面向新闻界面视角注意力预测与分析的深度学习框架
计算机视觉与模式识别
2025-03-24 v1 人机交互
摘要
新闻平台在新闻界面中争夺注意力的竞争，凸显了需要受人口统计学特征影响的视觉注意力预测模型的重要性。尽管近期在用户界面( UI)上应用视觉注意力检测方面取得了进展，但现有数据集在规模和人口统计学代表性方面存在局限。我们提出一种深度学习框架，通过增强 SaRa (注意力排序) 模型与 DeepGaze IIE 的集成，提升显著对象排序 (SOR) 性能10.7%。该框架优化了三个关键组件：显著图生成、网格分段评分和图标准化。通过使用眼动追踪 (30名参与者) 和鼠标追踪 (375名13--70岁参与者) 进行双重实验，我们分析了不同人口统计学群体的注意力模式。统计分析显示，年龄显著影响注意力模式 (p < 0.05, {\epsilon^2} = 0.042)，其中年长用户 (36--70岁) 更关注文本内容，而年轻用户 (13--35岁) 更关注图像。鼠标追踪数据与眼动行为高度吻合 (sAUC = 0.86)，并识别出立即显眼的 UI 元素，验证了其在大规模研究中的有效性。我们得出结论，注意力研究应优先收集来自更大规模且具代表性的人口统计学样本的数据，并报告确切的人口统计学分布。
引用
@article{arxiv.2503.17212,
title = {A Deep Learning Framework for Visual Attention Prediction and Analysis of News Interfaces},
author = {Matthew Kenely and Dylan Seychell and Carl James Debono and Chris Porter},
journal= {arXiv preprint arXiv:2503.17212},
year = {2025}
}
备注
This is a preprint submitted to the 2025 IEEE Conference on Artificial Intelligence (CAI)