Name: Mobil Göz İzleyicileri Kullanarak Ortak Görsel Dikkat Yakalama Için Bir Metodoloji (Video) | JoVE Journal
Uploaded: 2020-01-18T14:00:00.000+00:00
Duration: 12 min 39 s
Description: Öğrenin, mobil göz izleyicilerle ortak görsel dikkati nicel olarak ölçme yöntemini. Eş zamanlı bakış kalıplarını analiz ederek sosyal etkileşimleri ve işbirliği kalitesini değerlendirin.

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

Bu metodolojinin geliştirilmesi Ulusal Bilim Vakfı (NSF #0835854), İsviçre Devlet Eğitim, Araştırma ve Yenilik Sekreterliği tarafından finanse edilen Mesleki Eğitim için Önde Gelen Ev Teknolojileri ve Harvard School of Education Dean Venture Fund tarafından desteklendi.

1. Katılımcı Taraması
<ol><li>Normal veya normale doğru görme engelli katılımcıların işe alınmasından emin olun. Katılımcılardan mobil göz izleyicisi takmaları isteneceği için, kontakt lens takabilirler, ancak normal gözlük takmazlar.</li>
</ol>2. Deneye Hazırlık
<ol><li>Göz izleme cihazları<ol>
<li>Gerçek dünya ortamlarında göz hareketini yakalayabilen herhangi bir mobil göz izleyicisi kullanın. NOT: Burada kullanılan mobil göz izleyicileri iki Tobii Pro Gözlük 2 idi (Bkz. Malzeme Tablosu). Göz hareketlerini izleyebilen özel kameralara ek olarak, gözlükler hd sahne kamerası ve mikrofonla da donatılmıştır, böylece bakışkullanıcının görsel alanı bağlamında görselleştirilebiliyor. Bu gözlükler bakış verilerini saniyede 50 kez yakalar. Diğer araştırmacılar ASL Mobile Eye5,SMI6veya Pupil-labs7,hepsi sahne kamera ve farklı örnekleme hızlarında göz izleme koordinatları video akışları sağlamak (30-120 Hz) kullandık. Aşağıdaki yordam diğer göz izleme aygıtları ile biraz değişebilir.</li>
	</ol>
</li>
	<li>Fiducial İşaretleyiciler<ol>
<li>Aşağıdaki iki adım (örneğin, zamansal ve uzamsal hizalamalar) fiducial belirteçlerin kullanımını gerektirir. Araştırmacılara bu işaretleri ve algoritmaları bir görüntü veya video akışında algılamak için sağlayan çeşitli bilgisayar görme kitaplıkları vardır. Açıklanan protokol Chilitag kitaplığı8kullanır.</li>
	</ol>
</li>
	<li>Zamansal hizalama<ol>
<li>Göz izleme verileri iki ayrı birim de kaydedildiğından, verilerin düzgün bir şekilde senkronize edilmesini sağlayın (Şekil 1). İki ana yöntem kullanılabilir. Sunucu senkronizasyonu mobil göz izleyicisinin her markasıyla farklı çalıştığından, bu el yazması yalnızca ilk yöntemi kapsar.<ol>
<li>Bir oturumun başlangıcını ve sonunu işaretlemek için bilgisayar ekranında kısa bir süre için bir fiducial işaretçi gösterin. Bu görsel bir "el çırpma" benzer (Şekil 2).</li>
			<li>Alternatif olarak, iki veri toplama biriminin saatlerini eşitlemek için bir sunucu kullanın. Bu yöntem biraz daha doğru ve daha yüksek bir zamansal doğruluk gerekiyorsa önerilir.</li>
		</ol>
</li>
	</ol>
</li>
	<li>Uzamsal hizalama<ol>
<li>İki katılımcının aynı anda aynı yere bakıp bakmıyor olmadığını öğrenmek için bakışlarını ortak bir düzleme göre haritala. Bu düzlem deneysel ayarın bir resmi olabilir (Şekil 3'ünsol tarafına bakın). Denemeden önce bu görüntüyü dikkatlice tasarla.</li>
		<li>Fiducial işaretleyicilerin boyutu: Fiducial işaretçilerin genel boyutu, bunları göz izleme videosundan algılamak için kullanılan algoritmaya bağlıdır. Katılımcılara yakın yüzeylerdaha küçük güvenilir işaretlere sahip olabilir, onlardan daha uzaktaki yüzeylerise daha büyük olmalıdır, böylece katılımcıların bakış açısından benzer görünürler. Göz izleme videosundan algılanadığından emin olmak için önceden farklı boyutları deneyin.</li>
		<li>Fiducial işaretleyici sayısı: Bakış noktalarını ortak bir düzleme eşleme işlemini başarılı kılmak için, katılımcıların bakış açısından herhangi bir zamanda birkaç güvenilir işaretleyicinin görünür olduğundan emin olun.</li>
		<li>Fiducial işaretçilerin konumu: İlgili ilgi alanlarını fiducial işaretleyici şeritleri ile çerçeveleyin (örneğin, Şekil 3'tekidizüstü ekrana bakın).</li>
	</ol>
</li>
	<li>Son olarak, eşitleme yordamını test etmek ve en uygun konum, boyut ve fiducial işaretçilerin sayısını belirlemek için pilotları çalıştırın. Göz izleme videoları, güvenilir işaretlerin güvenilir bir şekilde algılanıp algılanaolmadığını görmek için bir bilgisayar görme algoritması aracılığıyla işlenebilir.</li>
</ol>3. Deneyi çalıştırma
<ol><li>Talimat -ları<ol>
<li>Katılımcılara normal bir çift gözlük gibi göz izleme gözlüklerini takmalarını öğretin. Katılımcıların farklı yüz özelliklerine göre, veri kalitesini korumak için farklı yüksekliklerde burun parçaları nın kullanılması gerekebilir.</li>
		<li>Göz izleyicisini çektikten sonra, katılımcıların doğal vücut hareketi için kayıt ünitesini kendilerine kesmelerini bekleyin.</li>
	</ol>
</li>
	<li>Kalibrasyon<ol>
