Labvanced Eye Tracking 2.0: genaues Webcam-Eye-Tracking für alle Online-Forschung

Caspar Goeke, Leiter der Labvanced-Forschung · Veröffentlicht Oktober 2026

Labvanced Eye Tracking 2.0 verfolgt den Blick mit einer Standard-Webcam mit einer medianen Genauigkeit von 1,8 Grad des visuellen Winkels (5,2 % der Bildschirmdiagonale) bei unbeaufsichtigten Online-Teilnehmern. Das Ergebnis stammt von 494 Prolific-Teilnehmern auf ihren eigenen Computern, und die anonymisierten Daten werden mit dieser Notiz veröffentlicht.

Nach mehr als einem Jahr Entwicklung bringt Eye Tracking 2.0 die Genauigkeit, die Webcam-Eye-Tracking im Labor erreicht hat, in echte Online-Studien.

Wichtige Ergebnisse

• Median-Genauigkeit beträgt 1,8° (5,2 % der Bildschirmdiagonale) mit einer zwei-minütigen Kalibrierung und ausgewogener Selektion.
• Mit der langen Kalibrierung und sehr strenger Selektion erreicht die mediane Genauigkeit 1,4° (4 %).
• Blick ist stabiler als in der ersten Generation: Der Rauschpegel von Probe zu Probe liegt etwa 40 % unter dem von Eye Tracking 1.x, das im Labor aufgezeichnet wurde.
• 99,3 % der bezahlten Teilnehmer lieferten einen vollständigen Datensatz, und die ausgewogene Selektion erhöht die Rekrutierungskosten um etwa 10 %.

Gliederung

• 1Zusammenfassung und Einführung
• 2Wie wir gemessen haben: die Aufgabe, die Metrik und die Teilnehmer
• 3Ein verbesserter Blick-Engine mit Dual-Eye-Fusion, die auf Laptops, Tablets und Handys funktioniert
• 4Eine kürzere und bessere Kalibrierung zur individuellen Feinjustierung neuronaler Netzwerke
• 5Eine bessere Bildschirmmethode, technische Vorprüfungen und ein vereinfachtes Setup
• 6Echtzeitkorrekturen für Kopfbewegungen und Beleuchtungsänderungen
• 71,4 bis 1,8 visuelle Grad Genauigkeit, verifiziert an etwa 500 echten Teilnehmern auf Prolific
• 8Eine passive Stufe, die sofort funktioniert, ohne Kalibrierung, perfekt für Forschungsarbeiten mit Säuglingen
• 9Diskussion: welches Setup für welches Studium?
• 10Probieren Sie es selbst aus
• 11Daten und Reproduzierbarkeit

Zusammenfassung

Webcam-Eye-Tracking ist bereits zu einem mächtigen Werkzeug für die Online-Verhaltensforschung geworden, und die erste Generation des Labvanced-Systems wurde im Labor im Vergleich zu einem EyeLink 1000 mit einer Genauigkeit von etwa 1,4° des visuellen Winkels validiert (Kaduk et al., 2023). Mehrere Fragen blieben offen. Wie viel von dieser Genauigkeit übersteht die unkontrollierten Bedingungen einer echten Online-Studie? Warum liefern einige Teilnehmer weitaus schlechtere Daten als andere, und können sie identifiziert werden, bevor ein Forscher für sie bezahlt? Kann die Kalibrierung verkürzt werden, um sie in normalen Online-Studien praktikabler zu machen? Und was sollte mit Teilnehmern geschehen, die diese nicht bestehen oder sich anderweitig nicht qualifizieren? Hier zeigen wir, wie wir die Genauigkeit des Eye-Trackings verbessert haben, während wir gleichzeitig die Kalibrierung verkürzt, das Setup vereinfacht und den gesamten Prozess für die reale Online-Datenerhebung mit unserem Partner Prolific optimiert haben. Wir haben das System dann in sieben Aufzeichnungsbatches mit etwa 500 abgeschlossenen Teilnehmern einer 45-Ziel-Genauigkeitsaufgabe validiert und veröffentlichen ihre anonymisierten Daten, damit jedes Ergebnis verifiziert werden kann. Mit unserer neuen Standardkalibrierung (ca. 2 Minuten) und ausgewogener Selektion betrug der Fehler des medianen Teilnehmers 5,2 % der Bildschirmdiagonale, 1,8° des visuellen Winkels auf einem Laptop in 60 cm. Und mit der 5-minütigen Kalibrierung und sehr strenger Selektion erreichte die mediane Genauigkeit der Online-Teilnehmer 4 % der Bildschirmdiagonale, was 1,4° des visuellen Winkels in einem Standardabstand entspricht. Zusammenfassend zeigen wir mit dieser Veröffentlichung von Eye Tracking 2.0, dass die in unserem begutachteten Laborvergleich berichtete Genauigkeit online reproduziert werden kann.

1. Einführung

Augenbewegungen offenbaren kontinuierlich und ohne Fragen Aufmerksamkeit, und seit Jahrzehnten erfordert das Messen dieser Laborgeräte. Mit unserem bestehenden Webcam-System der ersten Generation (hier als Eye Tracking 1.x bezeichnet) haben wir gezeigt, dass eine Webcam sehr nah daran kommen kann, Augenbewegungen genau vorherzusagen: Gleichzeitig mit einem EyeLink 1000 in fünf standardisierten Aufgaben aufgezeichnet, erreichte unser System eine Genauigkeit von 1,4° und eine Präzision von 1,1°, etwa einen halben Grad hinter dem "Goldstandard" des Labors (Kaduk, Goeke, Finger & König, 2023). Seitdem haben unabhängige Gruppen das Bild bestätigt und das System in einer bemerkenswerten Bandbreite von Bereichen eingesetzt:

• Lesen. Aufgezeichnet neben einem EyeLink korrelierte der Blick von Labvanced mit dem Labor-Tracker mit einem medianen r von 0,81 und reproduzierte den Wortfrequenzeffekt (Serrano-Carot, Angele, Xu & Vasilev, 2025).
• Säuglingsentwicklung. Der Blick von Säuglingen, der zu Hause mit einer Webcam aufgezeichnet wurde, wurde mit Labor-Eye-Tracking in einer Audio-Visuellen Synchronitätsaufgabe verglichen (Bánki, de Eccher, Falschlehner, Hoehl & Markova, 2022).
• Entscheidungsfindung und Mensch-Computer-Interaktion. Fern-Blicke offenbarten frühe Entscheidungsprozesse (Bertrand, Ouellette Zuk & Chapman, 2023), die Koordination von Auge und Cursor in einer digitalen Objektaufgabe (Bertrand & Chapman, 2023) und die Frustration der Nutzer (Stone & Chapman, 2023), die in einer Doktorarbeit über den Nutzen des Webcam-Eye-Tracking zusammengebracht wurde (Bertrand, 2023).
• Sprache, Aufmerksamkeit und Wahrnehmung. Studien verfolgten, wie Lernende Aufmerksamkeit auf Text, Audio und Bilder richten, wenn sie den Wortschatz einer Fremdsprache erwerben (Zhang & Zhang, 2025), wie Wörter visuelle Aufmerksamkeit beeinflussen (Calignano, Lorenzoni, Semeraro & Navarrete, 2024), wie partielle Informationen die dynamische Gesichtswahrnehmung formen (Alp, Lale, Saglam & Sayim, 2024) und wie Videospielspieler Veränderungen erkennen (Haverly, 2022).
• Bildung und Wissenschaftskommunikation. Blick-Synchronität zwischen Studierenden, die Lehrvideos ansehen, sagte ihre Testergebnisse voraus (Sauter, Hirzle, Wagner, Hummel, Rukzio & Huckauf, 2022), und Fixationen zeigten, wie Online-Werbung die Aufmerksamkeit von wissenschaftlichen Erklärungen ablenkt (Tsutsuse, 2025).
• Marketing, soziale und Umweltpsychologie. Die Blicke von Instagram-Nutzern zeigten, dass sie die Anzahl der Follower eines Influencers suchen (Wies, Bleier & Edeling, 2023); Aufmerksamkeit für Lebensläufe erklärte, wie 1.159 Teilnehmer diskriminierende Einstellungsurteile fällten (Zhang & Powdthavee, 2026); und Blicke auf städtische Szenen standen im Zusammenhang mit emotionaler Erfahrung (Sander, Mazumder, Fingerhut, Parada, Koselevs & Gramann, 2024).
• Gesundheit und Mensch-KI-Interaktion. Eine randomisierte kontrollierte Studie maß, wo Apotheker hinschauten, wenn eine KI ihnen bei der Überprüfung von Medikamenten half (Tsai et al., 2025; Kim et al., 2026), und eine klinische Studie zeichnete Webcam-Blicke mit EEG bei Kindern mit ADHS auf (Zhao et al., 2025).

