Labvanced Eye Tracking 2.0: präzises 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 bei einer medianen Genauigkeit von 1,8 Grad Sichtwinkel (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 diesem Hinweis 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

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

Gliederung

• 1Zusammenfassung und Einführung
• 2Wie wir gemessen haben: die Aufgabe, die Metrik und die Teilnehmer
• 3Eine verbesserte Blickengine mit Dual-Eye-Fusion, die auf Laptops, Tablets und Handys funktioniert
• 4Eine kürzere und bessere Kalibrierung für die Feinabstimmung individueller neuronaler Netzwerke
• 5Ein besseres Überprüfungsverfahren, technische Vorabprüfungen und ein vereinfachtes Setup
• 6Echtzeitkorrekturen für Kopfbewegungen und Beleuchtungsänderungen
• 71,4 bis 1,8 visuelle Grad Genauigkeit, verifiziert an etwa 500 realen Teilnehmern auf Prolific
• 8Eine passive Stufe, die ohne jegliche Kalibrierung sofort funktioniert, ideal für Forschungen mit Säuglingen
• 9Diskussion: Welches Setup für welche Studie?
• 10Probieren Sie es selbst aus
• 11Daten und Reproduzierbarkeit

Zusammenfassung

Webcam-Eye-Tracking ist bereits zu einem leistungsstarken Werkzeug für die Online-Verhaltensforschung geworden, und die erste Generation des Labvanced-Systems wurde im Labor mit einer Genauigkeit von etwa 1,4° Sichtwinkel gegen einen EyeLink 1000 validiert (Kaduk et al., 2024). Mehrere Fragen blieben offen. Wie viel von dieser Genauigkeit überstehen die unkontrollierten Bedingungen einer echten Online-Studie? Warum liefern einige Teilnehmer weit schlechtere Daten als andere, und können sie identifiziert werden, bevor ein Forscher sie bezahlt? Kann die Kalibrierung verkürzt werden, um sie in gewöhnlichen Online-Studien praktischer zu machen? Und was sollte mit Teilnehmern passieren, die sie nicht bestehen oder aus anderen Gründen nicht qualifiziert sind? 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 Aufnahmewellen mit etwa 500 abgeschlossenen Teilnehmern einer 45-Ziel-Genauigkeitsaufgabe validiert und veröffentlichen ihre anonymisierten Daten, damit jedes Ergebnis überprüft werden kann. Mit unserer neuen Standardkalibrierung (etwa 2 Minuten) und ausgewogener Überprüfung betrug der Fehler des medianen Teilnehmers 5,2 % der Bildschirmdiagonale, 1,8° Sichtwinkel auf einem Laptop in 60 cm Entfernung. Und mit der 5-minutigen Kalibrierung und sehr strenger Überprüfung erreichte die mediane Genauigkeit der Online-Teilnehmer 4 % der Bildschirmdiagonale, was 1,4° Sichtwinkel bei einem Standardabstand entspricht. Zusammenfassend zeigen wir mit dieser Veröffentlichung von Eye Tracking 2.0, dass die Genauigkeit, die in unserem von Experten geprüften Laborvergleich berichtet wird, online reproduziert werden kann.

1. Einführung

Augenbewegungen enthüllen kontinuierlich und ohne Nachfrage die Aufmerksamkeit, und jahrzehntelang erforderte ihre Messung Laborgeräte. Mit unserem bestehenden Webcam-System der ersten Generation (hier als Eye Tracking 1.x bezeichnet) haben wir gezeigt, dass eine Webcam sehr nah an der genauen Vorhersage von Augenbewegungen kommen kann: Im Vergleich zu einem EyeLink 1000 in fünf standardisierten Aufgaben erreichte unser System eine Genauigkeit von 1,4° und eine Präzision von 1,1°, etwa einem halben Grad hinter dem „Goldstandard“ im Labor (Kaduk, Goeke, Finger & König, 2024). Seitdem haben unabhängige Gruppen das Bild bestätigt und das System in einem bemerkenswerten Spektrum von Bereichen eingesetzt:

