Labvanced Eye Tracking 2.0: seguimiento ocular preciso con cámara web para toda investigación en línea

Caspar Goeke, Jefe de Investigación de Labvanced · Publicado en octubre de 2026

Labvanced Eye Tracking 2.0 rastrea la mirada con una cámara web estándar con una precisión media de 1.8 grados de ángulo visual (5.2 % de la diagonal de la pantalla) en participantes en línea no supervisados. El resultado proviene de 494 participantes de Prolific en sus propias computadoras, y los datos anonimizados se publican con esta nota.

Después de más de un año de desarrollo, Eye Tracking 2.0 trae la precisión que logró el seguimiento ocular con cámara web en el laboratorio a estudios en línea reales.

Hallazgos clave

• La precisión media es de 1.8° (5.2 % de la diagonal de la pantalla) con una calibración de dos minutos y selección balanceada.
• Con la calibración larga y selección muy estricta, la precisión media alcanza 1.4° (4 %).
• La mirada es más estable que en la primera generación: el ruido de muestra a muestra es aproximadamente un 40 % menor que el de Eye Tracking 1.x grabado en el laboratorio.
• El 99.3 % de los participantes pagados entregaron un conjunto de datos completo, y la selección balanceada aumenta el costo de reclutamiento en aproximadamente un 10 %.

Esquema

• 1Resumen e introducción
• 2Cómo medimos: la tarea, la métrica y los participantes
• 3Un motor de mirada mejorado con fusión de ojos dual que funciona en laptops, tabletas y teléfonos
• 4Una calibración más corta y mejor utilizada para un ajuste fino de la red neuronal individual
• 5Un mejor método de selección, verificaciones técnicas previas y una configuración simplificada
• 6Correcciones en vivo para movimientos de cabeza y cambios de iluminación
• 71.4 a 1.8 grados visuales de precisión, verificado con aproximadamente 500 participantes reales en Prolific
• 8Un nivel pasivo que funciona directamente sin ninguna calibración, ideal para investigación con infantes
• 9Discusión: ¿qué configuración para qué estudio?
• 10Pruébalo tú mismo
• 11Datos y reproducibilidad

Resumen

El seguimiento ocular con cámara web ya se ha convertido en una herramienta poderosa para la investigación conductual en línea, y la primera generación del sistema de Labvanced fue validada frente a un EyeLink 1000 en el laboratorio con una precisión de aproximadamente 1.4° de ángulo visual (Kaduk et al., 2023). Quedaron varias preguntas abiertas. ¿Cuánta de esa precisión sobrevive a las condiciones no controladas de un estudio en línea real? ¿Por qué algunos participantes entregan datos mucho peores que otros y pueden ser identificados antes de que un investigador pague por ellos? ¿Se puede acortar la calibración para hacerla más práctica en estudios en línea ordinarios? ¿Y qué debería pasar con los participantes que no la aprueban o que no califican de ninguna otra manera? Aquí mostramos cómo mejoramos la precisión del seguimiento ocular, mientras acortamos la calibración, simplificamos la configuración y optimizamos todo el procedimiento para la recolección de datos en línea real con nuestro socio Prolific. Luego validamos el sistema en siete lotes de grabación con aproximadamente 500 participantes completados de una tarea de precisión de 45 objetivos, y publicamos sus datos anonimizados para que cada resultado pueda ser verificado. Con nuestra nueva calibración estándar (aproximadamente 2 minutos) y selección balanceada, el error medio del participante fue del 5.2 % de la diagonal de la pantalla, 1.8° de ángulo visual en una laptop a 60 cm. Y con la calibración de 5 minutos y selección muy estricta, la precisión media de los participantes en línea alcanzó el 4 % de la diagonal de la pantalla, lo que equivale a 1.4° de ángulo visual a una distancia estándar. En resumen, con esta versión de Eye Tracking 2.0, mostramos que la precisión reportada en nuestra comparación de laboratorio revisada por pares puede ser replicada en línea.

1. Introducción

Los movimientos oculares revelan continuamente y sin preguntar la atención, y durante décadas medirlos requería equipo de laboratorio. Con nuestro sistema de cámara web de primera generación existente (referido aquí como Eye Tracking 1.x) mostramos que una cámara web puede acercarse mucho a predecir con precisión los movimientos oculares: grabada simultáneamente con un EyeLink 1000 en cinco tareas estandarizadas, nuestro sistema alcanzó una precisión de 1.4° y una precisión de 1.1°, aproximadamente medio grado detrás del "estándar dorado" del laboratorio (Kaduk, Goeke, Finger & König, 2023). Desde entonces, grupos independientes han confirmado la imagen y han puesto el sistema a trabajar en una notable variedad de campos:

• Lectura. Grabad junto con un EyeLink, la mirada de webcam de Labvanced se correlacionó con el rastreador de laboratorio con un r medio de 0.81 y reprodujo el efecto de frecuencia de palabras (Serrano-Carot, Angele, Xu & Vasilev, 2025).
• Desarrollo infantil. La mirada de la webcam de los infantes grabada en casa se comparó con el seguimiento ocular de laboratorio en una tarea de sincronicidad audiovisual (Bánki, de Eccher, Falschlehner, Hoehl & Markova, 2022).
• Toma de decisiones e interacción humano-computadora. La mirada remota reveló el procesamiento temprano de decisiones (Bertrand, Ouellette Zuk & Chapman, 2023), la coordinación de la mirada y el cursor en una tarea de objeto digital (Bertrand & Chapman, 2023) y la frustración de los usuarios (Stone & Chapman, 2023), reunidos en una tesis doctoral sobre la utilidad del seguimiento ocular con cámara web (Bertrand, 2023).
• Lenguaje, atención y percepción. Estudios rastrearon cómo los aprendices prestan atención al texto, audio y fotos al adquirir vocabulario en una segunda lengua (Zhang & Zhang, 2025), cómo las palabras sesgan la atención visual (Calignano, Lorenzoni, Semeraro & Navarrete, 2024), cómo la información parcial moldea la percepción dinámica de rostros (Alp, Lale, Saglam & Sayim, 2024) y cómo los jugadores de videojuegos detectan cambios (Haverly, 2022).
• Educación y comunicación científica. La sincronicidad de la mirada entre estudiantes que ven videos de conferencias predecía su rendimiento en las pruebas (Sauter, Hirzle, Wagner, Hummel, Rukzio & Huckauf, 2022), y las fijaciones mostraron cómo los anuncios en línea desvían la atención de las explicaciones científicas (Tsutsuse, 2025).
• Marketing, psicología social y ambiental. La mirada de los usuarios de Instagram mostró que buscan la cantidad de seguidores de un influencer (Wies, Bleier & Edeling, 2023); la atención a los currículos explicó cómo 1,159 participantes juzgaron la contratación discriminatoria (Zhang & Powdthavee, 2026); y la mirada en escenas urbanas se relacionó con la experiencia emocional (Sander, Mazumder, Fingerhut, Parada, Koselevs & Gramann, 2024).
• Salud e interacción humano-IA. Un ensayo controlado aleatorizado midió dónde miran los farmacéuticos cuando un IA los asiste en verificar medicamentos (Tsai et al., 2025; Kim et al., 2026), y un estudio clínico grabó la mirada de la webcam con EEG en niños con TDAH (Zhao et al., 2025).

Las revisiones metodológicas y las guías ahora enumeran a Labvanced entre los sistemas de seguimiento ocular por webcam establecidos (Niehorster et al., 2025; Jenke & Sullivan, 2025; Patterson, Nicklin & Vitta, 2025; Tsuji, Amso, Cusack, Kirkham & Oakes, 2022). Estos resultados establecieron el seguimiento ocular por webcam, y Labvanced en particular, como un instrumento serio para la investigación académica.

Es importante señalar que, para comparar nuestros datos basados en webcam con el EyeLink, nuestro proyecto de comparación anterior, que resultó en nuestra publicación revisada por pares, tuvo que realizarse dentro de un laboratorio. Por lo tanto, pudimos controlar todo el entorno, incluida la computadora, la pantalla, la webcam, la habitación y la iluminación. También pudimos instruir a los participantes en persona, y al estar en un entorno de laboratorio, la mayoría de los participantes dieron lo mejor de sí o al menos un buen esfuerzo al realizar el experimento. Casi nada de esto se asegura en un entorno no supervisado con participantes reales en línea. Un participante en línea se sienta donde sea, en el dispositivo que posee, con la iluminación que tiene, y algunos simplemente no prestan atención en absoluto. Dadas estas limitaciones conocidas, estamos tanto felices como orgullosos de que muchos proyectos con nuestra tecnología de seguimiento ocular existente fueron notablemente exitosos y se publicaron en revistas líderes. Sin embargo, algunos investigadores no obtuvieron la precisión que esperaban o enfrentaron otras dificultades, como participantes frustrados por una calibración larga, o un alto número de participantes que fallaron por razones técnicas y diversas otras. Por ejemplo, aunque ya habíamos construido calibraciones adecuadas para infantes, dos estudios infantiles encontraron que nuestro seguimiento ocular de primera generación aún no era lo suficientemente fiable para sus participantes más jóvenes (Grosse Wiesmann et al., 2025; Golan, Abo Shkara & Havron, 2023).

En 2025 comenzamos a evaluar estas deficiencias de manera sistemática y a abordarlas una por una. Al final de este recorrido, aunque seguramente no al final del desarrollo del seguimiento ocular por webcam, se encuentra Eye Tracking 2.0. Esta nota de laboratorio describe qué cambió y por qué, cómo lo validamos y qué precisión se puede esperar ahora con participantes reales en línea. Los datos detrás de todo esto son de acceso abierto y están disponibles para que todos los puedan replicar y verificar de manera independiente (Section 11). También estamos planeando un nuevo estudio revisado por pares, pero como eso lleva tiempo, queríamos compartir estos resultados ahora.