Methodische Übersichten und Grundlagen führen Labvanced jetzt unter den etablierten Webcam-Tracking-Systemen auf (Niehorster et al., 2025; Jenke & Sullivan, 2025; Patterson, Nicklin & Vitta, 2025; Tsuji, Amso, Cusack, Kirkham & Oakes, 2022). Diese Ergebnisse haben das Webcam-Eye-Tracking, und Labvanced im Besonderen, als ein ernstzunehmendes Instrument für die akademische Forschung etabliert.

Wichtig ist, dass wir, um unsere webcam-basierten Daten mit dem EyeLink zu vergleichen, unser vorheriges Vergleichsprojekt, das zu unserer peer-reviewed Veröffentlichung führte, in einem Labor durchführen mussten. Daher konnten wir die gesamte Umgebung einschließlich des Computers, des Bildschirms, der Webcam, des Raumes und der Beleuchtung kontrollieren. Wir konnten auch die Teilnehmer persönlich instruieren, und in einem solchen Laborumfeld gaben die meisten Teilnehmer wohl zu Recht ihr Bestes oder zumindest eine gute Leistung beim Experiment. Fast nichts davon ist in einer unbeaufsichtigten Umgebung mit realen Online-Teilnehmern gewährleistet. Ein Online-Teilnehmer sitzt dort, wo er sitzt, auf dem Gerät, das er besitzt, im Licht, das er hat, und einige achten einfach überhaupt nicht. Angesichts dieser bekannten Mängel sind wir sowohl glücklich als auch stolz, dass viele Projekte mit unserer bestehenden Eye-Tracking-Technologie bemerkenswert erfolgreich waren und in führenden Zeitschriften veröffentlicht wurden. Einige Forscher bekamen jedoch nicht die Genauigkeit, die sie erwarteten, oder stießen auf andere Schwierigkeiten, wie beispielsweise, dass Teilnehmer von einer langen Kalibrierung frustriert waren oder eine hohe Anzahl von Teilnehmern aus technischen und verschiedenen anderen Gründen ausschied. Zum Beispiel fanden zwei Studien mit Kleinkindern, obwohl wir bereits kinderfreundliche Kalibrierungen entwickelt hatten, dass unser Eye Tracking der ersten Generation für ihre jüngsten Teilnehmer noch nicht zuverlässig genug war (Grosse Wiesmann et al., 2025; Golan, Abo Shkara & Havron, 2023).

Im Jahr 2025 begannen wir, diese Mängel systematisch zu bewerten und sie nacheinander anzugehen. Am Ende dieser Reise, wenn auch sicherlich nicht am Ende der Entwicklung des Webcam-Eye-Trackings, steht Eye Tracking 2.0. Diese Labornotiz beschreibt, was sich geändert hat und warum, wie wir es validiert haben und welche Genauigkeit Sie jetzt mit echten Online-Teilnehmern erwarten können. Die Daten dahinter sind im Open Access verfügbar und für jeden abrufbar, um sie unabhängig zu replizieren und zu überprüfen (Section 11). Wir planen auch eine neue peer-reviewed Studie, aber da dies Zeit in Anspruch nimmt, wollten wir diese Ergebnisse jetzt teilen.

2. Wie wir gemessen haben

Alle Teilnehmerdaten in dieser Notiz wurden über einen Zeitraum von etwa einem Monat innerhalb mehr oder weniger desselben Studienparadigmas gesammelt. Die Eye-Tracking-Version änderte sich jedoch zwischen fast jeder dieser Aufnahmegruppen, um unsere neuesten Entwicklungen zu testen oder zu verifizieren (z. B. das Testen der Posenkorrektur). Einige der Gruppen sind auch kleiner und einige größer, aus verschiedenen Gründen. Diese Notiz ist keine peer-reviewed Veröffentlichung, aber wir glauben, dass alle hier berichteten Analysen und Ergebnisse wissenschaftlich rigoros, echt aufschlussreich sind, und jeder ist eingeladen, die Daten herunterzuladen und sie zu replizieren oder zu überprüfen. Ein peer-reviewed Artikel über Eye Tracking 2.0 und möglicherweise einige andere Themen wird folgen.

Aufgabe. Die Probanden durchliefen die technische Machbarkeitsprüfung (siehe Abschnitt 5) und schlossen die Kalibrierung der Studie ab; die zugelassenen Teilnehmer führten dann einen kurzen Trainingsblock durch und schließlich eine 45-Ziel-Aufgabengenauigkeit: ein 9 mal 5 Raster von Positionen, das den gesamten Bildschirm abdeckt, nacheinander in zufälliger Reihenfolge präsentiert. Die Aufgabe der Teilnehmer bestand darin, das Ziel (einen einfachen Kreis) zu fixieren und es sofort zu klicken, wenn sich seine Farbe änderte. Wenn ein Teilnehmer zu früh oder zu spät klickte, wurde der Versuch wiederholt. Sie können diese Aufgabe selbst durchführen (Section 10).

Metrik. Die Hauptmetrik, an der wir interessiert sind, ist der Zielfehler oder die Genauigkeit. Dies wird als der Abstand zwischen der Zielposition und der medianen Blickposition über die letzten 1000 ms definiert, bevor sich das Ziel änderte. Wir haben auch einen neuen Fixationsdetektionsalgorithmus implementiert und das Zentrum der Fixation bei der Änderung verwendet; beide Maße (die Blickmedian und die Fixation) ergaben nahezu identische Genauigkeitswerte. Weitere Informationen zu diesem neuen Fixationsdetektionsmechanismus werden in der nächsten Labornotiz verfügbar sein. Die Genauigkeit eines Teilnehmers wird dann als Median seiner 45 Fehler und die Genauigkeit einer Gruppe als Median über die Teilnehmer definiert. Wir berichten diesen Median durchgehend und filtern weder Versuche noch Teilnehmer. Auf einem 1920 mal 1080 Bildschirm (Full HD) sind 1 % der Diagonale 22 px und 5 % sind 110 px. Aufgrund des Remote-Aufnahmesets konnten wir weder die tatsächliche physische Bildschirmgröße noch den genauen Betrachtungsabstand des Teilnehmers zuverlässig erfassen. Der Fehler im visuellen Winkel wird daher für einen angenommenen Referenzbildschirm berechnet: ein 14,2-Zoll-Laptop (z. B. ein 14-Zoll MacBook Pro), der in einem typischen Abstand von 60 cm betrachtet wird.

Stichprobe. Zehn Aufnahmegruppen zwischen dem 25. August und dem 28. September 2026 produzierten etwa 700 abgeschlossene Sitzungen. Die Ergebnisse in dieser Notiz basieren auf den 494 abgeschlossenen Sitzungen der sieben aktuellsten Gruppen: 48 aus einer 2.0.9 Gruppe, 296 aus der High-Stufe ohne Screening, 50 aus der High-Stufe mit ausgewogenem Screening und laufenden Live-Korrekturen und 100 aus der Highest-Stufe. Die ungefähr 200 Sitzungen der frühesten Gruppen prägten das System während der früheren Entwicklung und sind daher nicht Teil der berichteten Ergebnisse.

Daten. Die anonymisierten Daten dieser 494 Sitzungen, zusammen mit den Skripten, die jede Zahl und Abbildung in dieser Notiz berechnen, können heruntergeladen werden (siehe Section 11).