<li>Katılımcıların, yazılımın kalibrasyon işlevi etkinleştirilirken Tobii tarafından sağlanan kalibrasyon işaretleyicisinin merkezine bakmalarını öğretin. Kalibrasyon tamamlandıktan sonra, kayıt yazılımın içinden başlatılabilir.</li>
		<li>Katılımcılara kalibrasyondan sonra mobil göz izleyicilerini hareket ettirmemelerini öğretin. Bunu yaparlarsa, verilerin yanlış olması olasıdır ve kalibrasyon yordamı yeniden gerçekleştirilmesi gerekir.</li>
	</ol>
</li>
	<li>Veri izleme<ol>
<li>Çalışma sırasında veri toplama işlemini izleyin ve göz izleme verilerinin düzgün bir şekilde toplandığından emin olun. Mobil göz izleyicilerinin çoğu bu amaçla ayrı bir cihazda (örn. tablet) canlı akış sağlayabilir.</li>
	</ol>
</li>
	<li>Veri dışa aktarma<ol>
<li>Kayıt oturumu tamamlandıktan sonra, katılımcıya göz izleme gözlüklerini ve veri toplama birimini kaldırmasını emredin. Üniteyi kapatın.</li>
		<li>Oturum verilerini içe aktaran veri toplama biriminden SD kartı kaldırarak başka bir yazılım olan Tobii Pro Lab'ı kullanarak veri ayıklayın. Tobii Pro Lab, videoyu yeniden oynatmak, görselleştirmeler oluşturmak ve göz izleme verilerini virgülle ayrılmış (.csv) veya sekme ayrılmış (.tsv) dosyalar olarak dışa aktarmak için kullanılabilir.</li>
	</ol>
</li>
</ol>4. Çift göz izleme verilerinin önceden işlenmesi
<ol><li>Akıl sağlığı göz izleme verilerini kontrol etme<ol>
<li>Veri toplama dan sonra göz izleme verilerini görsel olarak kontrol edin. Bazı katılımcıların eksik veriye sahip olması nadir değildir. Örneğin, bazı özel göz fizyolojisi göz izleme algoritmaları için sorunlar oluşturabilir, gözlük deneme sırasında değişebilir, veri toplama yazılımı çökebilir, vb.</li>
		<li>Her oturumda ne kadar veri kaybolduğunu denetlemek ve önemli miktarda eksik veya gürültülü veriiçeren oturumları hariç tutmak için açıklayıcı istatistikleri kullanın.</li>
	</ol></li>
	<li>Zamansal hizalama<ol>
<li>Her mobil göz izleyicisinden gelen verileri yalnızca katılımcılar arasındaki etkileşimleri içerecek şekilde kırpın. Bu, yukarıda açıklanan yöntem kullanılarak elde edilebilir (örneğin, oturumun başında ve sonunda katılımcılara iki özel fiducial belirteç ler sunarak). Bu fiducial işaretler daha sonra veri kümelerini kırpmak için göz izleme videosundan algılanabilir.</li>
	</ol></li>
	<li>Uzamsal hizalama NOT: İki katılımcının aynı yere aynı anda bakıp bakmadığını saptamak için, katılımcıların bakışlarını ortak bir düzleme (yani deneysel ayarın görüntüsüne) yeniden eşlemeleri gerekir. Bu amaca ulaşmak için bir hesaplama yöntemi homografi (yani, bir düzlemin perspektif dönüşümü). Teknik açıdan bakıldığında, uzaydaki aynı düzlemsel yüzeyin iki görüntüsü homografi matrisi ile ilişkilidir. Ortak bir nokta kümesine dayanarak, bu matris iki düzlem arasındaki ek noktaların konumunu çıkarmak için kullanılabilir. Şekil3'te, örneğin, bir bilgisayar görme algoritması dinleyici lerin dinleyicilerinin dinleyicilerinin nerede olduğunu biliyorsa, katılımcının bakışlarını sol taraftaki ortak düzleme yeniden eşleyebilir. Beyaz çizgiler, her katılımcının video akışı tarafından paylaşılan iki nokta kümesini ve daha sonra sol taraftaki yeşil ve mavi noktaları yeniden eşlemek için homografioluşturmak için kullanılan sahneyi birbirine bağlar.<ol>
<li>Fiducial işaretleyicilerden homografi matrisini hesaplamak ve ardından göz izleme verilerini deneysel ayarın (veya seçtiğiniz dilde başka herhangi bir uygun kitaplık) sahnesine yeniden eşlemek için OpenCV'nin Python sürümünü kullanın. OpenCV iki yararlı fonksiyon sağlar: homografi matrisini elde etmek için findHomography() ve perspektifTransform() noktayı bir perspektiften diğerine dönüştürmek için.</li>
		<li>FindHomography()kullanmak için, iki bağımsız değişkenle çalışır: kaynak noktalarının X,Y koordinatları (örneğin, katılımcıların sahne videosundan algılanan, Şekil 3'tesağda gösterilen fiducial işaretçiler ) ve ilgili hedef noktaları (yani, şekil 3'tesolda gösterilen sahne görüntüsünde tespit edilen aynı fiducials işaretleri).</li>
		<li>Ortaya çıkan homografi matrisini perspektifTransform() işlevine ve kaynak görüntüden hedef görüntüye eşlanması gereken yeni bir noktayla besleyin (örneğin, Şekil 3'ünsağ tarafında mavi/yeşil nokta olarak gösterilen göz izleme verileri). PerspektifTransform işlevi sahne görüntüsündeki aynı noktanın yeni koordinatını döndürür (yani Şekil 3'ünsol tarafında gösterilen mavi/yeşil nokta). NOT: Daha fazla bilgi için OpenCV resmi dokümantasyonu, homography'yi uygulamak için örnek kod ve örnekler sağlar: docs.opencv.org/master/d1/de0/tutorial_py_feature_homography.html.</li>
	</ol></li>
	<li>Akıl sağlığı homografi kontrol<ol>
<li>Tüm seans için bölüm 4.3'ü tamamlayın ve homografinin kalitesini kontrol etmek için mobil göz izleme videosunun her bir karesinde bir homografi yapın. Elde edilen göz izleme verilerinin doğruluğunu tahmin etmenin otomatik bir yolu olmamakla birlikte, her oturumu el ile akıl sağlığı nı kontrol etmek için Şekil 4'te gösterilen gibi videolar kullanılmalıdır.</li>
