शोधकर्ताओं ने LEXIC का प्रस्ताव दिया, जो केवल-दृष्टि आंख-ट्रैकिंग मॉडल के लिए एक हल्का विस्तार है जो पूर्व-गणना किए गए शब्द-स्तर की कठिनाई संकेतों को डालकर पढ़ने की समझ की भविष्यवाणी में सुधार करता है, बिना प्रीट्रेन भाषा मॉडल का उपयोग किए। यह दृष्टिकोण EyeBench AhnCNN बेसलाइन पर निर्मित है और प्रति-फिक्सेशन इनपुट में GPT-2 surprisal, शब्द आवृत्ति और शब्द लंबाई को शामिल करने के लिए दो तंत्र—LEXIC-Concat और LEXIC-Res—पेश करता है।
K=5 सीड-एन्सेम्बल प्रशिक्षण वाले दस फोल्ड्स पर OneStop पढ़ने की समझ कार्य पर, दोनों तंत्र अदृश्य पाठ पर +1.8 से +2.2 प्रतिशत बिंदुओं के सांख्यिकीय रूप से संगत AUROC लाभ उत्पन्न करते हैं (Wilcoxon p <= 0.065)। LEXIC-Concat अतिरिक्त रूप से अदृश्य पाठक पर प्रदर्शन को +2.9 प्रतिशत बिंदुओं से बढ़ाता है (p = 0.010), जबकि LEXIC-Res वितरण के बाहर के पाठकों के साथ कैलिब्रेशन समस्याओं के कारण +1.8 प्रतिशत बिंदुओं का छोटा, गैर-महत्वपूर्ण लाभ दिखाता है।
अध्ययन केवल-दृष्टि मॉडलिंग में एक आर्किटेक्चरल सीमा को उजागर करता है, यह प्रदर्शित करते हुए कि हल्का शर्तानुसार चेंज मौके-स्तर के प्रदर्शन और पाठ-जागरूक मॉडल के बीच की खाई को भर सकता है, हालांकि अदृश्य पाठकों के लिए स्थानांतरणीयता चुनौतीपूर्ण बनी हुई है।