Ekran Tabanlı İnteraktif Dijital Sanat Ortamlarında Görsel Dikkati Niceliklendirmek İçin Göz İzleme Tabanlı Ölçüm Çerçevesi

Summary

Bu protokol, etkileşimli dijital sanatta görsel ilgiyi nicelendirmek için kapsamlı bir çerçeveyi tanımlar. Göz izleme verilerinin etkileşim günlükleriyle senkronize edilmesi için sistem mimarisini, dinamik İlgi Alanı (AOI) haritalama yöntemini ve dikkat dinamiklerini kullanıcı deneyimi sonuçlarına bağlamak için analitik boru hattını detaylandırır.

Abstract

Bu makale, etkileşimli dijital sanat deneyimleri sırasında görsel ilgiyi niceliklendirmek ve dikkat dinamiklerini deneyimsel sonuçlarla ilişkilendirmek için tasarlanmış bakış-destekle bir ölçüm çerçevesi sunmaktadır. Geleneksel statik sanat izlemenin aksine, etkileşimli dijital sanat dinamik medya, çok kaynaklı bilgi ve standart göz izleme yöntemlerini zorlayan sürekli geri bildirim döngülerini içerir. Önerilen sistem, göz izleme edinimi, etkileşim kaydı, zaman damgası senkronizasyonu, dinamik İlgi Alanı (AOI) haritalama ve metrik hesaplamayı birleşik bir boru hattı içinde entegre eder. Protokol, bakış verilerini belirli etkileşim olaylarıyla hizalanan tekrarlanabilir bir veri iş akışının geliştirilmesini ve dikkat tahsisi, değişim maliyetleri ve keşif entropisinin hassas hesaplanmasını mümkün kılar. Deneysel tasarım hem serbest keşif hem de hedefe yönelen görevleri içerir; bu, 37 katılımcıyla yapılan bir çalışmada gösterilmiştir. Bu protokolün uygulanmasından elde edilen sonuçlar, yüksek algılanan kullanıcı dostluğu ve memnuniyet göstermektedir; ölçüm modelleme, kullanılabilirlik ve tatminin iki yapımı modelini destekler. Ayrıca, sonuç modelleme, algılanan kullanılabilirliğin genel kullanıcı memnuniyeti için temel bir tahminci olarak işlev gördüğünü doğrularken, tek vaka gösterimi boru hattının bağlam farkında dikkat değişimlerini nicelikten ölçeme kapasitesini doğrular. Bu protokol, araştırmacılara ve tasarımcılara, geri bildirim gecikmesi ve rehberlik yoğunluğu gibi etkileşim tasarım unsurlarının kullanıcı dikkatini ve ardından öznel deneyimleri sürükleyici dijital ortamlarda nasıl şekillendirdiğini analiz etmek için titiz, tekrarlanabilir bir araç seti sunar.

