|
人类因素研究中眼动追踪方法的比较
研究之门研究之门
我们只是人类。
这句话概括了我们从本质上知道的许多想法：作为人类，我们不是纯粹理性的存在。我们的注意力和工作量是有限的。我们容易犯错误和分心。
人类因素研究领域专注于这一前提，试图了解人类在一个系统中的能力和局限性，并探索我们可以根据环境优化人类表现、健康或安全的方法。
人为因素研究可以解决一些简单的问题，比如如何优化计算机界面以简化工作流程，也可以解决一些复杂的问题，例如评估在工厂工作的人机对的动力学或战斗机飞行员在战斗中的决策过程。
人为因素研究人员使用了一系列工具来解决这些问题。通常使用标准问卷；一个这样的例子是一份问卷，可以评估一个人在团队动态中感知的心理工作量。也有标准的研究范式，如美国国家航空航天局的MATB-II，它提供了一个标准的任务组来评估性能和工作量。但正如我们在iMotions所知，到目前为止，自我报告只能进行一次。
在人类行为研究中使用生理测量和生物传感器对人类因素来说并不新鲜——文献中有许多研究利用眼睛跟踪、面部表情分析、脑电图、肌电图、EDA和心电图等工具来补充传统的研究方法。[3-6].
眼动追踪尤其是一种流行的选择，因为了解一个人的视觉注意力对于评估一个人处理周围重要视觉信息的有效性至关重要。但是，有许多不同种类的眼动仪可供选择。如何选择使用什么工具？
为了回答这个问题，我们进行了一项内部可行性研究，比较了三种眼动追踪模式：基于屏幕的眼动追踪、眼动追踪眼镜和基于远程网络摄像头的眼动追踪。我们使用了一个简单易转移的任务——构建块——来评估这些不同眼动追踪设置的优势和劣势。
方法
本研究招募了12名参与者，并将其分为3种情况，每种眼动追踪设置一种（因此，每组4名参与者）。对于我们基于屏幕的任务，我们让参与者玩一个免费的积木游戏，同时用60Hz的智能眼AI-X记录他们的眼睛。在基于网络摄像头的眼动追踪条件下，参与者玩了同样的游戏，但他们的眼睛是通过网络摄像头记录的，并使用iMotions的基于网络摄像头眼动追踪算法。眼睛追踪眼镜条件下的参与者被给予物理积木，作为基于屏幕的积木游戏的真实模拟。我们还使用网络摄像头记录参与者在完成任务时的面部表情。
我们在可行性研究中提出了三个问题，所有这些问题都总结在本文末尾的概览表中。首先，这三种设置在易用性和数据准确性方面的比较如何？第二，不同机构的数据可比性如何？第三，在这三种设置中，面部表情的可比性如何？
准确性、可扩展性和生态有效性
基于屏幕和基于网络摄像头的眼动追踪具有明显的准确性和可扩展性权衡。虽然前者提供了准确的数据，但它需要一个资源密集型的实验室；后者以低得多的精度提供了可扩展性的便利性。眼动追踪眼镜由于其较大的视场，也具有良好的感知精度。
在解决生态有效性问题时，基于网络摄像头的眼动追踪允许人们在舒适的家中进行基于屏幕的研究。然而，眼镜的设置允许参与者与建筑砌块互动，呈现出一种不同的、可以说更高的生态有效性。虽然这两项基于屏幕的研究都可以很容易地进行分析，让参与者可以像往常一样完全自由地执行运动任务，这大大增加了分析时间。
指标的兼容性
研究人员普遍担心的是，人们想要衡量的过程的指标在不同的设置中是否具有可比性。在我们的案例中，这意味着要问一个问题，“无论屏幕上的过程或实际的区块如何，人们在他们正在构建的板上花费的停留时间是否相等”。
我们在所有三项研究中都围绕基地创建了感兴趣的领域。分析显示，基于眼镜和屏幕的眼动追踪在建筑板上的总停留时间（约占时间的47%）相当。这意味着，在我们的小型研究中，在基于屏幕的眼镜研究和更具生态有效性的眼镜研究中，人们花了大约47%的时间看板的底部。
基于网络摄像头的眼动追踪的情况基于网络摄像头的眼动追踪条件下的停留时间要小得多（~22%）。下面的热图反映了webET固有数据的可变性，表明建筑板上的许多真实固定可能过于嘈杂，超出了定义的感兴趣区域的范围。
人类因素研究中眼动追踪方法的比较-SBET热图
基于屏幕（上图）与基于网络摄像头（下图）的眼动追踪的热图和感兴趣区域显示了准确性和可扩展性的权衡。
比较人类因素研究的眼动追踪方法-WebcamET热图
不同设置中的面部表情
在实验者与参与者互动的眼镜条件下，参与者的面部互动最多。当实验者在场时，人们也更有可能微笑，当在网上、实验室或家中参与任务时，人们更有可能皱起眉头，这可能是注意力集中的迹象。这突出了为您的研究问题选择正确的生物传感器并补充您的眼动追踪研究的重要性。
不同设置的比较：
SBET条件
眼镜状况
WebET条件
精确
高精度
精度较低，视野较大
精度最低
分析的粒度
较小的AOI（例如区块上）是可能的
增加了动态跟踪所有AOI的分析时间
建议使用较大的AOI，以考虑精度误差
生态有效性
受控环境
高生态有效性
更高的生态有效性仅限于屏幕
可扩展性
收集数据耗时
收集和分析耗时。
| 