• Lesen. Aufgezeichnet neben einem EyeLink korrelierte der Webcam-Blick von Labvanced mit dem Labor-Tracker bei einer medianen r von 0,81 und reproduzierte den Wortfrequenzeffekt (Serrano-Carot, Angele, Xu & Vasilev, 2025).
• Entwicklung von Säuglingen. Der Webcam-Blick von Säuglingen, der zu Hause aufgezeichnet wurde, wurde mit Labor-Eye-Tracking in einer Audio-Visuelle-Synchronitätsaufgabe verglichen (Bánki, de Eccher, Falschlehner, Hoehl & Markova, 2022).
• Entscheidungsfindung und Mensch-Computer-Interaktion. Fernblick offenbarte frühe Entscheidungsverarbeitung (Bertrand, Ouellette Zuk & Chapman, 2023), die Koordination von Auge und Cursor in einer digitalen Objektaufgabe (Bertrand & Chapman, 2023) und die Frustration der Benutzer (Stone & Chapman, 2023), zusammengebracht in einer Doktorarbeit über die Nützlichkeit des Webcam-Eye-Trackings (Bertrand, 2023).
• Sprache, Aufmerksamkeit und Wahrnehmung. Studien untersuchten, wie Lernende Text, Audio und Bilder beim Erwerb von Zweitsprachvokabeln beachten (Zhang & Zhang, 2025), wie Wörter visuelle Aufmerksamkeit beeinflussen (Calignano, Lorenzoni, Semeraro & Navarrete, 2024), wie partielle Informationen die dynamische Gesichts- wahrnehmung formen (Alp, Lale, Saglam & Sayim, 2024) und wie Videospielspieler Änderungen erkennen (Haverly, 2022).
• Bildung und Wissenschaftskommunikation. Die Blicksynchronität zwischen Studierenden, die Vorlesungsvideos ansehen, sagte ihre Testergebnisse voraus (Sauter, Hirzle, Wagner, Hummel, Rukzio & Huckauf, 2022), und die Fixierungen zeigten, wie Online-Werbung von wissenschaftlichen Erklärungen ablenkt (Tsutsuse, 2025).
• Marketing, soziale und Umweltpsychologie. Der Blick von Instagram-Nutzern zeigte, dass sie nach der Followerzahl eines Influencers suchen (Wies, Bleier & Edeling, 2023); die Aufmerksamkeit auf Lebensläufe erklärte, wie 1.159 Teilnehmer diskriminierende Einstellungen beurteilt haben (Zhang & Powdthavee, 2026); und der Blick auf urbane Szenen stand im Zusammenhang mit emotionalen Erfahrungen (Sander, Mazumder, Fingerhut, Parada, Koselevs & Gramann, 2024).
• Gesundheit und Mensch-KI-Interaktion. Eine randomisierte kontrollierte Studie maß, wo Apotheker hinschauen, wenn ihnen eine KI hilft, Medikamente zu überprüfen (Tsai et al., 2025; Kim et al., 2026), und eine klinische Studie zeichnete Webcam-Blick mit EEG bei Kindern mit ADHS auf (Zhao et al., 2025).

Methodische Übersichten und Einführungen listen jetzt Labvanced unter den etablierten Webcam- Blickverfolgungssystemen auf (Niehorster et al., 2025; Jenke & Sullivan, 2025; Patterson, Nicklin & Vitta, 2025; Tsuji, Amso, Cusack, Kirkham & Oakes, 2022). Diese Ergebnisse haben die Webcam-Blickverfolgung und insbesondere Labvanced als ernstzunehmendes Instrument für die akademische Forschung etabliert.

Wichtig ist, dass zur Vergleich unserer webcam-basierten Daten mit dem EyeLink, unser vorheriges Vergleichsprojekt, das zu unserer peer-reviewed Veröffentlichung führte, in einem Labor durchgeführt werden musste. Daher konnten wir die gesamte Umgebung kontrollieren, einschließlich des Computers, des Bildschirms, der Webcam, des Raums und der Beleuchtung. Wir konnten auch die Teilnehmer persönlich instruieren, und in einem solchen Laborumfeld gaben die meisten Teilnehmer vermutlich ihr Bestes oder zumindest eine gute Leistung während des Experiments. Nahezu keine dieser Bedingungen 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 darauf. Angesichts dieser bekannten Mängel sind wir sowohl glücklich als auch stolz, dass viele Projekte mit unserer bestehenden Blickverfolgungstechnologie bemerkenswert erfolgreich waren und in führenden Zeitschriften veröffentlicht wurden. Allerdings erhielten einige Forscher nicht die Genauigkeit, die sie erwarteten, oder hatten mit anderen Schwierigkeiten zu kämpfen, wie z.B. Teilnehmer, die durch eine lange Kalibrierung frustriert waren oder eine hohe Anzahl von Teilnehmern, die aus technischen und verschiedenen anderen Gründen gescheitert sind. Zum Beispiel, obwohl wir bereits kinderfreundliche Kalibrierungen entwickelt hatten, stellten zwei Kleinkindstudien fest, dass unsere Blickverfolgung 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 evaluieren und jeden einzelnen anzugehen. Am Ende dieser Reise, sicherlich nicht am Ende der Entwicklung der Webcam-Blickverfolgung, 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 Open Access und für jeden verfügbar, um sie unabhängig zu replizieren und zu überprüfen (Abschnitt 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. Allerdings änderte sich die Version der Blickverfolgung zwischen fast jeder dieser Aufzeichnungsbatches, um unsere neuesten Entwicklungen zu testen oder zu verifizieren (z.B. Test der Posekorrektur). Einige der Batches sind auch kleiner und andere größer, aus verschiedenen Gründen. Diese Notiz ist keine peer-reviewed Veröffentlichung, aber wir glauben, dass alle hier berichteten Analysen und Ergebnisse wissenschaftlich solide, wirklich aufschlussreich sind und jeder eingeladen ist, die Daten herunterzuladen und sie zu replizieren oder zu überprüfen. Ein peer-reviewed Artikel über Eye Tracking 2.0 und möglicherweise einige andere Themen werden folgen.

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

Metrik. Die Hauptmetrik, die uns interessiert, ist der Ziel-Fehler oder die Genauigkeit. Dies wird als die Entfernung zwischen dem Zielort und der Medianblickposition 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 Maßnahmen (die Medianblickposition und die Fixation) ergaben nahezu identische Genauigkeitsergebnisse. Weitere Informationen über diesen neuen Mechanismus zur Fixationsdetektion werden in der nächsten Labornotiz verfügbar sein. Die Genauigkeit eines Teilnehmers wird dann als Median seiner 45 Fehler definiert, und die Genauigkeit einer Gruppe als Median über die Teilnehmer. Wir berichten diesen Median durchweg und filtern weder Versuche noch Teilnehmer heraus. Auf einem 1920 mal 1080 Bildschirm (Full HD) sind 1 % der Diagonalen 22 px und 5 % sind 110 px. Aufgrund des Remote-Aufzeichnungs-Setups konnten wir entweder die tatsächliche physische Bildschirmgröße oder den genauen Betrachtungsabstand des Teilnehmers nicht zuverlässig aufzeichnen. 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.

