Фреймворк измерения на основе отслеживания глаз для количественной оценки визуального внимания в интерактивных цифровых арт-средах с экраном

Summary

Этот протокол описывает комплексную структуру для количественной оценки визуального внимания в интерактивном цифровом искусстве. В нём подробно описана архитектура системы для синхронизации данных отслеживания взгляда с журналами взаимодействия, метод динамического картирования зоны интереса (AOI) и аналитический конвейер для связи динамики внимания с результатами пользовательского опыта.

Abstract

В этой статье представлена рамка измерения с помощью взгляда, предназначенная для количественной оценки визуального внимания во время интерактивных цифровых художественных опытов и связи динамики внимания с опытными результатами. В отличие от традиционного статического просмотра искусства, интерактивное цифровое искусство включает динамические медиа, информацию из нескольких источников и непрерывные петли обратной связи, которые бросают вызов стандартным методологиям отслеживания глаз. Предлагаемая система интегрирует отслеживание глаз, логирование взаимодействий, синхронизацию временных меток, динамическое отображение зоны интереса (AOI) и метрические вычисления в единый конвейер. Протокол описывает разработку воспроизводимого рабочего процесса с данными, который согласует данные взгляда с конкретными событиями взаимодействия, позволяя точно рассчитывать распределение внимания, затраты на переключение и исследовательскую энтропию. Экспериментальный дизайн включает как свободное исследование, так и целенаправленные задачи, что было показано в исследовании с 37 участниками. Результаты применения этого протокола свидетельствуют о высокой воспринимаемости удобства и удовлетворённости, при этом моделирование измерений поддерживает двухконструктную модель удобства использования и удовлетворения. Кроме того, моделирование результатов подтверждает, что воспринимаемая юзабилити служит основным предиктором общей удовлетворённости пользователей, а демонстрация в одном случае подтверждает способность пайплайна количественно оценивать контекстно-ориентированные сдвиги внимания. Этот протокол предоставляет исследователям и дизайнерам строгий, воспроизводимый набор инструментов для анализа того, как элементы проектирования взаимодействия — такие как задержка обратной связи и интенсивность руководства — формируют внимание пользователя и последующий субъективный опыт в иммерсивных цифровых средах.

Introduction

Интерактивное цифровое искусство охватывает широкий спектр модальностей — от иммерсивных пространственных инсталляций до интерактивных платформ на^{экранах 1,2}. Хотя полностью иммерсивные установки представляют собой рубеж этой эволюции, интерактивное искусство на экране остаётся основополагающим средством, которое срочно требует строгих, стандартизированных методологий оценки перед неограниченным расширением пространства. Эта модальность фактически переопределяет роль аудитории от пассивного наблюдения к активному совместному творчеству, где участие напрямую формирует смысл произведения^{искусства 3}. Классические рамки в арт-психологии, в частности Венская интегрированная модель восприятия искусства (VIMAP), предлагают сложную призму для понимания взаимодействия между когнитивным контролем сверху вниз и перцептивной обработкой снизу вверх во время эстетических встреч. Однако, хотя эти модели обеспечивают прочную основу для статических наблюдений, расширение их последних приложений в интерактивных цифровых средах требует продвинутых методов измерения. Преобразование этих теоретических конструкций в интерактивные приложения требует физиологических метрик в реальном времени для объективного фиксирования непрерывной обратной связи между вводом пользователя и системным ответом. В результате переход от статического просмотра к активному взаимодействию вносит значительную сложность при оценке пользовательского опыта. Современные основные методы оценки в этой области в основном основаны на пост-мероприятиях, ретроспективных интервью и наблюдениях на месте о привыках просмотра, последовательности и времени пребывания у^{зрителей 4}. Они часто дополняются грубыми поведенческими показателями, такими как общая продолжительность пребывания и частота^{кликов 5}. Хотя такие методы эффективно фиксируют общие предпочтения и общее удовлетворение, они по сути испытывают трудности с отслеживанием микроуровневых сдвигов внимания в реальном времени, происходящих во время процесса. В отличие от ретроспективных опросников, основанных на задержке памяти и, следовательно, подверженных когнитивным искажениям, предлагаемая система отслеживания глаз предоставляет непрерывные, в реальном времени и объективные физиологические данные. Кроме того, по сравнению с грубыми поведенческими показателями, такими как общее время пребывания или поверхностные частоты кликов, эта методология, основанная на взгляде, фиксирует микроуровневые когнитивные процессы — такие как моменты колебаний, визуальные стратегии поиска и мгновенные перцептивные реакции на системную обратную связь. Таким образом, она предоставляет практические, детализированные доказательства итеративного проектирования взаимодействия, которых традиционные методы оценки принципиально^{не имеют 6}. Эта технология предлагает процессные метрики для понимания распределения, поддержания и смещения внимания в интерактивном искусстве, предоставляя объективные физиологические показатели когнитивного состояния пользователя ^7,8,9. Анализируя, когда, где и как долго пользователь смотрит на конкретные элементы, исследователи могут объективно поддерживать оптимизацию выставок и интерактивный дизайн. Однако внедрение отслеживания взгляда в контексте интерактивного цифрового художественного опыта создаёт множество нетривиальных технических и методологических задач, отличающих его от стандартного тестирования удобства использования или статического просмотра изображений.