2. Cómo medimos

Todos los datos de los participantes en esta nota se recopilaron durante un período de aproximadamente un mes, dentro de más o menos el mismo paradigma de estudio. Sin embargo, la versión de seguimiento ocular cambió entre casi todos estos lotes de grabación, para probar o verificar nuestros últimos desarrollos (por ejemplo, probar la corrección de postura). Algunos de los lotes también son más pequeños y otros más grandes, por varias razones. Esta nota no es una publicación revisada por pares, pero creemos que todos los análisis y resultados informados aquí son rigurosos científicamente, verdaderamente perspicaces, y todos son bienvenidos a descargar los datos y replicarlos o verificarlos. Un artículo revisado por pares sobre Eye Tracking 2.0, y potencialmente algunos otros temas, seguirán.

Tarea. Los participantes prolíficos realizaron la verificación de viabilidad técnica (ver Sección 5) y completaron la calibración del estudio; los participantes admitidos luego hicieron un bloque de entrenamiento corto y finalmente una tarea de precisión de 45 objetivos: una cuadrícula de 9 por 5 posiciones que cubre toda la pantalla, presentada una a la vez en orden aleatorio. La tarea de los participantes era fijar la mirada en el objetivo (un círculo simple) y hacer clic en él tan pronto como su color cambiara. Si un participante hacía clic demasiado pronto o demasiado tarde, el ensayo se repetía. Puedes ejecutar esta tarea tú mismo (Section 10).

Métrica. La métrica principal que nos interesa es el error del objetivo o precisión. Esto se define como la distancia entre la ubicación del objetivo y la posición media de la mirada durante los últimos 1000 ms antes de que cambiara el objetivo. También implementamos un nuevo algoritmo de detección de fijaciones y utilizamos el centroide de la fijación en el cambio; ambas medidas (la media de la mirada y la fijación) produjeron resultados de precisión casi idénticos. Más información sobre este nuevo mecanismo de detección de fijaciones estará disponible en la próxima nota de laboratorio. La precisión de un participante se define entonces como la mediana de sus 45 errores, y la precisión de un grupo como la mediana entre participantes. Informamos esta mediana a lo largo y no filtramos ni ensayos ni participantes. En una pantalla de 1920 por 1080 (full HD), el 1 % de la diagonal son 22 px y el 5 % son 110 px. Debido a la configuración de grabación remota, no pudimos grabar de manera confiable ni el verdadero tamaño físico de la pantalla ni la distancia exacta de visualización del participante. Por lo tanto, el error en el ángulo visual se calcula para una pantalla de referencia asumida: una laptop de 14.2 pulgadas (por ejemplo, un MacBook Pro de 14 pulgadas), el centro del rango de 13 a 16 pulgadas que utilizan los participantes en línea típicos, vista a una distancia típica de 60 cm.

Muestra. Diez lotes de grabación entre el 25 de agosto y el 28 de septiembre de 2026 produjeron aproximadamente 700 sesiones completadas. Los resultados en esta nota se basan en las 494 sesiones completadas de los siete lotes más recientes: 48 de un lote 2.0.9, 296 en el nivel alto sin cribado, 50 en el nivel alto con cribado equilibrado y correcciones en vivo en ejecución, y 100 en el nivel más alto. Las aproximadamente 200 sesiones de los lotes más antiguos moldearon el sistema durante el desarrollo inicial y, por lo tanto, no son parte de los resultados reportados.

Datos. Los datos anonimizados de estas 494 sesiones, junto con los scripts que calculan cada número y figura en esta nota, se pueden descargar (ver Section 11).

3. Un motor de ojos dual

3.1 Cómo funciona el motor de ojos dual

¿Cómo predice Labvanced Eye Tracking 2.0 la mirada y las fijaciones?

Figura 1. La cadena de procesamiento. Todo se ejecuta en el dispositivo del participante (inferencia en el borde); ninguna imagen o video sale del dispositivo.

¿Qué significa el modelo de fusión de dos ojos? El motor de mirada 2.0 trata los dos ojos como dos medidas separadas y las combina, de modo que un ojo que está medio cerrado, en sombra o atrapado en un reflejo cuenta menos. También se utiliza información de los cuadros vecinos, sin suavizar los movimientos oculares reales. El resultado es una estimación de mirada cruda más precisa y robusta que antes, así como un valor de confianza que es más indicativo de la precisión y exactitud real.