Probe. Zehn Aufzeichnungsbatches 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 jüngsten Batches: 48 aus einem 2.0.9 Batch, 296 in der High-Ebene ohne Screening, 50 in der High-Ebene mit ausgewogenem Screening und aktiv laufenden Live-Korrekturen sowie 100 in der höchsten Ebene. Die rund 200 Sitzungen der frühesten Batches 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 Abschnitt 11).

3. Eine Dual-Eye-Blick-Engine

3.1 Wie die Dual-Eye-Engine funktioniert

Wie sagt Labvanced Eye Tracking 2.0 vorher, wohin der Blick und die Fixationen gehen?

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

Was bedeutet das Dual-Eye-Fusionsmodell? Der 2.0-Gaze-Engine betrachtet die beiden Augen als zwei getrennte Messungen und kombiniert diese, sodass ein halbgeschlossenes, im Schatten befindliches oder von einem Reflex gefangenes Auge weniger zählt. Informationen aus benachbarten Frames werden ebenfalls verwendet, ohne dabei tatsächliche Augenbewegungen zu glätten. Das Ergebnis ist eine genauere und robustere Rohschätzung des Blicks als zuvor sowie ein Vertrauenswert, der die tatsächliche Präzision und Genauigkeit besser widerspiegelt.

Geschwindigkeit und Geräte. Die Gaze-Engine wurde für Geschwindigkeit neu geschrieben und nutzt die neuesten Webtechnologien wie WebGPU und WebAssembly. Zusammen genommen beschleunigt dies sowohl die Live-Vorhersage als auch den Feinabstimmungsschritt (Kalibrierung) erheblich. Infolgedessen läuft Eye Tracking 2.0 auf den meisten Laptops reibungslos (mit Ausnahme älterer Chromebooks und ähnlicher Geräte), auf Desktop-Computern und auf modernen Tablets wie iPads. Handys nutzen 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 Stichprobenrauschen als 1.x

Präzision. Mit der Dual-Eye-Fusion ist der Blick deutlich stabiler und präziser. Online streuen 2.0-Gaze-Stichproben mit einem Median von 2,2 % der Bildschirmdiagonale (etwa 0,75°), und ihr Stichprobenrauschen ist etwa 40 % niedriger als das von Eye Tracking 1.x, das in unserer Laborstudie von 2023 aufgezeichnet wurde (Abschnitt 7.2).

4. Eine kürzere und bessere Kalibrierung

4.1 Wie die Kalibrierung funktioniert

Die Kalibrierung in 2.0 ist erheblich kürzer und funktioniert auf eine grundsätzlich neue Weise. Die Qualität jedes Kalibrierungspunktes wird während der Aufzeichnung überprüft, sodass Punkte, die während eines Blinzelns oder Wegschauens des Teilnehmers aufgenommen wurden, sofort wiederholt werden. Das Netzwerk des Teilnehmers wird dann auf dessen eigenem Gerät optimiert, in den meisten Fällen erheblich schneller als zuvor, und die Feinabstimmung ist zeitlich begrenzt, sodass kein Teilnehmer jemals stecken bleibt.

Blickkontrolle. Die Blickkontrolle ist eine kurze Andockaufgabe, die vor der ersten Augenverfolgungsaufgabe, nach einer Kopfneupositionierung und in regelmäßigen Abständen, die durch die Genauigkeitsstufe festgelegt sind, durchgeführt wird: alle drei Minuten auf Hoch und vor jedem Versuch auf Höchste. Sie unterbricht niemals einen Versuch. Die Teilnehmer sehen ihre Kopfposition als einen Kreis und bewegen ihren Kopf, bis er sich mit einem Zielkreis überlappt, was die Kopfposition und den Abstand zur Kamera in einem einzigen intuitiven Schritt korrigiert. Für echte Online-Teilnehmer dauert dies median 6,7 Sekunden von Anfang bis Ende. Jeder Durchlauf dient auch als Überprüfung der aktuellen Blickqualität, die für die Live-Korrekturen verwendet wird (Abschnitt 6).

Probe. Der erste Blickkontrolldurchlauf 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 der Screening-Stufen (Abschnitt 5): Auf höheren Stufen werden nur Teilnehmer mit besserer vorhergesagter Genauigkeit in die Studie zugelassen.

4.2 Ergebnis: 4 Minuten auf Hoch, 7 Minuten auf Höchste

Anweisungen + Kalibrierung dauern 4 Minuten auf Hoch und 7 auf Höchste. Von der Sichtung des ersten Anweisungstexts bis zum Ende der Probe benötigten echte Online-Teilnehmer median etwa 4 Minuten auf der Hoch-Stufe (etwa 2 Minuten Kalibrierungspunkte) und etwa 7 Minuten auf der Höchste-Stufe (etwa 5 Minuten Kalibrierungspunkte). Die Feinabstimmung selbst dauerte median etwa 37 Sekunden nach der zweiminütigen Kalibrierung und etwa 67 Sekunden nach der Höchsten. Beachten Sie, dass die Versuchspersonen während des Feinabstimmungsschrittes meist entspannen können.

