学习支付注意力：对注意力与不注意力响应在调查数据中的建模
人机交互
2026-03-04 v1 人工智能
机器学习
摘要
行为和社会科学调查的完整性取决于检测提供随机或低效应答案的注意力不足的响应者。传统的保障措施，如注意力检查，往往成本高昂、被动且不一致。我们提出了一个统一、无标签的框架，用于注意力不足检测，该框架使用两种互补的无监督视图对响应一致性进行评分：几何重建(Autoencoders)和概率依赖建模(Chow-Liu 树)。虽然我们引入一种“百分位损失”目标以提高 Autoencoder 对异常值的鲁棒性，但我们的主要贡献是识别识别无监督质量控制的结构条件。在九个异构真实数据集上，我们发现检测效果更多取决于模型复杂度而非模型复杂度：具有连贯、重叠题项电池的仪器 exhibit 强协方差模式，即使是线性模型也能可靠地区分注意力充足与不足的响应者。这揭示了一个关键的“心理测量-机器学习一致性”：同一设计原则(例如内部一致性)不仅最大化测量可靠性，也最大化算法可检测性。该框架为调查平台提供了一个可扩展的、与领域无关的诊断工具，将数据质量直接链接到仪器设计中，从而无需额外响应者负担即可进行审计。
引用
@article{arxiv.2603.02427,
title = {Learning to Pay Attention: Unsupervised Modeling of Attentive and Inattentive Respondents in Survey Data},
author = {Ilias Triantafyllopoulos and Panos Ipeirotis},
journal= {arXiv preprint arXiv:2603.02427},
year = {2026}
}