		<li>Kalite beklenenden düşükse, homografi sonuçlarını iyileştirmek için ek parametreleri göz önünde bulundurun:<ol>
<li>Algılanan fidusiyaal belirteç sayısı: Sadece video akışından yeterli fiduyal belirteç tespit edilebiliyorsa homografiyi gerçekleştirin. Bu sayı yukarıda üretilen video incelenerek belirlenebilir.</li>
			<li>Fiducial belirteçlerin yeri: Farklı işaretler farklı derinliklerde ve oryantasyonlarda ise, bakış koordinatlarına en yakın işaretçiler seçildiğinde homografinin kalitesi genellikle artar, sağlam bir yapı oluşturmak için yeterli işaretçi olduğu göz önüne alındığında homografi.</li>
			<li>Fiducial belirteçlerin oryantasyonu: Farklı yönelimlere (örneğin, yatay ve dikey) sahip fiducial belirteçlerin birleştirilmesi yanlış homografiler üretecektir. Öncelikle katılımcının hangi düzleme veya ilgi alanlarına (AOI) baktığını tespit etmek (örneğin, bilgisayar ekranı, hile sayfası, tablo, bkz. Şekil 3)ve daha sonra homografi için bu düzlemdeki fiducial işaretleri kullanmak önerilir.</li>
			<li>Video akışının kalitesi: Ani kafa hareketleri video çerçevelerini bulanıklaştırabilir ve verileri kullanılamaz hale getirebilir, çünkü güvenilir işaretleyiciler güvenilir bir şekilde algılanamamıştır(Şekil 4). Bu makalenin metodolojisi ani kafa hareketleri bir sürü içeren deneyler için uygun değildir.</li>
		</ol>
</li>
	</ol></li>
</ol>5. Çift göz izleme verilerinin analizi
<ol><li>Eksik veri<ol>
<li>Verilerin referans resmine doğru şekilde yeniden eklenmiş olduğundan emin olmak için, ne kadar veri eksik olduğunu kontrol etmek için görselleştirme grafikleri (örneğin, Şekil 5, Şekil 6)ve açıklayıcı istatistikler üretir.</li>
	</ol>
</li>
	<li>Çapraz yineleme grafikleri<ol>
<li>X ekseninin ilk katılımcının zamanını, Y ekseninin ikinci katılımcının zamanını temsil ettiği iki katılımcı(Şekil 6)arasındaki görsel eşitlemi temsil etmek için çapraz yineleme grafikleri9'u kullanın. Siyah kareler katılımcıların aynı alana baktığını gösterir, siyah çapraz çizgi aynı anda aynı şeye bakan iki konuyu tanımlar ve çapraz çizgideki siyah kareler, iki deneğin zaman gecikmesi ile aynı şeye baktığını açıklar. Son olarak, eksik veriler (beyaz kare) ve JVA 'sız varolan veriler (gri kareler) arasındaki ayrım, sorunlu oturumların belirlenmesine yardımcı olur. Bu, araştırmacılara görsel bir akıl sağlığı denetimi sağlar.</li>
	</ol>
</li>
	<li>Bilgisayar JVA<ol>
<li>Eksik veriler için filtreleme yaptıktan sonra, -2/+2 s zaman penceresinde katılımcıların bakışlarının sahnede (aşağıda tanımlanan) aynı yarıçapta kaç kez olduğunu sayarak JVA için bir metrik hesaplayın. Bu sayıyı JVA'yı hesaplamak için kullanılabilecek geçerli veri noktalarının sayısına bölün. Bölünmenin sonucu, iki deneğin aynı yere ortaklaşa baktıkları zaman yüzdesini temsil eder. Bu son adım homografi den sonra daha fazla veri ile grupların puanları şişirme önlemek için gereklidir. NOT: JVA'nın hesaplanabilmek için iki parametrenin ayarlanması gerekir, iki bakış noktası arasındaki minimum mesafe ve aralarındaki zaman penceresi(Şekil 7): 1) Zaman penceresi: Erken bir temel çalışma10, dinleyici ile konuşmacı arasındaki JVA'yı ölçmek için tek bir göz izleyicisi kullanmıştır. Araştırmacılar, ilk katılımcılardan ("konuşmacılar") karakterleri önlerinde gösterilen bir televizyon programı hakkında konuşmalarını istediler. Daha sonra konuşmacıların ses kaydını dinlerken aynı programı izleyen ikinci bir katılımcı seti ("dinleyiciler"). Hoparlörlerin ve dinleyicilerin göz hareketleri karşılaştırıldı ve dinleyicinin göz hareketlerinin 2 s gecikmeyle bir konuşmacının göz hareketiyle yakından eşleşttisi saptandı. Sonraki çalışmada11 araştırmacı canlı diyalogları analiz ve 3 s en iyi JVA anları yakalanan bir gecikme bulundu. Her görev benzersiz olduğundan ve farklı zaman gecikmeleri sergileyebileceğinden, farklı zaman gecikmelerinin belirli bir denemenin sonuçlarını nasıl etkilediğini de keşfetmeniz önerilir. Genel olarak, jva'yı deneysel göreve bağlı olarak ± 2/3 s zaman penceresinde aramak ve daha sonra farklı zaman gecikmelerinin sonuçları nasıl değiştirebileceğini keşfetmek yaygındır. 2) Bakışlar arasındaki mesafe: Iki bakış arasında JVA olarak saymaları için ampirik olarak tanımlanmış bir mesafe yoktur. Bu mesafe araştırmacılar tarafından tanımlanan araştırma sorularına bağlıdır. Araştırma soruları ilgi hedeflerinin boyutunu bildirmelidir. Şekil 7'degörülen örnekte, katılımcılar labirentteki robota ve bu deneysel görevin iki ana ilgi alanı olan bilgisayar ekranındaki benzer kullanıcı arabirimi öğelerini yakalamak için yeterli olduğu için, sahne görüntüsünde 100 piksellik bir yarıçap (mavi/yeşil daireler) analiz için seçilmiştir.</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>

