Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | ChartGaze: Eye Movement in Chart Reading |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2018 |
| Abstract Text | Data visualizations, especially charts, are crucial tools in research, but also in everyday life. This thesis investigates if typical eye movement sequences can be mapped to low-level tasks people usually solve when they read charts. An experiment was carried out, letting participants solve five different task types for four different chart types, totalling in 60 trials. In this experiment, eye-tracking was employed to record the movement of participants’ eyes. The recordings were used to compute features and infer Hidden Markov models. These inferred models were the basis for the analysis of the recorded data. Classification results for the utilized task types show that for many task type and chart type combinations, tasks can be predicted with an accuracy of 50% and reach up to 70%. Further investigation showed that applying the same analysis on partitions of each trial oftentimes reveal better prediction accuracies than when using the full trial. An additional comparison with baseline eye tracking features demonstrate that Hidden Markov model features in most cases obtain better results. The discussion reflects on the obtained results and analyses possible influences on the gained results and how they could be improved. Additionally, a simple implementation of a task recognizer is presented and recommendations for future studies and implementations are given. |
| Zusammenfassung | Datenvisualisierungen, im speziellen Diagramme, sind unverzichtbare Werkzeuge für die Wissenschaft, aber auch im täglichen Leben allgemein. Diese Masterarbeit untersucht, ob es typische Augenbewegungen gibt, die auf einfache Aufgaben mit Diagrammen abgebildet werden können, welche üblicherweise von Menschen gelöst werden bei Betrachtung von Diagrammen. Es wurde ein Experiment durchgeführt, in welchem Teilnehmer Aufgaben von fünf verschiedenen Aufgabentypen zu vier verschiedenen Diagrammtypen lösen mussten, was insgesamt 60 zu lösende Aufgaben ergab. Für dieses Experiment wurde sogenanntes Eye tracking eingesetzt, um die Augenbewegungen der Teilnehmer aufzunehmen. DieseAufnahmen wurden benutzt, um einfache Eigenschaften der Augenbewegungen zu berechnen und um sogenannte Hidden Markov models abzuleiten. Diese Modelle waren die Grundlage für die Analyse der aufgenommenen Daten. Die Resultate der Klassifikation der verschiedenen Aufgabentypen zeigt, dass für viele der Kombinationen von Aufgabentyp und Diagrammtyp eine Vorhersagegenauigkeit von 50%, teilweise gar bis 70% erreicht werden kann. Eine weitere Untersuchung, in welcher nur Teile jeder einzelnen zu lösenden Aufgabe für die Vorhersage benutzt wurde zeigte in vielen Fällen bessere Vorhersagegenauigkeiten als wenn die Daten einer ganzen Aufnahme verwendet werden. Eine Vergleichsanalyse mit einfachen Eye tracking Attributen zeigt, dass der Einsatz von Hidden Markov models in den meisten Fällen eine bessere Genauigkeit liefert. Die Diskussion reflektiert diese erhaltenen Resultate und anylsiert mogliche Einflüsse auf die Resultate und wie diese verbessert werden könnten. Zusätzlich wurde im Rahmen dieser Arbeit eine kleine Implementation geschrieben, die Aufgabentypen erkennen soll. Zum Schluss wird die Arbeit mit Vorschlägen für zukünftige Studien und Implementationen abgerundet. |
| PDF File |
Download
|
| Export |
BibTeX
|