利用眼球驱动推荐线索增强沉浸式理解

DOI

理解是一项复杂性任务，对个体造成沉重的认知需求。随着近期数据可用性的激增，让大量信息变得有意义已成为许多专业人员（如情报分析师）面临的重大挑战。混合现实等沉浸式技术通过提供几乎无限的组织数据空间提供了一种潜在解决方案。然而，处理、过滤相关信息和综合洞察的困难仍然存在。我们提议使用混合现实头戴式显示器的眼球追踪数据来获取分析师对文档和单词的感知兴趣，并向分析师传达那部分心智模型。文档的全局兴趣反映在其颜色和列表顺序上，而文档的局部兴趣用于生成针对文档的重点推荐。为了评估这些推荐线索，我们进行了一项用户研究，包含两种条件：基于眼球追踪的系统EyeST和没有基于眼球追踪视觉线索的"自由式"系统。我们的发现表明，EyeST 通过阅读更多必要信息同时避免干扰，帮助分析师保持正轨。然而，这是以降低专注注意力和感知系统性能为代价的。我们研究结果突出了人机协作理解中可解释人工智能的必要性，以建立用户信任并鼓励将人工智能输出整合到沉浸式理解过程中。基于我们的发现，我们提供了一套在沉浸式环境中设计眼球驱动推荐线索的指南。