Yazarlar hiçbir rakip mali çıkarları olduğunu beyan.

Bu makalede açıklanan metodoloji, jva'yı koloşlu dyadlarda yakalamak için titiz bir yol sağlar. Uygun fiyatlı algılama teknolojisi ve geliştirilmiş bilgisayar görme algoritmaları ortaya çıkması ile, daha önce kullanılamaz bir doğruluk ile işbirlikçi etkileşimleri incelemek artık mümkündür. Bu metodoloji, çevrede yayılan güvenilir belirteçlerden yararlanır ve katılımcıların bakışlarını ortak bir düzleme yeniden eşlemek için homografileri kullanır. Bu, araştırmacıların jva'yı kolodi gruplar halinde titizlikle incelemelerin...

JVA, özellikle dil edinimi üzerine eğitim alan gelişim psikologları tarafından son yüzyılda kapsamlı bir şekilde incelenmiştir. Hızlı bir şekilde ortak dikkat kelimeleri öğrenmek için sadece bir yol değil, zihin1çocuk teorileri için bir öncüsü daha fazla olduğu tespit edilmiştir. Bu nedenle, başkalarıyla iletişim kurmak, işbirliği yapmak ve empati geliştirmek gibi birçok sosyal süreçte önemli bir rol oynar. Otistik çocuklar, örneğin, önemli sosyalbozukluklar2 ile ilişkili onların bakıcıları ile görsel dikkat koordine etmek için yeteneği eksikliği . İnsanlar, toplumun işlevsel üyeleri olmak, eylemlerini koordine etmek ve başkalarından bir şeyler öğrenmek için ortak ilgiye ihtiyaç duyarlar. Çocukların ilk kelimelerini edinmelerinden, öğretmenlerden öğrenen gençlerden, projelerde işbirliği yapan öğrencilere ve ortak hedeflere doğru çalışan yetişkin gruplarına kadar, ortak dikkat bireyler arasında ortak bir zemin oluşturmak için temel bir mekanizmadır3. Bu yazıda, jva eğitim araştırma çalışmaları üzerinde duruluyor. Ortak ilginin zaman içinde nasıl geliştiğini anlamak, işbirlikçi öğrenme süreçlerinin incelenmesi açısından birincil öneme sahiptir. Bu nedenle, sosyokonstrüktivist ortamlarda baskın bir rol oynar.
Ortak dikkat tam tanımı halatartışılır 4. Bu kağıt ortak dikkat (JA), yani JVA bir alt yapı ile ilgilidir. JVA iki denek aynı anda aynı yere baktığında olur. Bu JVA ja çalışmada ilgi diğer önemli yapılar hakkında herhangi bir bilgi sağlamaz unutulmamalıdır, ortak izleme gibi, karşılıklı, ve paylaşılan dikkat, ya da daha genel olarak, başka bir grup üyesinin biliş farkındalık. Bu makale, iki katılımcının göz izleme verilerini birleştirerek ve bakışlarını hizalama sıklığını analiz ederek JVA'yı operasyonel hale getirir ve basitleştirir. Daha kapsamlı bir tartışma için, ilgilenen okuyucu Siposovaet al.4JA yapı nın çalışma hakkında daha fazla bilgi edinebilirsiniz.
Son on yılda, teknolojik gelişmeler kökten JVA araştırma dönüştürdü. Ana paradigma değişimi, video kayıtlarının laboratuvar veya ekolojik ortamda nitel olarak analiz edilmesinin aksine, dikkat hizalamaların nicel ölçülerini elde etmek için birden fazla göz izleyicisi kullanmaktı. Bu gelişme, araştırmacıların Dyads'ın görsel koordinasyonu hakkında kesin ve ayrıntılı bilgi toplamalarına olanak sağlamıştır. Ayrıca, göz izleyicileri daha uygun hale gelmektedir: yakın zamana kadar, bunların kullanımı akademik ayarları veya büyük şirketler için ayrılmıştır. Artık güvenilir veri kümeleri oluşturan ucuz göz izleyicileri satın almak mümkündür. Son olarak, bakış izleme yeteneklerinin ileri uç dizüstü bilgisayarlar ve sanal ve artırılmış gerçeklik kulaklıkları gibi mevcut cihazlara kademeli olarak dahil edilmesi, göz izlemenin yakında her yerde olacağını göstermektedir.
Göz izleme cihazlarının yaygınlaşması nedeniyle, sosyal etkileşimler hakkında bize ne söyleyip söyleyemeyeceklerini anlamak önemlidir. Bu makalede sunulan metodoloji bu yönde atılmış bir ilk adımı işaret etmektedir. JVA'yı birden fazla göz izleyicisinden yakalamada iki zorlukla başa çıkıyorum: 1) zamansal ölçekte ve 2) uzamsal ölçekte verileri senkronize etmek. Daha spesifik olarak, bu protokol, katılımcıların bakışlarını yönlendirdiği bilgisayar görme algoritmalarını bilgilendirmek için gerçek dünya ortamlarına yerleştirilen güvenilir işaretlerden yararlanMaktadır. Bu yeni metodoloji, küçük gruplar halinde insan davranışlarının titiz bir şekilde analiz edilebisinin önünü açar.
Bu araştırma protokolü Harvard Üniversitesi'nin insan araştırma etik komitesinin yönergelerine uygundur.

