懶惰還是高效？利用大型語言模型實現易用的眼動追蹤事件檢測
arXiv - Human-Computer InteractionDongyang Guo, Yasmeen Abdrabou, Enkelejda Kasneci
本文提出一種由 LLM 驅動的無程式碼流程，能將自然語言指令轉化為眼動追蹤數據分析與事件檢測。
AI 幫你先抓重點
AI 重點 1
從「程式碼導向」轉向「意圖導向」的數據分析範式
滑鼠懸停看 AI 判斷理由
這項技術改變了研究者處理複雜生物訊號的方式。過去研究者必須精通程式語言與參數設定，現在只需描述分析意圖，這讓非技術背景的研究者也能進行高精度的眼動分析。
AI 重點 2
LLM 在處理異質性原始數據中的強大適應力
滑鼠懸停看 AI 判斷理由
眼動追蹤數據格式多變且複雜，傳統方法對預處理極度敏感。利用 LLM 自動推斷檔案結構與元數據，解決了數據清洗中最耗時且易出錯的環節，提升了研究的自動化程度。
核心研究發現
- 1
開發出一套基於 LLM 的端到端分析流程，可自動檢測原始眼動檔案結構、生成數據清洗程式碼並執行檢測。
- 2
該系統能將使用者的自然語言指令直接轉化為可執行的程式碼，實現對注視（fixations）與掃視（saccades）的標記。
- 3
在公開基準測試中的評估顯示，該方法的準確度與傳統的 I-VT 或 I-DT 等經典檢測方法相當，但大幅降低了技術門檻。
對教育工作者的啟發
對於教育科技研究者而言，這項技術能顯著加速「學習過程分析」的效率。在研究學生使用數位學習工具時，研究者不再需要耗費大量時間撰寫複雜的數據處理腳本，而是能透過自然語言快速提取學生的視覺注意力模式。這有助於在更短的時間內進行大規模的學習行為分析，例如觀察學生在 PBL 任務中如何分配注意力，進而優化數位學習介面的設計與教學干預策略。
原始文獻資訊
- 英文標題：
- Lazy or Efficient? Towards Accessible Eye-Tracking Event Detection Using LLMs
- 作者：
- Dongyang Guo, Yasmeen Abdrabou, Enkelejda Kasneci
- 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。