面向交互式学习环境的 AI 驱动眼动追踪中的隐私保护与身份追踪预防
密码学与安全
2025-09-09 v1 人工智能
摘要
眼动技术可以帮助理解神经发育障碍并追踪个人身份。然而，这种技术对隐私构成重大风险，因为它捕获有关个人的敏感信息，增加了数据可被追溯到的可能性。本文提出了一个以人为本为导向的框架，用于防止身份反向追踪，同时保留 AI 驱动眼动追踪在交互式学习环境中的教育效益。我们探讨了如何整合实时数据匿名化、伦理设计原则和监管合规性（如 GDPR）以建立信任和透明度。我们首先通过基于严肃游戏的眼动数据演示了在各种情景下追踪学生 ID 和诊断的潜在性。随后，我们提供了一个两阶段的隐私保护框架，可在仍然启用诊断分类的同时防止受试者被追踪。第一阶段涵盖四个情景：I) 基于不同游戏关卡预测障碍诊断。II) 基于不同游戏关卡预测学生 ID。III) 基于随机数据预测学生 ID。IV) 利用 K 均值进行样本外数据。第二阶段，我们提出了一个两阶段框架，保护隐私。我们还在多个客户端上采用联邦学习 (FL)，纳入带有虚拟 ID 和仅限管理员访问控制的安全身份管理系统。在第一阶段，本文提出的框架在情景 1 中实现了 99.3% 的准确率，情景 2 中实现了 63% 的准确率，情景 3 中实现了 99.7% 的准确率，成功识别并分配了情景 4 中的新学生 ID。在第二阶段，我们有效地防止了反向追踪，并建立了一个带有虚拟 ID 和仅限管理员访问控制的安全身份管理系统，实现了 99.40% 的总体准确率。
引用
@article{arxiv.2509.05376,
title = {Privacy Preservation and Identity Tracing Prevention in AI-Driven Eye Tracking for Interactive Learning Environments},
author = {Abdul Rehman and Are Dæhlen and Ilona Heldal and Jerry Chun-wei Lin},
journal= {arXiv preprint arXiv:2509.05376},
year = {2025}
}