Zwei Minuten Kalibrierung sind für die meisten Studien ausreichend, aber fünf werden es verbessern. Mit ausgewogenem Screening (Stufe 3) liefert die zweiminütige Kalibrierung (Hoch) median 5,2 % der Diagonale (etwa 1,8 visuelle Grad). Für die Mehrheit der Online-Paradigmen wird dies ausreichend genau sein. Die Höchste-Kalibrierung mit sehr strengen Screening (Stufe 5) lieferte etwa 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 Funktionalitäten unseres Partners und Anbieters zur Rekrutierung von Teilnehmern, Prolific. Zuerst wird eine technische Überprüfung unpassende Geräte ohne Vergütung abgelehnt; dann kommen die Kalibrierung, die Probe und das Screen-out, mit einer reduzierten Teilnehmervergütung nach Wahl des Forschers.

• Technische Ablehnung. Die Fähigkeiten des Geräts und seiner Kamera werden überprüft, und die Blick-Abtastrate muss 10 Hz erreichen. Ein Fehlschlag hier führt zu einer technischen Ablehnung: Der Teilnehmer benötigt dafür nur wenige Sekunden (vielleicht bis zu einer Minute auf wirklich langsamen Geräten), und ihm wird gesagt, warum er abgelehnt wurde. Der beste Weg, dies Teilnehmern von Prolific zu kommunizieren, besteht darin, einen Ablehnungslink zu erstellen, "inkompatibles Gerät" als Grund auszuwählen und das Kästchen "Teilnehmer bitten, die Studie zu verlassen" anzukreuzen. Die meisten Teilnehmer werden dies gerne tun, und für diejenigen, die trotzdem den vollen Betrag einreichen, wird ihr Status als "inkompatibles Gerät" angezeigt, sodass der Ablehnungsgrund klar ist. Infolgedessen gelangen nur Teilnehmer mit technisch fähigen Geräten in die eigentliche Studie und werden zur Kalibrierung zugelassen.

• Screen-out nach der Kalibrierung. Nach der Kalibrierung und der Probe entscheidet das System, ob der Teilnehmer in die Augenverfolgungsaufgabe zugelassen wird, basierend auf der Screening-Stufe der Studie. Stufe 0 schließt niemanden aus und erlaubt jedem, mit der Aufgabe zu beginnen. Stufe 1 schließt nur fehlgeschlagene Kalibrierungen aus, während die Stufen 2 bis 5 die durch die Probe vorhergesagte Genauigkeit verwenden und etwa 65, 50, 30 oder 15 von 100 Teilnehmern zulassen. Ein Teilnehmer, der nicht besteht, wird sofort ausgescreent. Wenn Sie Prolific nutzen, empfehlen wir, einen speziellen Screen-out-Link zu verwenden und den 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 Augenverfolgungs-Kalibrierung mehr oder weniger das Erste ist, was der Teilnehmer tut. Wenn der Teil zur Augenverfolgung viel später in Ihrer Studie beginnt, ziehen Sie in Betracht, eine Kalibrierungswiederholung zu aktivieren (die standardmäßig deaktiviert ist), und für Teilnehmer, die auch bei der Wiederholung nicht bestehen, eine höhere Screen-out-Gebühr zu zahlen.

Zusammengefasst machen die technische Ablehnung und das Screen-out das Augenverfolgen mit unserem 2.0-System zu einem reibungslosen Erlebnis auf Crowdsourcing-Plattformen wie Prolific, mit sowohl hoher Genauigkeit als auch hohen Abschlussquoten für die zugelassenen Teilnehmer.

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

Die Vorprüfung fängt ein, was später gescheitert wäre. In einer unserer Online-Datensammlungen wurden 37 von 251 Teilnehmern (etwa 15 %) vor Beginn abgelehnt, die meisten aufgrund einer Kamera unter der erforderlichen Auflösung oder eines Computers, der zu langsam war, um ein Gesicht zu verfolgen (Abbildung 3). Jeder von ihnen hätte sonst eine fehlgeschlagene oder unbrauchbare Sitzung produziert. Wir erzwingen nun auch eine gemessene Blickrate von mindestens 10 Hz, die unser neuer Fixationsalgorithmus benötigt (mehr dazu im nächsten Lab-Hinweis).

Jede Screening-Stufe kauft einen vorhersehbaren Gewinn. Angewendet auf die 295 Teilnehmer der Hoch-Stufe ohne Screening, tauscht jede Stufe die Zulassung gegen Genauigkeit in Schritten von 0,2 bis 0,7 Punkten (Abbildung 5). Auf Stufe 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, fällt von 17 % auf 3 %. Eine spätere Live-Charge 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 ausgesiebte Teilnehmer nur teilweise bezahlt werden. Ein ausgesiebter Teilnehmer erhält einen kleinen Teil der vollen Gebühr, in unserem Fall etwa ein Zehntel, sodass Stufe 3 die geschätzten Rekrutierungskosten um etwa 10 % und Stufe 5 um etwa 60 % erhöht (Abbildung 6).

Fast jeder bezahlte Teilnehmer liefert einen vollständigen Datensatz. Von den 450 auf Prolific genehmigten und bezahlten Teilnehmern in den letzten fünf Gruppen (24. bis 28. September) lieferten 447 (99,3 %) den vollständigen Datensatz (Abbildung 7). ebenso wichtig ist, dass die Teilnehmer bleiben, sobald sie zugelassen sind: 96 bis 97 % derjenigen, die den Test bestanden haben, haben die Studie abgeschlossen. Teilnehmer, die beim technischen Vorabcheck abgelehnt wurden, werden nicht bezahlt, und ausgesiebte Teilnehmer erhalten nur einen kleinen Teil der Gebühr, sodass die volle Gebühr fast ausschließlich für brauchbare Aufzeichnungen verwendet wird.

