眼动追踪数据最大化利用：基于用户交互的阅读区域估计数据集与模型
人机交互
2023-06-14 v1 机器学习
摘要
单条数字新闻通讯通常包含多条信息（区域）。用户在各条信息上花费的阅读时间以及阅读程度（跳过/略读/详读）对于平台理解用户兴趣、个性化内容及做出推荐至关重要。基于精确但采集成本高昂的眼动仪记录数据，我们构建了仅利用易采集的Javascript浏览器追踪数据来预测各区域阅读时间的模型。借助眼动追踪，我们收集了参与者在浏览器上阅读新闻的20万真实标注数据点。随后我们训练了机器学习和深度学习模型，基于鼠标位置、滚动和点击等用户交互行为来预测消息级阅读时间。仅基于用户交互的双塔神经网络相对于眼动追踪真值数据的阅读时间估计百分比误差为27%，而启发式基线约为46%。我们还发现了以按时间戳模型替代按会话模型以及添加用户模式特征的好处。最后我们就基于可用数据开发消息级阅读估计技术给出了建议。
引用
@article{arxiv.2306.07455,
title = {Getting the Most from Eye-Tracking: User-Interaction Based Reading Region Estimation Dataset and Models},
author = {Ruoyan Kong and Ruixuan Sun and Charles Chuankai Zhang and Chen Chen and Sneha Patri and Gayathri Gajjela and Joseph A. Konstan},
journal= {arXiv preprint arXiv:2306.07455},
year = {2023}
}
备注
Ruoyan Kong, Ruixuan Sun, Charles Chuankai Zhang, Chen Chen, Sneha Patri, Gayathri Gajjela, and Joseph A. Konstan. Getting the most from eyetracking: User-interaction based reading region estimation dataset and models. In Proceedings of the 2023 Symposium on Eye Tracking Research and Applications, ETRA 23, New York, NY, USA, 2023. Association for Computing Machinery