집 소프트웨어가 충돌할 수 있습니다.</li>
		<li>설명 통계를 사용하여 각 세션 동안 손실된 데이터의 양을 확인하고 누락되거나 시끄러운 데이터가 많이 있는 세션을 제외합니다.</li>
	</ol></li>
	<li>시간 정렬<ol>
<li>각 모바일 아이트래커의 데이터를 잘라참가자 간의 상호작용만 포함합니다. 이것은 전술한 방법을 사용하여 달성될 수 있다(즉, 세션의 시작과 끝에서 참가자들에게 두 개의 특별한 신탁 마커를 제시). 그런 다음 아이트래킹 비디오에서 이러한 피덕셜 마커를 감지하여 데이터 세트를 트리밍할 수 있습니다.</li>
	</ol></li>
	<li>공간 정렬 참고: 두 참가자가 동시에 같은 장소를 보고 있는지 여부를 감지하려면 참가자의 시선을 공통 평면(예: 실험 설정 이미지)에 다시 매핑해야 합니다. 이 목표를 달성하기 위한 계산 방법은 상모그래피(즉, 평면의 원근 변환)입니다. 기술적 관점에서 볼 때, 공간에서 동일한 평면 표면의 두 이미지는 호모그래피 매트릭스와 관련이 있습니다. 공통 점 집합을 기반으로 이 행렬을 사용하여 두 평면 사이의 추가 점 위치를 추론할 수 있습니다. 그림 3에서는예를 들어 컴퓨터 비전 알고리즘이 유인물의 위치를 알고 있는 경우 참가자의 시선을 왼쪽의 공통 평면으로 다시 매핑할 수 있습니다. 흰색 선은 각 참가자의 비디오 피드와 장면에서 공유하는 두 점 세트를 연결한 다음 왼쪽에 있는 녹색 및 파란색 점을 다시 매핑하기 위해 호모그래피를 작성하는 데 사용됩니다.<ol>
<li>예를 들어, OpenCV의 파이썬 버전을 사용하여 fiducial 마커에서 호모그래피 행렬을 계산한 다음 아이 트래킹 데이터를 실험 설정의 장면(또는 선택한 언어로 된 다른 적합한 라이브러리)의 장면으로 다시 매핑합니다. OpenCV는 두 가지 유용한 함수를 제공합니다: findHomography()를 사용하여 호모그래피 행렬을 얻고, 원근변환()을 사용하여 점을 한 원근에서 다른 원근으로 변환합니다.</li>
		<li>findHomography()- 두 개의 인수로 실행하려면 소스 포인트의 X, Y 좌표(즉, 참가자의 장면 비디오에서 감지된 신탁 마커, 그림 3의오른쪽에 도시된) 및 해당 대상 점(즉, 그림 3의왼쪽에 표시된 장면 이미지에서 감지된 동일한 신탁 마커)을 사용합니다.</li>
		<li>소스 이미지에서 대상 이미지로 매핑해야 하는 새 점(예: 그림 3의오른쪽에 파란색/녹색 점으로 표시된 눈 추적 데이터)과 함께 결과 홈그래피 행렬을 원근 변환() 함수에 공급합니다. 원근 변환 함수는 장면 이미지에서 동일한 점의 새 좌표를 반환합니다(예: 그림 3의왼쪽에 표시된 파란색/녹색 점). 참고: 자세한 내용은 OpenCV 공식 설명서에서 docs.opencv.org/master/d1/de0/tutorial_py_feature_homography.html 호모그래피를 구현하는 샘플 코드와 예제를 제공합니다.</li>
	</ol></li>
	<li>상모그래피를 확인하는 정신<ol>
<li>전체 세션에 대한 섹션 4.3을 완료하고 모바일 아이 트래킹 비디오의 각 프레임에 대한 호모그래피를 수행하여 호모그래피의 품질을 확인합니다. 결과 아이트래킹 데이터의 정확도를 추정하는 자동화된 방법은 없지만 그림 4와 같은 비디오는 각 세션을 수동으로 온전하게 검사하는 데 사용해야 합니다.</li>
		<li>품질이 예상보다 낮은 경우 추가 매개 변수를 고려하여 호모그래피 의 결과를 개선하십시오.<ol>
<li>감지된 수의 피덕실 마커 수: 비디오 스트림에서 충분한 fiducial 마커를 감지할 수 있는 경우에만 호모그래피를 수행합니다. 이 숫자는 위에서 제작한 비디오를 검토하여 결정할 수 있습니다.</li>
			<li>신탁 마커의 위치: 서로 다른 마커가 서로 다른 깊이와 방향에 있는 경우, 시선 좌표에 가장 가까운 마커를 선택하면 일반적으로 호모그래피의 품질이 증가합니다. 호모그래피.</li>