6. Live-Korrekturen für Kopfbewegungen und Lichtwechsel

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 Laufe einer Sitzung hinzufügen. Beide sind standardmäßig in jeder kalibrierenden Stufe aktiviert, können jedoch in den Studieneinstellungen deaktiviert werden.

• Kopfpose-Korrektur. Wenn sich der Kopf während der Kalibrierung von seiner Position entfernt, verschiebt sich die Schätzung der Blickrichtung entsprechend. Diese Korrektur kompensiert diese Verschiebung kontinuierlich.
• Blickprüfungs-Korrektur. Die regelmäßigen Gaze Control-Checks (alle drei Minuten auf Hoch, vor jedem Versuch auf Höchst) werden verwendet, um den Drift zu entfernen, der nach der Kalibrierung entsteht, einschließlich des Drifts, den ein Lichtwechsel produziert. Ein Lichtwechsel-Detektor löst eine zusätzliche Prüfung aus, wenn sich das Licht im Gesicht merklich ändert.

Rohdaten zum Blick bleiben 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 Blickauslöserereignisses), sodass Forscher, die das unkorrigierte Signal bevorzugen, es genau wiederherstellen können.

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

Die Korrekturen entfernen ein Sechstel des Fehlers und den Großteil des Schwanzes. In der hohen Stufe mit ausgewogenem Screening (Stufe 3, 143 Teilnehmer) bewegt sich der Median von 6,37 % roh zu 5,72 % mit der Kopfpose-Korrektur 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 beträgt der Gewinn ebenfalls ein Sechstel: 7,42 % auf 6,21 % bei 295 Teilnehmern. Etwa drei Teilnehmer von vieren verbessern sich (Abbildung 9).

Sie bleiben bei Teilnehmern, bei denen sie nie entwickelt wurden. Die Korrekturen wurden einmal festgelegt und dann unverändert auf fünf nachfolgende Gruppen angewendet, drei offline und zwei mit den Korrekturen, die live in der Studie laufen (Abbildung 10).

Stabiles Licht hält die Genauigkeit hoch, und Gaze Control-Checks erfassen die Änderungen. In der höchsten 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 um mehr als 10 % wechselte, betrug der Fehler 10,94 %, als das Gesicht dunkler wurde (5 Teilnehmer) und 7,78 %, als es heller wurde (8 Teilnehmer) (Abbildung 11). Regelmäßige Gaze Control-Checks erfassen eine solche Änderung und korrigieren sie.

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

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

Mit der zweiminütigen Kalibrierung und ausgewogenem Screening beträgt der mediane Fehler des Teilnehmers 5,2 % der Diagonalen, etwa 1,8°, und fünfzehn von sechzehn zugelassenen Teilnehmern bleiben unter 10 %. Die höchste Stufe mit sehr strengen Screening erreicht 4 %, etwa 1,4°.

Der Fehler ist fast gleichmäßig über den Bildschirm verteilt, und die äußeren Ziele schneiden nicht schlechter ab als das Zentrum (Abbildung 13). Der untenstehende Rechner wandelt die erwartete Genauigkeit in jeden Bildschirm und Betrachtungsabstand um.

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

Die Präzision hat sich im Vergleich zur ersten Generation deutlich verbessert. Um Äpfel mit Äpfeln zu vergleichen, haben wir die Präzision von Eye Tracking 1.x anhand der Aufzeichnungen unserer Laborstudie 2023 neu berechnet, in der jeder Teilnehmer zeitgleich mit der Webcam und einem EyeLink 1000 aufgezeichnet wurde. Für jeden Rasterversuch haben wir das stabilste einsekündige Fenster gemäß EyeLink gewählt, sodass beide Tracker während einer echten Fixation gemessen wurden, und die gleichen zwei Standardmaße wie für 2.0 angewendet: die Streuung der Proben um ihr Mittel (SD) und die Quadratwurzel des Mittelwerts der Stichprobenabstände (RMS-S2S).

Werte in Prozent der Bildschirmdiagonalen, mit Sichtwinkel auf dem Bildschirm jeder Studie (15-Zoll-Monitor bei 60 cm im Labor, 14,2-Zoll-Laptop bei 60 cm online). Beide Webcam-Systeme hatten eine Abtastrate von 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°. Bemerkenswerterweise begünstigt der Vergleich 1.x aus zwei Gründen: Es wurde unter Laborbedingungen aufgezeichnet, und seine Fenster wurden als das stabilste zweite Fenster vom EyeLink ausgewählt, was online nicht möglich ist. Die Verbesserung ist daher, wenn überhaupt, unterschätzt. Der EyeLink bleibt natürlich das genaueste System, aber 2.0 schließt einen großen 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 durchzuführen, was in bestimmten experimentellen Szenarien sehr nützlich sein kann. Alles, was erforderlich ist, ist, dass die Teilnehmer den Kamerazugang gewähren; die Vorhersage der Blickrichtung beginnt dann umgehend. Es ist für Teilnehmer gedacht, die nicht kalibrieren können oder sollten, vor allem Säuglinge: Die Kalibrierung war schon immer der schwierigste Teil des Säuglings-Blickverfolgens, und viele Säuglingsstudien verwenden sogenannte Präferenzbetrachtungsparadigmen, d.h. sie fragen, ob ein Kind nach links oder rechts schaut. Diese zuverlässig in Echtzeit und vollständig auf dem eigenen Gerät des Teilnehmers klassifizieren zu können, kann ein Wendepunkt für die Forschung zur Aufmerksamkeit von Säuglingen sein, aber auch für andere Bereiche, in denen das Blickverfolgen am besten leise im Hintergrund erfolgt. 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 deren Feldvalidierung steht noch aus. Säuglingslabore werden zu Recht diese Validierung mit tatsächlichen Säuglingen wollen, was über das hinausgeht, was Prolific anbietet. 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, dass unsere Arbeitsschätzung einen Fehler von etwa 11-12 % der Bildschirmdiagonale beträgt, ungefähr 4° auf einem Laptop bei 60 cm. Abbildung 14 zeigt, was das für ein typisches Versuchsdesign bedeutet: Bei dem Medianfehler der passiven Stufe bleibt ein Blick auf ein Ziel in der Mitte der linken Bildschirmhälfte gut fern von der rechten Hälfte. Es besteht sogar eine gute Chance, dass 4 bis 6 Bildschirmregionen mit ausreichender Zuversicht unterschieden werden können. Weitere Daten hierzu werden im Laufe der Zeit bereitgestellt.

