論文の概要: Predicting Human Visual Attention on Words in Source Code

• arxiv url: http://arxiv.org/abs/2607.14535v1
• Date: Thu, 16 Jul 2026 03:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.975685
• Title: Predicting Human Visual Attention on Words in Source Code
• Title（参考訳）: ソースコード中の単語に対する人間の視覚的注意の予測
• Authors: Chia-Yi Su, Collin McMillan,
• Abstract要約: 視線追跡実験で測定された人間の注意と、人工ニューラルネットワークの内部の注意との類似性を計算した新しい損失関数を設計する。 本モデルでは,正規化Levenshtein距離に応じて,読み上げ作業における近接ベースラインに対する統計的に有意な改善が達成される。
• 参考スコア（独自算出の注目度）: 0.7448254811651417
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a computational model to predict human visual attention over words in software source code. The visual attention of software engineers when reading source code has long been studied as a means to understand human cognitive processes during software engineering tasks. Predicting this visual attention is important for perfecting user interface design and understanding what information human programmers need. We propose a model of programmer visual attention in which we design a novel loss function that computes similarity between human attention measured during eye tracking experiments and the internal attention of the artificial neural network. We evaluate our model by comparing its outputs to actual eye tracking data from three separate datasets. Two are in the Java programming language and one is in the C programming language. Our model outperforms the baseline in software engineering by 64%, 16%, and 467% in each of these studies according to Pearson correlation. We used scanpath prediction as an example to demonstrate that our model is more capable of the task that requires the understanding of human thought process. Our model achieves a statistically significant improvement over the close baseline in the reading task according to normalized Levenshtein distance and outperforms both Claude and GPT-5 on both reading and writing tasks.
• Abstract（参考訳）: 本稿では,ソフトウェアソースコード中の単語に対する人間の視覚的注意を予測するための計算モデルを提案する。 ソースコードを読むときのソフトウェアエンジニアの視覚的注意は、ソフトウェアエンジニアリングタスク中の人間の認知プロセスを理解する手段として長い間研究されてきた。 この視覚的注意を予測することは、ユーザーインターフェイスの設計を完璧にし、人間のプログラマに必要な情報を理解するために重要である。 本稿では,目追跡実験において計測された人間の注意と人工ニューラルネットワークの内部注意との類似性を計算した,新たな損失関数を設計したプログラマの視覚的注意のモデルを提案する。 3つの異なるデータセットから得られた実際の視線追跡データと比較することにより,本モデルの評価を行った。 2つはJavaプログラミング言語で、1つはC言語です。 私たちのモデルは、Pearsonの相関による各研究において、ソフトウェアエンジニアリングのベースラインを64%、16%、467%上回っています。 我々は,人間の思考過程の理解を必要とする課題に対して,我々のモデルがより有能であることを示す例として,スキャンパス予測を用いた。 本モデルでは,レベンシュテイン距離の正規化により,読解タスクの近接ベースラインに対して統計的に有意な改善が達成され,読解タスクと書字タスクの両方においてClaudeとGPT-5の両性能が向上する。

関連論文リスト

• EyeMulator: Improving Code Language Models by Mimicking Human Visual Attention [27.11897727181663]
  我々は、様々なソフトウェア開発タスクのトレーニング中に、人間の視覚的注意を模倣するCodeLLMsを訓練するテクニックであるEyeMulatorを提案する。 ソフトウェアエンジニアリングタスクにおける視線追跡実験のデータセットから得られた人間の視覚的注意の観察から,これらの重みを抽出する。 評価の結果,EyeMulatorは,コード翻訳や補完,要約などのタスクにおいて,強力なLCMベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2025-08-22T20:08:09Z)
• Human Scanpath Prediction in Target-Present Visual Search with Semantic-Foveal Bayesian Attention [49.99728312519117]
  SemBA-FASTは、ターゲットの視覚検索における人間の視覚的注意を予測するためのトップダウンフレームワークである。 我々は、COCO-Search18ベンチマークデータセット上でSemBA-FASTを評価し、その性能を他のスキャンパス予測モデルと比較した。 これらの知見は、人間のような注意モデリングのためのセマンティック・フレーバー・確率的フレームワークの能力に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-07-24T15:19:23Z)
• Why Vision Language Models Struggle with Visual Arithmetic? Towards Enhanced Chart and Geometry Understanding [94.64781599202882]
  視覚言語モデル(VLM)はマルチモーダルタスクにおいて顕著な進歩を遂げた。 彼らはしばしば、オブジェクトのカウントや長さ比較のような一見単純な機能である視覚的算術に苦しむ。 我々は、ピアジェの認知発達理論に触発された新しいポストトレーニング戦略であるCogAlignを提案する。
  論文  参考訳（メタデータ） (2025-02-17T06:54:49Z)
• DiSciPLE: Learning Interpretable Programs for Scientific Visual Discovery [61.02102713094486]
  優れた意思決定を可能にするため、科学的推論において優れた解釈が重要である。 本稿では,ニューラルネットワークをインターリーブする学習プログラムを用いて,そのような解釈可能な設計モデルを得るための自動手法を提案する。 本稿では,大言語モデル (LLM) の常識と事前知識を活用する進化的アルゴリズムであるDiSciPLEを提案し,視覚データを説明するPythonプログラムを作成する。
  論文  参考訳（メタデータ） (2025-02-14T10:26:14Z)
• Exploiting Contextual Uncertainty of Visual Data for Efficient Training of Deep Models [0.65268245109828]
  アクティブラーニングCDALにおける文脈多様性の概念を導入する。 モデルバイアスを低減するために、文脈的に公正なデータをキュレートするデータ修復アルゴリズムを提案する。 我々は、野生生物カメラトラップ画像の画像検索システムと、質の悪い農村道路に対する信頼性の高い警告システムの開発に取り組んでいる。
  論文  参考訳（メタデータ） (2024-11-04T09:43:33Z)
• Visual Grounding Helps Learn Word Meanings in Low-Data Regimes [47.7950860342515]
  現代のニューラル言語モデル(LM)は、人間の文の生成と理解をモデル化するための強力なツールである。 しかし、これらの結果を得るためには、LMは明らかに非人間的な方法で訓練されなければならない。 より自然主義的に訓練されたモデルは、より人間らしい言語学習を示すのか? 本稿では,言語習得における重要なサブタスクである単語学習の文脈において,この問題を考察する。
  論文  参考訳（メタデータ） (2023-10-20T03:33:36Z)
• Modeling Programmer Attention as Scanpath Prediction [14.81050529571135]
  本稿では,眼球運動のスキャンパスを予測することで,プログラマの注意をモデル化するための新たな取り組みを開始する。 プログラマーの注意のモデルは、研究者がより良いインターフェイス、補助技術、そしてより人間らしいAIを構築するのを助けるために重要である。 本研究では,27人のプログラマとプロトタイプのスキャンパス予測器による視線追跡実験を行い,事前結果を提示し,早期のコミュニティフィードバックを得る。
  論文  参考訳（メタデータ） (2023-08-26T17:35:19Z)

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。