眼动追踪技术的推荐标签及位置对受众注视的技术
来源：UC论文网2015-11-08 16:18
摘要：
0 引 言 据中国艾瑞咨询数据显示，2014Q3中国网购市场交易规模为6 914.1亿元，同比增长49.8%；从网购市场结构来看，B2C占比达到44.2%，同比增长5.4%；从网购市场份额来看，京东商城发展迅
0 引 言
据中国艾瑞咨询数据显示，2014Q3中国网购市场交易规模为6 914.1亿元，同比增长49.8%；从网购市场结构来看，B2C占比达到44.2%，同比增长5.4%；从网购市场份额来看，京东商城发展迅速，在自营B2C市场中占比过半[1]。对于网民而言，除了关心电子商务网站支付便捷性和安全性、物流服务和售后服务外，网站自身的使用体验将成为他们网购满意度提升的重要因素。据调查，目前国内的B2C电子商务网站的可用性设计方面仍存在不足，网站的可用性测试主要是通过用户参与测试、启发式评估、专家评估等方法，这些方法属于定性分析方法，有很大局限性，仅能从行为和表达层面分析、评估受众认知过程，数据分析无法深入和客观。
眼动追踪是指度量凝视点或者测量眼球运动的过程，它通过眼动追踪监视器记录每只眼睛的运动和在可视点上最活跃的区域[2]。通过观察和分析视线轨迹图及注视焦点图，直观了解被试的视觉信息提取过程。通过量化的眼动数据分析，能更精确地发现界面设计问题。目前，眼动追踪技术已逐渐应用到人机交互界面、网页评价、网页设计等研究领域[3]。
本研究通过眼动追踪技术测量记录大学生浏览三种商品列表页模式的眼动数据，尝试探究受众对商品推荐标签及其位置的心理认知加工差异，对目前的网页设计问题进行探讨，并提出有效、可行的优化设计建议。
1 方法
1.1 被试
河海大学在校本科、硕士学生48名，男女比例1[∶]1，视力均良好，其中20人网购频繁（每月4次以上），25人会网购但不频繁（每月1～2次），3名从不网购。
1.2 实验设备
采用德国SMI iView XTM RED眼动跟踪设备，采样率为60 Hz，追踪范围为40 cm×40 cm，并配置17英寸、分辨率1 280×1 024的LCD显示器。
1.3 实验材料
选用京东商城的关键字搜索“美的 立柜 空调”、“东芝移动硬盘1 TB”、“佳能 单反”和“爱华仕 拉杆包”的4个商品列表页截屏，结合实验需要进行适当的技术处理。
1.4 实验设计
实验采用被试内设计，实验对象分成6组，图片数为3（标签类型：无标签、图片标签“热卖”、文字标签“热卖”）×4（商品数）×4（推荐位置）=48张。实验分三次进行，连续两次实验间隔一星期，每次给被试呈现一种类型商品列表页，随机浏览16张商品图片。被试按照平时网购习惯自由浏览给定的商品列表页图片。 2 眼动数据分析
实验结束后，眼动追踪设备会自动记录被试自由浏览京东商品列表页的眼动指标数据，并形成直观的视线扫描轨迹图（如图1）和焦点图（如图2）。扫描轨迹是指用户视线从一个注视点跳到另一个注视点的轨迹；焦点图是以区域的亮暗来表示用户在页面中的注视点数量的差异。区域亮度越亮表示注视点数越多，越暗表示注视点数越少。
根据实验目的，划分兴趣区：普通商品兴趣区（AOI1）、推荐商品兴趣区（AOI2）和筛选条件兴趣区（AOI3），具体区域划分如图3所示。以A1位置为例，当推荐商品在A1位置，A1即为AOI1，A2、A3和A4合为AOI2，筛选条件兴趣区为AOI3。当推荐商品在A2、A3、A4位置时，兴趣区分布同理可得。
结合实验目的及眼动指标，实验最终决定采用注视次数和凝视时间两指标对被试注意不同兴趣区的情况进行解释分析。对推荐商品分别放在位置A1、A2、A3、A4时各模块的注视次数和凝视时间均值进行了记录和统计，如表1所示。
当推荐商品放在A1，A2，A3，A4位置时，对无推荐、图片推荐和文字推荐3种情况下的兴趣域注视次数和凝视时间进行方差齐性检验，检验结果见表2。其中注视次数方差齐性检验结果分别为sig.=0.190>0.05，sig.=0.852>0.05，sig.=0.469>0.05，sig.=0.214>0.05，方差不齐性，因此选用Games?Howell检验，凝视时间方差齐性检验结果分别为sig.=0.003<0.05（方差齐性，Levene齐性检验）、sig.=0.067>0.05（方差不齐性，Games?Howell检验）、sig.=0.027<0.05（方差齐性，Levene齐性检验）、sig.=0.103>0.05（方差不齐性，Games?Howell检验）。3种类型商品列表页的注视次数和凝视时间的均值比较结果显示，推荐商品不加标签时的注视次数和凝视时间较加图片推荐标签或文字推荐标签时都呈现显著差异（sig=0.000<0.05），而推荐商品加图片标签或文字标签“热卖”时没有显著差异，其中A1，A2，A3，A4位置注视次数显著性分别为sig=0.695>0.05，sig=0.971>0.05，sig=0.931>0.05，sig=0.815>0.05；A1，A2，A3，A4位置凝视时间显著性分别为sig=0.873>0.05，sig=0.814>0.05，sig=0.769>0.05，sig=0.744>0.05。