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

9. Diskussion

Unser peer-reviewed Vergleich von 2023 zeigte, dass eine Webcam in einem Labor die Augenbewegungen auf etwa 1.4° verfolgen kann. Diese Notiz zeigt, dass mit unserem Webcam Eye Tracking 2.0-Engine eine Webcam im Zuhause des Teilnehmers, auf ihrem eigenen Laptop und bei ihrem eigenen Licht, den Blick auf einen Median von etwa 1.8° mit einer zweiminütigen Kalibrierung und ausgewogenem Screening, und auf etwa 1.4° mit der langen Kalibrierung und sehr strengen Screening verfolgt. Tatsächlich wird die Genauigkeit, die die vorherige Generation unter Laborbedingungen erreichte, nun online erreicht. Drei Mechanismen sind für die meisten Veränderungen verantwortlich: ein verbessertes Dual-Eye-Gaze-Engine, eine Kalibrierung, die individuelle Unterschiede und Drift besser erfasst, und Live-Korrekturen, die systematische Fehler von Kopfhaltung und Beleuchtung entfernen.

Für Forscher sind die Folgen sehr praktisch. Die meisten Studien in Bereichen wie Psychologie, Linguistik, Soziologie, Wirtschaft, Marketing und anderen können die hohe Stufe nutzen und etwa 1.8° erwarten, was höchstwahrscheinlich gut genug ist, um den erwarteten Effekt zu erfassen. Studien, die kleinere Regionen untersuchen, wie Leseaufgaben mit vielen Wörtern und kleinen Lücken zwischen ihnen (versuchen Sie die Lese-Studie), können die höchste Stufe nutzen und etwa 1.5° bei strengen Screening oder 1.4° bei sehr strengen Screening von einer Webcam erhalten. Am anderen Ende haben Forscher, die die Aufmerksamkeit bei Säuglingen und Kleinkindern untersuchen, jetzt die Möglichkeit, diese ohne Kalibrierung zu verfolgen, und damit ohne die Schwierigkeiten, die Kalibrierungen bei der Datensammlung mit sich bringen (Abschnitt 8). Und natürlich gibt es mehrere Schritte zwischen diesen Extremen. Die Einrichtung der Labvanced-Oberfläche ist stark vereinfacht, und die erwartete Genauigkeit, die sie für jede Wahl zeigt, basiert auf realen Messungen. Kurz gesagt, Ihr nächstes Eye-Tracking-Projekt kann heute starten.

Welche Einrichtung für welche Studie?

Die Tabelle unten ist eine grobe Richtlinie, kein strenges Regelwerk. Achten Sie für jede Aufgabe und Studie auf die Anzahl der Interessensgebiete, deren Größe und vor allem den Abstand zwischen ihnen und wählen Sie die Einstellungen entsprechend: Zwei große Regionen, die weit auseinander liegen, tolerieren viel mehr Fehler als viele kleine nebeneinander. 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 den Korrekturen aktiv, gemessen auf der hohen Stufe und der höchsten Reihe und geschätzt für die anderen; die zusätzlichen Rekrutierungskosten zählen einen ausgesonderten Teilnehmer mit einem Zehntel eines abgeschlossenen. Screening gilt nicht für die passive und mittlere Stufe: Jeder wird zugelassen.

Der Einrichtungassistent in den Labvanced-Studieneinstellungen stellt dieselben zwei Fragen, die Genauigkeitsstufe und das Screening-Niveau, und zeigt die erwartete Genauigkeit Ihrer Wahl, bevor die Studie beginnt.

Häufig gestellte Fragen

Wie genau ist Webcam-Eye-Tracking?

Mit Labvanced Eye Tracking 2.0 ist der Median eines Online-Teilnehmers auf 1.8° des Sichtwinkels nach einer zwei-minütigen Kalibrierung mit ausgewogenem Screening genau und auf etwa 1.4° nach der langen Kalibrierung mit sehr strengen Screening. Im Labor erreichte die erste Generation 1.4° im direkten Vergleich mit einem EyeLink 1000 (Kaduk et al., 2024).

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

Für das Lesen auf Wortebene empfehlen wir die höchste Stufe mit strengen Screening, die etwa 1.5° liefert. Größere Interessensgebiete, wie Gesichter, Szenen oder Bereiche einer Seite, funktionieren auf der hohen Stufe bei 1.8 bis 1.9°. Die Tabelle oben listet auf, welche Einrichtung zu welchem Studiendesign passt.