			<li>신탁 마커의 방향: 방향이 다른 선인장 마커(예: 수평 및 수직)를 결합하면 부정확한 호몰그래피가 생성됩니다. 먼저 참가자가 보고 있는 평면 또는 관심 영역(AOI)을 감지하는 것이 좋습니다(예: 컴퓨터 화면, 치트 시트, 표, 그림 3참조) 이 평면의 fiducial 마커를 사용하여 호모그래피를 사용하는 것이 좋습니다.</li>
			<li>비디오 스트림의 품질: 갑작스런 머리 움직임으로 인해 비디오 프레임이 흐려지고 데이터를 사용할 수 없게 되는데, 이는 fiducial 마커를 안정적으로 감지할 수 없기 때문입니다(그림4). 이 백서의 방법론은 갑작스런 머리 움직임을 많이 수반하는 실험에는 적합하지 않습니다.</li>
		</ol>
</li>
	</ol></li>
</ol>5. 이중 아이트래킹 데이터 분석
<ol><li>누락된 데이터<ol>
<li>데이터가 참조 이미지에 제대로 리메그래핑되었는지 확인하기 위해 시각화 그래프(예: 그림 5,그림 6)와설명 통계를 생성하여 누락된 데이터의 양을 확인합니다.</li>
	</ol>
</li>
	<li>교차 되풀이 그래프<ol>
<li>교차 되풀이 그래프9를 사용하여 X축이 첫 번째 참가자의 시간을 나타내고 Y축은 두 번째 참가자의 시간을 나타내는 두 참가자 간의 시각적 동기화를나타냅니다(그림 6). 검은 사각형은 참가자가 같은 영역을 보고 있음을 나타내며, 검은 색 대각선은 정확히 같은 시간에 같은 것을 보는 두 피사체를 설명하고, 대각선에서 검은 색 사각형은 시간 지연으로 같은 것을 보는 두 피사체를 묘사합니다. 마지막으로 누락된 데이터(흰색 사각형)와 JVA(회색 사각형)가 없는 기존 데이터를 구분하면 문제가 있는 세션을 식별하는 데 도움이 됩니다. 이것은 시각적 인 정신 검사를 연구원을 제공합니다.</li>
	</ol>
</li>
	<li>JVA 컴퓨팅<ol>
<li>누락된 데이터를 필터링한 후 참가자의 시선이 -2/+2 시간 창에서 장면의 동일한 반경(아래에 정의)에 있는 횟수를 계산하여 JVA에 대한 메트릭을 계산합니다. 이 숫자를 JVA 계산에 사용할 수 있는 유효한 데이터 포인트 의 수로 나눕니다. 분할의 결과는 두 과목이 공동으로 같은 장소를 보고 있던 시간의 백분율을 나타냅니다. 이 마지막 단계는 homography 후 더 많은 데이터로 그룹의 점수를 팽창하지 않도록 하는 데 필요합니다. 참고: JVA를 계산하기 전에 두 개의 매개변수를 설정해야 하며, 두 시선 점 사이의 최소 거리와 두 시선 사이의 시간창(그림 7):1) 시간 창: 초기 기초 연구10은 단일 아이 트래커를 사용하여 청취자와 스피커 간의 JVA를 측정했습니다. 연구진은 첫 번째 참가자 ("스피커")에게 캐릭터가 앞에 표시된 텔레비전 쇼에 대해 이야기하도록 요청했습니다. 두 번째 참가자("청취자")는 스피커의 오디오 녹음을 들으면서 같은 쇼를 시청했습니다. 스피커와 청취자의 눈 움직임을 비교한 결과, 청취자의 눈 움직임이 스피커의 눈 움직임과 2s의 지연과 밀접하게 일치하는 것으로 나타났습니다. 후속 작업에서11 연구원은 라이브 대화를 분석하고 JVA의 순간을 가장 잘 캡처 3의 지연을 발견했다. 각 작업은 고유하며 서로 다른 시간 지연을 나타낼 수 있으므로 다른 시간 지연이 주어진 실험의 결과에 미치는 영향을 탐색하는 것이 좋습니다. 전반적으로 실험 작업에 따라 ± 2/3 의 시간 창에서 JVA를 찾은 다음 다른 시간 지연이 결과를 어떻게 바꿀 수 있는지 탐색하는 것이 일반적입니다. 2) 시선 사이의 거리 : JVA로 계산하는 두 시선 사이의 경험적으로 정의 된 거리가 없습니다. 이 거리는 연구원에 의해 정의된 연구 질문에 달려 있습니다. 연구 질문은 관심 대상의 크기를 알려야합니다. 도 7에서볼 수 있는 예에서는 참가자가 미로에서 로봇을 볼 때 캡처하기에 충분하고 컴퓨터 화면의 유사한 사용자 인터페이스 요소에서 캡처하기에 충분하기 때문에 장면 이미지의 반경 100픽셀(파란색/녹색 원)을 선택했습니다.</li>
	</ol>
</li>
</ol>