3. Eine Dual-Eye-Gaze-Engine

3.1 Wie die Dual-Eye-Engine funktioniert

Wie prognostiziert Labvanced Eye Tracking 2.0 Augenbewegungen und Fixationen?

Abbildung 1. Die Verarbeitungskette. Alles läuft auf dem Gerät des Teilnehmers (Edge-Inferenz); kein Bild oder Video verlässt das Gerät.

Was bedeutet das Dual-Eye-Fusionsmodell? Die 2.0-Blickengine behandelt die beiden Augen als zwei separate Messungen und kombiniert sie, sodass ein halb geschlossenes, im Schatten befindliches oder in einer Reflexion erfasstes Auge weniger zählt. Auch Informationen aus benachbarten Frames werden verwendet, ohne echte Augenbewegungen zu glätten. Das Ergebnis ist eine genauere und robustere Rohblickschätzung als zuvor sowie ein Vertrauenswert, der eher auf die tatsächliche Präzision und Genauigkeit hinweist.

Geschwindigkeit und Geräte. Die Blickengine wurde für Geschwindigkeit neu geschrieben und nutzt die neuesten Webtechnologien wie WebGPU und WebAssembly. Diese Elemente beschleunigen sowohl die Live-Vorhersage als auch den Feinabstimmungsschritt (Kalibrierung) erheblich. Infolgedessen funktioniert Eye Tracking 2.0 reibungslos auf den meisten Laptops (außer bei älteren Chromebooks und ähnlichen Geräten), auf Desktop-Computern und auf modernen Tablets wie iPads. Handys verwenden eine verkürzte Kalibrierung von etwa 15 Sekunden, und in unseren eigenen Messungen mit Handys war der Blick recht genau. Eine Feldvalidierung auf Tablets und Handys wird separat folgen.

3.2 Ergebnis: 40 % weniger Stichrauschen als 1.x

Präzision. Mit Dual-Eye-Fusion ist der Blick deutlich stabiler und präziser. Online streuen die 2.0-Blickproben um einen Median von 2,2 % der Bildschirmdiagonale (etwa 0,75°), und ihr Stich-zu-Stich-Rauschen ist etwa 40 % niedriger als das von Eye Tracking 1.x, das in unserer Laborstudie 2023 aufgezeichnet wurde (Abschnitt 7.2).

4. Eine kürzere und bessere Kalibrierung

4.1 Wie die Kalibrierung funktioniert

Die Kalibrierung in 2.0 ist deutlich kürzer und funktioniert auf eine grundlegend neue Weise. Die Qualität jedes Kalibrierungspunkts wird während der Aufzeichnung überprüft, sodass Punkte, die während des Blinzelns oder Wegschauens des Teilnehmers erfasst wurden, sofort wiederholt werden. Das Netzwerk des Teilnehmers wird dann auf ihrem eigenen Gerät feinabgestimmt, in den meisten Fällen erheblich schneller als zuvor, und die Feinabstimmung ist zeitlich begrenzt, sodass kein Teilnehmer jemals steckenbleiben kann.

Blicksteuerung. Die Blicksteuerung ist eine kurze Docking-Aufgabe, die vor der ersten Augenverfolgungsaufgabe, nach jeder Neupositionierung des Kopfes und in regelmäßigen Abständen, die durch das Präzisionsniveau festgelegt werden: alle drei Minuten bei Hoch und jede Minute bei Höchst. Sie unterbricht niemals einen Versuch. Teilnehmer sehen ihre Kopfposition als einen Kreis und bewegen ihren Kopf, bis er sich mit einem Zielkreis überschneidet, der die Kopfposition und den Abstand zur Kamera in einem einzigen intuitiven Schritt korrigiert. Echte Online-Teilnehmer benötigen im Median 6,7 Sekunden von Anfang bis Ende. Jeder Durchgang dient auch als Überprüfung der aktuellen Blickqualität, die die Live-Korrekturen verwenden (Abschnitt 6).

Probe. Der erste Blicksteuerungslauf einer Sitzung ist etwas länger, etwa 17 Sekunden insgesamt, und dient als Probe: Er sagt voraus, wie genau der Blick eines Teilnehmers im Rest der Sitzung sein wird. Dies ist die Grundlage für die Screeninglevels (Abschnitt 5): Auf höheren Levels werden nur Teilnehmer mit besser vorhergesagter Genauigkeit in die Studie aufgenommen.

4.2 Ergebnis: 4 Minuten bei Hoch, 7 Minuten bei Höchst

Anweisungen + Kalibrierung dauern 4 Minuten bei Hoch und 7 bei Höchst. Vom ersten Anweisungstext bis zum Ende der Probe benötigten echte Online-Teilnehmer im Median etwa 4 Minuten auf der Hochstufe (etwa 2 Minuten Kalibrierungspunkte) und etwa 7 Minuten auf der Höchststufe (etwa 5 Minuten Kalibrierungspunkte). Die Feinabstimmung selbst dauerte im Median etwa 37 Sekunden nach der zweiminütigen Kalibrierung und etwa 67 Sekunden nach der Höchsten. Beachten Sie, dass die Probanden während des Feinabstimmungsschrittes größtenteils entspannen können.

Zwei Minuten Kalibrierung reichen für die meisten Studien aus, aber fünf werden es verbessern. Mit einer ausgewogenen Screening (Level 3) liefert die zweiminütige Kalibrierung (Hoch) einen Median von 5,2 % der Diagonale (etwa 1,8 visuelle Grad). Für die Mehrheit der Online-Paradigmen wird dies genau genug sein. Die Höchste Kalibrierung mit sehr strikter Screening (Level 5) lieferte ungefähr 4 % (Abbildung 2), was etwa 1,4 visuellen Grad entspricht.

5. Besseres Screening, technische Vorprüfungen und ein einfacherer Aufbau

5.1 Wie Vorprüfungen und Screening funktionieren

Das Screening erfolgt in zwei Phasen, unterstützt durch neue Funktionen von unserem Partner und Teilnehmerrekrutierungsanbieter, Prolific. Zuerst wird eine technische Überprüfung durchgeführt, die ungeeignete Geräte ohne Bezahlung ablehnt; dann folgen die Kalibrierung, die Probe und das Screen-Out, mit einer reduzierten Teilnehmergebühr, die der Forscher wählt.

• Technische Ablehnung. Die Fähigkeiten des Geräts und seiner Kamera werden überprüft, und die Blickstichprobenerate müssen 10 Hz erreichen. Ein Fehler hier führt zu einer technischen Ablehnung: es dauert für den Teilnehmer nur ein paar Sekunden (vielleicht bis zu einer Minute auf wirklich langsamen Geräten), und er wird darüber informiert, warum er abgelehnt wurde. Die beste Möglichkeit, dies Teilnehmern von Prolific zu kommunizieren, ist, einen Ablehnungslink zu erstellen, "inkompatibles Gerät" als Grund auszuwählen und das Kästchen "Teilnehmer bitten, die Studie zurückzugeben" anzukreuzen. Die meisten Teilnehmer werden sie gerne zurückgeben, und für diejenigen, die dennoch den vollen Betrag einreichen, sehen Sie ihren Status als "inkompatibles Gerät", sodass der Ablehnungsgrund klar ist. Infolgedessen kommen nur Teilnehmer mit technisch fähigen Geräten in die eigentliche Studie und werden in die Kalibrierung aufgenommen.

• Screen-Out nach der Kalibrierung. Nach der Kalibrierung und der Probe entscheidet das System, ob der Teilnehmer in die Augenverfolgungsaufgabe aufgenommen wird, basierend auf dem Screeninglevel der Studie. Level 0 schließt niemanden aus und erlaubt allen, die Aufgabe zu beginnen. Level 1 schließt nur fehlgeschlagene Kalibrierungen aus, während die Levels 2 bis 5 die Genauigkeit, die durch die Probe vorhergesagt wird, nutzen und etwa 65, 50, 30 oder 15 von 100 Teilnehmern zulassen. Ein Teilnehmer, der nicht besteht, wird sofort ausgeschlossen. Wenn Sie Prolific verwenden, empfehlen wir, einen speziellen Screen-Out-Link zu verwenden und Teilnehmern 0,50 GBP für die zweiminütige und 0,80 GBP für die fünfminütige Kalibrierung zu zahlen (Screen-Out-Links werden teilweise auf Prolific bezahlt). Diese Beträge gelten, wenn die Augenverfolgungskalibrierung mehr oder weniger das Erste ist, was der Teilnehmer macht. Wenn der Teil zur Augenverfolgung viel später in Ihrer Studie beginnt, sollten Sie in Betracht ziehen, einen Kalibrierungsversuch zu ermöglichen (standardmäßig deaktiviert) und für Teilnehmer, die auch bei diesem Versuch scheitern, eine höhere Screen-Out-Gebühr zu zahlen.