Introduction

Etkileşimli dijital sanat, sürükleyici mekânsal enstalasyonlardan ekran tabanlı etkileşimli platformlara kadar geniş bir modalite^{yelpazesini kapsar 1,2}. Tamamen sürükleyici kurulumlar bu evrimin sınırını temsil ederken, ekran tabanlı etkileşimli sanat, sınırsız mekânsal genişlemeden önce sıkı, standartlaştırılmış değerlendirme metodolojileri gerektiren temel bir ortam olmaya devam ediyor. Bu modalite, izleyicinin rolünü pasif gözlemden aktif ortak yaratıma doğru etkili bir şekilde yeniden tanımlar; burada katılım doğrudan sanat eserinin anlamını^{şekillendirir 3}. Sanat psikolojisindeki klasik çerçeveler, özellikle Viyana Entegre Sanat Algısı Modeli (VIMAP), estetik karşılaşmalar sırasında yukarıdan aşağıya bilişsel kontrol ile aşağıdan yukarıya algısal işlem arasındaki etkileşimi anlamak için sofistike bir bakış açısı sunar. Ancak, bu modeller statik gözlem için sağlam bir temel sağlasa da, en son uygulamalarını etkileşimli dijital ortamlara genişletmek gelişmiş ölçüm teknikleri gerektirir. Bu teorik yapıları etkileşimli uygulamalara dönüştürmek, kullanıcı girişi ile sistem yanıtı arasındaki sürekli geri bildirim döngüsünü nesnel olarak yakalamak için gerçek zamanlı fizyolojik metrikler gerektirir. Sonuç olarak, statik izlemeden aktif etkileşime geçiş, kullanıcı deneyimini değerlendirmede önemli bir karmaşıklık getirir. Alandaki mevcut ana akım değerlendirme yöntemleri öncelikle etkinlik sonrası anketler, geriye dönük röportajlar ve izleyicilerin izleme alışkanlıkları, dizisi ve kalınma süresiyle ilgili yerinde gözlemlere^{dayanmaktadır 4}. Bunlar genellikle toplam kalma süresi ve tıklama^{sıklığı 5} gibi kaba taneli davranışsal metriklerle desteklenir. Bu yöntemler genel tercihleri ve genel tatmini yakalamada etkili olsa da, deneyim sırasında gerçekleşen gerçek zamanlı, mikro düzeyde dikkat değişimlerini takip etmekte temelde zorlanırlar. Gecikmeli hatırlamaya dayanan ve bu nedenle bilişsel yanlılığa açık olan geriye dönük anketlerin aksine, önerilen göz izleme çerçevesi sürekli, gerçek zamanlı ve nesnel fizyolojik veriler sağlar. Ayrıca, toplam bakış süresi veya yüzeysel tıklama frekansları gibi kaba davranışsal metriklere kıyasla, bu bakış destekli yöntem, tereddüt anları, görsel arama stratejileri ve sistem geri bildirimine anlık algısal tepkiler gibi mikro düzeyde bilişsel süreçleri yakalar. Böylece, geleneksel değerlendirme yöntemlerinin temelde eksik olduğu yinelemeli etkileşim tasarımı için uygulanabilir ve ayrıntılı^{kanıtlar sunar 6}. Bu teknoloji, etkileşimli sanatta dikkat tahsisi, bakım ve kaydırmayı anlamak için süreç düzeyinde metrikler sunar ve kullanıcının bilişsel durumunun nesnel fizyolojik^{metriklerini 7,8,9} sunar. Bir kullanıcının belirli öğelere ne zaman, nerede ve ne kadar süre baktığını analiz ederek, araştırmacılar sergi optimizasyonu ve etkileşimli tasarım için nesnel destek sağlayabilir. Ancak, etkileşimli dijital sanat deneyimleri bağlamında göz izleme uygulaması, standart kullanılabilirlik testi veya statik görüntü görüntülemesinden ayıran birçok basit teknik ve metodolojik zorluk sunar.

Etkileşimli ortamlar genellikle dinamik medya, birden fazla bilgi kaynağı ve karmaşık çok adımlı görevleri içerir. Görsel uyaranlar sabit değildir; Kullanıcının girdisine göre evrimleşirler. Görsel uyaranlar ve sistem geri bildirimindeki sürekli değişiklikler, hareket eden nesneler ve arayüz alanları arasında hızlı dikkat kaymalarına neden olur. Bu dinamizm, geleneksel, statik, arayüz tabanlı segmentasyon ve metrik yorumlamayı bozulmaya açık^{hale getirir 10,11}. Örneğin, bir anda ilgili olan bir İlgi Alanı (AOI) bir sonraki anda kaybolabilir veya anlamsal anlamını değiştirebilir, bu da statik ısı haritalarını yetersiz hale getirir.

Ayrıca, gerçek dünya etkileşimleri genellikle baş hareketleri, tıkanmalar ve ekrandan farklı mesafeler gibi doğal fiziksel davranışları içerir; bu da kalibrasyon kaymasına^{yol açar 12,13}. Bu takip kalitesindeki dalgalanmalar, eksik değerler ve gürültü yaratır, bu da denekler arası karşılaştırılabilirliği ve istatistiksel testlerin kararlılığını azaltır. Standart laboratuvar protokolleri genellikle sanat takdiri için gereken doğal deneyimi azaltan sert stabilizasyon (örneğin çene dayağı)^{gerektirir 14}. Bu nedenle, etkili bir protokol, titiz veri kalite kontrolünü kullanıcının duruşunun ekolojik geçerliliği ile dengelemelidir. Uzaktan ekran tabanlı göz takibi kullanarak, önerilen çerçeve, doğal ve kısıtlamadan gövde ve baş mikro hareketlerine izin vererek, estetik tepkileri göze batan fiziksel kısıtlamalar olmadan yakalamak için pragmatik bir temel sağlar.