Wie lange dauert die Kalibrierung?

Anweisungen und Kalibrierung dauern etwa 4 Minuten auf der hohen 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 Webcam-Eye-Tracking auch bei Säuglingen?

Die passive Stufe beginnt mit der Verfolgung, sobald die Kamera eingeschaltet ist, ohne Kalibrierung. Ihr geschätzter Fehler beträgt 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 Webcam-Eye-Tracking mit einem Labor-Eye-Tracker?

Ein Labor-Tracker wie der EyeLink 1000 bleibt präziser, mit einer Streuung von etwa 0.1° gegen 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 Interessensgebieten basieren, ausreichend ist.

Kann ich meine bestehende Studie auf 2.0 umstellen?

Ja, jederzeit: Wählen Sie Eye Tracking 2.0 in den Studieinstellungen. Bestehende Studien bleiben auf 1.x, bis Sie sie umstellen, 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?

Dasselbe Blickoutput wie zuvor, x und y Positionen, jetzt genauer und präziser, mit einem Vertrauenswert pro Probe. Fixationen werden standardmäßig mit dem neuen zusammengeführten Detektor erkannt. Wenn Sie das unkorrektive Signal wünschen, kann die Korrektur, die auf jede Probe angewendet wird, als Parameter des Blickauslösers aufgezeichnet werden. Teilnehmer, die aussortiert oder technisch abgelehnt werden, werden mit ihrem Status in der Gruppenstatistik der Studie aufgeführt.

Ändert sich irgendetwas an meinen Daten?

Die Struktur bleibt gleich. Der Vertrauenswert ist jetzt auf einer anderen Skala: Er wird aus völlig anderen Größen als in 1.x berechnet, sodass seine Zahlen im Allgemeinen niedriger sind. Dies ist nur eine Änderung der Skala, nicht der Datenqualität, aber es bedeutet, dass Vertrauensschwellen aus 1.x-Studien nicht auf 2.0 übertragbar sind. Vertrauen ist auch teilnehmerspezifisch: Verwenden Sie es, um Proben oder Versuche innerhalb eines Teilnehmers zu vergleichen, nicht über Teilnehmer hinweg. 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 reichte von 0.09 bis 0.73, doch es sagte nichts darüber aus, wie genau sie waren. Die Teilnehmer, deren typisches Vertrauen etwa 0.3 betrug, wiesen Fehlerquoten von 3.7 % bis 20.8 % auf. Innerhalb eines Teilnehmers hingegen tendierten die Versuche mit niedrigerem Vertrauen dazu, weniger genau zu sein.

Was kommt als Nächstes?

Labvanced Webcam Eye Tracking 2.0 war ein Projekt, das mehrere Monate dauerte und fast jeden Teil unseres Eye-Tracking-Codes berührte. Es ist sicherlich nicht die letzte Verbesserung, die wir vornehmen werden. Hier sind fünf Themen, an denen wir jetzt arbeiten.

1. Blinzerkennung

Blinzeln stört vorübergehend die Schätzung des Blicks. Wir werden sie zuverlässig erkennen und den Blick stabil halten, damit ein Blinzeln nicht mehr wie eine Augenbewegung aussieht. Ein sauberes Blinksignal ist auch an sich interessant: Die Blinkrate und das Timing sind bewährte Maße für Müdigkeit, Erregung und kognitive Belastung und könnten zu einem neuen Ausgang jedes Eye-Tracking-Experiments werden.

2. Gleiche Genauigkeit über den Bildschirm

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

3. Adaptive Kalibrierung

Heute wählt der Forscher die Länge 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 länger nur dort, wo es sich auszahlt.

4. Fixationserkennung

Unser nächster Lab Note, Fixation Detection Analysis, vergleicht Algorithmen zur Fixationserkennung auf Webcam-Daten, in Aufzeichnungen, die gleichzeitig mit einem EyeLink 1000 und in einer schnelllebigen Fixation-Aufgabe gemacht wurden, die unsere Online-Teilnehmer abgeschlossen haben. Es zeigt, wie der neue Standarddetektor von Eye Tracking 2.0 den Anteil stabiler Blicke verdoppelt, der als genau eine Fixation gemeldet wird.

5. Sitzungsqualität in Ihren Daten

Jede Sitzung misst bereits viel über ihre eigene Qualität, während sie läuft. Wir werden eine kompakte Qualitätsausgabe pro Sitzung hinzufügen, mit einem Gesamtqualitätswert, damit Forscher Sitzungen oder Teilnehmer nach der Datenerhebung einstufen, gewichten oder ausschließen können.

10. Probieren Sie es selbst

Der beste Weg, Webcam-Eye-Tracking zu beurteilen, ist, es selbst zu erleben. Die unten stehenden Studien führen Eye Tracking 2.0 in Ihrem Browser mit Ihrer eigenen Webcam aus: Erlauben Sie den Kamerazugriff, folgen Sie der Kalibrierung und überzeugen Sie sich selbst. Wie alles in Eye Tracking 2.0 läuft 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 Beispiele 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.

Erhalten Sie das Datenpaket auf OSF (ZIP, 9 MB)

Das Paket hat eine permanente Kennung: https://doi.org/10.17605/OSF.IO/VTA7B.

Was es enthält. Eine Zeile pro Teilnehmer (Stufe, Screening, Kalibrierungsergebnisse und Timing), eine Zeile pro Versuch der 45-Ziel-Genauigkeitsaufgabe mit ihrem Fehler, Rohdaten 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 dem Start, Beibehaltung nach dem Probewurf und die Laborpräzisionswerte von 2023). Eine README dokumentiert jede Spalte.

