本文着重探讨了人工智能交互中的眼动研究与传统网络眼动研究的异同，并从眼动技术本身、研究成果的延伸四个方面探讨了人工智能时代眼动研究的变化与不可改变。眼动研究内容、眼动分析思路的差异及注意事项。
眼动研究是探索人类注意和认知规律的主要手段，它记录了真实的眼动，描述了人的视觉行为，反映了人的认知过程和心理活动。面向人工智能的交互设计研究中的问题，以及我们能够在方法层面上进行哪些扩展
眼动仪经历了一百多年的发展。从最初的用镜子直接观察到眼球和记录装置之间的机械转动，到目前的高精度测量，受试者的精度、精度和自由度都大大提高。
目前，主流的眼睛跟踪器是基于光电记录瞳孔和角膜反射技术。根据眼动跟踪器的形状和结构的不同，可分为固定式、遥测式和可穿戴式。
通过构建3D虚拟场景，眼动研究可以与更多的实验场景兼容，为用户提供沉浸式呈现，并且以较低的成本实现实验材料的快速切换。
以传统的汽车外观研究为例，模具开模等复杂工艺过程耗时长、成本高，利用三维建模技术，可以以较低的成本构建等比例尺的立体模型，并提供360度的视角。
传统的研究需要用户到建成的实验场地进行测试。三维建模突破了实验场景对用户的限制，使得多人同时执行成为可能，大大提高了眼动数据的样本采集效率。
VR技术使得各种研究方案的快速切换和自由控制成为可能，极大地丰富了实验内容，例如，传统市场研究中的货架放置研究需要大量的工作来准备实验，货架应该放置在广告中。万斯。
以往，由于行业的危险性，在VR技术的辅助下，研究较少，例如车载相关研究在实际道路试验中是危险的，建立模拟驾驶实验室的成本较高。虚拟现实技术不仅可以解决实验的安全性和成本问题，而且可以控制道路的复杂性。
在7月18日的开发者大会上，百度人工智能交互设计研究院定义了人工智能时代的人因工程研究（参见百度人工智能交互设计研究院前沿探索），强调人工智能时代的2.0研究更值得关注。离子对药物的自然交互作用和情感交互作用。
根据人类学和工程心理学的领导者威肯斯教授提出的多资源理论模型，人类接受信息、执行或表达信息是一个三维互动的过程。
以智能语音机车为例，在驾驶过程中，视觉通道是驾驶员的主要信息源，而机车作为车辆娱乐信息系统，使驾驶员能够执行大量非直接的驾驶子任务。与驾驶有关或不直接与驾驶有关。
这些次要任务会不同程度地占用驾驶员的视觉资源、认知资源和运动资源，影响驾驶性能。
为了研究机车系统对驾驶员视觉资源的占用情况，采用TobiiGlases2眼动仪采集驾驶员在真实道路条件下行驶时的眼动信息，得到两台智能语音机车行驶时用户注意资源的占用情况。驾驶条件下的交互任务。
听觉通道的协同是多通道研究的核心内容，同样，以智能机车的研究为例，介绍了机车的交互过程和语音交互体验，包括响应速度、引导语音、屏幕UI设计等。本研究通过眼动热力学（EKT）的分布和密度来衡量不同引导语音技术对视觉资源使用的影响。
情感交互是人工智能研究的一个重要领域。情绪识别和情绪应对是情绪研究的两个主要部分，眼动研究除了描述和分析注视数据外，还可以利用瞳孔直径来观察情绪刺激反应。
由于瞳孔扩大和收缩是由自主神经系统控制的，而情绪加工也是由自主神经系统控制的，因此瞳孔直径被用来分析不同情绪刺激引起的情绪反应。瞳孔扩大与情绪唤醒呈线性关系，即瞳孔直径越大，唤醒程度越高。
例如基于眼动和EEG技术的机器人情绪行为对用户交互情绪影响的研究一文中，性别判断用户的情绪价值。
澳大利亚大学和斯图加特大学联合公布了一个人工智能项目的结果。研究人员使用传感器运动仪器视频眼球跟踪器监测了42名参与者的眼睛运动。最后，使用人工智能机器学习算法精确预测每个个体的个性。
网络应用中的眼动研究主要集中在网页的可用性测试、设计方案的AB测试、网页广告和广告空间的研究等方面。
常用的基本眼球运动是注视、眼球扫视和持续运动。因为互联网应用研究通常不涉及通过眼球运动来探索更深层的生理原因，所以使用的指标较少。本文简要论述了常用的指标。
对于人工智能智能产品交互中的眼动研究，常见的指标是一样的，不同的是经验目标和分析方法。
PC与移动产品的互动体验具有较强的关注性。因此，传统的网页研究或广告研究，通常是单一视觉渠道的研究，在对热像图进行分析时，更倾向于用户关注的方案。
人工智能交互希望创造一个自然、低成本、用户友好的交互体验。这种体验往往是多感官渠道。为了获得最佳的组合体验，我们需要探索不同渠道之间的协调与平衡。视觉频道占有越多，效果越好。
或者以机车研究为例，案例发现：在驾驶场景中，人们需要超过90%的视觉资源来维持驾驶性能，以确保安全驾驶。本文的研究目的是提高语音交互的效率，减少用户对中央控制机车的关注。
结果发现，当语音引导清晰且屏幕内容与语音引导一致时，用户能够以较少的视觉资源获得所需的信息(参见方案1热力学图)；当语音交互没有得到有效引导时，屏幕内容和语音g在画面的信息处理上（见方案2热力学图）。
基于自然交互的目的，创建真实体验场景是人工智能交互设计研究的重要组成部分，是自然交互研究的基础，以往基于静态网页的实验室研究设计越来越少。
例如，在车载环境中，行驶过程中道路条件的变化占据了90%的视觉资源，这是一个不容忽视的因素。我们将让参与者在相对安全的时期在真实的道路上进行驾驶测试，并且累积的采样时间是眼动仪器技术的发展也使实验场景更加自然，提高了眼动研究的生态有效性。
在保证生态有效性的同时，必须考虑研究数据的准确性。从桌面研究到自然场景研究，日光是眼动数据采集中不可避免的问题。因为大多数眼动跟踪器都依赖于红外反射原理，所以红外。在阳光下会影响眼睛运动的标定和捕捉，导致标定通过率低。
然而，对于车辆场景的研究，在自然光环境下需要采集眼睛运动数据，此时，避免中午或测试阳光的方向。
它涉及各种测量仪器的同时应用。在研究和设计过程中，应特别注意工艺设计，并事先做好内容重点和研究规划，如仪器是否贯穿整个过程，基线数据的采集在哪里，校准是否应进行。由于眼动校准的失败率，D被放在第一步。
由于不同的生理测量仪器需要在自身有限的条件下采集生理信号，因此应注意数据采集与恢复受试者自由度的平衡。例如，为了保证信号采集的稳定性，我们应该尽量避免大的头部移动。
此外，还应注意任务设置和时间控制，如用眼镜眼动仪进行眼动测试，以避免中途摘下眼镜造成的数据丢失。
综上所述，我们总结了传统网络眼动研究中人工智能交互设计中眼动研究的变化和不变性：
我们这一代用户经历了传统的桌面研究，做了静态实验室研究，需要数百种实验材料。目前，我们正在探索基于真实场景的高自由度眼动研究，并引入更多的生理测量仪器，如EEG，在机器学习的辅助下，使眼动研究具有更高的价值。
