сгенерировать QR код
Открытый доступ
Только для подписчиков
Сравнительный анализ айтрекингового исследования психического стресса в онлайн-обучении
https://doi.org/10.34020/2073-6495-2026-2-065-081
Аннотация
В статье рассматривается проблема выявления когнитивной усталости обучающихся в среде онлайн-образования с использованием данных айтрекинга. Предложен подход, сочетающий статистический анализ (корреляционный анализ и однофакторный дисперсионный анализ ANOVA) и методы машинного обучения. На основе открытого набора данных, содержащего 2784 наблюдения с 41 параметром движений глаз (включая диаметр зрачка, длительность фиксаций, время до первой фиксации, пиковую скорость саккад), проведена классификация уровня усталости по трем категориям (низкий, средний, высокий). Сравниваются три классификатора: наивный Байес, метод k -ближайших соседей и случайный лес (Random Forest). Показано, что наилучшую эффективность демонстрирует Random Forest с точностью 87 %, полнотой 86,6 % и F1-мерой 86,9 %. Выявлена сильная отрицательная корреляция между диаметром зрачка и усталостью ( r = –0,74). Отмечены ограничения, связанные с использованием веб-камер вместо лабораторного оборудования (более низкая частота дискретизации и точность). Полученные результаты подтверждают возможность оперативного мониторинга усталости в реальном времени для адаптации учебного контента.
Ключевые слова
когнитивная усталость,
айтрекинг,
онлайн-обучение,
машинное обучение,
случайный лес,
анализ движений глаз
Об авторе
И. Х. Аджаи
Национальный исследовательский университет ИТМО
Россия
Россия
Аджаи Ирети Хоп - аспирант, Факультет программной инженерии и компьютерных систем
Санкт-Петербург
Список литературы
1. Baragash R.S., & Al Samarraie H. Blended learning: Investigating the influence of engagement in multiple learning delivery modes on students’ performance // Telematics and Informatics. 2018. 35 (7). P. 2082–2098.
2. Jarodzka H., Janssen N., Kirschner P.A., & Erkens G. Avoiding split attention in computer-based testing: Is neglecting additional information facilitative? // British journal of educational technology. 2015. 46 (4). P. 803–817.
3. Reed H.C. E-learning fatigue and the cognitive, educational, and emotional impacts on communication sciences and disorders students during COVID-19 // Perspectives of the ASHA Special Interest Groups. 2022. 7 (6). P. 1885–1902.
4. Mayer R.E. Incorporating motivation into multimedia learning // Learning and instruction. 2014. 29. P. 171–173.
5. Rayner K. The 35th Sir Frederick Bartlett Lecture: Eye movements and attention in reading, scene perception, and visual search // Quarterly journal of experimental psychology. 2009. 62 (8). P. 1457–1506.
6. Ajayi I.H., & Avksentyeva E. Machine Learning Methods for Predicting Cognitive Load in eLearning Environments using Eye Tracking Data // Pakistan Journal of Life & Social Sciences. 2024. 22 (2).
7. El Haddioui I. Eye Tracking Applications for E-Learning Purposes: An Overview and Perspectives // Cognitive Computing in Technology-Enhanced Learning. 2019. P. 151–174.
8. Bisogni C., Nappi M., Tortora G., & Del Bimbo A. Gaze Analysis: A survey on its applications // Image and Vision Computing. 2024. 144. P. 104961.
9. Liu P.L., Chen C.J., & Chang Y.J. Effects of a computer-assisted concept mapping learning strategy on EFL college students’ English reading comprehension // Computers & Education. 2010. 54 (2). P. 436–445.
10. Van Gog T., Paas F., Marcus N., Ayres P., & Sweller J. The mirror neuron system and observational learning: Implications for the effectiveness of dynamic visualizations // Educational Psychology Review. 2009. 21. P. 21–30.
11. Benedetto S., Drai-Zerbib V., Pedrotti M., Tissier G., & Baccino T. E-readers and visual fatigue // PloS one. 2013. 8 (12). P. e83676.
12. Bertrand J.K. The Utility of Webcam Eye-Tracking: Lessons Learned and Practical Applications in Decision-Making and Digital Human-Computer Interactions. 2023.
