Predicting cognitive performance using eye-movements, reaction time and difficulty level.
Notice bibliographique
Résumé
Cognitively challenging tasks require complex coordination of information beyond visual input. Predicting accuracy on such tasks has potential applications in education and industry. Task difficulty is associated with increases in reaction time and variation in eye tracking indices. Critically, machine learning has not yet been used to predict accuracy on cognitive tasks with multiple difficulty levels. We report data on 57 (34 females; 20-30 years) participants who completed visuospatial tasks of mental attentional capacity with six levels of difficulty while their eye movements were recorded using EyeLink Portable Duo SR Research eye-tracker with 1ms temporal resolution (at 1000 Hz frequency) in remote head-free-to-move mode. Results show that task accuracy scores can be robustly predicted when all variables (e.g., eye-tracking, difficulty level and reaction time) are considered together (R2 = .80). Reaction time, difficulty level and eye tracking metrics are also effective independent predictors with R2 equaling .73, .58, and .36, respectively. Analyses for feature importance suggest eye-tracking indices with the most importance for the models include the number of fixations, number of saccades, duration of the current fixation and pupil size. Notably, our machine learning algorithms target a prediction question, rather than a classification one, and the current algorithm can be useful for future research and applications in other contexts where visuospatial processing is required. Theoretically, findings show common and distinct metrics that can inform theories of cognition and vision science.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».