LEXIC menyuntikkan sinyal kesulitan tingkat kata ke dalam model pelacakan mata hanya dengan pandangan

Peneliti mengusulkan LEXIC, ekstensi ringan untuk model pelacakan mata hanya dengan pandangan yang meningkatkan prediksi pemahaman bacaan dengan menyuntikkan sinyal kesulitan tingkat kata yang telah dihitung sebelumnya tanpa menggunakan model bahasa pra-latihan. Pendekatan ini dibangun di atas baseline EyeBench AhnCNN dan memperkenalkan dua mekanisme—LEXIC-Concat dan LEXIC-Res—untuk memasukkan surprisal GPT-2, frekuensi kata, dan panjang kata ke dalam input per fiksasi.

Pada tugas pemahaman bacaan OneStop dengan pelatihan ensemble benih K=5 di sepuluh lipatan, kedua mekanisme menghasilkan peningkatan AUROC yang konsisten secara statistik sebesar +1,8 hingga +2,2 poin persentase pada Teks Tidak Dilihat (Wilcoxon p <= 0,065). LEXIC-Concat additionally meningkatkan kinerja pada Pembaca Tidak Dilihat sebesar +2,9 poin persentase (p = 0,010), sedangkan LEXIC-Res menunjukkan peningkatan yang lebih kecil dan tidak signifikan sebesar +1,8 poin persentase karena masalah kalibrasi dengan pembaca di luar distribusi.

Studi ini menyoroti batas arsitektural dalam pemodelan hanya dengan pandangan, menunjukkan bahwa kondisioning ringan dapat menjembatani kesenjangan antara kinerja tingkat kebetulan dan model yang sadar teks, meskipun transferabilitas ke pembaca yang tidak terlihat tetap menjadi tantangan.