哪些因素影响参与者数据质量？——众包网页摄像头眼动追踪在AI面试中的范围综述与案例研究

基于网页摄像头的眼动追踪是一种成本效益高、可扩展的远程研究方法，能够有效触及更广泛的人群。然而，受控环境和硬件多样性的限制，众包数据质量不一致。为评估当前实践，我们于2011-2025年范围内对众包眼动追踪进行了范围综述。综述确认了报告碎片化且缺乏建立的数据质量基准。为解决这一缺乏预测性洞察的问题，我们对使用RealEye平台进行的人工智能公平性面试案例研究（N=205）进行了案例研究。对平台质量指标应用有序Logistic回归（OLR），发现行为因素和技术因素显著预测数据质量。具体而言，在RealEye平台上，修正次数更多、会话时长更短以及操作系统选择均显著导致更高的质量等级。基于本综述和平台特定的预测性见解，我们提供了一系列可操作建议，以提高未来众包网页眼动追踪在人机交互和行为科学中的可靠性、透明度和可复制性。