测量雷文的渐进矩阵 结合眼睛跟踪技术和机器学习 (ML) 模型

科学领域:

• 认知心理学 认知心理学
• 人工智能的人工智能是人工智能.
• 人与计算机的互动.

背景情况:

• 在雷文的渐进矩阵 (RPM) 中进行扩展测试会导致疲劳和减少动力,可能会损害认知表现.
• 当前的RPM测试方法可能不是持续认知评估的最佳方法.
• 需要有效和客观的方法来评估认知能力.

研究的目的:

• 探索人工智能 (AI) 和眼睛跟踪,以提高RPM测试效率.
• 确定关键的眼睛跟踪指标,预测RPM中的认知任务性能.
• 使用机器学习开发更有效的RPM评估.

主要方法:

• 结合眼睛跟踪技术与机器学习 (ML) 模型.
• 训练了10个ML模型,使用眼睛跟踪指标作为功能.
• 精细化了感兴趣的时期,并减少了优化性能的指标数量.

主要成果:

• 在10个ML模型中,XGBoost模型表现出优越的性能.
• 实现了超过0.8.8的准确性,精度和回忆.
• 只有60%的响应时间和9个眼睛跟踪指标的有效性能.

结论:

• 人工智能和眼睛跟踪提供了一种有希望的方法来提高RPM测试效率.
• 关键的眼睛跟踪指标可以显著预测性能,减少测试时间.
• 这种方法为未来的认知评估研究提供了宝贵的见解.