<ol><li>Tomasello, M. Joint attention as social cognition. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aTomasello%2C+M+%22Joint+attention%3A+Its+origins+and+role+in+development%22">Joint attention: Its origins and role in development</a>. Moore, C., Dunham, P. J. , Lawrence Erlbaum Associates, Inc. Hillsdale, NJ, England. 103-130 (1995).</li>
<li>Mundy, P., Sigman, M., Kasari, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+longitudinal+study+of+joint+attention+and+language+development+in+autistic+children%5BTitle%5D)+AND+%22Journal+of+Autism+and+Developmental+Disorders%22%5BJournal%5D)">A longitudinal study of joint attention and language development in autistic children.</a> Journal of Autism and Developmental Disorders. 20, 115-128 (1990).</li>
<li>Clark, H. H., Brennan, S. E. Grounding in communication. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aClark%2C+HH+%22Perspectives+on+socially+shared+cognition%22">Perspectives on socially shared cognition</a>. Resnick, L. B., Levine, J. M., Teasley, S. D. , American Psychological Association. Washington, DC, US. 127-149 (1991).</li>
<li>Siposova, B., Carpenter, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+look+at+joint+attention+and+common+knowledge%5BTitle%5D)+AND+%22Cognition%22%5BJournal%5D)">A new look at joint attention and common knowledge.</a> Cognition. 189, 260-274 (2019).</li>
<li>Gergle, D., Clark, A. T. See What I'm Saying?: Using Dyadic Mobile Eye Tracking to Study Collaborative Reference. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aGergle%2C+D+%22Proceedings+of+the+ACM+2011+Conference+on+Computer+Supported+Cooperative+Work%22">Proceedings of the ACM 2011 Conference on Computer Supported Cooperative Work</a>. , ACM. New York, NY, USA. 435-444 (2011).</li>
<li>Renner, P., Pfeiffer, T., Wachsmuth, I. Spatial References with Gaze and Pointing in Shared Space of Humans and Robots. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aRenner%2C+P+%22Spatial+Cognition+IX%22">Spatial Cognition IX</a>. Freksa, C., Nebel, B., Hegarty, M., Barkowsky, T. , Springer International Publishing. 121-136 (2014).</li>
<li>Shvarts, A. Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automatic+detection+of+gaze+convergence+in+multimodal+collaboration%3A+a+dual+eye-tracking+technology%5BTitle%5D)+AND+%22The+Russian+Journal+of+Cognitive+Science%22%5BJournal%5D)">Automatic detection of gaze convergence in multimodal collaboration: a dual eye-tracking technology.</a> The Russian Journal of Cognitive Science. 5, 4(2018).</li>
<li>Bonnard, Q., et al. Chilitags: Robust Fiducial Markers for Augmented Reality [software]. , Available from: 
 <a target="_blank" href="https://github.com/chili-epfl/qml-chilitags">https://github.com/chili-epfl/qml-chilitags</a> (2013).</li>
<li>Jermann, P., Mullins, D., Nüssli, M. -A., Dillenbourg, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Collaborative+Gaze+Footprints%3A+Correlates+of+Interaction+Quality.+Connecting+Computer-Supported+Collaborative+Learning+to+Policy+and+Practice%5BTitle%5D)+AND+%22CSCL2011+Conference+Proceedings.%2C+Volume+I+-+Long+Papers%22%5BJournal%5D)">Collaborative Gaze Footprints: Correlates of Interaction Quality. Connecting Computer-Supported Collaborative Learning to Policy and Practice.</a> CSCL2011 Conference Proceedings., Volume I - Long Papers. , 184-191 (2011).</li>
<li>Richardson, D. C., Dale, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Looking+To+Understand%3A+The+Coupling+Between+Speakers%27+and+Listeners%27+Eye+Movements+and+Its+Relationship+to+Discourse+Comprehension%5BTitle%5D)+AND+%22Trends+in+Cognitive+Sciences%22%5BJournal%5D)">Looking To Understand: The Coupling Between Speakers' and Listeners' Eye Movements and Its Relationship to Discourse Comprehension.</a> Trends in Cognitive Sciences. 29, 1045-1060 (2005).</li>
<li>Richardson, D. C., Dale, R., Kirkham, N. Z. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+Art+of+Conversation+Is+Coordination+Common+Ground+and+the+Coupling+of+Eye+Movements+During+Dialogue%5BTitle%5D)+AND+%22Psychological+Science%22%5BJournal%5D)">The Art of Conversation Is Coordination Common Ground and the Coupling of Eye Movements During Dialogue.</a> Psychological Science. 18, 407-413 (2007).</li>
<li>Schneider, B., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Using+Mobile+Eye-Trackers+to+Unpack+the+Perceptual+Benefits+of+a+Tangible+User+Interface+for+Collaborative+Learning%5BTitle%5D)+AND+%22ACM+Transactions+on+Computer-Human+Interaction%22%5BJournal%5D)">Using Mobile Eye-Trackers to Unpack the Perceptual Benefits of a Tangible User Interface for Collaborative Learning.</a> ACM Transactions on Computer-Human Interaction. 23, 1-23 (2016).</li>
<li>Meier, A., Spada, H., Rummel, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+rating+scheme+for+assessing+the+quality+of+computer-supported+collaboration+processes%5BTitle%5D)+AND+%22Int.+J.+Comput.-Support.+Collab.+Learn%22%5BJournal%5D)">A rating scheme for assessing the quality of computer-supported collaboration processes.</a> Int. J. Comput.-Support. Collab. Learn. 2, 63-86 (2007).</li>
<li>Schneider, B., Pea, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Real-time+mutual+gaze+perception+enhances+collaborative+learning+and+collaboration+quality%5BTitle%5D)+AND+%22Journal+of+Computer-Supported+Collaborative+Learning%22%5BJournal%5D)">Real-time mutual gaze perception enhances collaborative learning and collaboration quality.</a> Journal of Computer-Supported Collaborative Learning. 8, 375-397 (2013).</li>
</ol>