Önemli olarak, göz hareketi verileri ile etkileşim kayıtları arasındaki zamansal senkronizasyon doğrudan nedensel yorumu etkiler. Statik bir izleme görevinde, uyarıcı başlangıcı tek ilgili zaman işaretidir. Etkileşimli sanatta, her dokunuş, jest veya bakış tetikleyicisi yeni bir zamansal etkinlik referansı başlatır. Birleşik bir zaman kıyarım ve olay hizalama mekanizması olmadan, dikkat değişikliklerinin sistem geri bildirimiyle mi tetiklendiğini yoksa bireysel keşif stratejileriyle mi tetiklendiğini belirlemek^{zorlaşır 15}. Dijital sanatı kapsamlı değerlendirmek için araştırmacılar genellikle iki farklı veri kaynağına dayanır: etkileşim günlükleri (kullanıcı girdilerini ve sistem durumlarını yakalayarak) ve fizyolojik sinyaller (görsel dikkat için bakışların takibi). Ancak, bu yöntemler genellikle tek başına analiz edilir. Bunları analitik sürecin başlarında entegre etmek kavramsal ve pratik olarak hayati öneme sahiptir çünkü doğası gereği tamamlayıcıdırlar: etkileşim günlükleri, sistem geri bildiriminin ne ve ne zaman olduğu kesin bağlamsal 'tetikleyiciyi' sağlarken, sürekli bakış verileri ilgili bilişsel 'tepkiyi' (dikkat tahsisinin nerede ve nasıl olduğu) ortaya çıkarır. Birleşik bir zaman, kıyaslama ve çok modlu bir etkinlik hizalanması olmadan, dikkat kaymasının sistem geri bildirimiyle mi tetiklendiğini (örneğin, görsel dalgalanma etkisi) yoksa bireysel keşif stratejileriyle mi tetiklendiğini belirlemek zorlaşır. Bu veri akışlarını birleştirerek, bu çerçeve, etkileşimli tasarım özellikleri ile kullanıcı bilişi arasındaki nedensel döngüyü kapatma teorik faydasını sağlar.

Bu nedenle, etkileşimli sanat için göz izleme araştırmalarını ilerletmek, sadece takıntı noktalarını yakalamak değil; bu durum titiz kalite kontrol, senkronize hizalama ve tekrarlanabilir veri işleme iş akışlarını gerektirir. Mevcut çözümlerin sınırlamaları bu araştırma motivasyonunu daha da vurgulamaktadır. Sanatsal bağlamlarda mevcut göz izleme çalışmaları ağırlıklı olarak statik izleme görevlerine odaklanır veya metinsel açıklamalar ile rehberleri harici değişkenler olarak ele alır; bu da etkileşimli mekanizmalarla entegrasyondan^{yoksundur 16,17}. Kanıtlar, bilgi sunum yöntemleri ve rehberlik stratejilerinin izleyicilerin dikkat yollarını ve odak noktalarını önemli ölçüde değiştirebileceğini gösterse de, çoğu bulgu tek müdahale korelasyonları seviyesinde kalır ve etkileşimli geri bildirim döngülerinin bir deneyim süresi boyunca dikkat stratejilerini nasıl şekillendirdiğini açıklayamaz.

Buna karşılık, etkileşimli sanat uygulamaları, bakışı doğal bir etkileşim girdisi olarak kullanan prototip sistemler geliştirmiş olsa da—izleyicilerin pasif gözlemcilerden aktif katılımcılara dönüşmesini vurgularken—bu çabalar genellikle enstalasyon gösterimlerine veya teknik doğrulamaya^{odaklanmaktadır 18,19}. Genellikle birleşik dikkat metrikleri, tekrarlanabilir deneysel paradigmalar ve dikkat dinamikleri ile deneyimsel sonuçlar arasında test edilebilir bağlantılar kuran kapalı döngü araştırma modellerinden yoksundurlar. Bu boşluk, belirli bir tasarım seçiminin (örneğin görsel geçiş hızı) kullanıcının immersiya veya kullanılabilirlik hissini nasıl etkileyeceğini güvenilir şekilde tahmin edebilen aktarılabilir tasarım ilkelerinin geliştirilmesini engeller.

Kritik olarak, mevcut literatür, görsel ilgiyi gerçek zamanlı etkileşimli sistemlerle temelde uyumlu hale getiren tutarlı bir çerçeveden yoksundur. Dinamik AOI haritalama ve bakış-olay senkronizasyonundaki gelişmeler genel HCI bağlamlarında araştırılmış olsa da, dijital sanatın akışkan ve son derece değişken ortamına nadiren entegre edilirler. Temel araştırma boşluğu, mevcut tek modalite değerlendirmelerinin sistem geri bildirimi ile kullanıcı bilişi arasındaki nedensel döngüyü açıklayamamasındadır. Multimodal verilerin erken entegrasyonu—özellikle sürekli bakış koordinatlarını milisaniye hassasiyetinde etkileşim günlükleriyle birleştirerek—araştırmacılar temel kullanılabilirlik ölçütlerini aşabilirler. Bu entegrasyon, belirli mikro seviyedeki dikkat değişimlerini (örneğin, arama stratejileri vs. stabilize edilmiş odak) doğrudan belirli etkileşim tasarım tercihlerine atfeder ve deneyimsel akışı öznel bir duygudan ölçülebilir bir bilişsel duruma dönüştürür.