Интерактивные среды часто включают динамические медиа, несколько источников информации и сложные многоступенчатые задачи. Визуальные стимулы не фиксированы; они развиваются в зависимости от ввода пользователя. Постоянные изменения визуальных стимулов и системной обратной связи вызывают резкие переключения внимания между движущимися объектами и зонами интерфейса. Эта динамика делает традиционную, статичную, интерфейсную сегментацию и метрическую интерпретацию склонными к^{искажениям 10,11}. Например, область интереса (AOI), релевантная в один момент, может исчезнуть или изменить своё семантическое значение в следующий, делая статические тепловые отображения недостаточными.

Кроме того, реальные взаимодействия часто связаны с естественными физическими действиями, такими как движения головы, окклюзия и разные расстояния от экрана, что приводит к дрейфу^{калибровки 12,13}. Эти колебания качества отслеживания приводят к отсутствующим значениям и шуму, снижая межсубъектную сопоставимость и стабильность статистического тестирования. Стандартные лабораторные протоколы часто требуют жёсткой стабилизации (например, подбородка), что снижает натуралистический опыт, необходимый для восприятия^{искусством 14}. Поэтому эффективный протокол должен балансировать между строгим контролем качества данных и экологической достоверностью позы пользователя. Используя дистанционное отслеживание глаз на основе экрана, предлагаемая структура позволяет естественные, свободные микродвижения торса и головы, служа прагматичной базой для захвата эстетических реакций без навязчивых физических ограничений.

Критически важно, что временная синхронизация данных о движении глаз и журналов взаимодействия напрямую влияет на причинную интерпретацию. В статической задаче просмотра начало стимула является единственным релевантным временным маркером. В интерактивном искусстве каждое прикосновение, жест или триггер взгляда запускает новую отсылку к временному событию. Без единого механизма временного ориентира и выравнивания событий становится трудно определить, вызваны ли изменения внимания системной обратной связью или обусловлены отдельными стратегиями исследования¹⁵. Для всесторонней оценки цифрового искусства исследователи обычно опираются на два отдельных источника данных: журналы взаимодействия (фиксирующие пользовательские входы и состояния системы) и физиологические сигналы (например, отслеживание взгляда для визуального внимания). Однако эти методы часто анализируются отдельно. Интеграция их на раннем этапе аналитического процесса жизненно важна с точки зрения и практической точки зрения, поскольку они по своей сути дополняют друг друга: журналы взаимодействия обеспечивают точный контекстуальный «триггер» (что и когда происходит системная обратная связь), а данные непрерывного взгляда раскрывают соответствующую когнитивную «реакцию» (где и как распределяется внимание). Без единого согласования времени, бенчмарка и мультимодального события становится сложно определить, вызвано ли смещение внимания системной обратной связью (например, визуальный эффект ряби) или вызвано индивидуальными стратегиями исследования. Объединяя эти потоки данных, эта структура обеспечивает теоретическое преимущество — замыкать причинную петлю между интерактивными дизайнерскими функциями и познаванием пользователя.