Velocidad y dispositivos. El motor de mirada fue reescrito para mayor velocidad y utiliza las tecnologías web más recientes, como WebGPU y WebAssembly. En conjunto, esto acelera considerablemente tanto la predicción en vivo como el paso de ajuste fino (calibración). Como resultado, Eye Tracking 2.0 funciona sin problemas en la mayoría de las laptops (excepto en Chromebooks más antiguos y dispositivos similares), en computadoras de escritorio y en tablets modernas como iPads. Los teléfonos utilizan una calibración acortada de aproximadamente 15 segundos, y en nuestras propias mediciones en teléfonos, la mirada fue bastante precisa. Una validación de campo en tablets y teléfonos seguirá por separado.

3.2 Resultado: 40 % menos ruido de muestra que 1.x

Precisión. Con la fusión de dos ojos, la mirada es marcadamente más estable y precisa. En línea, las muestras de mirada 2.0 se dispersan por una mediana del 2.2 % de la diagonal de la pantalla (alrededor de 0.75°), y su ruido de muestra a muestra es aproximadamente un 40 % más bajo que el de Eye Tracking 1.x registrado en nuestro estudio de laboratorio de 2023 (Sección 7.2).

4. Una calibración más corta y mejor

4.1 Cómo funciona la calibración

La calibración en 2.0 es significativamente más corta y funciona de una manera fundamentalmente nueva. La calidad de cada punto de calibración se verifica mientras se registra, por lo que los puntos tomados mientras el participante parpadeaba o miraba hacia otro lado se repiten en el lugar. La red del participante se ajusta finamente en su propio dispositivo, en la mayoría de los casos considerablemente más rápido que antes, y el ajuste fino está limitado en el tiempo, por lo que ningún participante puede quedar atascado.

Control de Mirada. El Control de Mirada es una tarea corta de acoplamiento que se ejecuta antes de la primera tarea de seguimiento ocular, después de cualquier reubicación de la cabeza, y a intervalos regulares establecidos por el nivel de precisión: cada tres minutos en Alto, cada minuto en Máximo. Nunca interrumpe un ensayo. Los participantes ven su posición de cabeza como un círculo y mueven su cabeza hasta que se superpone a un círculo objetivo, lo que corrige la posición de la cabeza y la distancia a la cámara en un único paso intuitivo. Los participantes en línea reales tardan una mediana de 6.7 segundos desde el principio hasta el final. Cada ejecución también sirve como una verificación de la calidad de la mirada actual, que utilizan las correcciones en vivo (Sección 6).

Prueba. La primera ejecución de Control de Mirada de una sesión es ligeramente más larga, aproximadamente 17 segundos en total, y sirve como una prueba: predice cuán precisa será la mirada de un participante durante el resto de la sesión. Esta es la base de los niveles de selección (Sección 5): en niveles más altos, solo se admiten a los participantes con mejor precisión prevista en el estudio.

4.2 Resultado: 4 minutos en Alto, 7 minutos en Máximo

Instrucciones + calibración toman 4 minutos en Alto y 7 en Máximo. Desde que ven el primer texto de instrucciones hasta el final de la prueba, los participantes en línea reales necesitaban una mediana de aproximadamente 4 minutos en el nivel Alto (alrededor de 2 minutos de puntos de calibración) y aproximadamente 7 minutos en el nivel Máximo (alrededor de 5 minutos de puntos de calibración). El ajuste fino en sí tomó una mediana de aproximadamente 37 segundos después de la calibración de dos minutos y aproximadamente 67 segundos después de la de Máximo. Tenga en cuenta que los sujetos pueden relajarse en su mayoría durante el paso de ajuste fino.

Dos minutos de calibración son suficientes para la mayoría de los estudios, pero cinco lo mejorarán. Con una selección equilibrada (nivel 3), la calibración de dos minutos (Alto) entrega una mediana del 5.2 % de la diagonal (alrededor de 1.8 grados visuales). Para la mayoría de los paradigmas en línea, esto será lo suficientemente preciso. La calibración Máxima con selección muy estricta (nivel 5) entregó aproximadamente el 4 % (Figura 2), que equivale a aproximadamente 1.4 grados visuales.

5. Mejor selección, pre-verificaciones técnicas y una configuración más sencilla

5.1 Cómo funcionan las pre-verificaciones y la selección

La selección ocurre en dos etapas, respaldada por una nueva funcionalidad de nuestro proveedor de reclutamiento de participantes, Prolific. Primero, una verificación técnica rechaza dispositivos inadecuados sin pago; luego vienen la calibración, la prueba y la exclusión, con una tarifa de participante reducida a elección del investigador.

• Rechazo técnico. Se comprueban las capacidades del dispositivo y su cámara, y la tasa de muestreo de la mirada debe alcanzar los 10 Hz. Un fallo aquí resulta en un rechazo técnico: al participante solo le toma unos segundos (quizás hasta un minuto en dispositivos realmente lentos), y se les informa por qué fueron rechazados. La mejor manera de comunicar esto a los participantes que vienen de Prolific es crear un enlace de rechazo, seleccionar "dispositivo incompatible" como la razón y marcar la casilla "pedir al participante que devuelva el estudio". La mayoría de los participantes lo devolverán con gusto, y para aquellos que aún envían la cantidad total, verás su estado como "dispositivo incompatible", por lo que la razón del rechazo es clara. Como resultado, solo los participantes con dispositivos técnicamente capaces ingresan al estudio real y se les permite la calibración.

