1 眼动指标的基本概念
眼动指标是指借助眼球运动记录所得到的一类量化变量，用于描述个体在视觉信息获取过程中的行为特征。它们通常围绕注视、扫视、回视、瞳孔变化等现象展开，能够反映人在观察刺激、检索信息、完成任务时的注意分配与加工方式。
1.1 定义与测量对象
从定义上看，眼动指标关注的不是单纯的“看见”，而是眼睛在不同区域之间如何移动、停留与重新定位。测量对象既包括眼球运动本身，也包括与之相关的时间、空间和频率特征，例如注视持续多久、扫视跨越多远、某一区域被观看了几次等。
1.2 眼动指标的作用
眼动指标的主要作用在于把原本较为隐性的视觉注意过程转化为可观察、可比较的数据。研究者可以据此分析个体是否优先关注关键区域、信息加工是否深入、任务是否带来较高认知负荷，以及不同条件下的策略差异。由于这类指标具有较强的过程性，它们常用于解释行为结果背后的认知机制。
1.3 常见应用场景
眼动指标的应用范围较广，凡是涉及视觉注意、阅读理解、界面浏览和决策判断的场景，往往都可以借助这类数据进行分析。不同领域通常会根据任务特征选择相应指标，以获得更贴近实际行为的解释。
1.3.1 认知心理与注意研究
在认知心理学中，眼动指标常用于研究注意选择、信息加工顺序与任务执行过程。研究者可通过注视和扫视模式判断个体对刺激的优先处理方式，并分析认知负荷、目标识别和冲突加工等现象。
1.3.2 用户体验与界面评估
在人机交互与用户体验研究中，眼动指标有助于评估界面是否清晰、信息布局是否合理、功能是否容易被发现。若用户在某一区域频繁回看或停留过久，往往提示界面存在理解成本较高的问题。
1.3.3 广告与消费行为分析
在广告和消费行为分析中，眼动指标可用于观察受众对商品、标识、文案和视觉元素的关注程度。研究人员常通过注视时间、兴趣区停留与观看顺序，判断哪些内容更容易吸引注意并影响后续选择。
1.3.4 教育与阅读研究
在教育研究中，眼动指标常被用于考察阅读流畅性、文本理解和学习策略。通过分析阅读时的回视、停顿和扫视路径，可以了解学习者是否遇到困难，以及其对信息结构的把握程度。
2 眼动数据的采集方式
眼动数据的获取方式多样，既可以依赖专门设备，也可以借助通用摄像头或移动终端完成。不同采集方式在精度、便携性和适用场景上差异明显，因此通常需要结合研究目的进行选择。
2.1 眼动仪采集
眼动仪是较为标准的采集工具，通常通过红外光源、摄像头与算法联合识别瞳孔位置和角膜反射，从而估计视线方向。它在实验室环境中具有较高的稳定性和测量精度。
2.1.1 桌面式眼动仪
桌面式眼动仪一般安装在显示器下方或周围，适合坐姿、屏幕观看等实验任务。其优点是操作相对简便、定位稳定，适合阅读、界面浏览和刺激选择等研究。
2.1.2 头戴式眼动仪
头戴式眼动仪安装在眼镜框架或头部支架上，便于记录自然移动中的视线变化。它可用于更贴近真实活动的场景，例如行走、操作实物或复杂交互任务，但对佩戴舒适度和校准要求较高。
2.1.3 远程式眼动追踪
远程式眼动追踪无需受试者佩戴设备，只需面向传感器或摄像装置即可完成采集。该方式适合群体实验或较为轻量化的应用，但对姿态变化和环境条件更为敏感。
2.2 非专用设备采集
随着图像识别技术的发展，一些非专用设备也可用于近似获取眼动信息。这类方法在成本和部署灵活性方面具有优势，适合应用研究或初步筛查。
2.2.1 普通摄像头追踪
普通摄像头追踪依赖视频图像分析眼部特征，推测注视方向和头部姿态。虽然精度通常不及专业眼动仪，但在低成本场景下具有一定实用价值，尤其适合粗粒度行为分析。
2.2.2 移动设备视觉采集
移动设备视觉采集主要利用手机、平板或便携终端的前置摄像头进行眼部跟踪。它便于在自然使用场景中获取数据，但受分辨率、光线和设备角度影响较大。
2.3 采集环境与实验条件
