Beyond Instructed Tasks: Recognizing In-the-Wild Reading Behaviors in the Classroom Using Eye Tracking

要約

スキミング、ディープリーディング、スキャンなどの読者の行動を理解することは、教育指導を改善するために不可欠です。
以前の視線追跡研究では、読書行動を認識するためにモデルを訓練していますが、多くの場合、指示された読書タスクに依存しています。
さらに、文献には行動の原型を読むための明確な定義が不足しています。
私たちは、指示された内部の読み取りデータを収集することにより、これらの問題に対処するために教室の調査を実施しました。
速度、密度、および連続性に基づいて読書行動を区別するために、人間主導の理論モデル、統計分析、AI分類器を含む混合メソッドフレームワークを開発しました。
軽量の2D CNNは、行動認識のために0.8のF1スコアを達成し、野生の読書を理解するための堅牢なアプローチを提供しました。
この作業は、教育者に詳細な行動洞察を提供する能力を向上させ、よりターゲットを絞った効果的な評価と指導をサポートします。

要約(オリジナル)

Understanding reader behaviors such as skimming, deep reading, and scanning is essential for improving educational instruction. While prior eye-tracking studies have trained models to recognize reading behaviors, they often rely on instructed reading tasks, which can alter natural behaviors and limit the applicability of these findings to in-the-wild settings. Additionally, there is a lack of clear definitions for reading behavior archetypes in the literature. We conducted a classroom study to address these issues by collecting instructed and in-the-wild reading data. We developed a mixed-method framework, including a human-driven theoretical model, statistical analyses, and an AI classifier, to differentiate reading behaviors based on their velocity, density, and sequentiality. Our lightweight 2D CNN achieved an F1 score of 0.8 for behavior recognition, providing a robust approach for understanding in-the-wild reading. This work advances our ability to provide detailed behavioral insights to educators, supporting more targeted and effective assessment and instruction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google