Bu boşlukları gidermek için, bu protokol özellikle ekran tabanlı etkileşimli dijital sanatla sınırlı olan göz takibi odaklı dikkat ölçüm çerçevesi önermektedir. Temel teknik pipeline, genel insan-bilgisayar etkileşimi (HCI) testleriyle yapısal benzerlikler paylaşsa da, bu çerçeve işlevsel olmayan estetik görevleri (örneğin, üretken medyanın serbest görsel keşfi) hedefe yönelen eylemlerle benzersiz şekilde bütünleştirir. Bu entegrasyon, sanat takdirinin akışkan ve keşif niteliğini, yazılım değerlendirmesinde standart faydacı yaklaşımdan açıkça ayırır. Teorik olarak, bu çalışma etkileşimli dijital sanat, HCI ve göz izleme analizinin kesişiminde işlemektedir. Dijital sanat değerlendirmesinde sürekli deneyimsel akışı nesnel olarak karakterize etme ve etkileşimli girdi ile dikkat çıktısı arasındaki korelasyonun belirlenmesi konusundaki kalıcı zorluğu ele alır.

Araştırma kapsamı, bu çalışmayı yalnızca etkileşimli dijital sanatın deneyimsel bağlamına değil, aynı zamanda göz izleme verilerini etkileşim günlükleriyle entegre ederek deneyimsel girdiden dikkat metriklerine ve nihayetinde sonuç değişkenlerine kadar sistematik bir kanıt zinciri oluşturmayı da konumlandırıyor. Sistem düzeyinde, göz hareketi yakalama, etkileşim günlüğü kaydı ve zamansal senkronizasyonu birleşik bir mimaride entegre eden tekrarlanabilir bir veri boru hattı oluşturuyoruz. Bu çerçeve, ön işleme, bölge haritalama ve dikkat metrik üretimini standartlaştırırken, izlenebilir veri yapıları ve analitik betikler sağlar.

Kavramsal çerçeve (Şekil 1), etkileşim tasarımının izleyicilerin görsel dikkat süreçlerini değiştirerek öznel sonuçları nasıl etkilediğini açıklar. Temel mantık, etkileşim unsurlarını (geri besleme gecikmesi ve rehberlik yoğunluğu gibi) kontrol edilebilir girdiler olarak, görsel dikkat dinamiklerini ana süreç değişkenleri olarak ve deneyim sonuçlarını (immersion, kullanılabilirlik, memnuniyet) çıktı olarak ele alır. Bireysel farklılıklar moderatör faktörler olarak dahil edilmiştir. Deneysel tasarım için, serbest keşif ile hedef odaklı hedefleri dengeleyen etkileşimli görevler geliştirilir. Modelleme düzeyinde, dikkat dinamiklerini sonuç değişkenleriyle ilişkilendirerek etkileşim tasarım unsurlarının görsel dikkat yoluyla kullanıcı deneyimini nasıl etkilediğini inceliyoruz. Bu protokol, bu çerçeveyi çoğaltmak için ayrıntılı metodolojik adımlar sunar ve kullanıcı, sistem ve sanat arasındaki karmaşık etkileşimin bilimsel titizlikle ölçülmesini sağlar.

Protocol

Bu araştırma, Makao Şehir Üniversitesi İnovasyon ve Tasarım Fakültesi'nin kurumsal yönergelerine uygun olarak gerçekleştirilmiştir. Tüm katılımcılar veri toplamadan önce bilgilendirilmiş onay verdi.