Insgesamt machen die technische Ablehnung und die Screen-Out die Augenverfolgung mit unserem 2.0-System zu einem reibungslosen Erlebnis auf Crowdsourcing-Plattformen wie Prolific, mit sowohl hoher Genauigkeit als auch hohen Abschlussquoten für die teilnehmen, die zugelassen werden.

5.2 Ergebnis: 99,3 % vollständige Datensätze, etwa 10 % zusätzliche Kosten

Die Vorprüfung erkennt, was später gescheitert wäre. In einer unserer Online-Datensammlungen wurden 37 der 251 Teilnehmer (etwa 15 %) vor Beginn abgewiesen, meist aufgrund einer Kamera unter der erforderlichen Auflösung oder eines Computers, der zu langsam ist, um ein Gesicht zu verfolgen (Abbildung 3). Jeder von ihnen hätte ansonsten eine fehlgeschlagene oder unbrauchbare Sitzung produziert. Wir setzen jetzt auch eine gemessene Blickrate von mindestens 10 Hz durch, die unser neuer Fixationsalgorithmus benötigt (mehr dazu im nächsten Lab Notiz).

Jedes Screeninglevel kauft einen vorhersehbaren Gewinn. Angewendet auf die 295 Teilnehmer der Hochstufe ohne Screening tauscht jedes Level die Zulassung gegen Genauigkeit in Schritten von 0,2 bis 0,7 Punkten (Abbildung 5). Auf Level 3, ausgewogen, werden etwa die Hälfte aller Teilnehmer zugelassen, der Median der zugelassenen Teilnehmer fällt um etwa einen Punkt, und der Anteil der zugelassenen Teilnehmer, die schlechter als 10 % sind, sinkt von 17 % auf 3 %. Eine spätere Live-Batch bestätigte dies genau wie geplant: Bei ausgewogenem Screening wurden die Hälfte der Teilnehmer zugelassen, und sie lieferten 5,24 % (Abschnitt 7.1).

Screening kostet wenig, da Screenings nur teilweise bezahlt werden. Ein ausgescreenter Teilnehmer erhält einen kleinen Teil der vollen Gebühr, etwa ein Zehntel in unserem Fall, sodass Stufe 3 die geschätzten Rekrutierungskosten um etwa 10 % und Stufe 5 um etwa 60 % erhöht (Abbildung 6).

Fast jeder bezahlte Teilnehmer liefert einen kompletten Datensatz. Von den 450 Teilnehmern, die in den letzten fünf Chargen (24. bis 28. September) auf Prolific genehmigt und bezahlt wurden, lieferten 447 (99,3 %) den vollständigen Datensatz (Abbildung 7). Ebenso wichtig ist, dass die Teilnehmer einmal zugelassen, auch bleiben: 96 bis 97 % derjenigen, die die Überprüfung bestanden haben, gehen weiter, um die Studie abzuschließen. Teilnehmer, die beim technischen Vorabcheck abgelehnt werden, werden nicht bezahlt, und ausgescreente Teilnehmer erhalten nur einen kleinen Teil der Gebühr, sodass die volle Gebühr fast ausschließlich für verwendbare Aufnahmen verwendet wird.

6. Live-Korrekturen für Kopfbewegungen und Lichtänderungen

6.1 Was die Live-Korrekturen tun

Screening entscheidet, wer in die Studie eintritt. Für die zugelassenen Teilnehmer reduzieren zwei Live-Korrekturen dann den Fehler, den Kopfbewegungen und sich änderndes Licht im Verlauf einer Sitzung hinzufügen. Beide sind standardmäßig auf jeder kalibrierenden Stufe aktiviert, können jedoch in den Studienoptionen deaktiviert werden.

• Korrektur der Kopfhaltung. Wenn sich der Kopf während der Kalibrierung von seiner Position entfernt, verschiebt sich die Schätzung des Blicks entsprechend. Diese Korrektur kompensiert diese Verschiebung kontinuierlich.
• Korrektur der Blickprüfung. Die regelmäßigen Gaze-Control-Checks (alle drei Minuten auf Hoch, jede Minute auf Höchst) werden verwendet, um den Drift, der nach der Kalibrierung entsteht, einschließlich des Drifts, den eine Lichtänderung verursacht, zu entfernen. Ein Lichtänderung-Detektor löst eine zusätzliche Überprüfung aus, wenn das Licht im Gesicht merklich wechselt.

Rohblick bleibt rekonstruierbar: Die Korrekturen werden standardmäßig angewendet, können jedoch deaktiviert werden, und die auf jede Blickprobe angewendete Korrektur kann auch in Labvanced aufgezeichnet werden (als Parameter des Blickauslösereignisses), sodass Forscher, die das unkorrigierte Signal bevorzugen, es genau wiederherstellen können.

6.2 Ergebnis: ein Sechstel weniger Fehler, der Großteil des Schwanzes entfernt

Die Korrekturen entfernen ein Sechstel des Fehlers und den Großteil des Schwanzes. Auf der High-Stufe mit ausgewogenem Screening (Stufe 3, 143 Teilnehmer) bewegt sich der Median von 6,37 % roh auf 5,72 % mit der Korrektur der Kopfhaltung und 5,28 % mit beiden, und der Anteil der Teilnehmer, die schlechter als 10 % sind, sinkt von 15 % auf 3 % (Abbildung 8). Ohne jegliches Screening ist der Gewinn derselbe, ein Sechstel: 7,42 % auf 6,21 % bei 295 Teilnehmern. Etwa drei von vier Teilnehmern verbessern sich (Abbildung 9).

Sie halten an Teilnehmern fest, für die sie nie entwickelt wurden. Die Korrekturen wurden einmal festgelegt und dann unverändert auf fünf spätere Chargen angewendet, drei offline und zwei mit den Korrekturen, die live in der Studie liefen (Abbildung 10).

Stabiles Licht hält die Genauigkeit hoch, und Gaze-Control-Prüfungen erfassen die Änderungen. Auf der Höchst-Stufe hielten 70 von 99 Teilnehmern die Helligkeit ihres Gesichts innerhalb von 5 % der Kalibrierung, und ihr medianer roher Fehler betrug 5,49 %. Für die 13 Teilnehmer, deren Licht sich um mehr als 10 % änderte, betrug es 10,94 %, als das Gesicht dunkler wurde (5 Teilnehmer) und 7,78 %, als es heller wurde (8 Teilnehmer) (Abbildung 11). Regelmäßige Gaze-Control-Prüfungen erfassen eine solche Änderung und korrigieren dafür.

7. Validierte Genauigkeit von 1,4 bis 1,8° mit Prolific-Teilnehmern

7.1 Genauigkeit: 1,8° auf Hoch, 1,4° auf Höchst

Mit der zwei Minuten umfassenden Kalibrierung und dem ausgewogenen Screening beträgt der Medianfehler des Teilnehmers 5,2 % der Diagonale, etwa 1,8°, und fünfzehn von sechzehn zugelassenen Teilnehmern bleiben unter 10 %. Die Höchst-Stufe mit sehr strengen Screening erreicht 4 %, etwa 1,4°.

Der Fehler ist über den Bildschirm nahezu gleichmäßig verteilt, und die äußeren Ziele sind nicht schlechter als die Mitte (Abbildung 13). Der untenstehende Rechner wandelt die erwartete Genauigkeit für jeden Bildschirm und Betrachtungsabstand um.

