眼動追蹤揭示實際騎行安全感：牛津 RobotCycle 專案洞察
arXiv - Human-Computer InteractionBenjamin Hardin, Efimia Panagiotaki, Daniele De Martini, Lars Kunze
利用可穿戴眼動追蹤，揭示不同道路環境與事件對騎行者安全感與壓力的影響。
AI 幫你先抓重點
AI 重點 1
眼動追蹤能捕捉到潛在的無意識安全感，提供比自我報告更客觀的壓力指標。
滑鼠懸停看 AI 判斷理由
此方法可揭示騎行者在日常環境中未能自覺的安全感變化，對交通設計與安全教育提供實證基礎。
AI 重點 2
不同道路類型與交叉口的眼動差異提示設計者需針對特定環境調整路徑與標示。
滑鼠懸停看 AI 判斷理由
了解哪種路徑最易造成注意力分散，可優化道路規劃與騎行者教育，降低事故風險。
核心研究發現
- 1
在自行車道、車道與共用巴士道之間，眼動模式顯著不同，反映各路徑的認知挑戰。
- 2
不同交叉口的眼動分佈差異顯著，可能與騎行者的壓力水平相關。
- 3
在有車輛通過或行人出現時，眼動模式與無事件情境明顯不同，顯示事件對注意力分配的影響。
對教育工作者的啟發
教育工作者可利用眼動數據設計模擬騎行情境，讓學生體驗不同路徑的注意力需求；城市規劃者可根據眼動模式調整路徑標示；交通安全課程可加入眼動分析，提升學生對危險辨識的自覺性。
原始文獻資訊
- 英文標題：
- What Can Eye Gaze Teach Us About Real-World Cycling? Insights From the Oxford RobotCycle Project
- 作者：
- Benjamin Hardin, Efimia Panagiotaki, Daniele De Martini, Lars Kunze
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
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。