LEXIC 将词级难度信号注入仅注视的眼动追踪模型

研究人员提出了 LEXIC，这是一种轻量级扩展，用于仅注视的眼动追踪模型，通过注入预计算的词级难度信号来改善阅读理解预测，而无需使用预训练语言模型。该方法建立在 EyeBench AhnCNN 基线之上，并引入了两种机制——LEXIC-Concat 和 LEXIC-Res——将 GPT-2 surprisal、词频和词长整合到每次注视的输入中。

在包含十个折叠的 K=5 种子集成训练的 OneStop 阅读理解任务上，两种机制均在未见文本上产生了统计上一致的 AUROC 增益 +1.8 至 +2.2 个百分点（Wilcoxon p <= 0.065）。LEXIC-Concat 还将未见读者的性能提升了 +2.9 个百分点（p = 0.010），而 LEXIC-Res 由于分布外读者的校准问题，显示出较小且不显著的 +1.8 个百分点增益。

该研究强调了仅注视建模中的架构边界，表明轻量级条件化可以弥合随机水平性能与文本感知模型之间的差距，尽管向未见读者的可迁移性仍然具有挑战性。