7.2 Präzision: 0,75° Streuung, 0,6° Stichprobe-zu-Stichprobe

Die Präzision hat sich gegenüber der ersten Generation erheblich verbessert. Um Äpfel mit Äpfeln zu vergleichen, haben wir die Präzision von Eye Tracking 1.x auf den Aufnahmen unserer Laborstudie von 2023 neu berechnet, bei der jeder Teilnehmer gleichzeitig mit der Webcam und einem EyeLink 1000 aufgezeichnet wurde. Für jeden Rasterversuch haben wir das stabilste einsekündige Fenster gemäß dem EyeLink ausgewählt, sodass beide Tracker während einer echten Fixation gemessen wurden, und dieselben zwei Standardmaße wie für 2.0 angewendet: die Streuung der Proben um ihren Mittelwert (SD) und die quadratische Mittelung der Abstände zwischen den Proben (RMS-S2S).

Werte in Prozent der Bildschirmdiagonale, mit Sichtwinkel auf dem eigenen Bildschirm jeder Studie (15-Zoll-Monitor bei 60 cm im Labor, 14,2-Zoll-Laptop bei 60 cm online). Beide Webcam-Systeme sammelten mit etwa 30 Hz.

Das Online-2.0-Signal streut etwa 10 % weniger als das Labor-1.x-Signal, und das Stichprobe-zu-Stichprobe-Geräusch ist etwa 40 % niedriger, von etwa 1,0° auf 0,6°. Bemerkenswert ist, dass der Vergleich in zwei Punkten zu 1.x begünstigt: Es wurde unter Laborbedingungen aufgezeichnet, und seine Fenster wurden als das stabilste zweite Fenster vom EyeLink ausgewählt, was online nicht möglich ist. Der Verbesserung ist daher, wenn überhaupt, unterschätzt. Der EyeLink bleibt selbstverständlich das präziseste System, aber 2.0 schließt einen beträchtlichen Teil der Lücke.

8. Eine passive Stufe ohne Kalibrierung

8.1 Wie die passive Stufe funktioniert

Mit Eye Tracking 2.0 ist es möglich, ein passives Modell ohne Kalibrierung zu betreiben, was in bestimmten experimentellen Szenarien sehr nützlich sein kann. Alles, was erforderlich ist, ist, dass die Teilnehmer den Kamerazugriff gewähren; die Vorhersage des Eye-Trackings beginnt dann sofort. Es ist für Teilnehmer gedacht, die nicht oder nicht kalibrieren sollten, insbesondere für Säuglinge: Die Kalibrierung war schon immer der schwierige Teil des Eye-Trackings bei Säuglingen, und viele Säuglingsstudien verwenden sogenannte bevorzugte Betrachtungspfade, d. h. sie fragen, ob ein Kind nach links oder rechts schaut. In der Lage zu sein, dies zuverlässig, in Echtzeit und vollständig auf dem eigenen Gerät des Teilnehmers zu klassifizieren, kann ein entscheidender Vorteil für die Forschung zur Aufmerksamkeit von Säuglingen sein, aber auch für andere Bereiche, in denen Eye Tracking am besten still im Hintergrund durchgeführt wird. Sie können selbst eine Säuglingsstudie in Abschnitt 10 durchführen.

8.2 Erwartete Genauigkeit: etwa 4° (Schätzung)

Die passive Stufe war nicht Teil der Prolific-Batches und ihre Feldvalidierung steht noch aus. Säuglingslabore werden zu Recht diese Validierung mit tatsächlichen Säuglingen wünschen, die über das hinausgeht, was Prolific bietet. Wenn Sie in einem Säuglingslabor arbeiten oder dieses vertreten und bei der Validierung der passiven Stufe helfen möchten, kontaktieren Sie uns bitte: Wir sind sehr an Kooperationen interessiert.

Das gesagt, aus unseren umfangreichen internen Tests ergibt sich unsere Arbeitsannahme, dass der Fehler etwa 11-12 % der Bildschirmdiagonale beträgt, etwa 4° auf einem Laptop in 60 cm Entfernung. Abbildung 14 zeigt, was das für ein typisches experimentelles Design bedeutet: Bei dem mittleren Fehler der passiven Stufe bleibt ein Blick auf ein Ziel in der Mitte der linken Bildschirmhälfte gut von der rechten Hälfte entfernt. Es besteht sogar eine gute Chance, dass 4 bis 6 Bildschirmregionen mit ausreichendem Vertrauen unterschieden werden können. Weitere Daten dazu werden im Laufe der Zeit bereitgestellt.

Abbildung 14. Der mediane Fehler jeder Stufe skaliert als Kreis um ein Ziel in der linken Hälfte eines 16:9 Bildschirms. Die gestrichelte Linie teilt den Bildschirm in links und rechts. Die passive Figur ist eine Schätzung; die anderen beiden sind gemessen.

9. Diskussion

Unser peer-reviewed Vergleich aus dem Jahr 2023 zeigte, dass eine Webcam in einem Labor die Blickrichtung auf etwa 1.4° verfolgen kann. Diese Notiz zeigt, dass unsere Webcam Eye Tracking 2.0 Engine, mit einer Webcam im Zuhause eines Teilnehmers, auf ihrem eigenen Laptop und bei ihrem eigenen Licht, die Blickrichtung auf einen Median von etwa 1.8° mit einer zweiminütigen Kalibrierung und balancierter Screening verfolgt, und auf etwa 1.4° mit der langen Kalibrierung und sehr striktem Screening. Tatsächlich wird die Genauigkeit, die die vorherige Generation unter Laborbedingungen erreichte, jetzt online erreicht. Drei Mechanismen sind für die meisten Veränderungen verantwortlich: eine verbesserte Dual-Eye-Blickengine, eine Kalibrierung, die individuelle Unterschiede und Driften besser erfasst, und Live-Korrekturen, die systematische Fehler von Kopfhaltung und Beleuchtung beseitigen.

Für Forscher sind die Folgen sehr praktisch. Die meisten Studien in Bereichen wie Psychologie, Linguistik, Soziologie, Wirtschaft, Marketing und anderen können die High-Stufe verwenden und erwarten etwa 1.8°, was sehr wahrscheinlich ausreicht, um den erwarteten Effekt zu erfassen. Studien, die kleinere Regionen untersuchen, wie Leseaufgaben mit vielen Wörtern und kleinen Lücken dazwischen (versuchen Sie die Lese studien), können die Highest-Stufe nutzen und etwa 1.5° mit striktem Screening oder 1.4° mit sehr striktem Screening von einer Webcam erhalten. Am anderen Ende haben Forscher, die Aufmerksamkeit bei Säuglingen und Kleinkindern untersuchen, jetzt die Möglichkeit, sie ohne Kalibrierung zu verfolgen und somit ohne die Schwierigkeiten, die die Kalibrierung bei der Datensammlung mit sich bringt (Abschnitt 8). Und natürlich gibt es mehrere Schritte zwischen diesen Extremen. Das Setup in der Labvanced-Oberfläche ist stark vereinfacht, und die erwartete Genauigkeit, die es für jede Wahl anzeigt, basiert auf realen Messungen. Kurz gesagt, Ihr nächstes Eye-Tracking-Projekt kann heute beginnen.

Welches Setup für welche Studie?

Die folgende Tabelle ist eine grobe Richtlinie, keine strikte Regel. Betrachten Sie für jede Aufgabe und Studie die Anzahl der Interessengebiete, deren Größe und vor allem den Abstand zwischen ihnen, und wählen Sie die Einstellungen entsprechend aus: Zwei große Regionen, die weit auseinander liegen, tolerieren viel mehr Fehler als viele kleine, die nebeneinander liegen. Wenn Sie sich nicht sicher sind, welche Einstellungen zu Ihrem Design passen, kontaktieren Sie uns und wir werden es mit Ihnen durchsehen.

Erwartete Genauigkeiten sind der Median der zugelassenen Teilnehmer mit aktiven Korrekturen, die auf der High-Stufe und der Höchsten Zeile gemessen und für die anderen geschätzt wurden; die zusätzlichen Rekrutierungskosten zählen einen ausgeschlossenen Teilnehmer als ein Zehntel eines abgeschlossenen. Screening gilt nicht für die Passive und Mittelstufen: Jeder wird zugelassen.