3 讨论及展望
通过以上的眼动追踪技术实验数据分析显示，推荐标签确实起到了吸引消费者对推荐商品的更多关注，而至于加载图片位置或者文字描述位置，其差异并不明显，可以任意选择。因此，当商品列表页中商家有主推或推荐产品时，可以在主推或推荐商品的图片或者文字描述部分加上“热卖”等推荐信息，这样能够引起消费者的关注，有利于企业的商品销售。
由于实验条件有限，本研究仅选择大学生群体作为被试，推荐信息内容也仅选了网页频繁使用的“热卖”，在以后的研究中可以尝试其他不同群体（如白领、中老年人等）和不同的推荐信息内容（如“Hot”、“新品”、“畅销”等）。
参考文献
[1] 张向丽.艾瑞咨询：2014Q3中国网络购物市场交易规模为6 914.1亿元，增长强劲[EB/OL].[2014?11?05].http：//report.iresearch.cn/html/20141105/241068.shtml.
[2] BORDER A. A taxonomy of web search [J]. SIGIR Forum， 2002， 36（2）： 3?10.
[3] 尚通，周宇，刘召，等.统计图理解过程中值提取与关系比较的认知差异的眼动研究[C]//2013年心理学与社会和谐学术会议论文集，武汉：武汉大学，2013：132?137.
[4] HARTSON H R. Human?computer interaction： interdisciplinary roots and trends [J]. The Journal of System and Software， 1998， 43（2）：103?118.
[5] ELLIS S， CANDERA R， MISNER J. Windows to the soul？ what eye movements tell us about software usability [C]// Proceedings of the Usability Professionals’ Association. Washington， DC： UPA， 1998： 151?178.
[6] KOUFARIS M. Applying the technology acceptance model and flow theory to online consumer behavior [J]. Information Systems Research， 2002， 13（2）： 205?223.
据中国艾瑞咨询数据显示，2014Q3中国网购市场交易规模为6 914.1亿元，同比增长49.8%；从网购市场结构来看，B2C占比达到44.2%，同比增长5.4%；从网购市场份额来看，京东商城发展迅速，在自营B2C市场中占比过半[1]。对于网民而言，除了关心电子商务网站支付便捷性和安全性、物流服务和售后服务外，网站自身的使用体验将成为他们网购满意度提升的重要因素。据调查，目前国内的B2C电子商务网站的可用性设计方面仍存在不足，网站的可用性测试主要是通过用户参与测试、启发式评估、专家评估等方法，这些方法属于定性分析方法，有很大局限性，仅能从行为和表达层面分析、评估受众认知过程，数据分析无法深入和客观。
眼动追踪是指度量凝视点或者测量眼球运动的过程，它通过眼动追踪监视器记录每只眼睛的运动和在可视点上最活跃的区域[2]。通过观察和分析视线轨迹图及注视焦点图，直观了解被试的视觉信息提取过程。通过量化的眼动数据分析，能更精确地发现界面设计问题。目前，眼动追踪技术已逐渐应用到人机交互界面、网页评价、网页设计等研究领域[3]。
本研究通过眼动追踪技术测量记录大学生浏览三种商品列表页模式的眼动数据，尝试探究受众对商品推荐标签及其位置的心理认知加工差异，对目前的网页设计问题进行探讨，并提出有效、可行的优化设计建议。
1 方法
1.1 被试
河海大学在校本科、硕士学生48名，男女比例1[∶]1，视力均良好，其中20人网购频繁（每月4次以上），25人会网购但不频繁（每月1～2次），3名从不网购。
1.2 实验设备
采用德国SMI iView XTM RED眼动跟踪设备，采样率为60 Hz，追踪范围为40 cm×40 cm，并配置17英寸、分辨率1 280×1 024的LCD显示器。
1.3 实验材料
选用京东商城的关键字搜索“美的 立柜 空调”、“东芝移动硬盘1 TB”、“佳能 单反”和“爱华仕 拉杆包”的4个商品列表页截屏，结合实验需要进行适当的技术处理。
1.4 实验设计
实验采用被试内设计，实验对象分成6组，图片数为3（标签类型：无标签、图片标签“热卖”、文字标签“热卖”）×4（商品数）×4（推荐位置）=48张。实验分三次进行，连续两次实验间隔一星期，每次给被试呈现一种类型商品列表页，随机浏览16张商品图片。被试按照平时网购习惯自由浏览给定的商品列表页图片。 2 眼动数据分析
