Integrating Eye Tracking, Feature Use, and Emotional Valence: A Multimodal Approach to Evaluating Search Interfaces
Notice bibliographique
Résumé
Interactive Information Retrieval (IIR) interfaces are typically evaluated using questionnaires that gather post-task subjective measures such as ease of use, usefulness, satisfaction, and user engagement, along with in-task objective measures derived from log analysis.However, a comprehensive evaluation requires a deeper understanding of user behaviour beyond such traditional measures.Integrating eye tracking data with logged feature use and emotional valence provides a multimodal approach to evaluating a search interface at the feature level.To validate this approach, we examined three search interfaces in a controlled laboratory study focused on exploratory search within the context of digital humanities archives.A key benefit of this multimodal approach is that it allows us to evaluate both traditional interaction with the search interface (looking at a feature, using it, and experiencing an emotional response) as well as passive interaction with the search interface (looking at a feature, choosing not to use it but possibly getting information from it, and experiencing an emotional response).Using this approach, we were able to identify specific features of the interfaces that generated positive and negative emotional valence responses when used, as well as features that generated such emotional valence responses when viewed but not used.Such feature-level assessments would be difficult to capture using other means, providing insight into the nature of the searchers' experiences using the search interfaces.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».