Der Einrichtungsassistent in den Labvanced-Studieneinstellungen stellt die gleichen beiden Fragen, die Genauigkeitsstufe und das Screening-Niveau, und zeigt die erwartete Genauigkeit Ihrer Wahl an, bevor die Studie beginnt.

Häufig gestellte Fragen

Wie genau ist das Eye Tracking mit Webcam?

Mit Labvanced Eye Tracking 2.0 liegt die Median-Online-Teilnehmergenauigkeit bei 1.8° visuellem Winkel nach einer zweiminütigen Kalibrierung mit balanciertem Screening und bei etwa 1.4° nach der langen Kalibrierung mit sehr striktem Screening. Im Labor erreichte die erste Generation 1.4° in einem direkten Vergleich mit einem EyeLink 1000 (Kaduk et al., 2023).

Ist Eye Tracking mit Webcam genau genug für Lese-Studien?

Für das Lesen auf Wortebene empfehlen wir die Höchste Stufe mit striktem Screening, die etwa 1.5° liefert. Größere Interessengebiete, wie Gesichter, Szenen oder Regionen einer Seite, funktionieren auf der High-Stufe bei 1.8 bis 1.9°. Die obige Tabelle listet auf, welches Setup zu welchem Studiendesign passt.

Wie lange dauert die Kalibrierung?

Anweisungen und Kalibrierung dauern etwa 4 Minuten auf der High-Stufe und etwa 7 Minuten auf der Höchsten Stufe. Die kürzeren Stufen benötigen zwischen 30 Sekunden und 3 Minuten, und die passive Stufe benötigt überhaupt keine Kalibrierung.

Funktioniert das Eye Tracking mit Webcam bei Säuglingen?

Die passive Stufe beginnt mit dem Tracking, sobald die Kamera eingeschaltet ist, ohne irgendeine Kalibrierung. Ihr geschätzter Fehler liegt bei etwa 4°, was ausreicht, um einen Blick nach links von einem Blick nach rechts in bevorzugten Betrachtungsstudien zu unterscheiden. Eine Feldvalidierung mit Säuglingen steht noch aus.

Wie vergleicht sich Eye Tracking mit Webcam mit einem Labor-Eye-Tracker?

Ein Labor-Tracker wie der EyeLink 1000 bleibt präziser, mit einer Streuung von etwa 0.1° gegenüber 0.75° für die Webcam. Webcam Eye Tracking erreicht eine Genauigkeit von etwa 1.4 bis 1.8° auf den eigenen Computern der Teilnehmer, was für die meisten Designs, die auf Interessengebieten basieren, ausreichend ist.

Kann ich meine bestehende Studie auf 2.0 umschalten?

Ja, jederzeit: Wählen Sie Eye Tracking 2.0 in den Studieneinstellungen. Bestehende Studien verbleiben auf 1.x, bis Sie sie umschalten, und neue Studien beginnen mit 2.0.

Ist es in meiner Lizenz enthalten?

Eye Tracking 2.0 ist Teil aller Premium- und Ultimate-Lizenzen, genau wie Eye Tracking 1.x zuvor.

Was zeichnet eine 2.0 Studie auf?

Die gleiche Blickausgabe wie zuvor, x- und y-Positionen, jetzt genauer und präziser, mit einem Vertrauenswert pro Sample. Fixationen werden standardmäßig mit dem neuen zusammengeführten Detektor erkannt. Wenn Sie das nicht korrigierte Signal möchten, kann die auf jede Probe angewandte Korrektur als Parameter des Blickauslösers aufgezeichnet werden. Teilnehmer, die ausgeschlossen oder technisch abgelehnt werden, werden mit ihrem Status in den Gruppendaten der Studie aufgelistet.

Ändert sich etwas an meinen Daten?

Die Struktur bleibt gleich. Der Vertrauenswert ist jetzt auf einer anderen Skala: Er wird aus vollkommen anderen Größen berechnet als in 1.x, sodass seine Zahlen im Allgemeinen niedriger sind. Dies ist lediglich eine Änderung der Skala, nicht der Datenqualität, bedeutet jedoch, dass Vertrauensschwellen aus 1.x-Studien nicht auf 2.0 übertragbar sind. Vertrauen ist auch teilnehmertypisch: Verwenden Sie es, um Proben oder Versuche innerhalb eines Teilnehmers zu vergleichen, nicht zwischen Teilnehmern. Ein Vertrauen von 0,3 für einen Teilnehmer bedeutet nicht dasselbe wie 0,3 für einen anderen. Unsere Daten zeigen dies deutlich: Das typische Vertrauen der Teilnehmer lag zwischen 0,09 und 0,73, und sagte dennoch nichts über ihre Genauigkeit aus. Die Teilnehmer, deren typisches Vertrauen etwa 0,3 betrug, hatten Fehlerquoten von 3,7 % bis 20,8 %. Innerhalb eines Teilnehmers tendierten hingegen die Versuche mit geringerem Vertrauen dazu, weniger genau zu sein.

Was kommt als Nächstes?

Labvanced Webcam Eye Tracking 2.0 war ein Projekt von mehreren Monaten, das fast jeden Teil unseres Codes zur Augenverfolgung berührt hat. Es ist sicherlich nicht die letzte Verbesserung, die wir vornehmen werden. Hier sind fünf Themen, an denen wir jetzt arbeiten.

1. Blincken detektieren

Blinzeln stört kurzzeitig die Schätzung des Blicks. Wir werden sie zuverlässig erkennen und den Blick währenddessen stabil halten, sodass ein Blinzeln nicht mehr wie eine Augenbewegung aussieht. Ein sauberes Blinksignal ist auch interessant für sich: Die Blinkrate und das Timing sind etablierte Maße für Müdigkeit, Erregung und kognitive Last und könnten eine neue Ausgabe jeder Augenverfolgungsstudie werden.

2. Gleichmäßige Genauigkeit über den Bildschirm

Die Genauigkeit ist bereits nahezu einheitlich über den Bildschirm verteilt (Abbildung 13). Wir arbeiten daran, die kleinen systematischen Unterschiede zu beseitigen, die zwischen den Bildschirmregionen verbleiben, ohne einen einzigen Kalibrierungspunkt hinzuzufügen.

3. Adaptive Kalibrierung

Heute wählt der Forscher die Dauer der Kalibrierung im Voraus, und jeder Teilnehmer erhält die gleiche. Wir arbeiten an einer Kalibrierung, die sich an den Teilnehmer anpasst: kurz für die einfachen Fälle und nur länger, wo es sich auszahlt.

4. Fixationserkennung

Unser nächster Lab-Hinweis, Fixation Detection Analysis, vergleicht Algorithmen zur Fixationserkennung anhand von Webcam-Daten, in Aufnahmen, die gleichzeitig mit einem EyeLink 1000 erstellt wurden, und in einer schnellen Fixationsaufgabe, die unsere Online-Teilnehmer abgeschlossen haben. Es zeigt, wie der neue Standarddetektor von Eye Tracking 2.0 den Anteil stabiler Blicke verdoppelt, die als genau eine Fixation gemeldet werden.

5. Sitzungsqualität in Ihren Daten

Jede Sitzung misst bereits viele Informationen über ihre eigene Qualität während ihres Verlaufs. Wir werden eine kompakte Qualitätsausgabe pro Sitzung hinzufügen, mit einem Gesamtqualitätswert, sodass Forscher Sitzungen oder Teilnehmer nach der Datenerhebung bewerten, gewichten oder ausschließen können.

10. Probieren Sie es selbst aus

Der beste Weg, Webcam-Augenverfolgung zu beurteilen, ist, sie selbst zu erleben. Die folgenden Studien führen Eye Tracking 2.0 in Ihrem Browser mit Ihrer eigenen Webcam durch: Erlauben Sie den Kamerazugriff, folgen Sie der Kalibrierung und überzeugen Sie sich selbst. Wie alles in Eye Tracking 2.0 erfolgt die Verarbeitung auf Ihrem Gerät und kein Bild oder Video verlässt es. Die Genauigkeitsaufgabe ist die Studie hinter den Ergebnissen dieses Hinweises; die anderen Studien sind Demonstrationen typischer Forschungsdesigns und waren nicht Teil der Validierung.

