Frustrometer：結合生理與互動訊號偵測數據視覺化任務中的挫折感
arXiv - Human-Computer InteractionJohannes Ellemose, Sophia Wanner, Djordje Slijep\v{c}evi\'c, Laura Cesar, Vanessa Leung, Wolfgang Aigner, Niklas Elmqvist
研究開發了 Frustrometer 系統，透過融合生理與互動訊號，實現對使用者在視覺化任務中挫折感與停滯狀態的即時預測。
AI 幫你先抓重點
AI 重點 1
從「如何幫助」轉向「何時幫助」的設計範式轉移
滑鼠懸停看 AI 判斷理由
過去研究多著重於提供教學輔助的內容，但本研究指出「時機」才是關鍵。若介入太早會中斷學習者的思考流，太晚則已錯失引導良機，這對於設計自適應學習系統至關重要。
AI 重點 2
輕量化互動訊號優於複雜生理感測器的實務價值
滑鼠懸停看 AI 判斷理由
這改變了開發者對感測設備的認知。開發者不需要昂貴的生理監測設備，僅透過滑鼠與眼動等互動行為即可達成高精度的情緒偵測，大幅降低了 EdTech 產品進入市場的技術門檻。
核心研究發現
- 1
研究發現自主生理反應（如心率與皮膚電反應）在判斷使用者挫折程度時提供的資訊非常有限。
- 2
頭部方向的轉動與使用者在進行視覺分析任務時所感受到的挫折感之間，並無明顯的相關性。
- 3
滑鼠動態與注視數據（Gaze data）是預測挫折感的主要訊號來源，其中滑鼠動態對部分受試者具有強大的預測力。
- 4
研究結果顯示，僅使用輕量化的互動設備（如滑鼠）可能就足以進行即時的挫折感偵測。
對教育工作者的啟發
對於設計數位學習環境或複雜軟體教學的設計者，本研究提供了兩大啟發：首先，在開發自適應引導系統（Adaptive Guidance Systems）時，應優先整合使用者的互動行為數據（如滑鼠軌跡、點擊頻率），而非過度依賴生理感測，以降低硬體成本並提升使用者接受度。其次，系統的介入機制應具備「動態時機感」，利用即時偵測到的挫折訊號來決定何時提供提示，以避免干擾學習者的自主學習流（Flow）或造成過度依賴，達到優化自主學習（SRL）的效果。
原始文獻資訊
- 英文標題：
- The Frustrometer: Detecting User Frustration in Data Visualization Tasks using Biomarkers and Interaction Patterns
- 作者：
- Johannes Ellemose, Sophia Wanner, Djordje Slijep\v{c}evi\'c, Laura Cesar, Vanessa Leung, Wolfgang Aigner, Niklas Elmqvist
- 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。