کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6836872 | 618425 | 2016 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Using eye movement data to infer human behavioral intentions
ترجمه فارسی عنوان
با استفاده از داده های حرکات چشم برای برداشتن اهداف رفتاری انسانی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
اهداف رفتاری انسانی، استدلال استدلال، طبقه بندی هدف، جنبش چشم، رابط کاربر طبیعی،
ترجمه چکیده
مقاصد هدایت شده توسط رفتار می تواند با سیگنال های بیولوژیکی خاصی که پیش از رفتار هستند را نشان دهد. این مطالعه با استفاده از داده های جنبش چشم برای برآوردن اهداف رفتاری انسان انجام شد. از شرکت کنندگان خواسته شد تا تصاویر را در حین فعالیت با اهداف مختلف مورد بررسی قرار دهند، که ناشی از جستجوی شناختی و ارزیابی عاطفی است. اهداف مربوط به تصاویر غیر اختصاصی یا خاص بود، اهداف خاص شناختی یا عاطفی بود و اهداف عاطفی به منظور ارزیابی احساسات مثبت یا منفی بیان شده توسط افراد نشان داده شده بود. گروه کاری عاطفی، فیکسچرهای بیشتری را به وجود آورد و دارای اندازه بزرگتر شاگردی نسبت به گروه کاری شناختی بود. گروه تقسیم مثبت، به طور میانگین، نسبت به گروه قدردانی منفی، ثابت و کوتاهتر شد. با این حال، الگوریتم های ماشین پشتیبانی بردار، دقت طبقه بندی پایین را نشان دادند. این به دلیل واریانس بین فردی و عوامل روانشناختی است که در قبال اهداف قرار دارند. ما بهبود دقت طبقه بندی را با استفاده از داده های مکرر اندازه گیری فردی نشان دادیم که به نگرش خود انتخاب شده شرکت کنندگان منجر شد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نرم افزارهای علوم کامپیوتر
چکیده انگلیسی
Behavior-directed intentions can be revealed by certain biological signals that precede behaviors. This study used eye movement data to infer human behavioral intentions. Participants were asked to view pictures while operating under different intentions, which necessitated cognitive search and affective appraisal. Intentions regarding the pictures were non-specific or specific, specific intentions were cognitive or affective, and affective intentions were to evaluate either the positive or negative emotions expressed by the individuals depicted. The affective task group made more fixations and had a larger average pupil size than the cognitive task group. The positive appreciation group made more and shorter fixations, on average, than the negative appreciation group. However, support vector machine algorithms revealed low classification accuracy. This was due to large inter-individual variance and psychological factors underlying intentions. We demonstrated improvement in classification accuracy using individual repeated measures data, which helped infer participants' self-selected intentions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers in Human Behavior - Volume 63, October 2016, Pages 796-804
Journal: Computers in Human Behavior - Volume 63, October 2016, Pages 796-804
نویسندگان
Hyeonggyu Park, Sangil Lee, Minho Lee, Mun-Seon Chang, Ho-Wan Kwak,