.png){kind=icon}
返回
Evaluating Feature-Based Machine-Learning Models with Post Hoc Explainability for Eye-Tracking-Based Task Type and Workload Inference
.png){kind=icon}
OA
AI
DOI：10.3390/ai7080325.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
眼动追踪是人本AI中的宝贵行为信号，但基于特征的学习模型在跨用户和任务推断任务类型及工作负荷方面的可靠性尚不确定，因为实验定义的工作负荷标签可能反映任务类型和视觉结构，而不仅仅是认知需求。实际问题是，注视适应性系统的设计者需要了解哪些推断足够可靠以采取行动，而仅凭报告的准确率无法回答这一点，因为预测目标和验证拆分的选择会影响结果。本研究系统评估了具有事后可解释性的基于特征的学习模型，涉及三个预测目标：任务类型、二元负荷-休息对比以及三级工作负荷。从54名参与者执行注意力、视觉空间和记忆任务时收集的短暂时间窗口中提取了来自注视点、扫视、瞳孔和眨眼的眼动特征，并使用留一用户（LOSO）和留一组（LOGO）验证进行评估。任务类型分类最为可靠（LOSO 85.9%，LOGO 83.4%），二元负荷-休息对比显示出适中的、验证敏感的鲁棒性（LOSO 81.4%，LOGO 63.9%），而三级工作负荷分类则更具挑战性（LOSO 56.4%，LOGO 44.3%）。SHAP和统计分析一致识别出注视点分散、瞳孔相关指标和用户标准化特征为三个目标中最强的贡献者。这些发现表明，预测目标定义、验证策略和事后可解释性共同决定了从基于注视的学习模型中能够可靠推断的内容。因此，眼动追踪单独看来对任务类型识别具有前景，并在模型开发中包含部署任务家族时可能支持粗粒度的参与相关推断，而任务无关的细粒度工作负荷估计目前尚无证据支持。
Keyword:
eye tracking
task-type inference
workload inference
feature-based machine learning
post hoc explainability
human-centered AI
cross-task generalization
期刊
A
IF:
5
论文数:
1.1K
被引数:
941
机构
引用论文
AI Eye-Tracking Technology: A New Era in Managing Cognitive Loads for Online LearnersAI眼动追踪技术：在线学习者认知负荷管理的新纪元OAAI
OAAI分享收藏Cognitive Load Monitoring With Wearables-Lessons Learned From a Machine Learning Challenge.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Classification of Cognitive Load Using Deep Learning Based on Eye Movement Indices基于眼动指标和深度学习的认知负荷分类IEEE Access
IEEE AccessIF0
PREAI
分享收藏Comparing eye-tracking metrics of mental workload caused by NDRTs in semi-autonomous driving比较半自动驾驶中ndrt引起的脑力负荷的眼动跟踪指标OAAI
OAAI分享收藏Eye movement patterns in complex tasks: Characteristics of ambient and focal processing复杂任务中的眼动模式：背景加工与焦点加工的特征PLOS ONEOAAI
PLOS ONEIF0
OAAI分享收藏分享收藏
查看更多内容