저자는 그들이 경쟁 적인 재정적 이익이 없다고 선언합니다.

이 백서에 설명된 방법론은 JVA를 공동 배치 된 다이드에서 캡처하는 엄격한 방법을 제공합니다. 저렴한 감지 기술과 향상된 컴퓨터 비전 알고리즘의 출현으로 이전에는 사용할 수 없었던 정확도로 협업 상호 작용을 연구할 수 있게 되었습니다. 이 방법론은 환경에 전파된 신탁 마커를 활용하고 참가자의 시선을 공통 평면에 다시 매핑하는 방법으로 동형그래프를 사용합니다. 이를 통해 연구자들은 Colocated 그룹에서 JVA를 엄격하게 연구할 수 있습니다.
이 방법은 실험의 다양한 지점에서 수행해야 하는 여러 정신 검사를 포함합니다. 이는 복잡한 절차이므로 연구원은 결과 데이터 집합이 완전하고 유효한지 확인해야 합니다. 마지막으로, 실제 실험 전에 파일럿 연구를 수행하고, 데이터 수집이 완료된 후 비디오가 완성되었음에도 불구하고 참가자의 상호 작용을 재구성하는 것이좋습니다(그림 3, 그림 4,</st...

JVA는 지난 세기 동안 광범위하게 연구되어 왔으며, 특히 언어 습득을 연구하는 발달 심리학자에 의해 연구되었습니다. 공동주의는 단순히 단어를 배우는 방법일 뿐 아니라 아이들의 마음 이론의 선구자라는 것이 빠르게 확립되었습니다1. 따라서, 그것은 다른 사람들과 의사 소통, 협력, 공감 개발 과 같은 많은 사회적 과정에서 중요한 역할을한다. 자폐증 어린이, 예를 들어, 중요한 사회적 장애와 관련된 자신의 간병인과 시각적 인 주의를 조정 할 수있는 능력이 부족2. 인간은 사회의 기능적 구성원이 되고, 행동을 조정하고, 다른 사람들로부터 배우기 위해 공동의 주의가 필요합니다. 첫 마디를 습득하는 아이들, 교사로부터 배우는 청소년, 프로젝트에 협력하는 학생, 공동 목표를 향해 노력하는 성인 그룹에 이르기까지 공동 주의는 개인 간의 공통점을 확립하는 기본메커니즘입니다 3. 이 논문에서는 교육 연구에서 JVA의 연구에 중점을 둡니다. 시간이 지남에 따라 공동 주의가 어떻게 전개되는지 이해하는 것은 공동 학습 프로세스의 연구에 가장 중요합니다. 이와 같이, 그것은 사회 건설주의 설정에서 지배적 인 역할을한다.
공동 관심의 정확한 정의는 여전히 논의4. 이 백서는 공동 주의 (JA) 즉 JVA의 하위 구조와 관련이 있습니다. JVA는 두 과목이 동시에 같은 장소를 보고 있을 때 발생합니다. JVA는 JA의 연구에서 관심있는 다른 중요한 구성에 대한 정보를 제공하지 않는다는 점에 유의해야한다, 이러한 공통 모니터링 등, 상호, 공유 주의, 또는 더 일반적으로, 다른 그룹 구성원의 인식의 인식. 이 백서는 두 참가자의 아이트래킹 데이터를 결합하고 시선을 정렬하는 빈도를 분석하여 JVA를 운영하고 단순화합니다. 보다 포괄적인 토론을 위해 관심 있는 독자는 시포소바엣 al.4.
지난 10년 동안 기술 발전은 JVA에 대한 연구를 근본적으로 변화시켰습니다. 주요 패러다임 변화는 실험실이나 생태 환경에서 비디오 녹화를 정성적으로 분석하는 것과 는 달리 여러 개의 아이 트래커를 사용하여 주의력 정렬의 정량적 측정값을 얻는 것이었습니다. 이 발달은 연구원이 dyads의 시각적 조정에 관하여 정밀하고 상세한 정보를 수집하는 것을 허용했습니다. 또한, 아이 트래커는 더 저렴해지고 있다: 최근까지, 그들의 사용은 학술 설정 또는 대기업에 예약되었다. 이제 신뢰할 수 있는 데이터 세트를 생성하는 저렴한 아이 트래커를 구입할 수 있습니다. 마지막으로, 하이 엔드 노트북 및 가상 및 증강 현실 헤드셋과 같은 기존 장치에 시선 추적 기능이 점진적으로 포함되면 아이 트래킹이 곧 유비쿼터스가 될 것임을 시사합니다.
아이트래킹 기기가 대중화되기 때문에 사회적 상호 작용에 대해 알려줄 수 있는 것과 말할 수 없는 것을 이해하는 것이 중요합니다. 이 백서에 제시된 방법론은 이 방향의 첫 번째 단계를 표시합니다. 여러 아이 트래커에서 JVA를 캡처하는 데 따르는 두 가지 과제, 즉 1) 시간적 스케일에서 데이터를 동기화하고 2) 공간 스케일에서 해결합니다. 보다 구체적으로, 이 프로토콜은 실제 환경에 배치된 fiducial 마커를 사용하여 참가자가 시선을 지향하는 컴퓨터 비전 알고리즘을 알려줍니다. 이 새로운 종류의 방법론은 소그룹에서 인간의 행동을 엄격하게 분석할 수 있는 길을 열어줍니다.
이 연구 프로토콜은 하버드 대학의 인간 연구 윤리위원회의 지침을 준수합니다.

