凝视模式预测两两AI图像评估中的偏好和置信水平
人机交互
2026-03-27 v1 人工智能
计算机视觉与模式识别
计算机与社会
摘要
偏好学习方法，如强化学习从人类反馈（RLHF）和直接偏好优化（DPO），依赖成对的人类判断，但关于这些判断背后认知过程的了解甚少。我们调查了眼动追踪是否能揭示在成对评估AI生成图像时发生的偏好形成。30名参与者在记录眼动的同时完成了1800次试验。我们复现了凝视级联效应，发现约在决定前一秒时，凝视会转向被选中的图像。级联动力学在不同置信水平下保持一致。眼动特征可预测二元选择（68%准确率），被选中的图像接收更多的凝视时间、固定点和回访。眼动转换能够区分高置信度和不确定的决定（66%准确率），低置信度试验显示每秒的图像切换次数更多。这些结果表明，凝视模式既能预测成对图像评估中的选择，也能预测置信水平，表明眼动提供了与偏好标注质量相关的隐式信号。
引用
@article{arxiv.2603.24849,
title = {Gaze patterns predict preference and confidence in pairwise AI image evaluation},
author = {Nikolas Papadopoulos and Shreenithi Navaneethan and Sheng Bai and Ankur Samanta and Paul Sajda},
journal= {arXiv preprint arXiv:2603.24849},
year = {2026}
}
备注
This paper has been accepted to ACM ETRA 2026