Айтрекинг в психологической науке и практике
Шрифт:
Однако с помощью айтрекера удалось получить другие интересные качественные данные. Так, среди тех испытуемых, которые смогли посадить вертолет, распространена стратегия предварительной оценки расстояния и направления как при полете (рисунок 6), так и при посадке (рисунок 7). А испытуемые, которые долетели до места посадки, но у которых так и не получилось посадить вертолет, используют в основном следящие движения (рисунок 8).
Рис. 6. Оценка направления
Рис. 7.
Рис. 8. Следящие движения
Более того, чем больше следящих движений (вплоть до неотрывного слежения), тем хуже полет. Кроме этого, общее количество саккад выше у тех испытуемых, кто лучше управляет вертолетом. Это, вероятно, может быть связано с включением и важным значением процессов внимания в виде поиска релевантной задачам информации в зрительной среде, рассматривания цели и т. п. Таким образом, успешность управления связана со сбором разнообразной информации и встраивании ее в свою деятельность.
Полученные результаты позволяют говорить о том, что обучение с помощью видео является эффективным способом передачи знания в операторской деятельности. Также добавление технологии отслеживания взора позволяет получить больше полезной информации от эксперта за счет того, что часть информации скрыта и от самого профессионала (напр., какие именно движения совершаются глазами, чтобы получить нужную ему информацию). Однако простого добавления этой дополнительной информации в обучающее видео недостаточно, чтобы улучшить летные показатели новичков.
Барабанщиков В. А., Жегалло А. В. Айтрекинг: методы регистрации движений глаз в психологических исследованиях и практике. М.: Когито-Центр,2014.
Корнилов Ю. К. Молчаливое знание как «следы деятельности» субъекта // Психология субъекта профессиональной деятельности: Сб. науч. трудов / Под ред. В. А. Барабанщикова, А. В. Карпова. Вып. П. М.-Ярославль, 2002. С. 140–147.
Лалу С, Носуленко В. Н., Самойленко Е. С. SUBCAM как инструмент психологического исследования // Экспериментальная психология. 2009. Т. 2. № 1.С. 72–80.
Wagner R. К., Sternberg R. G. Tacit Knoledge and intelligence in the everyday world // Practical intelligence. Cambridge, Un. Press, 1986.
Выявление информативных характеристик глазодвигательной активности с применением метода главных компонент и обучаемых моделей [6]
П. А. Мармалюк, Б. Ю. Поляков
Возможно ли получать надежную оценку уровня компетенции (Куравский и др., 2014), предсказывать заранее итоговый результат выполнения теста интеллекта (Хохлова, 2011), определять возраст человека с помощью анализа пространственно-временных особенностей движений взора? Существуют и проявляются ли во время чтения различия характеристик окуломоторной активности детей разного возраста и насколько эти характеристики информативны для диагностики сформированности такого комплексного навыка, как чтение? (Куравский и др., 2014). Существуют ли и каковы стратегии зрительного восприятия, свидетельствующие о тех или иных качествах тестируемого или обучающегося, например, такие, как когнитивные стили восприятия (Мармалюк, Звонкина, 2013)? Быть может, представители разных расовых типов отличаются в силу генетических и культурных причин в том, как они рассматривают лицо собеседника (Ананьева, Демидов, Швец, 2013)? Эти и многие другие подобные вопросы, выраженные в виде научных содержательных гипотез, формулируются экспериментальными психологами как при проведении фундаментальных поисковых исследований, так и в рамках прикладных проектов по созданию объективных методик психолого-педагогической диагностики.
6
Работа выполнена в рамках поддержанного РГНФ научного проекта № 14-06-12012 «Программное обеспечение с открытым исходным кодом для анализа результатов окулографических исследований»
Применяемые в таких исследованиях средства регистрации движений глаз регистрируют массивные объемы данных (траектории движения взора испытуемых на плоскости стимула), которые необходимо обрабатывать статистически для проверки выдвинутых гипотез. Исследователям-психологам в рамках разведочного анализа данных зачастую приходится сталкиваться с высокой степенью неопределенности, связанной с поиском релевантных количественных и качественных признаков глазодвигательной активности, отражающих изменчивость исследуемых факторов, будь то категории испытуемых или выраженность индивидуальных непрерывных свойств.
Для облегчения поиска подобных закономерностей разработано множество средств математического анализа, реализованных в соответствующих статистических пакетах. Однако в силу возрастания сложности и повышения размерности данных особо актуально использование автоматизированных средств, позволяющих сокращать размерность набора анализируемых переменных. При этом часто возникает необходимость дополнять набор традиционных интегральных характеристик глазодвигательной активности (таких как время прочтения текста, средняя длительность фиксаций, число фиксаций, прогрессивных и регрессивных саккад и подобных) показателями, отражающими пространственно-временные особенности процесса зрительного поиска, которые могут содержать дополнительную информацию об объекте изучения, улавливая интересующие исследователя паттерны переходов взора между областями интереса.
Примером подобного средства может послужить представленный далее подход к анализу траекторий взора, основанный на расчете информативных показателей глазодвигательной активности и последовательном применении современных математических методов анализа данных, таких, как метод главных компонент или факторный анализ, деревья решений, дискриминантные модели, регрессионные модели.
Расчет показателей глазодвигательной активности. В качестве базовых показателей глазодвигательной активности могут выступать как традиционные универсальные показатели (число и средняя продолжительность фиксаций, число саккад в различных направлениях, амплитуда и кривизна саккад, общая длительность испытания и т. п.), рассчитываемые, как правило, по выявленным окуломоторным событиям с помощью средств проприетарного программного обеспечения, поставляемого вместе с оборудованием (Барабанщиков, Жегалло, 2013). Такие показатели удобны тем, что они не привязаны к контексту задачи или стимульному материалу и могут вычисляться для любого набора выявленных окуломоторных событий. Однако универсальность подобных показателей может рассматриваться и как недостаток в силу невозможности учесть при их расчете специфику стимульного материала и невозможности отразить с их помощью динамические свойства изучаемого процесса зрительного поиска.
Для отражения динамических характеристик глазодвигательной активности целесообразно использовать в качестве дополнительных информативных признаков элементы матриц вероятностей переходов либо матриц представления преемника (Successor Representation matrix, SR-matrix – Dayan, 1993), рассчитываемых по последовательностям фиксаций взора в областях интереса стимульного материала. Указанные матрицы позволяют выявлять выраженные интегральные закономерности переходов взора из одной области интереса к другой как первого порядка (матрица вероятностей переходов), так и с учетом предыстории (матрица представления преемника).
Основы рассматриваемого подхода к анализу данных видео-окулографии с использованием матриц представления преемника, названного «Successor Representation Scanpath Analysis (SRSA)», заложены Алексом Петровым и Тейлором Хэйесом, сотрудниками лаборатории когнитивного моделирования и вычислительной когнитивной нейронауки Университета штата Огайо, США. Пример применения подхода проиллюстрирован в статье, посвященной анализу последовательностей фиксаций при выполнении теста интеллекта Равена (Hayeset al., 2011). Полученные результаты демонстрируют несомненную эффективность подхода. Например, построенная (по выборке значений главных компонент элементов матриц представления преемника) регрессионная модель объясняла 56 % дисперсии итогового балла по тесту Равена. Детали алгоритма расчета матрицы представления преемника приведены ниже.