1. Sistem geliştirme ve mimari yapılandırma

1. Araştırma iş akışını tanımlayın
   1. Şekil 2'de gösterildiği gibi dört aşamalı kapalı döngü sürecini benimseyin: Sistem Geliştirme, Göz İzleme Deneyi, Analitik ve Sonuç Modelleme.
   2. İş akışının, analitik aşamasından alınan verilerin gelecekteki yinelemeler için sistem geliştirmede ayarlamaları yönlendirebileceği yinelemeli iyileştirmeyi kolaylaştırmasını sağlayışın.
2. Sistem mimarisini yapılandırma
   1. Sistemi Şekil 3'te gösterilen ve beş farklı modülden oluşan boru hattı mimarisiyle inşa edin: Deneyim (Görevler), Göz İzleme, Loglar, Senkronizasyon (Senkronizasyon) ve Analitik.
   2. Deneyim modülü: Birleşik giriş noktası olarak hizmet edecek etkileşimli sanat arayüzünü geliştirin. İki paralel veri akışı üretecek şekilde yapılandırın:
      1. Göz izleme veri akışı: Cihazdan ham bakış koordinatları ve zaman damgaları çıkar.
      2. Etkileşim günlüğü akışı: Kullanıcı eylemlerini (tıklamalar, jestler) ve sistem durumu değişikliklerini (geri bildirim tetikleyicileri, sahne geçişleri) belgeleyin.
   3. Senkronizasyon modülünde bir Kullanıcı Datagram Protokolü (UDP) betiği uygulayın; böylece etkileşim render motorundan görsel uyarıcının değiştiği ya da kullanıcı girdisi kaydedildiği milisaniyede göz takipçi API'sine olay işaretlerini gönderin.
   4. Deneyden önce 60 saniyelik bir senkronizasyon test döngüsü çalıştırarak ofset kararlılığını değerlendirin. Etkileşim saati ile göz takipçi saati arasındaki gecikmenin standart sapmasının (SD) kesinlikle 6,5 ms'nin altında kaldığını ( Tablo 1'e göre) doğrulayın. SD 6.5 ms'yi aşarsa, ağ bağlantısını sıfırlayın ve yeniden kalibre edin.
   5. Hizalanmış veri depolama: Veritabanını veya dosya sistemini, her veri noktasının senkronize bakış koordinatları, olay bayrakları ve AOI indeksleri içeren hizalanmış verileri depolayacak şekilde yapılandırın.
3. Sistem çalışma döngüsünü kur
   1. Şekil 4'te gösterildiği gibi çalışma zamanı döngüsünü uygulayın.
   2. Diziyi sıkı bir şekilde şu şekilde programlayın: Oturum Başlat → Kalibrasyon → Yükleme Sahnesi + AOIs → Gerçek Zamanlı Döngü (Kullanıcı Etkileşimi / Bakış Yakalama / Render Geri Bildirimi).
   3. Veri boru hattının (Yazı Logları → Zaman Damgası Senkronizasyonu → Fiksasyon Ayrıştırma → AOI Haritalama) hızlı kalite kontrollerini kolaylaştırmak için hemen ardından çalıştığından emin olun.

2. Uyarım ve etkileşim tasarımı

1. Etkileşim modalitelerini seç
   1. Taksonomiye göre etkileşim modalitelerini seçin. Araştırma sorusuna bağlı olarak Bakış Tabanlı Etkileşim, Dokunma/Jest Tabanlı Etkileşim veya Çok Kullanıcılı Ortak Etkileşim arasında seçim yapabilirsiniz.
   2. Bu protokol için, giriş zorluğunu en aza indirirken çıktı yorumlanabilirliğini maksimize etme ilkesine uymak amacıyla bakış ve dokunma girişlerinin kombinasyonunu uygulayın.
2. Etkileşim modüllerini ve tetikleyici olayları tanımlayın.
   NOT: Burada, "etkileşim modülü" dijital sanat eserinin ayrık fonksiyonel birimi olarak (örneğin, belirli bir etkileşimli görsel efekt) operasyonel olarak tanımlanırken, "tetikleyici olay" ise bu modülü milisaniye hassasiyetinde aktive eden özel kullanıcı girişi veya sistem durumu değişikliğini ifade eder.
   1. Tablo 2'de tanımlanan özel etkileşim modüllerini programlayın.
   2. Çevresel çekici: Tetikleyiciyi sahne girişi veya boşta duruma ayarlayın, ≥ 3.2 saniye. Beklenen dikkat tepkisini daha geniş keşif ve daha yüksek bakış dağılımı olarak tanımlayın.
   3. Bakış vurgulama: Tetikleyiciyi bir nesnenin AOI üzerinde 420 ms ≥ bakışlar olarak ayarlayın. Bunun odaklanmayı pekiştirmek için görsel bir vurgu başlatmasını sağlayın.
   4. Dokunma dalgası: Tuval olayına dokunduğunda koordinatlarda (x,y) görsel bir dalgalanma etkisi uygulayın. Dalga cephesi sonrası sakkad genlik değişiklikleri kaydedilir.
   5. Yönlendirilmiş işaret: Önceden ayarlanmış bir AOI'de 1.4–2.1 saniye boyunca görünecek görsel bir işaret programlayın. Bu işareti kullanarak İlk Fiksasyona Kadar Zamanı (TTFF) ölçün.
   6. Seçim kapısı: Kullanıcının 7.5 saniye içinde 3 seçenekten birini seçtiği bir karar noktası oluşturun. Bunu, seçilen seçenekte ve reddedilen seçeneklerde kalma süresini ölçmek için kullanın.
3. İlgi Alanları (AOI)
   1. Şekil 5'te gösterildiği gibi statik ve dinamik AOI'ler oluşturun.
   2. Sabit kullanıcı arayüzü (UI) öğeleri (örneğin, menüler, kenarlıklar) için statik AOI'ler tanımlayın.
   3. Hareket eden görsel öğeler için dinamik AOI'ler (örneğin, yüzen küreler, parçacık sistemleri) tanımlanır. AOI koordinatlarının sistem yenileme hızında günlük dosyasında güncellendiğinden emin olun.
   4. Analiz sırasında anlamsal güvenilirliğin hesaplanmasını kolaylaştırmak için AOI'ler için anlamsal etiketleme (örneğin, Hedef Nesne, Dikkat Dağıtıcı, Talimat Metni) uygulanır.