• Exclusión después de la calibración. Después de la calibración y la prueba, el sistema decide si se permite al participante ingresar a la tarea de seguimiento ocular, basándose en el nivel de selección del estudio. El nivel 0 no excluye a nadie y permite que todos comiencen la tarea. El nivel 1 excluye solo las calibraciones fallidas, mientras que los niveles 2 a 5 utilizan la precisión predicha por la prueba y admiten aproximadamente 65, 50, 30 o 15 de 100 participantes. Un participante que no pase es excluido en el acto. Si utilizas Prolific, te recomendamos usar un enlace de exclusión dedicado y pagar a los participantes 0.50 GBP por la calibración de dos minutos y 0.80 GBP por la calibración de cinco minutos (los enlaces de exclusión están parcialmente pagados en Prolific). Estas cantidades se aplican cuando la calibración del seguimiento ocular es más o menos la primera cosa que hace el participante. Si la parte de seguimiento ocular comienza mucho más tarde en tu estudio, considera habilitar un intento de calibración de nuevo (desactivado por defecto) y, para los participantes que también fallan el intento, pagar una tarifa de exclusión más alta.

En conjunto, el rechazo técnico y la exclusión hacen que el seguimiento ocular con nuestro sistema 2.0 sea una experiencia fluida en plataformas de crowdsourcing como Prolific, con alta precisión y altas tasas de finalización para los participantes que son admitidos.

5.2 Resultado: 99.3 % de conjuntos de datos completos, alrededor del 10 % de costo extra

La pre-verificación atrapa lo que habría fallado más tarde. En una de nuestras colecciones de datos en línea, 37 de 251 participantes (aproximadamente el 15 %) fueron rechazados antes del inicio, la mayoría por una cámara por debajo de la resolución requerida o una computadora demasiado lenta para rastrear un rostro (Figura 3). Cada uno de ellos, de lo contrario, habría producido una sesión fallida o inutilizable. Ahora también exigimos una tasa de mirada medida de al menos 10 Hz, que es lo que necesita nuestro nuevo algoritmo de fijación (más sobre eso en la próxima Nota del Laboratorio).

Cada nivel de selección compra una ganancia predecible. Aplicado a los 295 participantes del nivel Alto sin selección, cada nivel intercambia la admisión por precisión en pasos de 0.2 a 0.7 puntos (Figura 5). En el nivel 3, equilibrado, aproximadamente la mitad de todos los entrantes son admitidos, la mediana de los participantes admitidos cae en aproximadamente un punto, y la proporción de participantes admitidos que son peores que el 10 % cae del 17 % al 3 %. Un lote en vivo posterior confirmó esto exactamente como se diseñó: con selección equilibrada, se admitió a la mitad de los participantes, y ellos entregaron un 5.24 % (Sección 7.1).

El costo de la selección es bajo porque los participantes seleccionados no reciben el pago completo. Un participante seleccionado recibe una pequeña parte de la tarifa total, alrededor de un décimo en nuestro caso, por lo que el nivel 3 aumenta el costo estimado de reclutamiento en aproximadamente un 10 % y el nivel 5 en aproximadamente un 60 % (Figura 6).

Casi cada participante pagado entrega un conjunto de datos completo. De los 450 participantes aprobados y pagados en Prolific en los últimos cinco lotes (del 24 al 28 de septiembre), 447 (99.3 %) entregaron el conjunto de datos completo (Figura 7). Igualmente importante, los participantes permanecen una vez que son admitidos: el 96 al 97 % de aquellos que pasaron la prueba completaron el estudio. Los participantes rechazados durante la pre-verificación técnica no son compensados y los participantes seleccionados solo reciben una pequeña parte de la tarifa, por lo que la tarifa completa va casi exclusivamente a grabaciones utilizables.

6. Correcciones en vivo para movimiento de la cabeza y cambios de iluminación

6.1 Qué hacen las correcciones en vivo

La selección decide quién ingresa al estudio. Para los participantes admitidos, dos correcciones en vivo luego reducen el error que el movimiento de la cabeza y el cambio de luz añaden a lo largo de una sesión. Ambas están activadas por defecto en cada nivel de calibración, pero se pueden desactivar en la configuración del estudio.

• Corrección de postura de la cabeza. Cuando la cabeza se aleja de su posición durante la calibración, la estimación de la mirada se desplaza con ella. Esta corrección compensa ese desplazamiento de manera continua.
• Corrección de chequeo de mirada. Los chequeos regulares de Control de Mirada (cada tres minutos en Alto, cada minuto en Más Alto) se utilizan para eliminar la deriva que se acumula después de la calibración, incluida la deriva que produce un cambio de luz. Un detector de cambio de luz activa un chequeo adicional cuando la luz en la cara cambia notablemente.