<table><tbody><tr><td>Tobii 안경 2</td><td>Tobii</td><td>N/A</td><td><a href="https://www.tobiipro.com/product-listing/tobii-pro-glasses-2/" target="_blank">https://www.tobiipro.com/product-listing/tobii-pro-glasses-2/</a></td></tr><tr><td>Fiducial markers</td><td>Chili lab &ndash; EPFL, 스위스</td><td>N/A</td><td><a href="https://github.com/chili-epfl/chilitags" target="_blank">https://github.com/chili-epfl/chilitags</a></td></tr></tbody></table>

모바일 아이 트래커를 사용하여 공동 시각 주의를 포착하는 방법론

A Methodology for Capturing Joint Visual Attention Using Mobile Eye-Trackers

새로운 기술 발전의 출현으로, 전례없는 정확도로 마이크로 레벨에서 사회적 상호 작용을 연구 할 수 있습니다. 아이 트래커, 전기 피부 활성 팔찌, EEG 밴드 및 모션 센서와 같은 고주파 센서는 밀리초 수준에서 관찰을 제공합니다. 이러한 수준의 정밀도를 통해 연구원은 사회적 상호 작용에 대한 대규모 데이터 집합을 수집할 수 있습니다. 이 백서에서는 여러 아이 트래커가 사회적 상호 작용, 공동 시각 주의(JVA)의 근본적인 구조를 포착하는 방법에 대해 설명합니다. JVA는 발달 심리학자들에 의해 아이들이 언어를 습득하는 방법을 이해하고, 소규모 학습자 그룹이 어떻게 함께 작동하는지 이해하기 위해 과학자를 배우고, 사회 과학자들은 소규모 팀의 상호 작용을 이해하기 위해 연구되었습니다. 이 백서에서는 모바일 아이트래커를 사용하여 공동 배치된 설정에서 JVA를 캡처하는 방법을 설명합니다. 그것은 몇몇 경험적인 결과를 제출하고 사회적인 상호 작용을 이해하기 위하여 현미경 관측을 붙잡기의 연루를 토론합니다.

위에 제시된 방법론은 물류 직업 훈련 프로그램을 따르는 학생들을 연구하는 데 사용되었다 (n = 54)12. 이 실험에서는 한 쌍의 학생이 소규모 웨어하우스를 시뮬레이션하는 유형 사용자 인터페이스(TUI)와 상호 작용했습니다. TUI에 배치 된 신탁 마커는 연구 팀이 학생들의 시선을 공통 평면에 다시 매핑하고 JVA의 수준을 계산할 수있게했습니다. 연구 결과에 따르면 JVA 수준이 높은 그룹은 자신에게 주어진 작업에서 더 잘 하는 경향이 있고, 더 많이 배웠으며, 더 나은 협업 품질을보였습니다(그림 8,왼쪽). 듀얼 아이 트래킹 데이터 세트를 통해 프리 라이더 효과와 같은 특정 그룹 역학을 캡처할 수 있었습니다. 우리는 JVA의 각 순간을 시작했을 가능성이 있는 사람(즉, 시선이 먼저 있는 사람)과 이에 응답한 사람(즉, 시선이 두 번째로 있는 사람)을 식별하여 이 효과를 추정했습니다. 우리...

멀티모달 센서를 사용하는 것은 교육 환경에서 사회적 상호 작용의 역할을 이해하는 유망한 방법입니다. 이 백서는 모바일 아이트래커를 사용하여 공동 배치된 다이드에서 관절 시각적 주의를 포착하는 방법론을 설명합니다.

With the advent of new technological advances, it is possible to study social interactions at a microlevel with unprecedented accuracy. High frequency ...