3. Katılımcı kazanımı ve taraması

1. Işe alım stratejisi
   1. Dijital okuryazarlık temelini oluşturmak için ilgili bir demografiden (örneğin, dijital sanat çalışmaları için üniversite öğrencileri) katılımcıları işe alın.
   2. Katılımcılara göz izleme prosedürünün doğası hakkında bilgilendirilmiş onay alın ve bilgilendirin.
2. Tarama kriterleri
   1. Görme keskinliği için ekran. Katılımcıların normal veya düzeltilmiş görme yeteneğine sahip olup olmadığını doğrulayın.
   2. Standart göz izleme kalibrasyonuna müdahale eden göz hastalıkları (örneğin, şaşılık, şiddetli astigmatizm) olan bireyleri hariç tutun.
   3. Kalibrasyon kontrolü: İlk kurulum sırasında 5 veya 9 noktalık bir kalibrasyon yapın. Ortalama 0,85° kalibrasyon hatası ≤ veya kalıcı takip kaybı gösteren katılımcılar (geçerli örnek oranı %85< hariç tutun.
   4. Yaş, cinsiyet, el kullanımı ve kendi bildirimde bulunan dijital sanat deneyimini içeren demografik verileri kaydedin ( bkz. Tablo 3 parametreleri).

4. Deneysel prosedür

1. Fiziksel kurulum
   1. Deneyi, sabit ortam aydınlatması olan sessiz bir odada yapın. Ekranda doğrudan güneş ışığını veya güçlü yansımaları ortadan kaldırın.
   2. Katılımcıyı, belirli ticari ekran tabanlı göz takip ünitesi için uygun sabit bir izleme mesafesine (örneğin 60–70 cm) oturtun.
   3. Sandalye yüksekliğini ayarlayın ki katılımcının gözleri ekranın ortasıyla hizaday.
2. Oturum yürütme
   1. Kalibrasyon: Kalibrasyon rutinini yürütün. Doğruluğu doğrulayın. Kayma 1.10° > ise, yeniden kalibrasyon (Drift check) yapın.
   2. Deneme denemesi: Katılımcıyı etkileşim protokolleriyle (örneğin, Bakış Vurgulamasının nasıl tetikleneceği) öğrenmek için yaklaşık 2 dakikalık standart bir çalışma oturumu uygulanır.
   3. Görev yürütme: Dizi etkilerini en aza indirmek için iki görev türünü dengeli bir sırayla sunun:
      1. Ücretsiz keşif görevi: Katılımcıya "Sanat eserlerini özgürce keşfetmesini ve ilginizi çeken öğelerle etkileşime geçmesini" öğüt verin.
      2. Hedefe yönelik görev: Katılımcıya "Belirli gizli öğeleri bul" veya "Son görseli açmak için etkileşim dizisini tamamla" söyle.
   4. Veri kaydı: Sistemin hem göz izleme akışını hem de etkileşim kayıtlarını görevler boyunca birleşik zaman damgalarıyla otomatik olarak kaydettiğinden emin olun.
   5. Görev sonrası anketler: Her görev bloğunun hemen ardından, deneyim ölçeklerini (Daldırma, estetik zevk, kullanılabilirlik, tatmin) yönetin.

