A Deep Learning Framework for Visual Attention Prediction and Analysis of News Interfaces

要約

ニュースアウトレットのニュースインターフェイスでの注意の競争により、人口統計学的に認識された顕著性予測モデルの必要性が強調されています。
ユーザーインターフェイス（UI）に適用された顕著性検出の最近の進歩にもかかわらず、既存のデータセットのサイズと人口統計の表現は限られています。
Deepgaze IIEを使用してSARA（顕著なランキング）モデルを強化する深い学習フレームワークを紹介し、顕著なオブジェクトランキング（SOR）パフォーマンスを10.7％改善します。
当社のフレームワークは、顕著性マップ生成、グリッドセグメントスコアリング、マップ正規化の3つの重要なコンポーネントを最適化します。
視線追跡（30人の参加者）とマウストラッキング（13〜70歳の375人の参加者）を使用した2倍の実験により、人口統計グループ全体で注意パターンを分析します。
統計分析では、有意な年齢ベースの変動（p <0.05、{\ epsilon^2} = 0.042）が明らかになり、年長のユーザー（36--70）がテキストコンテンツと若いユーザー（13--35）が画像とより多く対話することに従事しています。 マウス追跡データは、視線追跡挙動（SAUC = 0.86）に密接に近似し、すぐに目立つUI要素を識別し、大規模な研究での使用を検証します。 顕著な研究は、より大きな、人口統計的に代表的なサンプルからの収集データを優先し、正確な人口統計学的分布を報告する必要があると結論付けています。

要約(オリジナル)

News outlets’ competition for attention in news interfaces has highlighted the need for demographically-aware saliency prediction models. Despite recent advancements in saliency detection applied to user interfaces (UI), existing datasets are limited in size and demographic representation. We present a deep learning framework that enhances the SaRa (Saliency Ranking) model with DeepGaze IIE, improving Salient Object Ranking (SOR) performance by 10.7%. Our framework optimizes three key components: saliency map generation, grid segment scoring, and map normalization. Through a two-fold experiment using eye-tracking (30 participants) and mouse-tracking (375 participants aged 13–70), we analyze attention patterns across demographic groups. Statistical analysis reveals significant age-based variations (p < 0.05, {\epsilon^2} = 0.042), with older users (36--70) engaging more with textual content and younger users (13--35) interacting more with images. Mouse-tracking data closely approximates eye-tracking behavior (sAUC = 0.86) and identifies UI elements that immediately stand out, validating its use in large-scale studies. We conclude that saliency studies should prioritize gathering data from a larger, demographically representative sample and report exact demographic distributions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google