研究者らは、事前学習済み言語モデルを使用せずに、計算済みの単語レベルの難易度信号を注入することで、読解力予測を改善する視線のみの眼球追跡モデル向けの軽量拡張であるLEXICを提案した。このアプローチはEyeBench AhnCNNベースラインに基づき、GPT-2のsurprisal、単語頻度、および単語長を1回あたりの注視入力に組み込むための2つのメカニズム—LEXIC-ConcatとLEXIC-Res—を導入する。

10回のfoldにわたるK=5のseed-ensembleトレーニングを用いたOneStop読解タスクにおいて、両方のメカニズムはUnseen Textで統計的に一貫したAUROCの+1.8〜+2.2パーセントポイントの向上をもたらした（Wilcoxon p <= 0.065）。LEXIC-ConcatはさらにUnseen Readerのパフォーマンスを+2.9パーセントポイント向上させた（p = 0.010）が、LEXIC-Resは分布外読者に対するキャリブレーションの問題により、+1.8パーセントポイントのより小さく有意でない向上を示した。

本研究は視線のみモデルにおけるアーキテクチャ的限界を浮き彫りにし、軽量な条件付けが偶然レベルのパフォーマンスとテキスト認識モデルの間のギャップを埋めることができることを実証したが、未見の読者への転移性は依然として困難である。