实验结束后，眼动追踪设备会自动记录被试自由浏览京东商品列表页的眼动指标数据，并形成直观的视线扫描轨迹图（如图1）和焦点图（如图2）。扫描轨迹是指用户视线从一个注视点跳到另一个注视点的轨迹；焦点图是以区域的亮暗来表示用户在页面中的注视点数量的差异。区域亮度越亮表示注视点数越多，越暗表示注视点数越少。
根据实验目的，划分兴趣区：普通商品兴趣区（AOI1）、推荐商品兴趣区（AOI2）和筛选条件兴趣区（AOI3），具体区域划分如图3所示。以A1位置为例，当推荐商品在A1位置，A1即为AOI1，A2、A3和A4合为AOI2，筛选条件兴趣区为AOI3。当推荐商品在A2、A3、A4位置时，兴趣区分布同理可得。
结合实验目的及眼动指标，实验最终决定采用注视次数和凝视时间两指标对被试注意不同兴趣区的情况进行解释分析。对推荐商品分别放在位置A1、A2、A3、A4时各模块的注视次数和凝视时间均值进行了记录和统计，如表1所示。
当推荐商品放在A1，A2，A3，A4位置时，对无推荐、图片推荐和文字推荐3种情况下的兴趣域注视次数和凝视时间进行方差齐性检验，检验结果见表2。其中注视次数方差齐性检验结果分别为sig.=0.190>0.05，sig.=0.852>0.05，sig.=0.469>0.05，sig.=0.214>0.05，方差不齐性，因此选用Games?Howell检验，凝视时间方差齐性检验结果分别为sig.=0.003<0.05（方差齐性，Levene齐性检验）、sig.=0.067>0.05（方差不齐性，Games?Howell检验）、sig.=0.027<0.05（方差齐性，Levene齐性检验）、sig.=0.103>0.05（方差不齐性，Games?Howell检验）。3种类型商品列表页的注视次数和凝视时间的均值比较结果显示，推荐商品不加标签时的注视次数和凝视时间较加图片推荐标签或文字推荐标签时都呈现显著差异（sig=0.000<0.05），而推荐商品加图片标签或文字标签“热卖”时没有显著差异，其中A1，A2，A3，A4位置注视次数显著性分别为sig=0.695>0.05，sig=0.971>0.05，sig=0.931>0.05，sig=0.815>0.05；A1，A2，A3，A4位置凝视时间显著性分别为sig=0.873>0.05，sig=0.814>0.05，sig=0.769>0.05，sig=0.744>0.05。
3 讨论及展望
通过以上的眼动追踪技术实验数据分析显示，推荐标签确实起到了吸引消费者对推荐商品的更多关注，而至于加载图片位置或者文字描述位置，其差异并不明显，可以任意选择。因此，当商品列表页中商家有主推或推荐产品时，可以在主推或推荐商品的图片或者文字描述部分加上“热卖”等推荐信息，这样能够引起消费者的关注，有利于企业的商品销售。
由于实验条件有限，本研究仅选择大学生群体作为被试，推荐信息内容也仅选了网页频繁使用的“热卖”，在以后的研究中可以尝试其他不同群体（如白领、中老年人等）和不同的推荐信息内容（如“Hot”、“新品”、“畅销”等）。
参考文献
[1] 张向丽.艾瑞咨询：2014Q3中国网络购物市场交易规模为6 914.1亿元，增长强劲[EB/OL].[2014?11?05].http：//report.iresearch.cn/html/20141105/241068.shtml.
[2] BORDER A. A taxonomy of web search [J]. SIGIR Forum， 2002， 36（2）： 3?10.
[3] 尚通，周宇，刘召，等.统计图理解过程中值提取与关系比较的认知差异的眼动研究[C]//2013年心理学与社会和谐学术会议论文集，武汉：武汉大学，2013：132?137.
[4] HARTSON H R. Human?computer interaction： interdisciplinary roots and trends [J]. The Journal of System and Software， 1998， 43（2）：103?118.
[5] ELLIS S， CANDERA R， MISNER J. Windows to the soul？ what eye movements tell us about software usability [C]// Proceedings of the Usability Professionals’ Association. Washington， DC： UPA， 1998： 151?178.
[6] KOUFARIS M. Applying the technology acceptance model and flow theory to online consumer behavior [J]. Information Systems Research， 2002， 13（2）： 205?223.
