用於多模態閱讀實驗的模組化工作流
arXiv - Human-Computer InteractionThomas Kr\"amer, Thomas Kosch, Dagmar Kern, Daniel Hienert
本文提出一種基於 Web 的模組化工作流，能同步整合眼動、腦電與互動數據，用於自然環境下的多模態閱讀研究。
AI 幫你先抓重點
AI 重點 1
從「自我報告」轉向「生理與行為數據」的實證驗證
滑鼠懸停看 AI 判斷理由
傳統學習研究高度依賴問卷等自我報告，易受主觀偏差影響；此技術能透過生理指標（EEG、眼動）直接捕捉認知過程，提供更客觀、精準的學習科學證據。
AI 重點 2
模組化設計提升了實驗研究的生態效度
滑鼠懸停看 AI 判斷理由
透過 Web 端整合多種感測器，研究者能在接近真實的線上閱讀環境中進行實驗，而非侷限於受控的實驗室環境，這對於理解真實世界的自主學習行為至關重要。
核心研究發現
- 1
開發出一套可重複使用的 Web 端模組化工作流，能透過 Lab Streaming Layer 同步眼動追蹤、EEG 及滑鼠鍵盤數據。
- 2
該系統能將注視點數據精確連結至瀏覽器文本，實現單字、句子及感興趣區域（AOI）層級的分析。
- 3
透過即時計算注視指標與基於注視觸發的腦電分割技術，研究者能在實驗當下即完成行為與神經指標處理。
- 4
該工作流已成功應用於線上新聞搜尋與閱讀中的選擇性接觸研究，驗證了其在生態化情境下的有效性。
對教育工作者的啟發
對於教育科技開發者而言，此研究展示了如何整合多維度數據（生理、行為、環境）來精準建模學習者狀態。在設計數位學習環境時，可參考此模組化思維，不僅關注學習者的點擊行為，更應考慮整合眼動或生理回饋，以建立更具即時性與精準度的學習分析系統（Learning Analytics），從而實現更深層次的學習者狀態監測與介入。
原始文獻資訊
- 英文標題：
- A Modular Workflow for Multimodal Reading Experiments
- 作者：
- Thomas Kr\"amer, Thomas Kosch, Dagmar Kern, Daniel Hienert
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。