策略性注視：遊戲勝負與功能性興趣區間之注意力分配及轉換模式研究
arXiv - Human-Computer InteractionYufei Cao, Penny Sweetser
研究發現遊戲勝負與玩家在介面不同功能區間間的視覺注意力分配、持續時間及轉換模式密切相關。
AI 幫你先抓重點
AI 重點 1
從「注視點」轉向「注視路徑」的分析範式轉移
滑鼠懸停看 AI 判斷理由
傳統研究多關注注視點的停留時間，但本研究強調了注視點之間的「轉換模式」。這對於理解學習者如何整合分散資訊、進行策略性思考具有極高的啟發價值。
AI 重點 2
注意力分配的廣度與策略性表現的正相關性
滑鼠懸停看 AI 判斷理由
研究顯示高表現者能有效平衡核心任務與周邊資訊。這提醒設計者，學習成效不只取決於對重點的掌握，更取決於學習者在複雜資訊環境中調度注意力的能力。
核心研究發現
- 1
獲勝玩家展現出更具選擇性的注意力分配，其視線不僅集中於核心區域，還會延伸至周邊的輔助資源區。
- 2
獲勝組玩家在執行動作導向的注視轉換（gaze transitions）上頻率更高，且在不同興趣區間（AOI）間的轉換範圍更廣。
- 3
獲勝玩家在各個功能性興趣區間（AOIs）之間的注意力分配呈現更均勻的分布，而非僅侷限於單一區域。
對教育工作者的啟發
對於設計數位學習環境或遊戲化教學工具的設計者，本研究提供以下建議：首先，應關注學習者在介面間的「資訊轉換路徑」，而不僅是單點的停留時間，這能幫助判斷學習者是否正在進行有效的策略性思考。其次，在設計複雜的學習介面時，應確保輔助資訊（如資源、提示）與核心任務區間具備良好的視覺連結，以引導學習者建立如「獲勝玩家」般的廣域注意力分配模式。最後，可利用眼動轉換模式作為一種非侵入性的評估工具，用來偵測學習者在面對複雜問題時的認知負荷與策略調度能力。
原始文獻資訊
- 英文標題：
- Strategic Gaze: Attention Allocation and Transition Patterns Across Functional Areas of Interest by Gameplay Outcome
- 作者：
- Yufei Cao, Penny Sweetser
- 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。