LEXIC injeta sinais de dificuldade em nível de palavra em modelos de rastreamento ocular apenas com olhar

Pesquisadores propõem o LEXIC, uma extensão leve para modelos de rastreamento ocular apenas com olhar que melhora a previsão de compreensão de leitura ao injetar sinais de dificuldade em nível de palavra pré-computados sem usar modelos de linguagem pré-treinados. A abordagem se baseia na linha de base EyeBench AhnCNN e introduz dois mecanismos—LEXIC-Concat e LEXIC-Res—para incorporar GPT-2 surprisal, frequência de palavras e comprimento de palavras nas entradas por fixação.

Na tarefa de compreensão de leitura OneStop com treinamento de conjunto de sementes K=5 em dez dobras, ambos os mecanismos produzem ganhos AUROC estatisticamente consistentes de +1.8 a +2.2 pontos percentuais em Texto Não Visto (Wilcoxon p <= 0.065). O LEXIC-Concat também eleva o desempenho em Leitor Não Visto em +2.9 pontos percentuais (p = 0.010), enquanto o LEXIC-Res mostra um ganho menor e não significativo de +1.8 pontos percentuais devido a problemas de calibração com leitores fora da distribuição.

O estudo destaca uma fronteira arquitetural no modelamento apenas com olhar, demonstrando que o condicionamento leve pode preencher a lacuna entre o desempenho ao acaso e os modelos conscientes do texto, embora a transferibilidade para leitores não vistos permaneça desafiadora.