안녕하세요, 제 이름은 버트랜드 슈나이더이고 저는 하버드 교육대학원의 조교수입니다. 이 비디오에서는 모바일 아이 트래커를 사용하여 중앙 구조를 사회 과학, 공동 시각적 관심으로 캡처하는 방법을 보여 드리겠습니다. 공동 시각적 주의는 심리학자에 의해 광범위하게 연구되었으며 그룹 구성원 간의 상호 작용의 품질과 밀접한 관련이있는 것으로 밝혀졌습니다.사람들이 공통점을 구축하고 작업에 대한 공통된 이해를 만들 때 같은 장소를 동시에 자주 보는 경향이 있는 것으로 나타났습니다. 전통적으로 연구자들은 비디오를 수동으로 코딩하여 질적으로 공동 시각 주의를 연구했습니다. 모바일 아이 트래커를 사용하여 공동 위치 설정에서 이 구조의 정량적 측정을 얻는 방법을 보여 드리겠습니다.이 비디오에서우리는 토비 프로 안경 2를 사용할 것입니다. 이 안경은 실제 환경에서 눈의 움직임을 포착 할 수있는 웨어러블 아이 트래커입니다. 눈의 움직임을 추적하는 프레임의 특수 카메라 외에도 풀 HD 장면 카메라와 마이크가 장착되어 있어 착용자의 시야의 맥락에서 시선 동작을 시각화할 수 있습니다.이러한 안경 시선은 초당 50회 캡처되며 안경의 라이브 비디오 피드를 무선또는 이더넷 케이블을 통해 컴퓨터로 스트리밍할 수 있습니다. 안경은 일반 안경으로 작동하지 않기 때문에 한 가지 제한이 있습니다. 아이 트래커를 설정하는 절차는 비교적 간단합니다.첫째, 참가자들은 일반 안경처럼 아이트래킹 안경을 착용하도록 요청받습니다. 참가자의 고유한 얼굴 특징에 따라 높이가 다른 코 조각을 사용하여 데이터 품질을 유지해야 할 수 있습니다. 아이 트래커를 켠 후 참가자는 데이터 수집 단위를 개인에게 잘라서 구속되지 않은 신체 움직임을 허용해야 합니다.Tobii Pro Glasses 컨트롤러를 열어야 하며 참가자는 Tobii에서 제공하는 교정 마커의 중심을 살펴보도록 지시해야 하며 소프트웨어의 교정 기능이 활성화되어 있습니다. 교정이 완료되면 소프트웨어 내에서 레코딩을 시작할 수 있습니다. 녹음 세션이 완료되면 참가자에게 아이트래킹 안경과 데이터 수집 장치를 제거하도록 지시하기 전에 Tobii 소프트웨어에서 레코딩을 종료합니다.그리고, 장치를 끕니다. 데이터는 데이터 수집 장치에서 SD 카드를 제거하고 컴퓨터에 카드를 삽입하여 다른 소프트웨어인 Tobii Pro Lab을 통해 추출할 수 있습니다. Tobii Pro Lab은 SD 카드에 저장된 모든 녹음 세션을 동시에 가져올 수 있습니다.그런 다음 Tobii Pro Lab 내에서 파일을 처리하여 비디오, 다른 시각화를 생성하거나 탭 분리값 또는 TSV 파일로 출력하여 추가 분석을 할 수 있습니다. 여기에서 는 최근 실시한 연구에서 두 명의 참가자가 로봇 프로그램을 학습하는 원시 아이 트래킹 데이터를 볼 수 있습니다. 양쪽에서 참가자의 시선 위치와 함께 각 아이 트래커에서 생성된 비디오 스트림을 볼 수 있습니다.당신이 볼 수 있듯이, 그들은 동시에 같은 장소를 보고 있는지 알 수 없습니다., 각 참가자의 관점은 다른 때문에. 또한 데이터 레코딩은 서로 다른 시간에 시작될 수 있습니다. 즉, 데이터를 시간적으로 그리고 공간적으로 동기화해야 합니다.이 비디오에서 이 두 가지 문제를 해결하는 방법을 보여 드리겠습니다. 먼저 데이터를 일시적으로 동기화하는 절차를 설명합니다. 첫 번째 참가자의 경우 일정 수의 비디오 프레임이 있습니다.그들 중 일부는 실제 실험 작업 전후입니다. 실험자가 아이 트래커를 보정하는 첫 번째 프레임과 같습니다. 마찬가지로 다른 참가자의 경우 동일한 종류의 데이터가 있습니다.여기에 표시되지 않지만 비디오의 각 프레임은 각 참가자의 시선을 나타내는 x 및 y 좌표와도 연결됩니다. 데이터를 동기화하려면 실험 작업 전후의 컴퓨터 화면에 fiducial 마커를 간략하게 표시합니다. 컴퓨터 비전 알고리즘을 사용하여 이 마커가 각 참가자에게 표시되는 시기를 감지하여 데이터를 잘라내고 정렬할 수 있습니다.따라서 이것은 데이터 동기화 문제를 처리하는 한 가지 방법입니다. 다음 부분에서는 두 번째 문제:데이터를 공간적으로 동기화하는 방법을 살펴보겠습니다. 앞에서 언급했듯이, 데이터는 각 참가자의 시선 위치와 관련된 비디오 피드 형태로 각 아이 트래커에서 나오는 것입니다.x와 y 좌표는 두 참가자 모두에게 동일할 수 있지만 두 가지 관점에서 화면을 보고 있기 때문에 동일한 장소를 보고 있다는 의미는 아닙니다. 이 문제를 해결하는 한 가지 방법은 참조 역할을 할 실험 용 설정의 이미지를 구축하고 각 참가자의 사례의 위치를 다시 매핑하는 것입니다. 이를 통해 참가자가 같은 장소를 동시에 보고 있는 경우 아이트래킹 비디오의 각 프레임을 감지할 수 있습니다.그러나 이러한 좌표를 왼쪽 이미지로 어떻게 다시 매핑할 수 있을까요? 우리는 우리가 이전에 데이터를 동기화 할 수 있도록 동일한 협동 비전 알고리즘을 사용할 것입니다. 이제 비디오 녹화의 각 프레임에 적용하여 참가자의 관점에서 fiducial 마커의 위치를 감지할 수 있습니다.이를 통해 왼쪽의 참조 이미지에서 동일한 마커를 연결할 수 있습니다. 이 공유 된 포인트 세트의 좌표를 알면 homography로 알려진 수학적 작업을 사용하여 각 사람의 시선위치를 추론 할 수 있습니다. 각 프레임에 이 절차를 적용하여 비디오를 생성하여 호모그래피가 작동하는지 확인할 수 있습니다.오른쪽에는 파란색과 녹색으로 시선의 위치와 각 참가자의 비디오 녹화를 볼 수 있습니다. 동일한 수탁 마커는 왼쪽이미지와 오른쪽의 참가자의 관점 사이의 흰색 선으로 연결됩니다. 