<table><tbody><tr><td>Tobii Gözlük 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>Referans belirteçleri</td><td>Chili lab &ndash; EPFL, İsviçre</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>

mobil göz İzleyicileri kullanarak ortak görsel dikkat yakalama için bir metodoloji

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

Yeni teknolojik gelişmelerin ortaya çıkmasıyla, sosyal etkileşimleri mikro düzeyde eşi görülmemiş bir doğrulukla incelemek mümkündür. Göz izcileri, elektrodermal aktivite bileklikleri, EEG bantları ve hareket sensörleri gibi yüksek frekanslı sensörler milisaniye düzeyinde gözlemler sağlar. Bu hassasiyet düzeyi, araştırmacıların sosyal etkileşimler hakkında büyük veri kümeleri toplamasına olanak tanır. Bu yazıda, ben birden fazla göz izleyici sosyal etkileşimler, ortak görsel dikkat (JVA) temel bir yapı yakalayabilir nasıl tartışmak. JVA, gelişim psikologları tarafından çocukların nasıl dil edindiğini anlamak, küçük öğrenci gruplarının nasıl birlikte çalıştığını anlamak için bilim adamlarını ve küçük ekipler halindeki etkileşimleri anlamak için sosyal bilimciler öğrenmek için incelenmiştir. Bu makalede, mobil göz izleyicileri kullanarak birlikte konumayarlarıNda JVA yakalama için bir metodoloji açıklanmaktadır. Bazı ampirik sonuçlar sunar ve sosyal etkileşimleri anlamak için mikrogözlemler yakalama nın sonuçlarını tartışır.

Yukarıda sunulan metodoloji lojistik (n = 54)12bir mesleki eğitim programı takip eden öğrenciler üzerinde çalışmak için kullanılmıştır. Bu denemede, öğrenci çiftleri küçük ölçekli bir ambarı simüle eden Somut Kullanıcı Arabirimi (TUI) ile etkileşime geçti. TUI'ye yerleştirilen fiducial işaretler, araştırma ekibinin öğrencilerin bakışlarını ortak bir düzleme yeniden eşlemesine ve JVA'nın hesaplama düzeylerine yeniden eşlemesine olanak sağladı. Bulgular, JVA'nın daha yüksek seviyelerine sahip grupla...

Multimodal sensörlerin kullanılması, sosyal etkileşimlerin eğitim ortamlarında rolünü anlamanın umut verici bir yoludur. Bu makalede, mobil göz izci kullanarak koolü dyads ortak görsel dikkat yakalamak için bir metodoloji açıklanmaktadır.

Mobil Göz İzleyicileri Kullanarak Ortak Görsel Dikkat Yakalama Için Bir Metodoloji

