Online mouse tracking as a measure of attention in videos, using a mouse-contingent bi-resolution display
Notice bibliographique
Résumé
Data on human visual attention is increasingly collected online, but there are limited tools available to study attention to video stimuli in online experiments. Webcam-based eye tracking is improving, but it faces issues with precision and attrition that prevent its adoption by many researchers. Here I detail an alternative mouse-based paradigm that can be used to measure attention to videos online. This method uses a blurred display and a high-resolution window centered on the user’s computer mouse location. As the user moves their mouse to view different screen content, their mouse movements are recorded, providing an approximation of eye movements and the attended screen location. To validate this Mouse-Contingent Bi-Resolution Display (MCBRD) paradigm, mouse movements collected from online participants watching twenty-seven videos were compared to eye movements from the DIEM dataset. Display settings of window size and blur level were manipulated to identify the settings that resulted in mouse movements most similar to eye movements. This validation study found differences in speed between mouse and eye movements, but similarities in attended regions of interest, especially when the MCBRD screen was blurred with the highest tested Gaussian blur sigma of 0.45 degrees of visual angle. These results suggest that the MCBRD paradigm can be used to measure what regions viewers find salient, interesting, or visually informative in online videos.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».