왼쪽에 잔향한 시선이 표시되고 공동 시각적 주의가 있을 때 빨간색으로 바뀝니다.이 비디오를 생성하는 것은 데이터가 깨끗하고 호모그래피가 올바르게 수행되었는지 확인하는 중요한 단계입니다. 또한, 정신을 위해 생성될 수 있는 두 가지 다른 시각화가 데이터를 확인합니다. 첫 번째 시각화는 열 맵입니다.각 참가자에 대해 실험 설정 이미지에 각 시선 점을 플롯할 수 있습니다. 이를 통해 호모그래피가 올바르게 작동하고 이러한 사례 포인트를 다양한 관심사 영역으로 분류할 수 있습니다. 예를 들어, 대부분의 시간이 컴퓨터 화면을 보는 데 쓰였고 치트 시트를 보는 데 거의 시간이 걸리지 않았다는 것을 알 수 있습니다.두 번째 시각화를 교차 되풀이 그래프라고 합니다. 교차 되풀이 그래프를 통해 참가자 한 쌍을 위한 아이트래킹 데이터를 시각화할 수 있습니다. 첫 번째 참가자의 시간은 x축에 표시되며 두 번째 참가자의 시간이 y축에 표시됩니다.검은 색 사각형은 두 참가자가 같은 장소를 보고 있고 흰색 사각형은 누락 된 데이터를 나타내고 참가자가 다른 위치를 볼 때 회색 사각형을 나타냅니다. 대각선을 따라 검은 사각형은 그들이 동시에 같은 장소를보고 있다는 것을 의미한다. 대각선에서 검은 사각형 참가자는 같은 장소를 보고 있지만 다른 시간에 의미 합니다.왼쪽에서 높은 수준의 관절 시각적 주의가있는 dyad를 볼 수 있습니다. 중간에, 관절 시각적 주의의 낮은 수준의 다이드. 오른쪽에는 데이터가 누락된 그룹이 많이 있습니다.이 정신 검사를 수행하면 데이터를 실험 설정의 공통 이미지로 올바르게 동기화하고 리밍했는지 확인할 수 있습니다. 이러한 단계는 중요하며 분석이 이루어지기 전에 수행해야 합니다. 마지막으로, 공동 시각적 주의의 측정을 계산하기 전에 선택해야 두 개의 매개 변수가 있습니다.첫 번째 매개 변수는 참가자가 동일한 위치를 볼 수 있는 시간 창입니다. 리처드슨과 데일의 이전 작품은 참가자들이 파트너가 하는 일에 주의를 기울이기 위해 무엇을 하고 있는지에서 벗어나는 데 최대 2초가 걸릴 수 있음을 확립했습니다. 따라서, 우리는 두 참가자가 플러스와 마이너스 두 번째 창 내에서 같은 장소를 보았다면 공동 시각적주의가 있다고 결정했다.두 번째 매개 변수는 두 시선 점 사이의 최소 거리로 공동 시각적 주의로 간주됩니다. 이 거리는 상황에 따라 다르며 관리되는 작업 및 연구 질문에 따라 연구원에 의해 정의되어야 합니다. 일부 작업의 경우 거리가 짧을 수 있습니다.예를 들어 100픽셀을 사용했습니다. 다른 작업의 경우 이 거리가 더 클 수 있습니다. 다음으로, 나는이 방법론을 사용하여 발견 된 몇 가지 결과를 발표 할 것입니다.그룹의 공동 시각적 관심 의 양에 대한 견적을 받은 후 이 측정값을 다른 관심 변수와 상호 연관시킬 수 있습니다. 예를 들어, 작업에서 우리는 협력의 그룹 품질을 캡처 학습 과학으로 개발 된 등급 계획과이 측정을 상관. 각 그룹에 대해 여기에 제시된 9가지 치수에 점수를 할당했습니다.예를 들어, 사람들이 상호 이해를 얼마나 잘 유지했는지, 또는 얼마나 쉽게 합의에 도달했는지예를 들어. 이러한 점수는 다른 할당량과 허용 가능한 상호 신뢰성을 받아야 합니다. 마지막으로 이러한 점수를 각 그룹의 공동 작업 품질을 근사화하는 하나의 일반적인 메트릭으로 집계할 수도 있습니다.우리의 작품뿐만 아니라 다른 연구에서 발견 된 결과는 관절 시각적 주의가 이전에 제시 된 등급 체계에 의해 측정 된 협력 품질과 크게 상관 관계가 있다는 것입니다. 이 코딩 체계를 사용하여 높은 평가를 받은 그룹은 낮은 점수를 받은 그룹보다 공동 시각적 주의가 더 많은 경향이 있습니다. 이것은 생산적인 상호 작용이 수시로 더 합동 적인 시각적 주의와 연관된다는 것을 보여줍니다.다음 슬라이드에서 이 결과를 기반으로 하는 또 다른 결과를 보여 드리겠습니다. 따라서 미세한 아이트래킹 데이터를 갖는 한 가지 장점은 관절 시각적 주의의 다른 측정값을 추출할 수 있다는 것입니다. 예를 들어, 공동 시각적 주의의 제안에 시작하고 응답 한 사람을 계산할 수 있습니다.특히, 이 그래프의 x축에서 0의 점수는 이러한 동작의 동등한 분포를 의미하며 한 사람의 점수는 한 사람이 항상 시각적 주의에 참여하는 순간을 응답하거나 시동하고 있음을 의미합니다. 이 연구에서는 사전 및 사후 테스트로 측정된 y축에 표시된 학습 이득과 역상관관계를 발견했습니다. 같은 사람이 지속적으로 개시하거나 공동 시각적 관심의 순간에 응답한 그룹은 배울 가능성이 적었고, 이 책임이 동등하게 공유된 그룹은 사전 테스트에서 점수를 제어할 때 사후 테스트에서 더 높은 점수를 받을 가능성이 더 높았습니다.이 비디오에서 저는 연구원들이 모바일 아이트래킹 데이터를 시간적으로 그리고 공간적으로 동기화하는 데 도움이 되는 방법론을 발표했습니다. 연구 결과에 따르면 이중 아이트래킹 데이터는 공동 시각적 주의의 측정값을 계산하여 협업 지표를 제공할 수 있습니다. 또한, 나는 우리가 공동 주의의 간단한 측정을 넘어 갈 수 있다는 것을 보여주는 결과를 제시했습니다, 예를 들어, 누가 시작하거나 공동 시각적 인 관심의 에피소드에 응답보고.우리는이 측정이 학습 이익과 같은 다른 결과 측정과 관련이 있음을 발견했습니다. 아이트래킹 데이터 없이는 이러한 종류의 측정을 계산할 수 없습니다. 요약하자면, 이 비디오에 제시된 방법론이 연구자들이 협업 프로세스에 대한 새로운 통찰력을 얻는 데 도움이 될 수 있다는 것을 발견했습니다.이 비디오를 시청해 주셔서 대단히 감사드리며 자세한 내용은 종이를 참조해 주시기 바랍니다.

