进步的动态时间曲线技术用于纠正读取源代码中的眼睛跟踪数据

科学领域:

• 认知科学 认知科学
• 计算机科学 计算机科学
• 人与计算机的交互

背景情况:

• 自动眼睛跟踪数据校正算法,如动态时间曲线,在纠正回归和扭曲之间面临一个权衡.
• 在代码读取过程中,眼睛的运动表现出非线性和频繁的回归,这对现有的校正方法构成了挑战.

研究的目的:

• 引入一系列混合算法,旨在准确纠正眼睛跟踪数据中的回归和扭曲.
• 评估这些新算法的性能与已建立的Warp算法对比.

主要方法:

• 模拟使用合成数据来复制已知的眼动现象.
• 对两个现实数据集的评估:一个来自源代码阅读,另一个来自自然语言文本阅读.
• 拟议的混合算法与基线Warp算法的比较.

主要成果:

• 大多数提出的混合算法在合成和真实数据的准确性上与基线Warp算法相匹配或超越.
• 证明了源代码阅读过程中回归的显著流行.
• 证实了从代码和自然语言文本中纠正眼睛跟踪数据的算法的可通用性.

结论:

• 开发的混合算法代表了对眼睛跟踪数据校正的动态时间曲线的进步.
• 这些算法有效地解决了处理回归的挑战,特别适用于代码读取场景.
• 这些发现支持这些算法的实用性,用于在各种阅读任务中更准确地分析眼动数据.