Поэтому развитие исследований отслеживания глаз для интерактивного искусства требует не только захвата точек фиксации; Это требует строгого контроля качества, синхронизированного выравнивания и воспроизводимых рабочих процессов обработки данных. Ограничения существующих решений дополнительно подчёркивают эту мотивацию к исследованиям. Существующие исследования отслеживания взгляда в художественных контекстах преимущественно сосредоточены на статических задачах просмотра или рассматривают текстовые описания и экскурсоводов как внешние переменные, не имея интеграции с интерактивными^{механизмами 16,17}. Хотя данные свидетельствуют о том, что методы подачи информации и стратегии руководства могут существенно изменять пути внимания и фокусы зрителей, большинство результатов остаются на уровне корреляций между одним вмешательством, не объясняя, как интерактивные петли обратной связи формируют стратегии внимания на протяжении всего опыта.

Напротив, хотя интерактивные арт-практики разработали прототипы систем, использующих взгляд как естественный вход взаимодействия — акцентируя внимание на превращении зрителей из пассивных наблюдателей в активных участников — эти усилия часто сосредоточены на демонстрациях инсталляций или технической^{валидации (18,19}). Им часто не хватает единых метрик внимания, воспроизводимых экспериментальных парадигм и моделей исследований с замкнутым циклом, которые устанавливают проверяемые связи между динамикой внимания и результатами опыта. Этот разрыв препятствует разработке переносимых принципов дизайна, которые могут надёжно предсказывать, как конкретный выбор дизайна (например, скорость визуального перехода) повлияет на ощущение погружения пользователя или удобства использования.

Критически важно, что существующая литература не обладает цельной структурой, которая фундаментально согласовывала визуальное внимание с интерактивными системами в реальном времени. Хотя достижения в динамическом картографировании AOI и синхронизации событий взгляда изучались в общем контексте HCI, они редко интегрируются в гибкую и сильно изменчивую среду цифрового искусства. Фундаментальный пробел в исследованиях заключается в неспособности современных одномодальных оценок объяснить причинную петлю между системной обратной связью и пользовательским когнитивным мышлением. Благодаря ранней интеграции мультимодальных данных — в частности, объединению непрерывных координат взгляда с точностью до миллисекунд — исследователи могут преодолеть базовые метрики удобства использования. Такая интеграция даёт теоретическое преимущество, приписывая конкретные микроуровневые сдвиги внимания (например, стратегии поиска против стабилизированного фокуса) непосредственно с конкретными решениями в дизайне взаимодействия, превращая поток опыта из субъективного чувства в количественно измеримое когнитивное состояние.

Для устранения этих пробелов этот протокол предлагает систему измерения внимания на основе отслеживания глаз, специально ограниченную экранным интерактивным цифровым искусством. Хотя базовый технический конвейер имеет структурные сходства с универсальным тестированием взаимодействия человека и компьютера (HCI), эта структура уникально интегрирует неутилитарные эстетические задачи (например, свободное визуальное исследование генеративных медиа) наряду с целенаправленными действиями. Эта интеграция явно отличает гибкий, исследовательский характер оценки искусства от стандартного утилитарного подхода к оценке программного обеспечения. Теоретически это исследование работает на пересечении интерактивного цифрового искусства, HCI и анализа отслеживания глаз. Он решает как постоянную задачу объективной характеристики непрерывного потока опыта в цифровой оценке искусства, так и определение связи между интерактивным входом и вниманием выходом.

Область исследования ориентирована не только на опытный контекст интерактивного цифрового искусства, но и на интеграцию данных отслеживания взгляда с журналами взаимодействия для создания систематической цепочки доказательств — от опытного ввода до метрик внимания и, в конечном итоге, к переменным исхода. На уровне системы мы создаём воспроизводимый конвейер данных, который объединяет захват движений глаз, запись журнала взаимодействия и временную синхронизацию в единую архитектуру. Этот фреймворк стандартизирует предобработку, отображение регионов и генерацию метрик внимания, одновременно предоставляя отслеживаемые структуры данных и аналитические скрипты.