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

Merhaba, benim adım Bertrand Schneider ve Harvard Eğitim Fakültesi'nde yardımcı doçentim. Bu videoda size mobil göz izleyicilerini nasıl kullanabileceğimizi göstereceğim. Ortak görsel dikkat psikologlar tarafından kapsamlı bir şekilde incelenmiş ve grup üyeleri arasındaki etkileşimlerin kalitesiyle yakından ilişkili bulunmuştur.Bu insanlar ortak bir zemin oluşturmak ve bir görev ortak bir anlayış oluşturmak, sık sık aynı zamanda aynı yere bakmak eğilimindedir çıkıyor. Geleneksel olarak, araştırmacılar videoları elle kodlayarak niteliksel olarak ortak görsel dikkat üzerinde çalıştılar. Bu yapının sayısal bir ölçüsünü ortak bulunan ortamlarda elde etmek için mobil göz izleyicilerini nasıl kullanabileceğimizi göstereceğim.Bu videoda Biz Tobii Pro Gözlük İki kullanarak olacak. Bu gözlükler, gerçek dünya ortamlarında göz hareketini yakalayabilen giyilebilir göz takip cihazlarıdır. Göz hareketlerini izlemek için çerçeveüzerinde özel kameralar ek olarak, cihaz da bir full-HD sahne kamera ve mikrofon ile donatılmıştır, böylece bakış davranışı takan görme alanı bağlamında görselleştirilmiş olabilir.Bu gözlükler için bakışsaniyede 50 kez yakalanır ve gözlüklerden canlı video akışı kablosuz olarak veya ethernet kablosu üzerinden bilgisayara aktarılabilir. Onlar düzenli gözlük üzerinde çalışmaz gibi gözlük olsa da bir sınırlama var. Göz izleyicisini ayarlama yordamı nispeten basittir.İlk olarak, katılımcılardan normal bir çift gözlük gibi göz izleme gözlüklerini takmaları istenecektir. Katılımcıların farklı yüz özelliklerine göre, veri kalitesini korumak için farklı yüksekliklerde burun parçaları nın kullanılması gerekebilir. Göz izleyicisini açtıktan sonra, katılımcılar dizginsiz vücut hareketlerine izin vermek için veri toplama birimini kişilerine kesmelidir.Tobii Pro Glasses kumandası açılmalı ve katılımcılara, yazılımın kalibrasyon işlevi etkinken, Tobii tarafından sağlanan kalibrasyon işaretleyicisinin merkezine bakmaları talimatı verilmelidir. Kalibrasyon tamamlandıktan sonra, kayıt yazılımın içinden başlatılabilir. Kayıt oturumu tamamlandıktan sonra, katılımcıya göz izleme gözlüklerini ve veri toplama birimini kaldırması için talimat vermeden önce Tobii yazılımındaki kaydı sonlandırın.Ve sonra, üniteyi kapatın. Veriler, SD kartı veri toplama biriminden çıkarArak ve kartı bilgisayara ekleyerek başka bir yazılım olan Tobii Pro Lab aracılığıyla elde edilebilir. Tobii Pro Lab, SD kartta depolanan tüm kayıt oturumlarını aynı anda içe aktarabiliyor.Dosyalar daha sonra videolar, farklı görselleştirmeler oluşturmak için Tobii Pro Lab içinde işlenebilir veya daha fazla analiz için sekme ayrılmış değerler veya TSV dosyaları olarak çıktı. Burada, yakın zamanda yaptığımız ve iki katılımcının bir robotu programlamayı öğrendikleri bir çalışmadan elde ettiğimiz ham göz izleme verilerini görebilirsiniz. Her iki tarafta, katılımcının bakışlarının bulunduğu konuma sahip her göz izleyicisi tarafından oluşturulan video akışını görebilirsiniz.Gördüğünüz gibi, aynı yere aynı anda bakıp bakmadıklarını söylemek imkansızdır, çünkü her katılımcının bakış açısı farklıdır. Ayrıca, veri kaydı farklı zamanlarda başlayabilir. Bu, verilerin zamansal ve mekansal olarak senkronize edilmesi gerektiği anlamına gelir.Size bu videodaki iki sorunu nasıl ele alınacağını göstereceğim. İlk olarak, verileri geçici olarak senkronize etmek için bir prosedür açıklayacağım. İlk katılımcı için belirli sayıda video çerçevesi vardır.Bazıları gerçek deneysel görevden önce veya sonradır. Deneycinin göz izleyicisini ayarladığı ilk kare gibi. Benzer şekilde, diğer katılımcılar için de aynı tür verilere sahipsiniz.Burada gösterilmez, ancak videonun her karesi, her katılımcının bakışını temsil eden bir x ve y koordinatı ile de ilişkilidir. Verileri eşitlemek için, deneme görevinden önce ve sonra bilgisayar ekranında kısa bir süre için bir fiducial işaretçi gösteririz. Bir bilgisayar görme algoritması kullanarak, bu işaretçinin her katılımcıya ne zaman sunulduğunu algılayabiliriz, bu da verileri kırpmamızı ve hizalamamızı sağlar.Yani, bu veri senkronizasyon sorunları ile başa çıkmanın bir yoludur. Sonraki bölümlerde, ikinci sayıya bakacağız: Verileri uzamsal olarak nasıl senkronize edeceğiz. Daha önce de belirtildiği gibi, veriler her katılımcının bakışlarının konumuyla ilişkili bir video akışı şeklinde her göz izleyicisinden geliyor, burada mavi ve yeşil.X ve y-koordinatları her iki katılımcı için de aynı olsa da, ekrana iki farklı açıdan baktıkları için aynı yere baktıkları anlamına gelmez. Bu sorunu çözmenin bir yolu, bir referans görevi göreceksiniz deneysel kurulum bir görüntü oluşturmak için, ve nerede her katılımcının durumda konumunu yeniden eşlemek için gidiyoruz. Bu, katılımcıların aynı anda aynı yere bakıyorsa, göz izleme videosunun her karesini tespit etmemizi sağlar.Ama bu koordinatları soldaki görüntüye nasıl yeniden eşebiliriz? Verileri daha önce senkronize etmemizi sağlayan aynı işbirliğine dayalı görme algoritmasını kullanacağız. Video kayıtlarının her karesi üzerine uygulayarak, artık katılımcıların bakış açısından fiducial işaretlerinin yerini tespit edebiliriz.Bu, soldaki referans görüntüsündeki aynı işaretleri bağlamamızı sağlar. Bu paylaşılan nokta kümesinin koordinatlarını bilerek, homografi olarak bilinen matematiksel bir işlemi kullanarak her bir kişinin bakışlarının yerini çıkarabiliriz. Bu yordamı her kareye uygulayarak, homografinin çalıştığından emin olmak için bir video oluşturabiliriz.Sağ tarafta, her katılımcının mavi ve yeşil bakışlarının bulunduğu video kaydını görebilirsiniz. Aynı fiducial işaretçiler, soldaki görüntü ile katılımcının sağ taraftaki bakış açısı arasında beyaz bir çizgiyle bağlanır. Remapped bakışları solda gösterilir ve bazı ortak görsel dikkat olduğunda kırmızı açın.Bu videonun üretilmesi, verilerin temiz olduğundan ve homografinin doğru şekilde gerçekleştirildiğinden emin olmak için önemli bir adımdır. Ayrıca, verileri akıl sağlığı nı denetlemek için üretilebilen iki görseldaha vardır. İlk görselleştirme bir ısı haritasıdır.Her katılımcı için, her bakış noktasını deneysel kurulumun görüntüsüne çizebiliriz. Bu, homografinin doğru şekilde işe yaramasını sağlar ve bu vaka noktalarını farklı ilgi alanlarına kategorize etmemizi sağlar. Burada, örneğin, çoğu zaman bilgisayar ekranına bakarak harcanan ve çok az zaman hile sayfaları bakarak harcanan görebilirsiniz.