眼动数据的质量与实验环境密切相关。即便设备性能较高，若采集条件不稳定，也可能导致识别偏差或数据缺失。因此，环境控制是眼动研究中的重要环节。
2.3.1 光照条件
光照过强、过弱或变化频繁，都可能影响瞳孔识别和图像清晰度。通常需要保持相对稳定的照明，并避免反光、阴影和逆光对采集结果造成干扰。
2.3.2 头部稳定性
头部位置变化会影响视线估计的准确性，尤其在桌面式或远程式系统中更为明显。研究过程中通常会通过坐姿控制、头部支撑或算法校正来减少误差。
2.3.3 校准与精度控制
校准是确保眼动数据可靠的基础步骤。它通过让受试者注视已知位置，建立视线映射关系，从而提高后续测量的定位精度；在正式采集前后进行检查，也有助于及时发现漂移问题。
3 主要眼动指标类型
眼动指标种类较多，通常按其反映的行为层面进行分类。不同类别对应不同的视觉加工过程，既可单独使用，也常与其他变量组合分析。
3.1 注视类指标
注视类指标用于描述眼睛在某一区域停留并进行信息加工的特征，是眼动研究中最常见的一类变量。
3.1.1 注视次数
注视次数表示在一定时间内或某一任务中，眼睛进入注视状态的总次数。该指标可用于判断某一区域被反复关注的程度。
3.1.2 平均注视时长
平均注视时长是所有注视持续时间的平均值，常被用来衡量信息加工深度。较长的注视往往意味着更复杂的识别、理解或决策过程。
3.1.3 首次注视时间
首次注视时间指刺激呈现后到第一次注视某一目标区域所经历的时间。它常用于分析注意捕获速度和目标发现效率。
3.2 扫视类指标
扫视类指标关注眼球在不同位置之间快速跳转的特征，反映视觉搜索和信息扫描过程。
3.2.1 扫视次数
扫视次数表示在特定任务中眼球快速移动的次数。该指标常与搜索策略、任务难度及视觉探索范围有关。
3.2.2 扫视幅度
扫视幅度是指一次扫视跨越的空间距离。较大的幅度往往提示浏览范围更广，而较小的幅度可能对应局部搜索或精细检查。
3.2.3 扫视路径长度
扫视路径长度指在整个任务过程中眼动轨迹的总移动距离。它能从整体上反映视觉探索的广度与复杂性。
3.3 回视与搜索类指标
回视与搜索类指标主要用于描述在信息加工过程中是否返回先前区域，以及搜索是否高效。
3.3.1 回视次数
回视次数是指眼睛重新返回到先前看过区域的次数。该指标常与理解困难、信息整合或核对行为相关。
3.3.2 回视比例
回视比例表示回视在总注视或总眼动事件中的占比。它可帮助比较不同任务条件下的重复检查程度。
3.3.3 搜索效率
搜索效率通常综合考虑找到目标所需时间、路径和注视分布，用于评价视觉搜索过程的节省程度。效率较高时，个体往往能更快锁定目标并减少无效浏览。
3.4 瞳孔相关指标
瞳孔变化常被视为与认知唤醒、注意负荷和情绪反应有关的辅助指标，但其解释需要结合具体实验条件。
3.4.1 瞳孔直径
瞳孔直径是某一时刻瞳孔开口的大小，通常可反映整体的生理状态变化。研究中常将其作为动态指标进行比较。
3.4.2 瞳孔变化率
瞳孔变化率表示瞳孔在单位时间内的扩张或收缩速度。它可用于观察任务负荷变化或刺激引起的即时反应。
3.4.3 瞳孔反应时
瞳孔反应时指从刺激出现到瞳孔开始明显变化之间的时间。该指标有助于考察信息加工启动的时序特征。
3.5 凝视分布与空间类指标
这类指标强调注视在空间上的聚集与分布情况，适合用于展示注意集中区域和视线轨迹模式。
3.5.1 热图分布
热图分布通过颜色强度显示注视热点，直观呈现数据聚集区域。它常用于展示整体关注范围和重点区域。
3.5.2 注视点密度
注视点密度表示单位面积内注视点的集中程度。该指标可帮助分析视觉注意是否集中于少数位置，或在多个区域之间分散。
3.5.3 兴趣区停留时间
兴趣区停留时间是指受试者在预设区域内累计停留的总时长。它常用于比较不同信息模块的重要性与吸引力。