Концептуальная основа (рисунок 1) объясняет, как дизайн взаимодействия влияет на субъективные результаты, изменяя зрительные процессы вниманительного внимания зрителя. Основная логика рассматривает элементы взаимодействия (такие как задержка обратной связи и интенсивность руководства) как контролируемые входы, визуальную динамику внимания — как ключевые переменные процесса, а результаты опыта (погружение, удобство использования, удовлетворённость) — как выходы. Индивидуальные различия включены в качестве умеряющих факторов. Для экспериментального дизайна разрабатываются интерактивные задачи, которые балансируют свободное исследование с целенаправленными целями. На уровне моделирования мы коррелируем динамику внимания с переменными результата, чтобы изучить механизмы, с помощью которых элементы проектирования взаимодействия влияют на пользовательский опыт через визуальное внимание. Этот протокол предоставляет подробные методологические шаги для воспроизведения этой структуры, обеспечивая возможность научной строгости измерить сложное взаимодействие между пользователем, системой и искусством.

Protocol

Это исследование проводилось в соответствии с институциональными рекомендациями факультета инноваций и дизайна Городского университета Макао. Все участники дали информированное согласие перед сбором данных.

1. Разработка системы и конфигурация архитектуры

1. Определите рабочий процесс исследований
   1. Используйте четырёхэтапный замкнутый цикл, как показано на рисунке 2: разработка системы, эксперимент с отслеживанием глаз, аналитика и моделирование результатов.
   2. Убедитесь, что рабочий процесс способствует итеративной доработке, где данные с аналитического этапа могут помочь вносить корректировки в разработку системы для будущих итераций.
2. Настройка архитектуры системы
   1. Постройте систему с использованием архитектуры конвейера, показанной на рисунке 3, состоящей из пяти отдельных модулей: Опыт (задачи), Отслеживание глаз, Логи, Синхронизация (Синхронизация) и Аналитика.
   2. Модуль опыта: Разработать интерактивный интерфейс искусства, который станет единой точкой входа. Настройте его для генерации двух параллельных потоков данных:
      1. Поток данных с отслеживанием глаз: выводит необработанные координаты взгляда и временные метки с устройства.
      2. Поток журнала взаимодействия: Документируйте действия пользователя (клики, жесты) и изменения состояния системы (триггеры обратной связи, переходы сцен).
   3. Реализуйте скрипт User Datagram Protocol (UDP) внутри модуля синхронизации, чтобы отправлять маркеры событий из движка рендеринга взаимодействия в API трекера глаз в тот самый миллисекундный момент, когда изменяется визуальный стимул или регистрируется пользовательский ввод.
   4. Оцените устойчивость смещения, запустив 60-секундный тестовый цикл синхронизации перед экспериментом. Проверьте, что стандартное отклонение (SD) задержки между часами взаимодействия и часами трекера с глазами строго превышает 6,5 мс (согласно таблице 1). Если SD превышает 6,5 мс, сбросьте сетевое соединение и перекалибруйте.
   5. Выровненное хранение данных: настройте базу данных или файловую систему так, чтобы она хранила выровненные данные, где каждая точка данных содержит синхронизированные координаты взгляда, флаги событий и индексы AOI.
3. Установите цикл выполнения системы
   1. Реализуйте цикл выполнения как показано на рисунке 4.
   2. Запрограммируйте последовательность так, чтобы строго следовать: начать сессию → калибровку → загрузить сцену + AOI → цикл реального времени (взаимодействие пользователя / захват взгляда / обратная связь рендера).
   3. Убедитесь, что конвейер данных (Write Logs → Timestamp Sync → Fixation Parsing → AOI Mapping) работает сразу после сбора данных, чтобы облегчить быструю проверку качества.