11. Daten und Reproduzierbarkeit

Jedes Ergebnis in diesem Hinweis kann unabhängig überprüft werden. Wir veröffentlichen die anonymisierten Daten der 494 abgeschlossenen Sitzungen, auf denen die Ergebnisse basieren, zusammen mit den Skripten, die jede Zahl und jede Abbildung daraus berechnen.

Laden Sie das Datenpaket auf OSF herunter (ZIP, 9 MB)

Was es enthält. Eine Zeile pro Teilnehmer (Stufe, Screening, Kalibrierungsergebnisse und Timing), eine Zeile pro Versuch der 45-Ziel-Genauigkeitsaufgabe mit seinem Fehler, roh und mit den Korrekturen, und für die letzte Sekunde vor jeder Zieländerung das Fenster, das die Genauigkeitsmetrik verwendet: Blickproben mit dem Vertrauen des Modells, Fixationen und, auf der höchsten Stufe, Gesichtshelligkeit. Es enthält auch das Timing jedes Gaze Control-Laufs und aggregierte Tabellen für die Werte, die nicht pro Teilnehmer geteilt werden (technische Ablehnungen vor Beginn, Beibehaltung nach der Erhebung und die Präzisionswerte des Labors 2023). Eine README dokumentiert jede Spalte.

Wie man reproduziert. Die Skripte benötigen nur Python 3 und seine Standardbibliothek. Führen Sie scripts/accuracy.py und dann scripts/article_numbers.py aus: Gemeinsam wenden sie die Metrik genau so an, wie in diesem Hinweis beschrieben, und schreiben die Daten jeder Abbildung und jeder Zahl, die im Text zitiert wird. Die einzigen Werte, die nicht aus den Daten berechnet werden, sind die aggregierten Tabellen, die erwarteten Genauigkeiten der höchsten Stufe in Abbildung 12, die im Produkt festgelegt sind, und die geschätzte Genauigkeit der passiven Stufe.

Datenschutz. Die Daten enthalten keine Identifikatoren irgendwelcher Art: keine Prolific- oder Labvanced-IDs, keine Namen, keine demografischen Daten, keine Geräte- oder Browserinformationen und keine absoluten Daten oder Zeiten. Jeder Teilnehmer hat eine zufällige ID, die nicht mit anderen Aufzeichnungen verknüpft ist, und es existiert kein Schlüssel. Es wurden niemals Kamerabilder oder Videos aufgezeichnet. Alle Teilnehmer haben dem anonymisierten Gebrauch ihrer Daten zugestimmt.

Lizenz. Copyright © 2026 Scicovery GmbH (Labvanced). Die Daten und Skripte sind lizenziert unter CC BY-NC 4.0: Sie dürfen sie nutzen, neu analysieren und teilen sowie Ihre Ergebnisse für nicht-kommerzielle Zwecke veröffentlichen, mit Verweis auf Labvanced und eine Zitierung dieses Hinweises. Für die kommerzielle Nutzung ist unsere schriftliche Genehmigung erforderlich.

So zitieren Sie. APA-Stil, bereit zum Kopieren:

Beschreiben Sie es in Ihrem Methodenabschnitt. Sie können diesen Absatz anpassen (ersetzen Sie die Werte in Klammern durch Ihre Einrichtung): Der Blick wurde online mit den Webcams der Teilnehmer unter Verwendung von Labvanced Eye Tracking 2.0 (Labvanced, 2026) aufgezeichnet, mit der [High] Kalibrierungsstufe und [ausgewogenem] Teilnehmer-Screening. Live-Kopfposen- und Gaze Control-Korrekturen wurden angewendet. Bei der Validierung dieser Konfiguration betrug die Median-Genauigkeit [5,2 %] der Bildschirmdiagonalen, etwa [1,8°] des visuellen Winkels bei 60 cm.