La mirada cruda permanece reconstruible: las correcciones se aplican por defecto pero se pueden desactivar, y la corrección aplicada a cada muestra de mirada también se puede registrar en Labvanced (como parámetros del evento de activación de mirada), para que los investigadores que prefieren la señal sin corregir puedan recuperarla exactamente.

6.2 Resultado: un sexto menos de error, la mayor parte de la cola removida

Las correcciones eliminan un sexto del error y la mayor parte de la cola. En el nivel Alto con selección balanceada (nivel 3, 143 participantes), la mediana se mueve del 6.37 % crudo al 5.72 % con la corrección de postura de la cabeza y al 5.28 % con ambas, y la proporción de participantes con más del 10 % cae del 15 % al 3 % (Figura 8). Sin ninguna selección, la ganancia es la misma, un sexto: del 7.42 % al 6.21 % en 295 participantes. Aproximadamente tres de cada cuatro participantes mejoran (Figura 9).

Se aplican a participantes en los que nunca se desarrollaron. Las correcciones se establecieron una vez y luego se aplicaron sin cambios a cinco lotes posteriores, tres fuera de línea y dos con las correcciones funcionando en vivo en el estudio (Figura 10).

La luz estable mantiene alta la precisión, y los chequeos de Control de Mirada detectan los cambios. En el nivel Más Alto, 70 de 99 participantes mantuvieron el brillo de su cara dentro del 5 % de la calibración, y su error crudo mediano fue del 5.49 %. Para los 13 participantes cuya luz cambió en más del 10 %, fue del 10.94 % cuando la cara se oscureció (5 participantes) y del 7.78 % cuando se iluminó (8 participantes) (Figura 11). Los chequeos regulares de Control de Mirada detectan tal cambio y lo corrigen.

7. Precisión validada de 1.4 a 1.8° con participantes de Prolific

7.1 Precisión: 1.8° en Alto, 1.4° en Más Alto

Con la calibración de dos minutos y la selección balanceada, el error de mediana de un participante es del 5.2 % de la diagonal, aproximadamente 1.8°, y quince de dieciséis participantes admitidos se mantienen por debajo del 10 %. El nivel Más Alto con selección muy estricta alcanza el 4 %, aproximadamente 1.4°.

El error es casi uniforme en toda la pantalla, y los objetivos exteriores no son peores que el centro (Figura 13). La calculadora a continuación convierte la precisión esperada a cualquier pantalla y distancia de visualización.

7.2 Precisión: dispersión de 0.75°, 0.6° de muestra a muestra

La precisión mejoró notablemente en la primera generación. Para comparar de manera justa, volvimos a calcular la precisión de Eye Tracking 1.x en las grabaciones de nuestro estudio de laboratorio de 2023, donde cada participante fue grabado con la webcam y un EyeLink 1000 al mismo tiempo. Para cada ensayo de cuadrícula elegimos la ventana más estable de un segundo de acuerdo con el EyeLink, de modo que ambos rastreadores fueron medidos durante una fijación genuina, y aplicamos las mismas dos medidas estándar que para 2.0: la dispersión de las muestras alrededor de su media (SD) y la raíz cuadrada de la media de las distancias de muestra a muestra (RMS-S2S).

Valores en porcentaje de la diagonal de la pantalla, con ángulo visual en la propia pantalla de cada estudio (monitor de 15 pulgadas a 60 cm en el laboratorio, laptop de 14.2 pulgadas a 60 cm en línea). Ambos sistemas de webcam muestreaban a aproximadamente 30 Hz.

La señal en línea 2.0 se dispersa alrededor del 10 % menos que la señal de laboratorio 1.x, y su ruido de muestra a muestra es aproximadamente un 40 % más bajo, de aproximadamente 1.0° a 0.6°. Notablemente, la comparación favorece a 1.x en dos aspectos: se grabó bajo control de laboratorio, y sus ventanas se eligieron como el segundo más estable por el EyeLink, lo cual no es posible en línea. Por lo tanto, la mejora está, si acaso, subestimada. El EyeLink, por supuesto, sigue siendo el sistema más preciso, pero 2.0 cierra buena parte de la brecha.

8. Un nivel pasivo sin calibración

8.1 Cómo funciona el nivel pasivo

Con Eye Tracking 2.0 es posible ejecutar un modelo pasivo sin calibración, lo cual puede ser muy útil en ciertos escenarios experimentales. Todo lo que requiere es que los participantes otorguen acceso a la cámara; la predicción de seguimiento ocular comienza inmediatamente. Está hecho para participantes que no pueden o no deben calibrarse, siendo los bebés los más destacados: la calibración siempre ha sido la parte difícil del seguimiento ocular en bebés, y muchos estudios sobre bebés utilizan lo que se llaman paradigmas de mirada preferencial, es decir, preguntan si un niño mira a la izquierda o a la derecha. Poder clasificar esto de manera confiable, en tiempo real y completamente en la máquina del participante, puede cambiar las reglas del juego para la investigación sobre la atención de los bebés, pero también para otros dominios donde el seguimiento ocular es mejor hacerlo en silencio en segundo plano. Puede realizar un estudio sobre bebés usted mismo en Sección 10.