4 指标的计算与解释
眼动指标并非直接从原始记录中自动获得，而是经过识别、划分和统计后形成。其计算方法决定了最终结果的可比性，而解释方式则决定了研究结论的有效性。
4.1 原始数据到指标的转换
原始眼动数据通常包含时间戳、注视位置、瞳孔信息与设备状态等内容。研究者需要根据任务目标，将连续数据转换为可分析的事件或区间。
4.1.1 事件识别
事件识别是把连续轨迹区分为注视、扫视、回视等不同行为单元的过程。识别是否准确，会直接影响后续指标的可靠程度。
4.1.2 阈值设定
阈值设定用于确定何种速度、持续时间或位移可被视为某类事件。不同阈值会改变事件划分结果，因此通常需要结合设备性能和研究设计谨慎选择。
4.1.3 时间窗口划分
时间窗口划分是按照任务阶段或固定时段提取指标的方法。通过分段分析，可以比较不同阶段的注意变化和策略转移。
4.2 不同指标的含义
同一指标在不同任务语境下可能对应不同心理过程，因此解释时不能脱离研究背景。
4.2.1 注意分配
一些注视相关指标主要反映注意在多个区域之间如何分布。若某一区域获得较长停留，通常说明它在当前任务中具有较高优先级。
4.2.2 信息加工深度
较长的注视时间、较多的回视或更密集的局部扫描，常被视为信息加工较深入的迹象。不过，这种判断需要结合任务难度与材料复杂度。
4.2.3 认知负荷
在任务较复杂或需要多步推理时，扫视路径、回视比例和瞳孔变化可能出现明显波动。研究者常借此推测认知负荷水平，但需避免将单一指标绝对化。
4.2.4 视觉搜索策略
扫视次数、路径长度和目标命中速度等指标，可以揭示个体采用的搜索方式，是快速浏览、系统扫描还是局部反复检查。不同策略往往对应不同效率和错误模式。
4.3 指标间关系
眼动指标之间通常不是孤立存在的，而是相互关联、彼此补充的。理解这些关系，有助于避免单指标解释带来的偏差。
4.3.1 相关性与互补性
某些指标会随任务变化呈现较强相关，例如注视次数与停留时间可能同时上升。与此同时，不同指标也各有侧重，能够从时间、空间和频率等角度共同描绘行为。
4.3.2 冗余与区分度
在实际分析中，有些指标可能提供相似信息，构成一定冗余；另一些则更适合区分不同认知状态。研究者通常需要筛选出既稳定又具有解释力的变量。
4.3.3 多指标联合解释
多指标联合解释能够减少单一变量带来的误读。例如，将注视时长、回视次数和瞳孔变化结合起来，可以更全面地判断任务是否复杂、注意是否集中以及是否存在搜索困难。
5 数据预处理与质量控制
眼动数据在采集后通常需要经过预处理，才能用于正式分析。由于原始记录可能包含缺失、噪声和错误识别，质量控制在眼动研究中具有基础性作用。
5.1 数据清洗
数据清洗旨在剔除无效记录、修正明显偏差，并提高统计分析的准确性。
5.1.1 缺失值处理
缺失值常由短暂追踪失败、眨眼或设备遮挡导致。处理方式包括删除、插补或按规则忽略部分区间，具体方法需与研究设计相匹配。
5.1.2 异常值识别
异常值通常表现为过长或过短的注视时长、极端的瞳孔大小变化或不合理的轨迹跳跃。识别这些数据有助于避免其对整体结果产生过度影响。
5.1.3 噪声过滤
噪声过滤是通过算法平滑轨迹、去除抖动或校正微小误差，使数据更符合真实行为特征。过滤强度过高也可能损失有效信息，因此需要适度控制。
5.2 伪迹与误差来源
伪迹是指并非真实眼动行为所造成的表面变化，常见于环境、设备或被试状态不稳定时。
5.2.1 眨眼干扰
眨眼会短暂中断数据记录，并可能造成注视断裂或位置漂移。若不加处理，容易把自然生理现象误判为行为变化。
5.2.2 头动误差
头部移动会使视线定位偏离预期位置，尤其在精度要求较高的实验中更为明显。适当的姿势控制和后期校正可减轻这一问题。
5.2.3 追踪丢失
