EFFECTS AND RELATIONSHIPS OF RECEIVING INFORMATION AMOUNT ON EYE-MOVEMENT FEATURES
Notice bibliographique
Résumé
The vast development of technology in this era encourages researchers \nto study about the interrelationship of the amount of information with human \ncognitive functions. This study was aimed to test the hypothesis of whether the \namount of information can affect human cognitive function analyzed from the \nresponses of human eye-movement features, as well as the relationships between \ninformation amount and eye-movement features. Six students from a Yuan Ze \nUniversity were involved in playing a game that stimulated a different amount of \ninformation. The participants’ eye-movements were recorded using a screenbased \n \neye-tracker (GP3 HD GazepointTM Canada) while playing ZType game. \nThere were nineteen generated traditional features from the experiment. These \ntraditional features were then being processed as complexity features. The \nanalysis of variance (ANOVA) was done to know which features that were affected \nby the amount of information. The results showed that there were four traditional \nfeatures comprising left and right pupil diameter, amount of blink, and saccade \nmagnitude that were significantly affected by the amount of information. Moreover, \nthe amount of information also affected the thirteen complexity features from \nfixation (duration and coordinates), pupil (diameter and coordinates), and saccade \n(magnitude and direction) elements. The linear regression analysis was done to \nknow which features are the critical features, which later can be used to build the \nAI model. The results showed that there were three traditional features comprising \nleft and right pupil diameter, and amount of blink that have negative and positive \ncorrelation respectively, with the information amount. This study indicates that the \namount of information is influencing the eyes’ response that is related to the human \ncognitive function. Moreover, the complexity analysis can help researchers to \ngenerate more eye-movement features from the traditional features.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,013 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».