EveLoad：基於事件相機眼動數據的認知負荷識別研究
arXiv - Human-Computer InteractionGuorui Lu, Shaohua Guan, Zhen Xu, Qinyu Chen
本研究提出首個利用事件相機捕捉微秒級眼動特徵，並透過時空編碼框架實現高精度認知負荷識別的數據集與模型。
AI 幫你先抓重點
AI 重點 1
從「注視位置」轉向「眼動動態特徵」的識別範式轉變。
滑鼠懸停看 AI 判斷理由
過去研究常誤將注視點分佈與負荷掛鉤，導致模型學習到位置偏差而非真正的認知狀態。此研究強調捕捉微秒級的眼動動態，能更精準地反映認知負荷，而非僅僅是視覺掃描路徑。
AI 重點 2
事件相機（Event Camera）在即時生理感測中的潛力。
滑鼠懸停看 AI 判斷理由
事件相機的高動態範圍與低延遲特性，使其能捕捉傳統相機無法偵測到的快速眼動細節，這為未來開發即時、非侵入式的自適應學習或復健系統提供了技術基礎。
核心研究發現
- 1
開發了首個基於事件相機（Event-based）且具有分級認知負荷標註的眼動數據集，解決了傳統框架式眼動儀解析度不足的問題。
- 2
透過受控的 N-back 引導注視範式，在空間受限與任務驅動條件下，成功收集了 20 名健康受試者的眼動數據。
- 3
實驗結果顯示，該學習框架在受試者特定評估中達到 96.36% 的準確率，在混合隨機分割評估中達到 96.13% 的準確率。
對教育工作者的啟發
對於開發自適應學習環境（Adaptive Learning Environments）的設計者而言，此研究提供了技術啟發：未來可利用高頻率的生理感測技術（如事件相機），即時監測學習者的認知負荷。當系統偵測到學習者負荷過重（Overload）時，可自動降低任務難度或增加引導；反之，若負荷過低（Under-challenge），則提升挑戰性。這種精準的即時反饋機制，能有效優化學習者的自主學習狀態（SRL）與學習成效，特別是在虛擬實境（XR）或遠端教學情境下更具應用價值。
原始文獻資訊
- 英文標題：
- EveLoad: Cognitive Workload Recognition from Event-Based Eye Movements
- 作者：
- Guorui Lu, Shaohua Guan, Zhen Xu, Qinyu Chen
- 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。