2. Проектирование стимулов и взаимодействия

1. Выбор модальностей взаимодействия
   1. Выбирайте модальности взаимодействия, исходя из таксономии. Выбирайте между взаимодействием на основе взгляда, взаимодействием на прикосновении и жестах или многопользовательским совместным взаимодействием в зависимости от исследовательского вопроса.
   2. Для этого протокола реализуйте комбинацию взгляда и касания, чтобы соответствовать принципу минимизации сложности входа при максимальной интерпретации выхода.
2. Определите модули взаимодействия и триггерные события.
   ПРИМЕЧАНИЕ: Здесь «модуль взаимодействия» операционно определяется как дискретная функциональная единица цифрового произведения искусства (например, конкретный интерактивный визуальный эффект), а «триггерное событие» — это конкретный ввод пользователя или изменение состояния системы, активирующее этот модуль с точностью до миллисекунды.
   1. Запрограммируйте конкретные модули взаимодействия, определённые в Таблице 2.
   2. Амбиентный аттрактор: установите триггер на вход в сцену или в состояние простоя ≥ 3,2 с. Определите ожидаемую реакцию внимания как более широкое исследование и большее рассеяние взгляда.
   3. Выделение взгляда: настройте триггер так, чтобы взгляд оставался на объекте AOI ≥ 420 мс. Убедитесь, что это запускает визуальное выделение для усиления фокуса.
   4. Касательная рябь: Реализуйте визуальный эффект рябы на координатах (x,y) при нажатии на холсте. Зафиксируйте изменения амплитуды саккады после фронта волны.
   5. Направленная подсказка: Запрограммируйте визуальный сигнал, который появляется в течение 1,4–2,1 с на заданном AOI. Измерьте время до первой фиксации (TTFF) по этому сигналу.
   6. Ворота выбора: Создайте точку решения, где пользователь выбирает 1 из 3 вариантов в течение 7,5 секунд. Используйте это для измерения времени пребывания на выбранном варианте и отклонённых вариантах.
3. Области интереса дизайна (AOI)
   1. Создайте статические и динамические AOI, как показано на рисунке 5.
   2. Определите статические AOI для элементов фиксированного пользовательского интерфейса (UI) (например, меню, границы).
   3. Определите динамические AOI для движущихся визуальных элементов (например, плавающих сфер, систем частиц). Убедитесь, что координаты AOI обновляются в лог-файле на системной частоте обновления.
   4. Внедрить семантическое тегирование для AOI (например, целевая цель, отвлекающая сторона, текст инструкции) для облегчения расчёта семантической достоверности во время анализа.

3. Набор и отбор участников

1. Стратегия найма
   1. Привлекайте участников из соответствующей демографической группы (например, студентов университетов для изучения цифрового искусства), чтобы обеспечить базовый уровень цифровой грамотности.
   2. Получите информированное согласие и кратко расскажите участникам о природе процедуры отслеживания глаз.
2. Критерии отбора
   1. Скрининг на остроту зрения. Проверьте, что у участников зрение нормальное или скорректированное до нормы.
   2. Исключать лиц с глазными заболеваниями (например, косоглазие, тяжёлый астигматизм), которые мешают стандартной калибровке отслеживания глаз.
   3. Проверка калибровки: Во время первоначальной настройки выполните калибровку на 5 или 9 точек. Исключить участников, которые не могут достичь средней ошибки калибровки ≤ 0,85° или демонстрируют устойчивые потери отслеживания (допустимое соотношение выборки < 85%).
   4. Фиксируйте демографические данные, включая возраст, пол, точность рук и самооценку цифрового художественного опыта (см. параметры таблицы 3 ).

4. Экспериментальная процедура

1. Физическая конфигурация
   1. Проведите эксперимент в тихой комнате со стабильным окружающим освещением. Устраните прямые солнечные лучи и сильные отражения на экране.
   2. Посадить участника на фиксированное расстояние обзора (например, 60–70 см), соответствующее конкретному коммерческому устройству отслеживания глаз на экране.
   3. Отрегулируйте высоту стула так, чтобы глаза участника были на уровне центра экрана.
2. Выполнение сессии
   1. Калибровка: выполните процедуру калибровки. Проверьте точность. Если дрейф > 1,10°, выполните перекалибровку (проверка дрейфа).
   2. Тренировочный пробный период: проведите стандартизированную тренировочную сессию (примерно 2 минуты), чтобы ознакомить участника с протоколами взаимодействия (например, как запустить выделение взгляда).
   3. Выполнение задачи: Представите два типа задач в противовесном порядке для минимизации эффектов последовательностей:
      1. Бесплатное задание по исследованию: Попросите участника «Свободно изучайте произведение искусства и взаимодействуйте с интересующими вам элементами.»
      2. Задача, направленная на цель: Инструктировать участника «Найти конкретные скрытые элементы» или «Завершить последовательность взаимодействия, чтобы открыть финальный визуальный эффект.»
   4. Запись данных: Убедитесь, что система автоматически фиксирует как поток отслеживания глаз, так и журналы взаимодействия с унифицированными временными метками на протяжении всех задач.
   5. Анкеты после выполнения задачи: сразу после каждого блока заданий проводите шкалы опыта (погружение, эстетическое удовольствие, удобство использования, удовлетворение).