8.2 Precisión esperada: aproximadamente 4° (estimación)

El nivel pasivo no fue parte de los lotes Prolific, y su validación de campo aún está por llegar. Los laboratorios de infantes querrán realizar esa validación con infantes reales, lo cual va más allá de lo que Prolific ofrece. Si trabajas en o representas un laboratorio de infantes y te gustaría ayudar a validar el nivel pasivo, por favor contáctanos: estamos muy interesados en colaboraciones.

Dicho esto, a partir de nuestras extensas pruebas internas, nuestra estimación de trabajo es un error de aproximadamente el 11-12 % de la diagonal de la pantalla, alrededor de 4° en un portátil a 60 cm. La Figura 14 muestra lo que eso significa para un diseño experimental típico: en el error medio del nivel pasivo, al mirar un objetivo en el medio de la mitad izquierda de la pantalla, se mantiene bien alejado de la mitad derecha. Incluso hay una buena probabilidad de que se puedan distinguir de 4 a 6 regiones de la pantalla con suficiente confianza. Se proporcionarán más datos sobre esto con el tiempo.

Figura 14. El error medio de cada nivel representado a escala como un círculo alrededor de un objetivo en la mitad izquierda de una pantalla 16:9. La línea discontinua divide la pantalla en izquierda y derecha. La cifra pasiva es una estimación; las otras dos son medidas.

9. Discusión

Nuestra comparación revisada por pares de 2023 mostró que una cámara web en un laboratorio puede rastrear la mirada hasta aproximadamente 1.4°. Esta nota muestra que con nuestro motor Webcam Eye Tracking 2.0, una cámara web en el hogar de un participante, en su propio portátil y en su propia luz, rastrea la mirada a un promedio de aproximadamente 1.8° con una calibración de dos minutos y un cribado equilibrado, y a aproximadamente 1.4° con la calibración larga y un cribado muy estricto. En efecto, la precisión que la generación anterior alcanzó bajo control de laboratorio ahora se logra en línea. Tres mecanismos explican la mayor parte del cambio: un motor de mirada dual mejorado, una calibración que captura mejor las diferencias individuales y el desplazamiento, y correcciones en vivo que eliminan los errores sistemáticos de la postura de la cabeza y la iluminación.

Para los investigadores, las consecuencias son muy prácticas. La mayoría de los estudios en dominios como psicología, lingüística, sociología, economía, marketing y otros, pueden ejecutar el nivel Alto y esperar alrededor de 1.8°, lo que probablemente será suficiente para captar el efecto esperado. Los estudios que investigan regiones más pequeñas, como tareas de lectura con muchas palabras y pequeños espacios entre ellas (prueba el estudio de lectura), pueden utilizar el nivel Máximo y obtener alrededor de 1.5° con cribado estricto, o 1.4° con cribado muy estricto, desde una cámara web. En el otro extremo, los investigadores que estudian la atención en infantes y niños pequeños ahora tienen la opción de rastrearla sin calibración, y por lo tanto sin las dificultades que la calibración conlleva para la recolección de datos (Sección 8). Y, por supuesto, hay varios pasos intermedios entre estos extremos. La configuración en la interfaz de Labvanced está mucho simplificada, y la precisión esperada que muestra para cada opción se basa en mediciones reales. En resumen, tu próximo proyecto de seguimiento ocular puede comenzar hoy.

¿Qué configuración para qué estudio?

La tabla a continuación es una guía aproximada, no un conjunto de reglas estrictas. Para cada tarea y estudio, examina el número de áreas de interés, su tamaño y, sobre todo, la distancia entre ellas, y elige la configuración en consecuencia: dos grandes regiones distanciadas toleran mucho más error que muchas pequeñas una al lado de la otra. Si no estás seguro de qué configuraciones se adaptan a tu diseño, contáctanos y lo revisaremos contigo.

Las precisiones esperadas son la mediana de los participantes admitidos con las correcciones activadas, medidas en el nivel Alto y en la fila Máxima y estimadas para los otros; el costo adicional de reclutamiento cuenta un participante descartado a una décima de uno completado. El cribado no se aplica a los niveles Pasivo y Medio: todos son admitidos.

El asistente de configuración en la configuración del estudio de Labvanced hace las mismas dos preguntas, el nivel de precisión y el nivel de cribado, y muestra la precisión esperada de tu elección antes de que comience el estudio.

Preguntas frecuentes

¿Qué tan preciso es el seguimiento ocular con webcam?