Wie man es reproduziert. Die Skripte benötigen nur Python 3 und seine Standardbibliothek. Führen Sie scripts/accuracy.py aus und dann scripts/article_numbers.py: zusammen wenden sie die Metrik genau so an, wie sie in diesem Hinweis beschrieben ist, 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 jeglicher 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 irgendeinem anderen Datensatz verknüpft ist, und es existiert kein Schlüssel. Es wurden niemals Kamerabilder oder -videos aufgezeichnet. Alle Teilnehmer haben der anonymisierten Nutzung ihrer Daten zugestimmt.

Lizenz. Copyright © 2026 Scicovery GmbH (Labvanced). Die Daten und Skripte sind lizenziert unter CC BY-NC 4.0: Sie dürfen sie verwenden, neu analysieren und teilen sowie Ihre Ergebnisse zu nichtkommerziellen Zwecken veröffentlichen, mit Verweis auf Labvanced und einer Zitation dieses Hinweises. Die kommerzielle Nutzung erfordert unsere schriftliche Genehmigung.

Wie man zitiert. APA-Stil, bereit zum Kopieren:

Beschreibung in Ihrem Methodenteil. Sie können diesen Absatz gern anpassen (ersetzen Sie die Werte in den Klammern durch Ihre Einstellungen): Der Blick wurde online mit den Webcam der Teilnehmer unter Verwendung von Labvanced Eye Tracking 2.0 (Labvanced, 2026) aufgezeichnet, mit der [High] Kalibrierungsstufe und [ausgewogenem] Teilnehmer-Screening. Live-Kopfpose und Gaze Control-Korrekturen wurden angewendet. In der Validierung dieser Konfiguration betrug die mittlere Genauigkeit [5.2 %] der Bildschirmdiagonalen, etwa [1.8°] des Gesichtswinkels bei 60 cm.

Referenzen

• Alp, N., Lale, G., Saglam, C., & Sayim, B. (2024). Der Einfluss der Verarbeitung teilweiser Informationen bei der dynamischen Gesichtswahrnehmung. Scientific Reports, 14, 9794. https://doi.org/10.1038/s41598-024-58605-7
• Bertrand, J. K. (2023). Der Nutzen des Webcam-Eye-Trackings: Lektionen und praktische Anwendungen in Entscheidungsprozessen und digitalen Mensch-Computer-Interaktionen [Doktorarbeit, Universität Alberta]. https://doi.org/10.7939/r3-83ge-t169
• Bertrand, J. K., & Chapman, C. S. (2023). Die Dynamik der Augen-Hand-Koordination wird flexibel in der Augen-Cursor-Koordination während einer Online-Interaktion mit Objekten 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 der Entscheidungserschwernis, die aus der Ferne erfasst werden: II. Webcam-Eye-Tracking 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 laborbasiertem Eye-Tracking zur Bewertung der audio-visuellen Synchronwahrnehmung 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 Verzerrung der visuellen Aufmerksamkeit. Frontiers in Psychology, 15, 1439397. https://doi.org/10.3389/fpsyg.2024.1439397
• Golan, M., Abo Shkara, M., & Havron, N. (2023). Kinder erschließen die Bedeutung neuartiger 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). Die Selbstreferenz-Erinnerungs-Bias wird in der Kindheit von einem anderen Referenz-Bias vorangegangen. Nature Communications, 16, 6311. https://doi.org/10.1038/s41467-025-61642-z
• Haverly, C. (2022). Einfluss von Videospielen auf die Veränderungserkennung: Eine Eye-Tracking-Studie. Horizons, 7, 68–73. Universität Hawaiʻi at Mānoa. ScholarSpace
• Jenke, L., & Sullivan, N. (2025). Aufmerksamkeit und politische Wahl: Eine Grundlage für Eye Tracking 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. (2024). Webcam-Eye-Tracking nah an Laborstandards: Vergleich eines neuen webcam-basierten Systems mit dem 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-Unterstützung auf das Vertrauen von Apotheker:innen 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 des Eye Trackings Teil 4: Werkzeuge zum Durchführen einer Eye-Tracking-Studie. Behavior Research Methods, 57, 46. https://doi.org/10.3758/s13428-024-02529-7
• Patterson, A. S., Nicklin, C., & Vitta, J. P. (2025). Methodologische Empfehlungen für webcam-basiertes Eye Tracking: Eine Scoping-Übersicht. 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). Jenseits der Bebauungsdichte: Von groben zu feingliedrigen 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 Testleistung mit unzuverlässig gesampelten 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-Eye Tracking 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 mithilfe 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 von künstlicher Intelligenz auf die Interaktionen mit Apotheker:innen: 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-Werbung auf die Verarbeitung und Bewertung wissenschaftlicher Erklärungen [Masterarbeit, Universität Hawaiʻi at Mānoa]. ScholarSpace
• Wies, S., Bleier, A., & Edeling, A. (2023). Goldlöckchen-Influencer finden: Wie die Followerzahl das Engagement in sozialen Medien beeinflusst. 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 Eye-Tracking-Studie. Language Learning & Technology, 29(1), 1–27. https://doi.org/10.64152/10125/73626
• Zhang, X., & Powdthavee, N. (2026). Aufmerksamkeit als Flaschenhals im moralischen Urteil: Wie der vergleichende Kontext die Erkennung von Diskriminierungen 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, Datenoutput.