13. Anwyl-Irvine A.L., Massonnié J., Flitton A., Kirkham N., & Evershed J.K. Gorilla in our midst: An online behavioral experiment builder // Behavior research methods. 2020. 52. P. 388–407.
14. Joseph A.W., Jeevitha Shree D.V., Saluja K.P.S., Mukhopadhyay A., Murugesh R., & Biswas P. (2021, January). Eye tracking to understand impact of aging on mobile phone applications. In International Conference on Research into Design (pp. 315–326). Singapore: Springer Singapore.
15. Seeber I., Bittner E., Briggs R.O., De Vreede T., De Vreede G.J., Elkins A., ... & Söllner M. Machines as teammates: A research agenda on AI in team collaboration // Information & management. 2020. 57 (2). P. 103174.
16. Marelli L., Testa G., & Van Hoyweghen I. Big Tech platforms in health research: Re-purposing big data governance in light of the General Data Protection Regulation’s research exemption // Big Data & Society. 2021. 8 (1), 20539517211018783.
17. Wu C., Cha J., Sulek J., Zhou T., Sundaram C.P., Wachs J., & Yu D. Eye-tracking metrics predict perceived workload in robotic surgical skills training // Human factors. 2020. 62 (8). P. 1365–1386.
18. Beatty J. Task-evoked pupillary responses, processing load, and the structure of processing resources // Psychological bulletin. 1982. 91 (2). P. 276.
19. Hess E.H., & Polt J.M. Pupil size in relation to mental activity during simple problem-solving // Science. 1964. 143 (3611). P. 1190–1192.
20. Yang X., & Krajbich I. Webcam-based online eye-tracking for behavioral research // Judgment and Decision making. 2021. 16 (6). P. 1485–1505.
21. Fernández-Delgado M., Cernadas E., Barro S., & Amorim D. Do we need hundreds of classifiers to solve real world classification problems? // The journal of machine learning research. 2014. 15 (1). P. 3133–3181.
22. Sweller J. Cognitive load during problem solving: Effects on learning // Cognitive science. 1988. 12 (2). P. 257–285.
23. Zargari Marandi R., Fjelsted C.A., Hrustanovic I., Dan Olesen R., & Gazerani P. Eye movements in response to pain-related feelings in the presence of low and high cognitive loads // Behavioral Sciences. 2020. 10 (5). P. 92.
24. Adeshina Y.O., Deeds E.J., & Karanicolas J. Machine learning classification can reduce false positives in structure-based virtual screening // Proceedings of the National Academy of Sciences. 2020. 117 (31). P. 18477–18488.
25. Jiao Y., Chen X., Sun Z., Fu L., Jiang C., Wen C., & Zhang X. Data-driven detection and assessment for urban railway transit driver fatigue in real work conditions // Transportation research record. 2023. 2677 (1). P. 1367–1375.
26. Graf S., Viola S.R., Leo T., & Kinshuk In-depth analysis of the Felder-Silverman learning style dimensions // Journal of Research on Technology in Education. 2007. 40 (1). P. 79–93.
27. Holmqvist K., Nyström M., Andersson R., Dewhurst R., Jarodzka H., & Van de Weijer J. Eye tracking: A comprehensive guide to methods and measures. oup Oxford. 2011.
28. Li Z., Wang Y., Zhang N., Zhang Y., Zhao Z., Xu D., ... & Gao Y. Deep learning-based object detection techniques for remote sensing images: A survey // Remote Sensing. 2022. 14 (10). P. 2385.
Рецензия
Для цитирования:
Аджаи И.Х. Сравнительный анализ айтрекингового исследования психического стресса в онлайн-обучении. Вестник НГУЭУ. 2026;(2):65-81. https://doi.org/10.34020/2073-6495-2026-2-065-081
For citation:
Ajayi I.H. Comparative Analysis of Eye Tracking study on Mental Stress in Online Learning. Vestnik NSUEM. 2026;(2):65-81. https://doi.org/10.34020/2073-6495-2026-2-065-081
Послать статью по эл. почте 
