Entwurfsüberlegungen, die die Genauigkeit des Webcam-Blickverfolgens beeinflussen

Die Genauigkeit des webbasierten Blickverfolgens hängt stark von der zugrunde liegenden Implementierung ab. In der Literatur berichtete Werte reichen von etwa 4 visuellen Grad für frühe Systeme wie WebGazer (Papoutsaki et al., 2015) bis hinunter zu 1,2 bis 1,4 visuellen Grad für den einzigen peer-reviewed Vergleich gegen einen Forschungs-Grade-Hardware-Blicktracker, der bisher veröffentlicht wurde, der Validierung von Labvanced gegenüber einem EyeLink 1000 (Kaduk et al., 2024). Dieser Wert ist der Referenzpunkt, der auf dieser Seite verwendet wird, da er derzeit die einzige Behauptung zur Genauigkeit des Webcam-Blickverfolgens in diesem Bereich ist, die durch einen veröffentlichten, hardware-benchmarked Vergleich gestützt wird.

Selbst dieser Wert ist ein Maximum, keine Garantie. Er beschreibt, was unter einem Kalibrierungsprotokoll, Stimuluslayout und testumgebungsangemessen erreicht werden kann. Eine Studie mit einer hastigen Kalibrierung, zu nah beieinander liegenden AOIs oder ohne Kontrolle über die Beleuchtung wird dies nicht reproduzieren. Sechs Entwurfsüberlegungen bestimmen, ob dies gelingt: Kalibrierungsdauer und Punktanzahl, Neukalibrierungsfrequenz, Qualitätsstandards für Daten, Kontrolle der Kopfposition, Stimuluspositionierung und Bedingungen der Umgebung und der Teilnehmer.

Entscheidungen zum Studiendesign, die die Genauigkeit bestimmen

Die sechs Überlegungen unten gelten für jedes Protokoll zur Webcam-Blickverfolgung. Jede wird illustriert, wie Labvanced sie umsetzt.

I. Kalibrierungsdauer und Punktanzahl

Jedes Webcam-Blickverfolgungssystem schätzt die Blickposition anhand einer Kalibrierungskartierung, und diese Kartierung ist nur so gut wie das Kalibrierungsverfahren, das sie hervorgebracht hat. Es gibt einen direkten Kompromiss zwischen Kalibrierungsdauer und der daraus resultierenden Genauigkeit: Längere Verfahren mit mehr Kalibrierungspunkten produzieren genauere Blickschätzungen. Die Kalibrierung ist auch der einzige Punkt in einer Webcam-Blickverfolgungsstudie, an dem der Teilnehmer aktiv mit dem System interagieren muss, sodass die gewählte Dauer einen echten Kompromiss hinsichtlich der Ermüdung des Teilnehmers und der Studiendauer darstellt und kein Wert ist, der standardmäßig maximiert werden sollte.

In Labvanceds Implementierung: kann die Kalibrierung von etwa 30 Sekunden auf 5 Minuten oder mehr angepasst werden, wobei auch die Punktanzahl konfigurierbar ist. Die richtige Wahl hängt vom AOI-Layout ab: Ein Design mit vielen kleinen AOIs benötigt die Genauigkeit, die eine längere Kalibrierung, näher zu 5 Minuten, bietet, während ein Design mit nur wenigen großen AOIs, bei dem das Ziel nur darin besteht festzustellen, ob ein Teilnehmer auf ein AOI geschaut hat, anstatt genau zu bestimmen, wo innerhalb, oft besser durch eine kürzere Kalibrierung, etwa 2 Minuten, bedient wird, da es schneller und angenehmer für den Teilnehmer ist, was zu weniger Abbrüchen führt.

II. Neukalibrierungsfrequenz

Die Kalibrierung ist eine Momentaufnahme: Sie mappt den Blick zu einer bestimmten Kopfposition und Beleuchtungsbedingung in einem Moment. Ob diese Kartierung für eine gesamte Sitzung gültig bleibt, ist eine echte methodologische Frage für jede remote, unbeaufsichtigte Einrichtung, etwas, das der Forscher nicht einfach annehmen kann. In Labvanceds eigener Validierung blieb die Genauigkeit über die Zeit konstant, vorausgesetzt, die Position des Teilnehmers blieb stabil, was bedeutet, dass das Risiko speziell über Position- und Beleuchtungsdrift besteht, nicht über einen inhärenten Verfall der Methode selbst.