5. Veri işleme ve analiz süreci

1. Veri ön işleme ve kalite kontrolü
   1. Gaze işleme boru hattının kapsamlı bir genel görünümü için Şekil 6'ya bakınız. Bu görsel şematik, ham bakış koordinatlarını yorumlanabilir analitik verilere dönüştürmek için gereken ardışık aşamaları belirler: ilk sinyal kalite kontrolü (göz kırpma enterpolasyonu ve mekansal filtreleme dahil), göz hareketlerinin fiksasyonlar ve sakkadlara hız bazlı ayrıştırılması, bakışlar noktalarının aktif ilgi alanlarına (AOI) dinamik eşlenmesi ve nicel dikkat metriklerinin nihai hesaplanması.
   2. Standart bir interpolasyon ve filtreleme boru hattı kullanarak yanıp sönme ve sinyal kesintilerini yönetin. Göz bebeği çapı sıfıra eşit veya takip geçerlilik bayrakları geçersiz olduğu göz kırpımı ve sinyal kaybı segmentlerini belirleyin.
   3. Kısa boşluklar (≤75 ms) için, eksik bakış koordinatlarını tahmin etmek için doğrusal bir enterpolasyon algoritması uygulanır. 75 ms'yi aşan boşluklarda, yapay eser oluşumunu önlemek için veri haritalanmamış bırakın. Interpolasyondan sonra, küçük yüksek frekanslı gürültüyü yumuşatmak için hareketli ortalama filtresi (pencere boyutu = 3 örnek) uygulanır.
   4. Fiziksel ekran sınırlarının dışına düşen veya biyolojik olarak imkansız sakkadik hızlar gösteren (1000^o/s> olarak tanımlanan uzamsal dışnamaları tespit edip ortadan kaldırın.
   5. Son kesilme kesirini hesaplayın; Geri alınamayan kayıpın toplam görev süresinin %12'sini aştığı oturumlar hariç tutulur.
   6. Deneme düzeyinde sürüklenme düzeltmesini uygulayın. Doğrulama kontrolü sırasında belirli bir görev bloğundan hemen önce sistematik bir ofset tespit edildiyse, o özel denemenin ham bakış verilerine doğrusal koordinat düzeltme vektörü uygulanarak küçük baş duruş kaymalarını telafi etmek için uygulanır.
2. Fiksasyon ve sakkad ayrıştırma
   1. Hız Eşiği Ile Tanımlama (I-VT) ayrıştırma algoritmasını uygulayın. Göz hareket hızı 30°/s'yi aşıyorsa ham veri noktalarını sakkadlar olarak sınıflandırın; aksi takdirde, bunları takıntılar olarak sınıflandırın.
   2. Mikro-sakkadlar ve artefakt gürültüsünü filtrelemek için minimum fiksasyon süresi eşiği 80 ms uygulanır.
   3. Göz hareketlerini fiksasyonlar (stabil bakış) ve sakkadlar (hızlı hareket) olarak sınıflandırın. Bir fiksasyon tablosu ve sakkad tablosu oluşturun.
3. Zamansal hizalama ve AOI eşlemesi
   1. Bakış olay zaman damgalarını, UDP olay işaretleyicilerini mutlak referans noktası olarak kullanarak etkileşim logu zaman damgalarıyla hizalayın.
   2. Herhangi bir donanım iletim gecikmesini, başlatma test döngüsünde kaydedilen ortalama ofseti tüm bakış zaman damgalarından çıkararak düzeltir.
   3. Bu entegrasyonu analitik düzeyde gösteren senkronize veri satırlarının şematik örneği için Tablo 4'e bakınız. Bu matrisin sürekli bakış koordinatlarını, ayrık etkileşim olay bayraklarını ve dinamik AOI indekslerini milisaniye çözünürlükte birleştirerek sonraki metrik hesaplamalar için temel veri setini oluşturduğuna dikkat edin.
   4. Dinamik AOI Haritalama'yı uygulayarak akışkan dijital sanat ortamlarında statik mekânsal bölmenin sınırlamalarını aşmak.
   5. Her fiksasyon koordinatını, tam olarak o milisaniye zaman damgası için güncellenen aktif AOI'lere bir nokta-çokgen algoritması kullanarak eşleyin.
   6. NOT: Bu, görsel öğeler sürekli hareket etse veya durum değiştirse bile, bakış verilerinin sabit, eski bir ekran konumu yerine amaçlanan etkileşimli nesneye doğru şekilde atfedilmesini sağlar.
   7. Kesin bir z-buffer hiyerarşik kuralı kullanarak örtüşen AOI'lere öncelik verin. Ham (x,y) bakış koordinatını, o milisaniyelik zaman damgasında güncellenen sınırlayıcı kutu dizisine eşleyin.
   8. Eğer koordinat birden fazla aktif sınırlayıcı kutu içinde yer alıyorsa, fiksasyonu yalnızca en yüksek render katmanı indeksine sahip AOI'ye (en önde gelen görsel eleman) atanın. Çift saymayı önlemek için alt katmanlardan örtüşen verileri atın.
   9. Haritalanmamış fiksasyonların yüzdesini hesaplayın. AOI tanımlarının tamlığını doğrulamak için bu oranın 0.18 (%18) ≤ kaldığından emin olun.
4. Metrik hesaplama
   1. Şekil 1 çerçevesinde gösterildiği gibi üç boyutlu metrikleri hesaplayın:
   2. TTFF'yi hesaplayın; bu durum, belirli bir görsel uyarıcının başlangıcından ilgili hedef AOI içindeki ilk fiksasyonun başlangıcına kadar geçen süre olarak tanımlanır. Hesaplama Dwell Süresi (AOI içindeki toplam fiksasyon süresi) ve Yeniden Ziyaret Oranı.
   3. Dikkat değiştirmeyi nicelikten ölçmek için Geçiş Matrislerini Hesaplama. AOI A'dan AOI B'ye geçiş olasılığı P_AB'yi hesaplamak, 'dan ''ye bakış geçişlerinin sayısını, A'dan gelen toplam geçiş sayısına bölerek. Geçiş Hızını, toplam AOI geçiş sayısını geçerli görev süresine bölerek hesaplayın.
   4. Görsel keşifin rastgeleliğini nicelendirmek için Shannon'ın Bilgi Teorisi formülünü kullanarak Küresel Bakış Entropisi'ni (H) hesaplayın. Denklemi şu şekilde formüle edin:
      (1)
      burada değişkenler şu şekilde tanımlanır: : Görsel dikkatin dağılımı temsil eden Küresel Bakış Entropisi. N: Sahne içindeki tanımlanmış dinamik AOI'lerin toplam sayısı. p_i: Bakışın belirli bir AOI içinde inme olasılığı. Bu, AOI'deki dwell süresinin toplam geçerli görev süresine göre oranından türetilir.
   5. Bu metrikleri görev aşamasına göre topla (Serbest Keşif vs. Hedefe Yönelmiş).
5. İstatistiksel modelleme
   1. Hesaplamalı Metrikler ile Anket Puanlarını birleştiren nihai veri setini bir araya getirin.
   2. Kullanılabilirlik ve Memnuniyet yapılarını doğrulamak için Onaylayıcı Faktör Analizi (CFA) yapın.
   3. Hipotezleri test etmek için Karma Etkinli Modeller veya Yapısal Denklem Modelleme (SEM) kullanın (örneğin, Etkileşim Gecikmesi Dikkat Değiştirmeyi öngörür, Dikkat Değiştirme Kullanılabilirliği öngörür).

