論文の概要: Characterising Topic Familiarity and Query Specificity Using Eye-Tracking Data

• arxiv url: http://arxiv.org/abs/2505.03136v1
• Date: Tue, 06 May 2025 03:22:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.185469
• Title: Characterising Topic Familiarity and Query Specificity Using Eye-Tracking Data
• Title（参考訳）: 視線追跡データを用いたトピックの親密性とクエリ特異性の特徴付け
• Authors: Jiaman He, Zikang Leng, Dana McKay, Johanne R. Trippas, Damiano Spina,
• Abstract要約: 本研究では,瞳孔拡張と視線速度のみに依存する記憶関連認知次元について検討した。 実験室のユーザスタディ(N=18)で収集した視線追跡データを用いて,トピックの親しみ度を予測するために,マクロF1スコアの71.25%を達成した。 本研究は、検索におけるトピックの親しみとクエリの特異性をよりよく理解するために、視線追跡が可能であることを示す。
• 参考スコア（独自算出の注目度）: 8.4438070686708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Eye-tracking data has been shown to correlate with a user's knowledge level and query formulation behaviour. While previous work has focused primarily on eye gaze fixations for attention analysis, often requiring additional contextual information, our study investigates the memory-related cognitive dimension by relying solely on pupil dilation and gaze velocity to infer users' topic familiarity and query specificity without needing any contextual information. Using eye-tracking data collected via a lab user study (N=18), we achieved a Macro F1 score of 71.25% for predicting topic familiarity with a Gradient Boosting classifier, and a Macro F1 score of 60.54% with a k-nearest neighbours (KNN) classifier for query specificity. Furthermore, we developed a novel annotation guideline -- specifically tailored for question answering -- to manually classify queries as Specific or Non-specific. This study demonstrates the feasibility of eye-tracking to better understand topic familiarity and query specificity in search.
• Abstract（参考訳）: アイトラッキングデータは、ユーザの知識レベルとクエリの定式化行動と相関することが示されている。 従来の研究は主に注意分析のための目視修正に焦点を合わせ,追加の文脈情報を必要とする場合が多いが,本研究では,瞳孔拡張と視線速度のみに頼って記憶関連認知次元を調査し,文脈情報を必要とせず,ユーザのトピックの親しみやクエリの特異性を推測する。 実験室のユーザスタディ(N=18)で収集した視線追跡データを用いて、グラディエントブースティング分類器でトピックの親しみを予測するためのMacro F1スコア71.25%、クエリ特異性のためのk-nearest neighbors(KNN)分類器でMacro F1スコア60.54%を達成した。 さらに,質問応答に適した新しいアノテーションガイドラインを開発し,クエリを特定あるいは非特定として手動で分類する。 本研究は、検索におけるトピックの親しみとクエリの特異性をよりよく理解するために、視線追跡が可能であることを示す。

関連論文リスト

• Query-based Knowledge Transfer for Heterogeneous Learning Environments [50.45210784447839]
  クエリベースの知識伝達(QKT)という新しいフレームワークを提案する。 QKTは、データ交換なしで特定のクライアントのニーズを満たすための、適切な知識獲得を可能にする。 実験の結果,QKTは既存の協調学習方法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-12T13:09:39Z)
• Benchmarking and Analyzing Generative Data for Visual Recognition [66.55174903469722]
  この研究は生成的画像の影響を深く掘り下げ、主に外部データを利用するパラダイムを比較する。 我々は、2548のカテゴリを持つ22のデータセットからなるベンチマークである textbfGenBench を考案し、様々な視覚的認識タスクにまたがる生成データを評価した。 我々の徹底的なベンチマークと分析は、将来の調査における重要な課題を特定しながら、視覚認識における生成データの約束をスポットライトで示している。
  論文  参考訳（メタデータ） (2023-07-25T17:59:59Z)
• Measuring Teachers' Visual Expertise Using the Gaze Relational Index Based on Real-world Eye-tracking Data and Varying Velocity Thresholds [0.0]
  本稿では,実世界の教室における視覚情報処理(移動視線追跡)による教師の視覚的専門知識の理解を深める。 Gaze Index(GRI)メトリックは、平均固定時間と平均固定数との比率として定義される。
  論文  参考訳（メタデータ） (2023-04-11T11:18:09Z)
• VIS-iTrack: Visual Intention through Gaze Tracking using Low-Cost Webcam [0.0]
  人間の意図は、望ましい情報を得るための内的、精神的特徴である。 本研究では、リアルタイム視線データを低コストのレギュラーウェブカメラで分析することにより、そのような意図を判断する。
  論文  参考訳（メタデータ） (2022-02-05T16:00:03Z)
• Persistent Animal Identification Leveraging Non-Visual Markers [71.14999745312626]
  乱雑なホームケージ環境下で各マウスにユニークな識別子を時間をかけて発見し提供することを目的としている。 これは、(i)各マウスの視覚的特徴の区別の欠如、(ii)一定の閉塞を伴うシーンの密閉性のため、非常に難しい問題である。 本手法は, この動物識別問題に対して77%の精度を達成し, 動物が隠れているときの急激な検出を拒否することができる。
  論文  参考訳（メタデータ） (2021-12-13T17:11:32Z)
• Effective FAQ Retrieval and Question Matching With Unsupervised Knowledge Injection [10.82418428209551]
  質問に対して適切な回答を得るための文脈言語モデルを提案する。 また、ドメイン固有の単語間のトポロジ関連関係を教師なしの方法で活用することについても検討する。 提案手法のバリエーションを,公開可能な中国語FAQデータセット上で評価し,さらに大規模質問マッチングタスクに適用し,コンテキスト化する。
  論文  参考訳（メタデータ） (2020-10-27T05:03:34Z)
• Towards End-to-end Video-based Eye-Tracking [50.0630362419371]
  画像のみから視線を推定することは、観察不可能な人固有の要因のために難しい課題である。 本稿では,これらの意味的関係と時間的関係を明確に学習することを目的とした,新しいデータセットとアタッチメント手法を提案する。 視覚刺激からの情報と視線画像の融合が,文献に記録された人物と同じような性能を達成することにつながることを実証した。
  論文  参考訳（メタデータ） (2020-07-26T12:39:15Z)
• Attention improves concentration when learning node embeddings [1.2233362977312945]
  検索クエリテキストでラベル付けされたノードを考えると、製品を共有する関連クエリへのリンクを予測したい。 様々なディープニューラルネットワークを用いた実験では、注意機構を備えた単純なフィードフォワードネットワークが埋め込み学習に最適であることが示されている。 本稿では,クエリ生成モデルであるAttESTを提案する。このモデルでは,製品とクエリテキストの両方を,潜在空間に埋め込まれたベクトルとして見ることができる。
  論文  参考訳（メタデータ） (2020-06-11T21:21:12Z)
• Visual Question Answering with Prior Class Semantics [50.845003775809836]
  候補解のセマンティクスに関連する追加情報を利用する方法を示す。 セマンティック空間における回帰目標を用いて解答予測プロセスを拡張する。 提案手法は,様々な質問タイプに対して,一貫性と精度の向上をもたらす。
  論文  参考訳（メタデータ） (2020-05-04T02:46:31Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。