5. Конвейер обработки и анализа данных

1. Предварительная обработка данных и контроль качества
   1. См. рисунок 6 для всестороннего обзора конвейера обработки взгляда. Эта визуальная схема определяет последовательные этапы, необходимые для преобразования необработанных координат взгляда в интерпретируемые аналитические данные: начальный контроль качества сигнала (включая интерполяцию мигания и пространственную фильтрацию), скоростное разбор движений глаз в фиксации и саккады, динамическое отображение точек взгляда в активные области интереса (AOI) и окончательное вычисление количественных метрик внимания.
   2. Обрабатывайте мигания и пропадения сигнала с помощью стандартизированного конвейера интерполяции и фильтрации. Определите сегменты мигания и потери сигнала, где диаметр зрачка равен нулю или недействительны флаги трекинга.
   3. Для коротких промежутков (≤75 мс) примените линейный алгоритм интерполяции для оценки недостающих координат взгляда. Для промежутков свыше 75 мс оставляйте данные неотображаемыми, чтобы предотвратить генерацию искусственных артефактов. После интерполяции примените фильтр с движущимися средним (размер окна = 3 сэмпла) для сглаживания незначительного высокочастотного шума.
   4. Обнаружить и устранить пространственные выбросы, определяемые как точки взгляда, выходящие за пределы физических границ экрана, или демонстрирующие биологически невозможные саккадные скорости (> 1000^o/s).
   5. Вычислите итоговую долю выбывания; Исключайте сессии, где невозмещаемые убытки превышают 12% от общей продолжительности задачи.
   6. Примените коррекцию дрейфа на уровне пробного уровня. Если систематическое смещение было обнаружено во время проверки валидации непосредственно перед конкретным блоком задачи, примените вектор линейной коррекции координат к исходным данным взгляда этого конкретного исследования, чтобы компенсировать незначительные сдвиги осанки головы.
2. Фиксация и парсинг саккад
   1. Применим алгоритм разбора Идентификации по порогу скорости (I-VT). Классифицировать исходные данные как саккады, если скорость движения глаза превышает 30°/с; в противном случае их можно отнести к фиксациям.
   2. Примените минимальный порог длительности фиксации в 80 мс для фильтрации микросаккад и шума артефактов.
   3. Классифицируйте движения глаз на фиксации (стабильный взгляд) и саккады (быстрое движение). Сгенерируйте таблицу фиксации и таблицу саккады.
3. Временное выравнивание и картирование AOI
   1. Выровняйте временные метки событий взгляда с временными метками журнала взаимодействия, используя маркеры событий UDP в качестве абсолютного опорного якоря.
   2. Исправьте любые присущие аппаратные задержки передачи, вычитая среднее смещение, зафиксированное во время тестового цикла инициализации, из всех временных меток взгляда.
   3. См. Таблицу 4 для схемного примера синхронизированных строк данных, иллюстрирующих эту интеграцию на аналитическом уровне. Обратите внимание, как эта матрица объединяет непрерывные координаты взгляда, дискретные флаги событий взаимодействия и динамические индексы AOI с миллисекундным разрешением, формируя базовый набор данных для последующих метрических вычислений.
   4. Внедрить динамическое AOI-картирование для преодоления ограничений статического пространственного распределения в жидких цифровых художественных средах.
   5. Сопоставьте каждую координату фиксации на активные AOI, специально обновлённые для этой миллисекундной метки времени с помощью алгоритма точки в полигоне.
   6. ПРИМЕЧАНИЕ: Это гарантирует, что даже при постоянном движении или изменении состояния визуальные элементы данные о взгляде корректно относятся к предполагаемому интерактивному объекту, а не к фиксированному, устаревшему расположению экрана.
   7. Присваивать приоритет перекрывающимся AOI с помощью строгого иерархического правила z-буфера. Сопоставьте необработавшую (x,y) координату взгляда на массив ограничивающих рамок, обновлённый в данный миллисекундный временной метке.
   8. Если координата попадает в несколько активных ограничивающих рамок, фиксация назначается исключительно AOI с наибольшим индексом слоя рендеринга (главному визуальному элементу). Отбросьте перекрывающиеся данные из нижних слоёв, чтобы избежать двойного подсчёта.
   9. Рассчитайте процент неотложенных фиксаций. Убедитесь≤ что это число остаётся 0,18 (18%) для проверки полноты определений AOI.
4. Метрические вычисления
   1. Вычислите метрики по трём измерениям, как показано на фреймворке на рисунке 1 :
   2. Вычислим TTFF, который строго определяется как прошедшее время от начала конкретного визуального стимула до начала первой фиксации в соответствующей целевой AOI. Вычислите время пребывания (общее время фиксации внутри AOI) и частоту повторного посещения.
   3. Вычислите матрицы переходов для количественной оценки переключения внимания. Вычислите вероятность перехода P_AB при переходе от AOI A к AOI B, деля количество переходов взгляда от к к общему числу переходов, начинающихся из A. Вычислите скорость переключения, деля общее количество меж-AOI переходов на допустимую длительность задачи.
   4. Вычислите глобальную энтропию взгляда (H) с использованием формулы теории информации Шеннона для количественной оценки случайности визуального исследования. Формулируем уравнение следующим образом:
      (1)
      где переменные определяются следующим образом: : Глобальная энтропия взгляда, отражающая рассеяние визуального внимания. N: Общее количество очерченных динамических AOI внутри сцены. p_i: вероятность того, что взгляд попадёт в конкретный AOI. Это выводится из доли времени пребывания в AOI относительно общей допустимой длительности задачи.
   5. Агрегируйте эти метрики по фазам задачи (Свободное исследование против Целенаправленное).
5. Статистическое моделирование
   1. Собрать итоговый набор данных, объединяя вычисленные метрики с результатами опроса.
   2. Проведите подтверждающий факторный анализ (CFA) для подтверждения конструкций удобства использования и удовлетворения.
   3. Используйте модели смешанных эффектов или структурное уравнение (SEM) для проверки гипотез (например, задержка взаимодействия предсказывает переключение внимания, переключение внимания — удобство использования).