Results

Örneklem özellikleri ve veri kalitesi

Bu protokolün uygulanması 43 öğrenciyi işe aldı ve bunların 37'si nihai analize dahil edildi (Dahil etme oranı: %86,0). Tablo 3'te detaylandırıldığı gibi, 6 katılımcının dışlanması yalnızca veri kalitesi protokollerine uyumdan kaynaklanıyordu: takip kaybı/kötü kalibrasyon (n=2), aşırı eksik örnekler (n=2), etkileşimli aşamada kendi bildirim edilen hareket hastalığı nedeniyle tamamlanmamış ...

Discussion

Bu çalışma, etkileşimli dijital sanat için özel olarak tasarlanmış doğrulanmış bir göz izleme ölçüm çerçevesi oluşturmaktadır. Temelde, bulgular dinamik İlgi Alanı (AOI) haritalamasının milisaniye düzeyinde çok modlu senkronizasyonun daha önce akışkan ortamda gizlenen mikro seviye görsel dikkat kaymalarını başarıyla niceleştirdiğini göstermektedir. Teorik olarak, bu araştırma, pasif gözlem ile aktif katılım modelleri arasındaki kavramsal boşluğu kapatarak, fonksiyonel kullanılabilirliği ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Göz İzleyicisi	Tobii AB	Pro Nano	60 Hz ekran tabanlı bakış yakalama; 5/9 noktalı kalibrasyon
Monitör	ASUS	VP249QGR	23.8'', 1920× 1080; İz mesafesi ~65 cm
Etkileşim PC	Dell	OptiPlex 7010	Windows 10; Arayüz + logları çalıştırır
Senkronizasyon Saati	Özel Yapı	v1.0	Bakışları birleştirir ve birleştirir Etkileşim zaman damgaları
Fiksasyon Ayrıştırıcısı	Açık kaynak	I-VT	Sabitleme eşiği 80&ntir; 120 ms.
AOI Haritacısı	Özel Yapı	2D Çokgen İçinde Nokta	Bakışı statik/dinamik AOI'lere haritalar