eyeNotate:基于少数镜头图像分类的移动眼睛跟踪数据的交互注释

科学领域:

• 人与计算机的交互
• 认知心理学 认知心理学
• 可用性工程可用性工程

背景情况:

• 移动眼睛跟踪对于理解心理学和交互设计中的视觉注意力至关重要.
• 分析移动眼睛跟踪数据目前是一个人工和耗时的过程.
• 现有的方法对于大数据集缺乏效率和可扩展性.

研究的目的:

• 开发和评估 eyeNotate,这是一个基于网络的新工具,用于半自动注释移动眼睛跟踪数据.
• 为了比较基线注释工具的效率,有效性和可靠性与机器学习 (IML支持) 增强的工具.
• 通过专家评估,评估 eyeNotate 工具的可用性和用户体验.

主要方法:

• 开发 eyeNotate,这是一个基于Web的注释工具,具有基线和IML支持版本.
• 一项专家研究 (n=3) 将两种版本的可用性,注释有效性,可靠性和效率进行比较.
• 由训练有素的注释者重新注释现有的移动眼睛跟踪数据 (n=48).
• 半结构面试,以收集有关IML功能集成的定性反.
• 一个后期实验评估图像分类模型的自动注释.

主要成果:

• 与基线相比,eyeNotate的IML支持版本显示了提高效率和可比的注释有效性和可靠性.
• 专家注释者认为IML支持功能是积极的,有助于固定到区域映射过程.
• 定性反突出了机器学习建议在简化注释工作流程中的实用性.
• 后期实验证实了图像分类模型在可扩展数据注释方面的潜力.

结论:

• eyeNotate在移动眼部追踪数据分析方面取得了重大进展,减少了人工工作.
• 集成的少数射击学习模型提高了注释效率,而不会影响数据质量.
• 该工具是心理学和以人为中心的设计研究人员的宝贵资产,促进了更有效的视觉注意力研究.