智能手机与桌面电脑深度阅读与浅阅读的特点比较研究

文献标题

Characteristics of Deep and Skim Reading on Smartphones vs. Desktop: A Comparative Study

文献信息

• 主题领域: 人机交互（HCI）、阅读行为分析
• 关键词: 深度阅读, 略读, 数字设备, 眼动追踪, 注视特征, 阅读模式分类

研究背景与问题

• 发现的问题或挑战:

  • 随着数字设备（尤其是移动设备）的普及，人们的阅读习惯正在从深度阅读转向略读。
  • 如何更精准地衡量和区分深度阅读与略读模式？目前缺乏一种能够在桌面和移动设备上大规模隐式测量阅读模式的方法。

• 问题的重要性:

  • 深度阅读能够促进文本理解、记忆力与批判性思维，是培养复杂认知能力不可或缺的过程。但略读可能会削弱这一能力。
  • 随着年轻一代更多依赖移动设备阅读，深度阅读技能可能逐渐被忽视，这将对教育、信息理解、决策能力等产生深远影响。

• 研究动机与相关工作:

  • 当前的阅读质量测评主要通过课后理解测试实现，但这种方法不易扩展到实际的阅读场景。
  • 眼动数据被认为与认知过程密切相关，但如何将其用于分类深度阅读和略读仍未充分研究，尤其在移动设备上。
  • 本研究受到两项前人研究的启发（Biedert等，Kelton等），但与其不同，该研究聚焦于更长文本，并首次纳入移动设备的使用场景。

解决方案

• 提出的解决方案:

  • 开发了一种隐式方法，利用眼动追踪数据检测深度阅读和略读。
  • 在桌面和手机设备上系统诱发深度阅读和略读行为，并结合机器学习模型对这两种阅读模式进行区分。

• 创新之处:

  • 首次比较了深度阅读与略读在桌面与移动平台上的眼动特征。
  • 探讨了两种平台在检测阅读模式时的模型适应性与特征重要性。
  • 方法可扩展且隐式衡量，不会给用户或作者增加额外负担。
  • 研究文本选择更贴近实际阅读环境，涵盖长文本 (>1500字)。

• 实施步骤:

  1. 实验设计：
     • 诱发阅读模式：为参与者分配深度阅读（回答深入问题）和略读（快速定位答案）任务。
     • 录制眼动数据及交互行为，计算注视持续时间、扫视长度等特征。
     • 在安静环境下分别使用桌面和手机完成任务。
  2. 数据预处理：
     • 应对滚动行为：通过重新对齐注视数据，使阅读体验纵向展开。
     • 在不同时间窗口（1-120秒内滑动窗口）中提取低层和中层注视特征。
  3. 机器学习训练与评估：
     • 使用SVM、随机森林、XGBoost等分类器训练。
     • 基于留一法交叉验证（leave-one-out）对分类模型进行性能优化。
  4. 跨平台分析:
     • 分析桌面与移动设备的差异及模型可迁移性。

研究成果

• 具体成果:

  • 成功诱发了深度阅读与略读行为：
    • 深度阅读中，参与者阅读速度较慢，专注于文本理解，正确回答率更高。
    • 略读中，参与者以更快的速度阅读，但主要记住了显性信息。
  • 开发了能够区分深度与略读的机器学习模型：
    • 桌面设备上，XGBoost分类器的AUC达到 0.82，准确率为88.36%。
    • 移动设备上，逻辑回归与XGBoost也取得了类似的良好表现（AUC 最高达到 0.73）。
  • 深度阅读特征包括更多的短扫视、较长注视时间和回看行为；略读特征则依赖于长扫视和更密集的瞄准特定区域行为。

• 与现有解决方案的比较:

  • 首次对移动设备进行了阅读模式研究，弥补了现有研究仅关注桌面的局限性。
  • 实验方法更贴近真实阅读环境（长文本、多页面导航），分类器性能略高于现有方法。

• 实验或评估结果:

  • 深度阅读活动与眼动特征显著关联；模型特征的重要性随时间窗口变化，窗口需设置为60-120秒以捕捉有效特征。
  • 与桌面相比，手机上特征提取难度更大，需专为移动平台优化的功能集。

• 局限性与未来方向:

  • 局限性:
    • 实验为实验室环境，忽略了自然场景中分心、环境因素影响。
    • 样本量较小（29人），限制了模型泛化能力。
    • 跨设备模型迁移失败，因屏幕尺寸差异导致特征缺乏通用性。
  • 未来方向:
    • 改进中高层特征构造，降低设备依赖性。
    • 在自然场景中验证模型，并探索RGB摄像头作为成本更低的追踪传感器。
    • 扩展到研究界面设计如何影响深度阅读，提出促进深度文本参与的设计原则。