İkinci görselleştirme çapraz yineleme grafiği olarak adlandırılır. Çapraz nüks grafikleri, katılımcı çifti için göz izleme verilerini görselleştirmemizi sağlar. İlk katılımcının zamanı x ekseninde, ikinci katılımcının zamanı y ekseninde görüntülenir.Siyah kareler, her iki katılımcının da aynı yere baktığı, beyaz karenin eksik verileri temsil ettiği ve katılımcıların farklı konumlara baktığında gri kareyi temsil ettiği anlamına gelir. Diyagonal boyunca siyah kareler aynı anda aynı yere baktıkları anlamına gelir. Diyagonal kapalı siyah kareler katılımcıların aynı yere ama farklı zamanlarda bakıyor demektir.Solda, ortak görsel dikkat yüksek düzeyde bir dyad görebilirsiniz. Ortada, ortak görsel dikkat düşük düzeyde bir dyad. Sağ tarafta, çok fazla veri eksik olan bir grup.Bu akıl sağlığı denetimlerini gerçekleştirerek, verilerinizi doğru şekilde senkronize ettiğinizden ve verilerinizi deneysel kurulumun ortak bir görüntüsüne dönüştürttünüzü emin olabilirsiniz. Bu adımlar önemlidir ve herhangi bir çözümleme gerçekleşmeden önce gerçekleştirilmesi gerekir. Son olarak, ortak görsel dikkat bir ölçü hesaplama önce alınması gereken iki parametre vardır.İlk parametre, katılımcıların aynı konuma bakabilecekleri zaman penceresidir. Richardson ve Dale'in önceki çalışmaları, katılımcıların eşlerinin ne yaptığına dikkat etmek için yaptıkları işten kopaklarını iki saniye kadar sürebileceğini ortaya çıkarmıştı. Böylece, iki katılımcının aynı yere artı ve eksi iki saniyelik pencere içinde bakmış olması durumunda ortak görsel dikkat olduğunu belirledik.İkinci parametre, iki bakış noktası arasındaki minimum mesafedir. Bu mesafe içeriğe bağlıdır ve yönetilen göreve ve araştırma sorularına bağlı olarak araştırmacılar tarafından tanımlanması gerekir. Bazı görevleriçin mesafe kısa olabilir.Örneğin burada 100 piksel kullandık. Diğer görevler için bu mesafe daha büyük olabilir. Sonra, bu metodoloji kullanılarak bulunan bazı sonuçlar sunmak için gidiyorum.Gruptaki ortak görsel ilgi miktarı için bir tahmin aldıktan sonra, bu ölçüile diğer ilgi çekici değişkenlerle ilişkilendirebilirsiniz. Örneğin, çalışmalarında bu ölçünün, bir grup işbirliği kalitesini yakalayan öğrenme bilimlerine dönüşen derecelendirme şemasıyla ilişkilendirdik. Her grup için burada sunulan boyutların dokuzları bir puan atadı.Örneğin, insanların karşılıklı anlayışı ne kadar iyi sürdürdükleri ya da ne kadar kolay bir uzlaşmaya vardıkları. Bu puanların başka bir kota ile kabul edilebilir inter güvenilirlik almak zorunda. Son olarak, bu puanları her grup için işbirliği kalitesini yaklaşık olarak gösteren genel bir metrik te bir araya getirebiliriz.Çalışmalarımızda ve diğer çalışmalarda ortaya çıkan bir sonuç, daha önce sunulan derecelendirme şeması ile ölçülen ortak görsel ilginin işbirliği kalitesiyle önemli ölçüde ilişkili olduğudur. Bu kodlama şeması kullanılarak yüksek derecelendirilen gruplar, düşük puan alan gruplara göre daha fazla ortak görsel ilgi ye sahip olma eğilimindedir. Bu, üretken etkileşimlerin çoğu zaman daha fazla ortak görsel ilgi ile ilişkili olduğunu gösterir.Bir sonraki slaytta size bu bulgu üzerine inşa başka bir sonuç göstermek için gidiyorum. Yani, ince göz izleme verilerine sahip olmanın bir avantajı da ortak görsel ilginin diğer ölçülerini çıkarabilmemizdir. Örneğin, ortak görsel dikkat teklifini kimin başlattığını ve yanıtlayıp yanıt verdilerini hesaplayabiliriz.Özellikle, bu grafiğin x ekseninde sıfır puanı bu davranışların eşit dağılımı anlamına gelir ve bir puan bir kişinin her zaman yanıt verdiği veya görsel dikkat birleştirme anlarını başlattığı anlamına gelir. Bu çalışmada, ön ve sonrası testler ile ölçülen y ekseninde gösterilen öğrenme kazanımları ile ters bir korelasyon saptAdık. Aynı kişinin sürekli olarak ortak görsel dikkat anlarını başlattığı veya yanıt verdiği grupların öğrenme olasılığı daha düşüktü ve bu sorumluluğun eşit olarak paylaşıldığı grupların, ön testte puanları kontrol ederken testlerin ardından daha yüksek puan alma olasılıkları daha yüksekti.Bu videoda araştırmacıların mobil göz izleme verilerini hem zamansal hem de mekansal olarak senkronize etmelerine yardımcı olan metodolojiyi sundum. Bulgular, çift göz izleme verilerinin ortak görsel dikkat inin ölçüm ölçütleri ile işbirliği göstergeleri sağlayabileceğini göstermektedir. Ayrıca, ortak görsel ilgi nin bir bölümünü kimin başlattığına veya yanıt verdiğine bakarak, örneğin, basit ortak ilgi ölçütlerinin ötesine geçebileceğimizi gösteren sonuçlar sundum.Bu tedbirin öğrenme kazanımları gibi diğer sonuç önlemleriyle ilgili olduğunu bulduk. Göz izleme verileri olmadan bu tür bir tedbirin hesaplanması mümkün değildir. Özetle, bu videoda sunulan metodolojinin araştırmacıların işbirlikçi süreçler hakkında yeni bilgiler edinmelerine yardımcı olabileceğini bulduk.Bu videoyu izlediğiniz için çok teşekkür ederiz ve daha fazla bilgi için kağıt başvurmak için çekinmeyin.