a-methodology-for-capturing-joint-visual-attention-using-mobile-eye

Research

연구

JoVE Journal

Behavior

행동

실험실 설정을 복제하기 위해 시각적 작업을 위한 온라인 데이터 수집 방법은 자극 프레젠테이션에 대한 엄격한 제어가 필요합니다. 웹 애플리케이션을 사용하여 두 가지 시각적 주의 테스트에서 성능 데이터를 수집하는 방법을 간략하게 설명합니다.

방법은 온라인 비주얼주의를 테스트하려면

우리는 최근 dichoptic 시각적 자극 프레 젠 테이 션 및 추적 동시에1눈 눈 수는 방법을 제안 했다. 열쇠는 적외선 눈 추적기와 해당 적외선 투명 한 거울의 조합 이다. 이 원고는 깊이 제공 한다 초기 설정 및 일상적인 작업에 대 한 프로토콜.

눈 추적을 포함 하는 Dichoptic 프레 젠 테이 션 시스템을 구축 하는 방법

현재 문서 언어 이해에 대 한 연구에 대 한 눈-추적 방법론을 검토합니다. 신뢰할 수 있는 데이터를 얻기 위해 프로토콜의 주요 단계를 따라 해야 합니다. 이 중 눈 추적자 (예를 들어, 눈 및 머리 이미지의 좋은 품질 보장) 및 정확한 교정의 올바른 설정이 있습니다.

시각적으로 위치한 언어 이해 동안 눈 추적: 유연성과 잠복 시각적 컨텍스트 효과에 한계

그들은을 듣고는 또는 음성된 언어를 말하기로 시각적인 세계 패러다임 visual 작업 영역에서 참가자의 눈 움직임을 모니터링 합니다. 이 패러다임 조사 psycholinguistic 질문, 분리형 문과 같은 의미가 복잡 한 문을 포함 하 여 광범위의 온라인 처리를 사용할 수 있습니다.

음성된 언어의 온라인 처리를 탐험 시각적인 세계 패러다임에 기록 하는 눈 움직임을 사용 하 여

프로토콜의 목적은 실험실에서 사용 하기 위해 비디오 데이터를 수집 하는 방법을 상세히 설명 하는 것입니다. 데이터를 보는 참가자의 눈 추적 데이터를 기록 하는 방법 및 기계 학습 기술을 사용 하 여 보고 있던 비디오의 콘텐츠를 효율적으로 분석 하는 방법.

도시 공원 환경에서 산책 비디오를 무료로 볼 수 있는 비디오 콘텐츠 분석과 눈 추적 데이터 결합

어린 아이 할 하지 수 동적으로 관찰 세계, 그러나 오히려 적극적으로 탐구 하 고 그들의 환경과 교전. 이 프로토콜에는 기본 원칙 및 자연적인 행동의 맥락에서 유아의 기록 헤드 마운트 눈 추적자 ' 동적 시각적 환경 및 시각적 주의 사용 하 여에 대 한 실질적인 권장 사항을 제공 합니다.

행동에 시선: 자연 동작 동안 어린이 동적 시각적 관심의 머리 장착형 눈 추적

이 실험 프로토콜 결합 안구 추적 및 자유 선택 saccade 작업과 시각적 공간 관심의 배포 조사 시각적 차별 작업의 구성 된 듀얼 작업 패러다임에 presaccadic 시각적인 감도의 평가 전에 모두, 정확 하 고 평균 saccades.

안구 추적을 통해 정확 하 고 평균 Saccades 전에 시각적 관심의 배포 및 시각적인 감도의 평가 조사

시선추적은 정보 처리를 프로브하는 비침습적 방법입니다. 이 문서에서는 시선 추적을 사용하여 저시간 조종사(예: &lt;350 비행 시간)의 비행 시뮬레이션 비상 작업 중 시선 행동을 연구하는 방법을 설명합니다.

정보 처리에 대한 통찰력을 위한 복잡한 항공 작업 중 시선 추적

이 방법론은 시운동 및 전신 회전 중 시선 안정화에 대한 시각 및 전정 기여를 조사했습니다. 자극은 시각, 전정 및 시전엽 시험을 통해 수행되었습니다. 비틀림 안구 운동 이득 및 안진 빈도는 각 시도에 대한 반사 뇌간 반응에 대한 감각 특이적 운동 정보의 피질하 중계에 대한 지표 역할을 했습니다.

시선 추적을 사용하여 롤 평면의 피질하 운동 처리에 대한 시각 및 전정 입력의 상대적 중요성 평가

우리는 바닥 투사 미로에 완전히 자동화 된인지 적 작업에 만성 전기 생리학 레코딩을위한 쥐를 훈련을 위해 프로토콜을 설명합니다.

바닥 투사 미로를 사용하여 녹음 신경 활동에 대한 자동화 된 시각인지 작업

배우세요 모바일 아이트래커를 활용한 공동 시각 주의 정량적 측정 방법입니다. 공동체 상호작용의 질을 평가하고 협력 학습 과정을 심층 분석하는 데 활용할 수 있습니다.

모바일 아이 트래커를 사용하여 공동 시각 주의를 포착하는 방법론

더 많은 동영상 탐색