追踪丢失指设备暂时无法识别眼部位置，常见于遮挡、光线不足或反光过强的情况下。此类数据通常需要标记并单独处理。
5.3 数据可靠性评估
可靠性评估用于判断眼动数据是否足以支撑后续解释和比较，是质量控制的重要组成部分。
5.3.1 采样率影响
采样率越高，通常越能细致记录快速眼动变化，但也会提高设备与处理要求。若采样率不足，部分短暂事件可能被遗漏。
5.3.2 重测一致性
重测一致性用于考察同一对象在不同时间或条件下结果是否稳定。若一致性较好，说明指标具有较强可重复性。
5.3.3 追踪有效率
追踪有效率是指成功记录的数据占总应记录数据的比例。有效率越高，结果通常越可信，也越适合进行组间比较。
6 眼动指标的分析方法
眼动指标的分析既可停留在基本统计层面，也可进一步进入序列、路径和动态过程分析。方法选择应与研究问题、样本规模和数据结构相一致。
6.1 描述性统计
描述性统计用于概括眼动数据的总体特征，是正式推断前的重要步骤。
6.1.1 均值与中位数
均值适合反映整体水平，中位数则更能抵御极端值影响。在分布偏斜的数据中，中位数往往更具代表性。
6.1.2 分布特征
分布特征包括偏态、峰度和离散情况，能够揭示数据是否集中、是否存在长尾或多峰现象。了解分布形态有助于选择合适的后续分析方法。
6.1.3 标准差与变异系数
标准差反映数据波动幅度，变异系数则便于比较不同量纲或均值水平下的离散程度。二者常用于描述个体间差异。
6.2 推断性分析
推断性分析用于检验条件差异、变量关系或预测效应，是眼动研究中常用的统计手段。
6.2.1 t检验与方差分析
t检验适合比较两组条件的指标差异，方差分析则可处理多个组别或多因素设计。它们常用于检验不同任务、材料或界面条件的效果。
6.2.2 相关分析
相关分析用于考察两个或多个变量之间的线性关系。例如，眼动指标可与反应时、正确率或主观评分结合，分析其关联程度。
6.2.3 回归分析
回归分析可用于预测某些行为结果，并评估不同眼动变量的相对贡献。通过纳入多个自变量，研究者能够识别哪些指标更具解释力。
6.3 轨迹与序列分析
轨迹与序列分析更关注眼动行为随时间展开的动态过程，而不仅是静态汇总值。
6.3.1 时间序列分析
时间序列分析可观察指标在任务不同阶段的变化趋势，例如注视时长是否随任务推进而增加。它适合研究过程性的认知转变。
6.3.2 路径分析
路径分析关注眼动轨迹的组织方式，可用于比较不同任务中的浏览模式。通过观察路径形态，能够推断搜索是否具有系统性。
6.3.3 转移矩阵分析
转移矩阵分析记录注视在不同区域之间的转移概率，有助于揭示信息浏览顺序和区域切换规律。该方法在界面分析和阅读研究中较常见。
6.4 可视化方法
可视化能够把抽象数据转换为直观图形，帮助研究者更快识别模式和异常。
6.4.1 热图
热图通过颜色深浅显示注视集中程度，便于快速发现重点区域与关注热点。它是最常见的呈现形式之一。
6.4.2 扫视图
扫视图将注视点与扫视连接起来，显示眼动的移动顺序和方向。它有助于观察浏览路径是否连贯。
6.4.3 注视轨迹图
注视轨迹图以时间顺序展示眼动点位的连续变化，能够呈现更细致的动态过程。该图形适合分析搜索策略和阅读节奏。
7 不同任务中的指标选择
不同任务对视觉注意的要求不同，因此眼动指标的选择也应有所区别。若指标与任务不匹配，往往难以得到有效解释。
7.1 阅读任务
阅读任务更关注信息整合、理解过程和文本处理效率，因此常选取与停留和回视相关的指标。
7.1.1 首次注视时长
首次注视时长可用于观察读者对词语或句子的初始加工难度。较长时长通常意味着识别或理解需要更多处理时间。
7.1.2 总注视时长
总注视时长反映阅读某一区域所花费的总体时间，常与文本难度和理解负荷相关。它是阅读研究中的核心指标之一。
7.1.3 回视次数