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

Research

JoVE Journal

Behavior

Davranış

Laboratuvar ayarlarını çoğaltmak için, görsel görevler için çevrimiçi veri toplama yöntemleri, uyaran sunumu üzerinde sıkı kontrol gerektirir. İki görsel dikkat testinde performans verilerini toplamak için bir web uygulamasının kullanımına ilişkin yöntemleri özetliyoruz.

Yöntemleri Online Görsel Dikkat Test

Biz son zamanlarda dichoptic görsel uyarıcı sunum ve dürbün göz aynı anda1izleme sağlayan bir yöntem önerdi. Bir kızılötesi göz izci ve karşılık gelen kızılötesi saydam ayna kombinasyonu anahtarıdır. Bu el yazması bir derinlik sağlar protokolü için ilk kurulum ve günlük iş.

Nasıl bir göz izci içerir bir Dichoptic sunum sistemi kurmak için

Mevcut madde bir göz izleme metodoloji dil anlama çalışmaları için değerlendirmeleri. Güvenilir veri elde etmek için Protokolü'nün önemli adımlar izlenmesi gerekir. Bunlar arasında göz tracker (göz ve baş görüntülerin iyi kalitenin korunmasını sağlamayaÖrneğin,) ve doğru kalibrasyon doğru up.

Göz izleme sırasında görsel olarak yer alan dil anlama: Esneklik ve sınırlamalar ortaya çıkarılması görsel bağlam etkileri

Dinlerken veya konuşulan bir dil konuşan görsel dünya paradigma katılımcıların göz hareketleri görsel çalışma alanında izler. Bu paradigma psycholinguistic sorular, ayırt edici deyimi gibi anlam olarak karmaşık ifadeler de dahil olmak üzere çok çeşitli çevrimiçi işlenmesi araştırmak için kullanılabilir.

Konuşulan dil çevrimiçi işlenmesi keşfetmek için görsel dünya paradigmada kaydedilen göz hareketleri kullanarak

Protokolün amacı, laboratuarda kullanılmak üzere video verilerinin nasıl topladığı ayrıntıdır; nasıl veri bakarak katılımcıların göz izleme verilerini kaydetmek ve nasıl verimli bir makine öğrenme tekniği kullanarak bakıyordu videoların içeriğini analiz etmek.

Göz izleme verilerini ücretsiz video Içeriğinin analiziyle birleştirme-kentsel park ortamında bir yürüyüşe video görüntüleme

Küçük çocuklar değil PASİF dünyayı, gözlemlemek ama oldukça aktif keşfetmek ve çevreleri ile meşgul. Bu iletişim kuralı yol gösterici ilkeler ve bebeklerde kaydetmek için başa takılan göz izci ve yeni yürümeye başlayan çocuklar dinamik görsel ortamlar ve görsel dikkat doğal davranış bağlamında kullanmak için pratik öneriler sağlar.

Gaze eylem: doğal davranış sırasında çocuk dinamik görsel dikkat başa takılan göz izleme

Bu deneysel protokol göz izleme ve değerlendirme presaccadic görsel hassasiyet bir özgür seçim saccade görev ve görsel uzamsal dikkat dağıtımını araştırmak için bir görsel ayrımcılık görev oluşan bir çift görev paradigma içinde kombine Hem, doğru ve ortalama saccades önce.

Araştırma doğru ve ortalama Saccades göz izleme yoluyla önce görsel dikkat dağıtımını ve görsel duyarlılık değerlendirilmesi

Göz izleme, bilgi işlemeyi araştırmak için invaziv olmayan bir yöntemdir. Bu makale, düşük zamanlı pilotlarda (yani, 350 uçuş saati) bir uçuş simülasyonu acil durum görevi sırasında bakış davranışını incelemek için göz izlemenin nasıl kullanılabileceğini &lt; açıklamaktadır.

Bilgi İşlemeye İlişkin İçgörüler İçin Karmaşık Bir Havacılık Görevi Sırasında Göz İzleme

Metodoloji, optokinetik ve tüm vücut rotasyonları sırasında bakış stabilizasyonuna görsel ve vestibüler katkıları araştırdı. Stimülasyonlar görsel, vestibüler ve görselovestibüler denemelerle gerçekleştirildi. Burulmalı göz hareketi kazancı ve nistagmus frekansları, her deneme için duyusal spesifik hareket bilgisinin refleksif beyin sapı yanıtına doğru subkortikal iletimi için göstergeler olarak görev yaptı.

Rulo düzleminde subkortikal hareket işlemede görsel ve vestibüler girdinin göreceli önemini değerlendirmek için göz izlemeyi kullanma

Biz Zemin Projeksiyon Labirent tam otomatik bilişsel görevler kronik elektrofizyolojik kayıtlar için fareleri eğitim için protokolleri açıklar.

Zemin Projeksiyon Maze kullanma Kayıt Sinir Aktivitesi otomatik Görsel Bilişsel Görevler

Öğrenin, mobil göz izleyicilerle ortak görsel dikkati nicel olarak ölçme yöntemini. Eş zamanlı bakış kalıplarını analiz ederek sosyal etkileşimleri ve işbirliği kalitesini değerlendirin.

Mobil Göz İzleyicileri Kullanarak Ortak Görsel Dikkat Yakalama Için Bir Metodoloji

Daha fazla video keşfet