In Labvanceds Implementierung: kann die Neukalibrierung innerhalb einer Studie an definierten Punkten ausgelöst werden, beispielsweise nachdem eine festgelegte Anzahl von Versuchen vergangen ist, anstatt sich auf eine einzelne Kalibrierung zu verlassen, die die gesamte Sitzung gültig bleibt. Für längere oder mehrstufige Studien oder Populationen, die weniger wahrscheinlich stillbleiben. Daher ist die Überlegung, wie die Neukalibrierung gehandhabt werden kann, die direkte Kontrolle gegen Drift.

III. Qualitätsstandards für Daten

Ohne eine definierte Qualitätsmarke verläuft eine schlechte Kalibrierung lautlos in den Datensatz, ununterscheidbar von einer guten, das gleiche Problem, das ein Hardware-Labor verwaltet, indem es Teilnehmer ausschließt, deren Kalibrierung nicht konvergiert. Ein Protokoll zur Webcam-Blickverfolgung benötigt einen expliziten Standard dafür, was als ausreichend kalibriert gilt, bevor die Datensammlung beginnt.

In Labvanceds Implementierung: kann ein maximaler Kalibrierungsfehler als Prozentsatz der Bildschirmdiagonale festgelegt werden, sodass ein Teilnehmer, der diesen überschreitet, zur Neukalibrierung aufgefordert wird, bis zu einer konfigurierbaren Anzahl von Versuchen. Ein Teilnehmer, der auch nach diesen Versuchen den Schwellenwert überschreitet, scheitert an der Studie, anstatt stillschweigend mit degradierter Daten inkludiert zu werden.

IV. Kontrolle der Kopfposition

Da die Kalibrierung den Blick einer bestimmten Kopfposition zuordnet, ist es wahrscheinlich die größte praktische Quelle für Genauigkeitsverlust in jeder remote-Blickverfolgungssetup, dass ein Teilnehmer nach Abschluss der Kalibrierung von dieser Position abdriftet, etwas, das der Forscher nicht physisch erfassen kann, wie er es in einem Labor könnte.

In Labvanceds Implementierung: schränkt eine virtuelle Kinnstütze ein, wie weit der Kopf eines Teilnehmers von der kalibrierten Position abdriften kann, bevor dies markiert wird, und bietet dem Forscher einen automatischen Ersatz für die physische Überprüfung der Position des Teilnehmers.

V. Stimuluspositionierung

Die Genauigkeit ist nicht einheitlich über den Bildschirm verteilt. In derselben Validierungsstudie verbesserte sich die Genauigkeit für Stimuli, die in der Mitte des Bildschirms präsentiert wurden (1,3° Genauigkeit, 0,9° Präzision) im Vergleich zur Gesamtzahl (1,4° Genauigkeit, 1,1° Präzision) (Kaduk et al., 2024). Periphere Stimuli sollten mehr Fehler als zentrale erwarten, was zwei direkte Implikationen für das Studiendesign hat. Erstens wird, wo es das Paradigma zulässt, die zentrale Platzierung des kritischen Stimulus oder des Bereichs, der am wichtigsten ist, die zuverlässigsten Blickdaten liefern. Zweitens, und für AOI-basierte Designs weitaus folgenschwerer, benötigen zwei AOIs, die im selben Versuch präsentiert werden, genügend Abstand zwischen ihnen, um die Fehlermarge der Methode zu überschreiten; andernfalls kann eine Fixierung in der Nähe der Grenze zwischen zwei zu nah beieinander liegenden AOIs nicht zuverlässig einem von beiden zugewiesen werden. Als allgemeine Regel gilt: je näher die verwendete Genauigkeitszahl ist, desto mehr Abstand sollte ein AOI-basiertes Design einplanen.

VI. Umwelt- und Teilnehmerbedingungen

Dieser Abschnitt behandelt drei umwelt- und teilnehmerseitige Bedingungen: Beleuchtung, Augenoptik und Webcam-Positionierung.