回视次数常用于判断读者是否需要返回前文进行核对。较高的回视往往提示理解整合存在一定挑战。
7.2 视觉搜索任务
视觉搜索任务要求在多个刺激中快速找到目标，因此更强调搜索速度、扫描效率和目标发现能力。
7.2.1 扫视次数
扫视次数可以反映搜索过程中进行了多少次位置切换。次数过多有时意味着搜索范围较大，也可能说明定位效率较低。
7.2.2 搜索时长
搜索时长是完成目标查找所用的总时间，是衡量任务效率的直接指标。它常与扫视路径和命中情况结合解读。
7.2.3 命中率
命中率表示正确找到目标的比例，能够从结果层面评价搜索表现。它与速度指标结合后，更能体现整体任务质量。
7.3 决策任务
决策任务中，眼动指标常用于分析个体在做出选择前如何比较信息，并判断其决策依据。
7.3.1 关键区域注视时长
关键区域注视时长可反映决策者对重要信息的关注程度。若某些选项获得更长注视，通常说明它们在比较过程中占有更高权重。
7.3.2 选择前注视序列
选择前注视序列揭示个体在最终决策前的观看顺序。该序列有助于判断信息整合是逐步进行还是集中爆发式完成。
7.3.3 决策一致性
决策一致性可结合眼动模式与最终选择结果进行分析，观察视觉关注是否稳定支持所作判断。它对于理解偏好形成具有参考意义。
7.4 交互任务
交互任务中，眼动指标常与操作路径、界面可发现性及完成效率相关联，用于评估系统设计是否符合用户习惯。
7.4.1 菜单注视路径
菜单注视路径可以反映用户寻找功能入口时的浏览顺序。路径越清晰，通常说明界面组织越易理解。
7.4.2 错误注视模式
错误注视模式指用户反复看向无关区域、遗漏目标区域或在错误功能附近徘徊的情况。此类模式常提示界面提示不足或布局不直观。
7.4.3 操作完成时间
操作完成时间是用户从开始任务到完成操作所经历的总时长。它常与眼动轨迹一起，用于评估交互流畅度。
8 眼动指标的局限性
尽管眼动指标在多种研究中具有较高价值，但其解释并非没有边界。若脱离情境、设备条件或个体差异，容易出现过度推断。
8.1 解释偏差
眼动行为与心理过程之间并不是一一对应的关系，因此需要避免简单化解释。
8.1.1 注意不等于理解
看向某处并不意味着真正理解了该处信息。个体可能只是快速扫过，也可能因为任务要求而被动停留。
8.1.2 注视不等于偏好
长时间注视某一对象，并不必然代表喜欢或认可，也可能是出于困惑、比较或核对需要。解释时应结合行为背景与其他数据。
8.1.3 瞳孔变化的多因素影响
瞳孔变化可能受光照、情绪、疲劳和认知负荷等多种因素影响。单独依据瞳孔指标判断心理状态，往往不够稳妥。
8.2 测量限制
眼动测量本身受技术条件制约，不同设备和场景下的结果可比性有限。
8.2.1 设备精度限制
设备精度不足会影响注视定位和事件识别，尤其在需要精细区分相邻区域时更为明显。精度较低的情况下，结果应保持谨慎解释。
8.2.2 场景复杂性影响
真实场景中，背景干扰、移动对象和多任务并行都会增加测量难度。与实验室环境相比，复杂场景更容易出现数据波动。
8.2.3 个体差异
不同个体在阅读速度、视觉习惯、疲劳水平和操作风格上存在差异，这些因素都会影响眼动指标表现。因此，跨人群比较时需注意控制变量。
8.3 伦理与隐私
眼动数据属于较为敏感的行为信息，因其能够反映个体注意偏向与视觉偏好，研究和应用中都应重视伦理规范。
8.3.1 视觉数据隐私保护
视觉数据可能包含面部特征、环境信息和个人行为线索，需要采取适当的匿名化与访问控制措施，以防止不当使用。
8.3.2 受试者知情同意
在采集眼动数据前，应向受试者说明数据用途、保存方式和可能风险，并取得明确同意。这是研究合规的基本要求。
8.3.3 数据安全管理
眼动数据在存储、传输和分析过程中都应做好安全管理，避免泄露或被非授权访问。规范的数据管理不仅保护个人权益，也有助于提升研究可信度。