邁向注視感知的 AI 揭露介面：閱讀 AI 輔助新聞時的眼動注意力與認知負荷研究
arXiv - Human-Computer InteractionPooja Prajod, Hannes Cools, Thomas R\"oggla, Pablo Cesar, Abdallah El Ali
研究發現簡短的 AI 使用揭露會增加讀者的視覺掃描成本，但詳細揭露或「按需提供細節」的設計能有效平衡透明度與認知負荷。
AI 幫你先抓重點
AI 重點 1
避免使用過於模糊或簡短的 AI 警示標籤。
滑鼠懸停看 AI 判斷理由
根據資訊缺口理論，過於簡短的標籤會觸發讀者的視覺審查行為，因為讀者察覺到 AI 的存在卻缺乏足夠資訊來理解，進而導致注意力分散。這提醒設計者，透明度不應僅追求簡潔，更應追求資訊的完整性。
AI 重點 2
開發基於注視感知的自適應揭露介面。
滑鼠懸停看 AI 判斷理由
研究建議介面應能根據讀者的注意力模式與新聞情境動態調整透明度。這對於未來開發智慧化學習或閱讀工具極具價值，能確保使用者在需要深入理解時獲得資訊，而在一般閱讀時不被干擾。
核心研究發現
- 1
簡短的一行式揭露會導致顯著較高的注視持續時間與掃描次數，特別是在閱讀 AI 編輯過的內容時，顯示出較高的注意力成本。
- 2
詳細的 AI 使用揭露並不會增加讀者的額外負擔，這與簡短標籤所造成的視覺掃描壓力形成對比。
- 3
NASA-TLX 評分與瞳孔直徑在不同條件下均無顯著差異，顯示 AI 使用揭露本身並不會造成顯著的認知負荷增加。
- 4
訪談結果顯示讀者強烈偏好詳細的揭露資訊，或是能夠根據需求主動獲取細節的「按需提供細節（detail-on-demand）」設計。
對教育工作者的啟發
在設計教學工具或數位閱讀平台時，若需揭露 AI 生成內容（如 AI 輔助生成的教材或評語），應避免僅使用「此內容由 AI 輔助」等模糊標籤。建議採用「層次化資訊設計」：初步僅顯示必要標籤，但提供「按需獲取（detail-on-demand）」的機制，讓學習者能點擊查看 AI 的參與程度與角色。這能防止學習者因資訊不透明而產生不必要的視覺掃描壓力，同時在需要批判性思考時提供足夠的背景資訊，優化學習者的注意力分配與認知資源利用。
原始文獻資訊
- 英文標題：
- Towards Gaze-Informed AI Disclosure Interfaces: Eye-Tracking Attentional and Cognitive Load While Reading AI-Assisted News
- 作者：
- Pooja Prajod, Hannes Cools, Thomas R\"oggla, Pablo Cesar, Abdallah El Ali
- 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。