Beleuchtung

Gegenlicht, eine helle Lichtquelle wie ein Fenster oder eine Lampe, die hinter dem Teilnehmer positioniert ist, silhouettisiert ihr Gesicht dagegen und verringert den Kontrast, auf den die kamera-basierte Gesichtserkennung angewiesen ist, um Gesichtszüge und Augenmärkte präzise zu erkennen. Eine verschlechterte Markierungserkennung zeigt sich als höhere Kalibrierungsfehler, nicht als ein lichtspezifisches Kennzeichen, sodass es davon abhängt, ob der Kalibrierungsfehler selbst gegen einen Schwellenwert geprüft wird, und nicht auf einer direkten Erkennung der Lichtverhältnisse.

In Labvanceds Implementierung: Der Kalibrierungsbildschirm weist die Teilnehmer an, sich in einem stabilen, gut beleuchteten Raum ohne helle Lichtquelle hinter sich zu befinden und sich neu zu kalibrieren, wenn sich die Beleuchtung während einer Sitzung signifikant ändert. Dies hängt von der Mitarbeit der Teilnehmer ab, nicht von einer automatisierten Erkennung: Im Gegensatz zu einer Einstellung wie der minimalen Bildschirmgröße, die Labvanced automatisch durchsetzt, wenn sie konfiguriert ist, hängt die Erkennung einer schlecht beleuchteten Kalibrierung davon ab, dass ein maximaler Kalibrierungsfehler-Schwellenwert festgelegt ist (siehe die oben genannten Datenqualitäts-Schwellenwerte), nicht davon, dass die Plattform die Lichtverhältnisse selbst erkennt.

Augenoptik

Was tatsächlich das Tracking beeinträchtigt, sind verzerrte Lichtstrahlen, bevor sie die Webcam erreichen, Brillen, die Reflexionen erzeugen, oder Linsen mit einer getönten oder blau光filternden Beschichtung, nicht die Augenoptik an sich. Brillen ohne diese Eigenschaften beeinflussen die Kalibrierung nicht erheblich, was die Augenoptik zu einem engeren Anliegen macht, als es zunächst scheint.

In Labvanceds Implementierung: Die standardmäßigen Kalibrierungsanweisungen für Teilnehmer besagen derzeit, dass Teilnehmer überhaupt keine Brillen tragen sollen, ein konservativer Standard und keine technische Einschränkung. Diese Anweisung ist bearbeitbar: Sie befindet sich in den Meldungen des Augenverfolgungssystems unter den Texts & Translate statischen Strings, sodass ein Forscher, dessen Teilnehmerpopulation häufig Brillen trägt, die Anweisung überarbeiten kann, anstatt diese Teilnehmer standardmäßig auszuschließen.

Webcam-Positionierung

Die Kalibrierung kartiert den Blick auf Bildschirmkoordinaten relativ zur Position der Webcam, sodass eine Versetzung zwischen der Webcam und der Bildschirmmitte zusätzlich zu dem Fehler beiträgt, den die Neakalibrierung allein korrigiert. Dies gilt nur für eine Webcam, die nicht in das Gerät integriert ist, da die Position einer integrierten Webcam relativ zum Bildschirm festgelegt ist.

In Labvanceds Implementierung: Für Teilnehmer, die eine externe Webcam verwenden, weist der Kalibrierungsbildschirm an, sie so nah wie möglich an der Mitte des Bildschirms zu positionieren.

Zusammenfassungstabelle

Keine dieser Anforderungen ist ungewöhnlich. Sie fallen in dieselbe Kategorie von Entscheidungen, die ein Labor über die Kalibrierungsroutine eines Hardware-Augenverfolgers trifft, angewandt auf ein Setting, in dem der Forscher den Teilnehmer nicht physisch beaufsichtigen kann. Dass sie konfiguriert werden können und in mehreren Fällen automatisiert sind, macht eine valide Genauigkeitszahl zu etwas, das eine spezifische Studie tatsächlich reproduzieren kann, und nicht zu einer Zahl, die einmal unter idealen Bedingungen gemeldet wird.

