鼠标跟踪性能:一种新的方法来分析连续的鼠标跟踪数据

科学领域:

• 认知科学 认知科学
• 人与计算机的交互
• 数据分析 数据分析

背景情况:

• 当代鼠标跟踪研究通常依赖于二进制选择任务,限制了对各种鼠标移动数据的分析.
• 来自网络用户的自然主义数据存在挑战,因为缺乏结构化,逐试验的实验设计.
• 现有的方法不足以分析复杂的,非结构化的鼠标运动时间序列.

研究的目的:

• 开发用于认知科学中的非结构化鼠标运动数据的强大分析工具.
• 为了使自然主义鼠标跟踪数据的利用超出传统的实验范式.
• 预测在线任务中的性能,使用鼠标移动的整个时间序列分析.

主要方法:

• 单数值分解 (SVD) 和偏差波动分析 (DFA) 的应用到整个老鼠运动时间序列.
• 引入一种新的方法,以复杂值的时间序列来表示二维鼠标痕迹.
• 允许SVD和DFA的直接应用,同时保留关键的空间信息.

主要成果:

• 显著的预测信息包含在整个时间序列的非结构化鼠标运动.
• 开发的方法成功地使用这个时间序列数据预测在线任务中的性能.
• 对复杂值时间序列的分析有效地捕获了老鼠痕迹的空间动态.

结论:

• 对非结构化鼠标运动数据的全时间序列分析为认知科学提供了宝贵的见解.
• 新的复杂值时间序列方法提高了SVD和DFA对鼠标跟踪的适用性.
• 这些发现提升了鼠标跟踪研究的潜力,通过自然化的计算机交互来理解认知过程.