edtechassessmenthciairesearch-methodology

群眾外包視訊眼動追蹤之數據品質影響因素：範圍界定回顧與案例研究

arXiv - Human-Computer InteractionKa Hei Carrie Lau, Enkelejda Kasneci

本研究探討群眾外包視訊眼動追蹤的數據品質，發現行為與技術因素能有效預測數據品質。

AI 幫你先抓重點

AI 重點 1

識別行為與技術參數對遠端研究數據品質的預測力。

滑鼠懸停看 AI 判斷理由
這改變了研究者僅依賴硬體規格來評估數據的傳統觀念，強調了使用者行為模式與軟體環境在遠端實驗中的關鍵作用。
AI 重點 2

建立群眾外包研究的品質基準與透明度需求。

滑鼠懸停看 AI 判斷理由
隨著遠端研究普及，缺乏標準化的品質報告會導致研究結果難以複製，這提醒研究者在設計實驗時必須納入品質監控機制。

核心研究發現

  1. 1

    透過對 2011 至 2025 年間群眾外包眼動追蹤研究的範圍界定回顧，發現目前研究報告呈現碎片化且缺乏建立標準的品質基準。

  2. 2

    在針對 AI 公平性訪談的案例研究中，研究發現較高的注視次數（fixation counts）與較短的實驗時長（shorter sessions）能顯著提升數據品質等級。

  3. 3

    技術層面的作業系統選擇（operating system choice）也被證實是影響 RealEye 平台數據品質的重要預測因子。

對教育工作者的啟發

對於開發遠端學習評估工具或進行線上行為研究的研究者，建議在設計實驗流程時，應將「注視次數」與「任務時長」納入品質監控指標。此外，應考慮不同作業系統對數據採集穩定性的影響，並在研究報告中透明化這些技術參數，以提升研究的可重複性與科學嚴謹度。

原始文獻資訊

英文標題：
What Shapes Participant Data Quality? A Scoping Review and Case Study of Crowdsourced Webcam Eye Tracking in AI Interviews
作者：
Ka Hei Carrie Lau, Enkelejda Kasneci
來源：
arXiv - Human-Computer Interaction
AI 摘要模型：
/models/gemma-4-26B-A4B-it
閱讀原文

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。