LEXIC이 시선 전용 안구 추적 모델에 단어 수준 난이도 신호를 주입

연구자들은 사전 학습된 언어 모델을 사용하지 않고 계산된 단어 수준 난이도 신호를 주입하여 독해 예측을 개선하는 시선 전용 안구 추적 모델용 경량 확장인 LEXIC을 제안했습니다. 이 접근 방식은 EyeBench AhnCNN 기반을 바탕으로 GPT-2 surprisal, 단어 빈도 및 단어 길이를 고정 입력에 통합하기 위한 두 가지 메커니즘—LEXIC-Concat과 LEXIC-Res—을 도입합니다.

10개의 폴드에 걸쳐 K=5 시드 앙상블 학습을 사용한 OneStop 독해 작업에서 두 메커니즘 모두 미시도 텍스트(Unseen Text)에서 통계적으로 일관된 AUROC +1.8~+2.2 퍼센트포인트 향상을 보였습니다(Wilcoxon p <= 0.065). LEXIC-Concat은 또한 미시도 독자(Unseen Reader)에 대한 성능을 +2.9 퍼센트포인트 향상시켰으며(p = 0.010), LEXIC-Res는 분포 밖 독자에 대한 교정 문제로 인해 +1.8 퍼센트포인트의 더 작고 통계적으로 유의미하지 않은 향상을 보였습니다.

이 연구는 시선 전용 모델링의 아키텍처적 한계를 강조하며, 경량 조건화가 우연 수준 성능과 텍스트 인식 모델 간의 격차를 해소할 수 있음을 보여주지만, 미시도 독자에 대한 전이성은 여전히 어렵습니다.