Results

Характеристики выборки и качество данных

Применение этого протокола включало 43 студента, из которых 37 в итоге были включены в итоговый анализ (уровень включения: 86,0%). Как подробно описано в Таблице 3, исключение 6 участников было исключительно результатом соблюдения протоколов качества данных: отслеживания потерь/плохой калибровки (n=2), чрезмерного количества отсутствующих выборок (n=2), незавершённых задач из-за самосоо...

Discussion

Это исследование устанавливает валидированную систему измерения с отслеживанием глаз, специально адаптированную для интерактивного цифрового искусства. В основе результатов результаты показывают, что динамическое картирование зоны интереса (AOI) в сочетании с мультимодальной синхронизацией на уровне миллисекунд успешно количественно оценивает микроуровневые визуальные сдвиги внимания, ранее скрытые в жидкостных средах. Теоретически это исследование преодолевает концептуальный разрыв межд...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Eye Tracker	Tobii AB	Pro Nano	60 Гц — захват взгляда на экране; Калибровка 5/9 точек
Монитор	ASUS	VP249QGR	23,8'', 1920 и раз; 1080; Дальность просмотра ~65 см
Взаимодействие ПК	Dell	OptiPlex 7010	Windows 10; запускает интерфейс + логи
Синхронизаторы	Обычай	v1.0	Объединяет взгляд и Временные метки взаимодействия
Парсер фиксации	Открытый исходный код	I-VT	Порог фиксации 80– 120 мс.
AOI Mapper	Обычай	2D точка в многоугольнике	Карты смотрят на статические/динамические AOI