Literaturverzeichnis

• Alp, N., Lale, G., Saglam, C., & Sayim, B. (2024). Der Einfluss der Verarbeitung partieller Informationen in der dynamischen Gesichtsperzeption. Scientific Reports, 14, 9794. https://doi.org/10.1038/s41598-024-58605-7
• Bertrand, J. K. (2023). Der Nutzen der Webcam-Augenverfolgung: Erfahrungen und praktische Anwendungen in Entscheidungsfindung und digitalen Mensch-Computer-Interaktionen [Doktorarbeit, University of Alberta]. https://doi.org/10.7939/r3-83ge-t169
• Bertrand, J. K., & Chapman, C. S. (2023). Die Dynamik der Hand-Augen-Koordination wird flexibel in der Augen-Cursor-Koordination während einer Online-Digitalinteraktionsaufgabe beibehalten. Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems. ACM. https://doi.org/10.1145/3544548.3580866
• Bertrand, J. K., Ouellette Zuk, A. A., & Chapman, C. S. (2023). Kontinuierliche Maße für die Entscheidungsschwierigkeit remote erfasst: II. Webcam-Augenverfolgung zeigt frühe Entscheidungsverarbeitung. bioRxiv. https://doi.org/10.1101/2023.06.06.543799
• Bánki, A., de Eccher, M., Falschlehner, L., Hoehl, S., & Markova, G. (2022). Vergleich von Online-Webcam- und laborbasierten Augenverfolgungen zur Beurteilung der Wahrnehmung der audio-visuellen Synchronität von Säuglingen. Frontiers in Psychology, 12, 733933. https://doi.org/10.3389/fpsyg.2021.733933
• Calignano, G., Lorenzoni, A., Semeraro, G., & Navarrete, E. (2024). Worte vor Bildern: Die Rolle der Sprache bei der Beeinflussung visueller Aufmerksamkeit. Frontiers in Psychology, 15, 1439397. https://doi.org/10.3389/fpsyg.2024.1439397
• Golan, M., Abo Shkara, M., & Havron, N. (2023). Kinder schließen die Bedeutung neuer Verben durch morphologisches Bootstrapping. PsyArXiv. https://doi.org/10.31234/osf.io/xk8eu
• Grosse Wiesmann, C., Rothmaler, K., Hasan, E., Habdank, K., Yang, C., Yeung, E., & Southgate, V. (2025). Der Selbstreferenz-Urteilsverzerrung geht eine andere Referenzverzerrung im Säuglingsalter voraus. Nature Communications, 16, 6311. https://doi.org/10.1038/s41467-025-61642-z
• Haverly, C. (2022). Einfluss des Videospielspielens auf die Änderungsdetektion: Eine Augenverfolgungsstudie. Horizons, 7, 68–73. University of Hawaiʻi at Mānoa. ScholarSpace
• Jenke, L., & Sullivan, N. (2025). Aufmerksamkeit und politische Wahl: Eine Grundlage für Augenverfolgung in der Politikwissenschaft. Political Analysis, 33(4), 298–314. https://doi.org/10.1017/pan.2025.8
• Kaduk, T., Goeke, C., Finger, H., & König, P. (2023). Webcam-Augenverfolgung nahe Laborstandards: Vergleich eines neuen webcam-basierten Systems und des EyeLink 1000. Behavior Research Methods, 56(5), 5002–5022.
• Kim, J. Y., Rowell, B., Whitaker, M., Chen, Q., Al Kontar, R., Lester, C., & Yang, X. J. (2026). Auswirkungen des Zeitpunkts der KI-Hilfe auf das Vertrauen von Apothekern in automatisierte Pillenerkennungstechnologien. JMIR Human Factors, 13, e92822. https://doi.org/10.2196/92822
• Niehorster, D. C., Nyström, M., Hessels, R. S., Andersson, R., Benjamins, J. S., Hansen, D. W., & Hooge, I. T. C. (2025). Die Grundlagen der Augenverfolgung Teil 4: Werkzeuge zur Durchführung einer Augenverfolgungsstudie. Behavior Research Methods, 57, 46. https://doi.org/10.3758/s13428-024-02529-7
• Patterson, A. S., Nicklin, C., & Vitta, J. P. (2025). Methodische Empfehlungen für webcam-basierte Augenverfolgung: Eine Scoping-Überprüfung. Research Methods in Applied Linguistics, 4(3), 100244. https://doi.org/10.1016/j.rmal.2025.100244
• Sander, I., Mazumder, R., Fingerhut, J., Parada, F. J., Koselevs, A., & Gramann, K. (2024). Über die Dichte hinaus: Von groben zu feingranularen Analysen emotionaler Erfahrungen in städtischen Umgebungen. Journal of Environmental Psychology, 96, 102337. https://doi.org/10.1016/j.jenvp.2024.102337
• Sauter, M., Hirzle, T., Wagner, T., Hummel, S., Rukzio, E., & Huckauf, A. (2022). Kann die Synchronität der Augenbewegungen die Leistung in Tests mit unreliabel erfassten Daten in einem Online-Lernkontext vorhersagen? ETRA '22: Symposium on Eye Tracking Research and Applications. ACM. https://doi.org/10.1145/3517031.3529239
• Saxena, S., Fink, L. K., & Lange, E. B. (2023). Deep-Learning-Modelle für Webcam-Augenverfolgung in Online-Experimenten. Behavior Research Methods. https://doi.org/10.3758/s13428-023-02190-6
• Serrano-Carot, M., Angele, B., Xu, H., & Vasilev, M. R. (2025). Webcams können verwendet werden, um Augenbewegungen während des Lesens zu untersuchen. PsyArXiv. https://doi.org/10.31234/osf.io/bzt2h_v1
• Stone, S. A., & Chapman, C. S. (2023). Unbewusste Frustration: Dynamische Bewertung der Benutzererfahrung unter Verwendung von Augen- und Mausverfolgung. Proceedings of the ACM on Human-Computer Interaction, 7(ETRA), 168. https://doi.org/10.1145/3591137
• Tsai, C. C., Kim, J. Y., Chen, Q., Rowell, B., Yang, X. J., Kontar, R., Whitaker, M., & Lester, C. (2025). Einfluss der Nützlichkeit und Unsicherheit von künstlicher Intelligenz auf die kognitiven Interaktionen mit Apothekern: Randomisierte kontrollierte Studie. Journal of Medical Internet Research, 27, e59946. https://doi.org/10.2196/59946
• Tsuji, S., Amso, D., Cusack, R., Kirkham, N., & Oakes, L. M. (2022). Editorial: Empirische Forschung aus der Ferne: Neue Methoden für die Entwicklungswissenschaft. Frontiers in Psychology, 13, 938995. https://doi.org/10.3389/fpsyg.2022.938995
• Tsutsuse, K. S. (2025). Auswirkungen von Online-Anzeigen auf die Verarbeitung und Bewertung wissenschaftlicher Erklärungen [Masterarbeit, University of Hawaiʻi at Mānoa]. ScholarSpace
• Wies, S., Bleier, A., & Edeling, A. (2023). Goldlöckchen-Influencer finden: Wie die Followerzahl das Engagement in sozialen Medien antreibt. Journal of Marketing, 87(3), 383–405. https://doi.org/10.1177/00222429221125131
• Zhang, P., & Zhang, S. (2025). Aufmerksamkeit und Lernen in L2-Multimodalität: Eine webcam-basierte Augenverfolgungsstudie. Language Learning & Technology, 29(1), 1–27. https://doi.org/10.64152/10125/73626
• Zhang, X., & Powdthavee, N. (2026). Aufmerksamkeit als Flaschenhals bei moralischen Urteilen: Wie der vergleichende Kontext die Erkennung von Diskriminierung verzerrt. PsyArXiv. https://doi.org/10.31234/osf.io/pnurb_v1
• Zhao, Y., Li, Y., Zhang, K., Li, Z., Hu, Y., Tan, L., Jia, H., Wang, S., Gao, Z., Song, Y., Li, X., Zhao, C., & Cao, A. (2025). Transkranielle Lichtstimulation verbessert die selektive Aufmerksamkeit bei Kindern mit ADHS. medRxiv. https://doi.org/10.1101/2025.09.18.25335086
• Labvanced Eye Tracking-Dokumentation: Studieneinstellungen, Datenausgabe.

<style>
.lab-byline { color: #666; font-size: 0.9rem; }
.lab-caption { font-size: 0.9rem; color: #555; margin-top: 0.5rem; line-height: 1.4; }
.lab-pipeline { width: 100%; height: auto; margin-top: 1rem; }
.lab-anchor { display: block; scroll-margin-top: 8rem; }
/* Ein Block, der breiter als die Textspalte ist, zentriert auf dieser: für Tabellen mit vielen Spalten. Die
   Inhaltskolonne ist 740px breit; der Block kann auf 1100px wachsen, solange er im
   Hauptbereich bleibt (Ansichtsfenster minus die 20rem Sidebar und die Inhalts-Padding). */
.lab-wide { width: min(1100px, calc(100vw - 25rem)); margin-left: 50%; transform: translateX(-50%); }
.lab-wide table { font-size: 0.92rem; }
.lab-cite { border: 1px solid #ddd; border-radius: 6px; padding: 0.9rem 1rem; margin: 0.75rem 0 1.25rem; }
.lab-cite p { margin: 0 0 0.75rem; }
.lab-cite button { background: none; color: inherit; font: inherit; font-weight: 600; cursor: pointer; }
@media (max-width: 719px) { .lab-wide { width: calc(100vw - 3rem); } }
.lab-lead { font-size: 1.15rem; line-height: 1.55; text-align: left; margin: 0.75rem 0 1.25rem; }
.lab-keys { display: grid; grid-template-columns: repeat(auto-fit, minmax(180px, 1fr)); gap: 0.75rem; margin: 0 0 1.5rem; }
.lab-key { border: 1px solid rgba(127, 127, 127, 0.35); border-radius: 8px; padding: 0.9rem 1rem; display: flex; flex-direction: column; gap: 0.25rem; }
.lab-key-num { font-size: 1.9rem; font-weight: 700; line-height: 1.1; }
.lab-key-txt { font-size: 0.9rem; line-height: 1.35; opacity: 0.85; }
.lab-toc { list-style: none; padding-left: 0; text-align: left; position: relative; z-index: 1; }
.lab-toc li { margin: 0.35rem 0; }
.lab-toc a { display: flex; gap: 0.6em; }
.lab-toc-num { flex: 0 0 1.4em; font-weight: 600; }
.lab-cards { display: grid; grid-template-columns: repeat(auto-fit, minmax(280px, 1fr)); gap: 1rem; margin: 1.25rem 0 1.5rem; }
.lab-card { border: 1px solid rgba(127, 127, 127, 0.35); border-radius: 8px; padding: 1rem 1.1rem; display: flex; flex-direction: column; }
.lab-card p { margin: 0 0 0.75rem; font-size: 0.95rem; line-height: 1.45; text-align: left; }
.lab-card .lab-card-title { font-weight: 700; font-size: 1.05rem; margin-bottom: 0.4rem; }
.lab-card-btn { margin-top: auto; align-self: flex-start; padding: 0.4rem 0.9rem; border: 1px solid currentColor; border-radius: 6px; font-weight: 600; text-decoration: none; }
.lab-cta { border: 1px solid rgba(127, 127, 127, 0.35); border-radius: 10px; padding: 1.25rem 1.4rem; margin: 2rem 0; }
.lab-cta p { margin: 0 0 0.75rem; text-align: left; }
.lab-cta .lab-cta-title { font-size: 1.25rem; font-weight: 700; margin-bottom: 0.35rem; }
.lab-cta-links { display: flex; flex-wrap: wrap; gap: 0.6rem; }
.lab-card-soon { margin-top: auto; align-self: flex-start; padding: 0.4rem 0.9rem; border-radius: 6px; font-weight: 600; opacity: 0.6; border: 1px dashed currentColor; }
.lab-download { margin: 1rem 0 1.25rem; }
.lab-download a { display: inline-block; padding: 0.55rem 1rem; border: 1px solid currentColor; border-radius: 6px; font-weight: 600; text-decoration: none; }
</style>