LEXIC внедряет сигналы уровня сложности слов в модели слежения за глазами только по взгляду

Исследователи предлагают LEXIC, легковесное расширение для моделей слежения за глазами только по взгляду, которое улучшает предсказание понимания чтения путем внедрения предварительно вычисленных сигналов уровня сложности слов без использования предобученных языковых моделей. Подход строится на базовой модели EyeBench AhnCNN и вводит два механизма — LEXIC-Concat и LEXIC-Res — для включения GPT-2 surprisal, частоты слов и длины слов во входные данные каждой фиксации.

На задаче понимания чтения OneStop с обучением ансамбля из K=5 семплов по десяти фолдам оба механизма дают статистически согласованные приросты AUROC на +1.8–2.2 процентных пункта на невидимых текстах (p Уилкоксона <= 0.065). LEXIC-Concat дополнительно повышает производительность на невидимых читателях на +2.9 процентных пункта (p = 0.010), тогда как LEXIC-Res показывает меньший, статистически незначимый прирост на +1.8 процентных пункта из-за проблем калибровки с читателями вне распределения.

Исследование подчеркивает архитектурную границу в моделировании только по взгляду, демонстрируя, что легковесное условие может сократить разрыв между производительностью на уровне случайного выбора и моделями, учитывающими текст, хотя переносимость на невидимых читателей остается сложной задачей.