Was dieses Genauigkeitslevel unterstützt

Die Referenzzahl, die auf dieser Seite verwendet wird, 1,2 bis 1,4 visuelle Grade (1,3° Mittelpunkt), 1,1° Präzision und eine Pearson-Korrelation von etwa 0,8 bis 0,9 im Vergleich zu einem EyeLink 1000, wobei 0,9 für spezifische Aufgaben erreicht wird, ist Labvanceds peer-reviewte Validierungsergebnisse (Kaduk et al., 2024), die rigoros am Webcam-Augenverfolgungsgenaue Maßstab veröffentlicht worden sind. Die Abtastrate liegt zwischen 30 und 60 Hz, abhängig von der Webcam des Teilnehmers. Es ist nicht unbedingt repräsentativ für jedes webcam-basierte System; andere Implementierungen berichten von unterschiedlichen Zahlen, und die Methoden zur Berichterstattung über die Genauigkeit sind nicht immer direkt vergleichbar zwischen den Studien (einige berichten in Pixeln statt in visuellen Graden, was zusätzliche Annahmen über die Bildschirmgröße und den Betrachtungsabstand erfordert, um zu übersetzen).

Dies stellt keine Parität mit Hardware-Augenverfolgern dar. Selbst unter dem oben beschriebenen Protokoll beträgt die Genauigkeitslücke im Vergleich zu einem Forschungsgrad-Tracker etwa 0,5°. Was diese Lücke für eine bestimmte Studie bedeutet, hängt davon ab, was die Studie messen muss.

Gut unterstützt auf diesem Genauigkeitslevel:

• Analyse von Interessenbereichen (AOI) und Verweildauer: welche Region eines Stimulus ein Teilnehmer betrachtet hat und wie lange
• Fixationsanzahl und Fixationsdauer
• Freies Ansehen und visuelle Präferenz-Paradigmen, validiert mit etwa 80% Korrelation mit EyeLink für freies Ansehen und sanftes Verfolgen
• Zeit bis zur ersten Fixation und allgemeine visuelle Aufmerksamkeitsmuster

Nicht gut unterstützt auf diesem Genauigkeitslevel:

• Aufgaben mit sub-gradieller Präzision, bei denen die Messung selbst feiner als ungefähr ein visueller Grad aufgelöst werden muss
• Sakkade-Dynamik und Mikrosakkade-Analyse, eingeschränkt durch die Abtastrate von 30 bis 60 Hz und nicht nur durch räumliche Genauigkeit
• Paradigmen, die Wort- oder Buchstabenfixationsgenauigkeit in dichten Texten erfordern

Ein Forscher, der zwischen Webcam- und Hardware-Augenverfolgung wählen möchte, sollte sich um diese Linie herum gestalten und nicht isoliert um die Genauigkeitszahl: Wenn die Forschungsfrage auf der AOI- oder Fixationsebene beantwortet werden kann, ist eine validierte Webcam-Augenverfolgungsimplementierung angemessen; wenn es erforderlich ist, die Blickposition innerhalb eines Bruchs eines Grades aufzulösen oder Sakkade-Dynamik zu erfassen, bleibt Hardware das geeignete Werkzeug.

Häufig gestellte Fragen

Veröffentlichtes Forschungs mit dieser Methode

• Cassano-Coleman, R. Y., Izen, S. C., & Piazza, E. A. (2026). Zuhörer integrieren systematisch hierarchischen tonalen Kontext, unabhängig von musikalischer Ausbildung. Psychologische Wissenschaft. (Beinhaltet Blick-fallabhängige Elemente).
• Zhang, P., & Zhang, S. (2025). Aufmerksamkeit und Lernen in L2 Multimodalität: Eine Webcam-basierte Augen-Tracking-Studie. Sprachlernen & Technologie. https://doi.org/10.64152/10125/73626
• Serrano-Carot, M., Angele, B., Xu, H., & Vasilev, M. R. (2025). Webcams können verwendet werden, um Augenbewegungen beim Lesen zu untersuchen. PsyArXiv (OSF Preprints). https://doi.org/10.31234/osf.io/bzt2h_v1
• Lester, C., et al. (2025). Einfluss von Unsicherheit-wahrnehmenden KI-Modellen auf die Reaktionszeit und Entscheidungsfindung von Apothekern in einer webbasierten simulierten Medikationsverifizierung: Randomisierte kontrollierte Studie. JMIR Medizinische Informatik. https://doi.org/10.2196/64902
• Wies, S., Bleier, A., & Edeling, A. (2022). Journal of Marketing. Webcam-basiertes Augen-Tracking im Kontext der Marktforschung.
• Banki, A., de Eccher, M., et al. (2022). Frontiers in Psychology. Entwicklungs- und Säuglingsaugen-Tracking.

Weiterführende Literatur