Con Labvanced Eye Tracking 2.0, el participante medio en línea tiene una precisión de 1.8° de ángulo visual después de una calibración de dos minutos con cribado equilibrado, y de aproximadamente 1.4° después de la calibración larga con cribado muy estricto. En el laboratorio, la primera generación alcanzó 1.4° en una comparación directa con un EyeLink 1000 (Kaduk et al., 2023).

¿Es suficiente la precisión del seguimiento ocular con webcam para estudios de lectura?

Para la lectura a nivel de palabra, recomendamos el nivel Máximo con cribado estricto, que ofrece aproximadamente 1.5°. Las áreas de interés más grandes, como rostros, escenas o regiones de una página, funcionan en el nivel Alto a 1.8 a 1.9°. La tabla anterior lista qué configuración se adapta a qué diseño de estudio.

¿Cuánto tiempo toma la calibración?

Las instrucciones y la calibración toman aproximadamente 4 minutos en el nivel Alto y aproximadamente 7 minutos en el nivel Máximo. Los niveles más cortos toman entre 30 segundos y 3 minutos, y el nivel pasivo no necesita calibración en absoluto.

¿Funciona el seguimiento ocular con webcam con infantes?

El nivel pasivo comienza a rastrear tan pronto como la cámara está encendida, sin ninguna calibración. Su error estimado es de aproximadamente 4°, lo cual es suficiente para distinguir una mirada a la izquierda de una mirada a la derecha en estudios de mirada preferencial. La validación de campo con infantes aún está por llegar.

¿Cómo se compara el seguimiento ocular con webcam con un rastreador ocular de laboratorio?

Un rastreador de laboratorio como el EyeLink 1000 sigue siendo más preciso, con una dispersión de aproximadamente 0.1° frente a 0.75° para la cámara web. El seguimiento ocular con webcam alcanza una precisión de aproximadamente 1.4 a 1.8° en las computadoras de los participantes, lo cual es suficiente para la mayoría de los diseños basados en áreas de interés.

¿Puedo convertir mi estudio existente a 2.0?

Sí, en cualquier momento: elige Eye Tracking 2.0 en la configuración del estudio. Los estudios existentes permanecen en 1.x hasta que los cambies, y los nuevos estudios comienzan en 2.0.

¿Está incluido en mi licencia?

Eye Tracking 2.0 es parte de todas las licencias Premium y Ultimate, así como lo fue Eye Tracking 1.x antes.

¿Qué registra un estudio 2.0?

La misma salida de mirada que antes, posiciones x e y, ahora más precisas y exactas, con un valor de confianza por muestra. Las fijaciones se detectan con el nuevo detector combinado por defecto. Si deseas la señal sin corregir, la corrección aplicada a cada muestra puede grabarse como parámetros del desencadenador de mirada. Los participantes que son excluidos o rechazados técnicamente se enumeran con su estado en las Estadísticas del Grupo del estudio.

¿Cambia algo en mis datos?

La estructura se mantiene igual. El valor de confianza ahora está en una escala diferente: se calcula a partir de cantidades completamente diferentes que en 1.x, por lo que sus números son generalmente más bajos. Este es un cambio de escala Solo, no de calidad de los datos, pero significa que los umbrales de confianza de los estudios 1.x no se trasladan a 2.0. La confianza también es específica para cada participante: úsala para comparar muestras o ensayos dentro de un mismo participante, no entre participantes. Una confianza de 0.3 para un participante no significa lo mismo que 0.3 para otro. Nuestros datos muestran esto claramente: la confianza típica de los participantes osciló entre 0.09 y 0.73, pero no decía nada sobre cuán precisos eran. Los participantes cuya confianza típica estaba alrededor de 0.3 presentaron desde un 3.7 % hasta un 20.8 % de error. Dentro de un participante, por el contrario, los ensayos con menor confianza tendían a ser menos precisos.

¿Qué viene a continuación?

Labvanced Webcam Eye Tracking 2.0 fue un proyecto de varios meses que tocó casi todas las partes de nuestro código de seguimiento ocular. Sin duda, no es la última mejora que haremos. Aquí hay cinco temas en los que estamos trabajando ahora.

1. Detección de parpadeos

Los parpadeos interrumpen brevemente la estimación de la mirada. Los detectaremos de manera confiable y mantendremos la mirada estable a través de ellos, de modo que un parpadeo ya no parezca un movimiento ocular. Una señal de parpadeo limpia también es interesante en sí misma: la tasa y el momento del parpadeo son medidas establecidas de fatiga, excitación y carga cognitiva, y podrían convertirse en una nueva salida de cada estudio de seguimiento ocular.

2. Precisión uniforme en toda la pantalla

La precisión ya es casi uniforme en toda la pantalla (Figura 13). Estamos trabajando para eliminar las pequeñas diferencias sistemáticas que permanecen entre las regiones de la pantalla, sin añadir un solo punto de calibración.

3. Calibración adaptativa

Hoy en día, el investigador elige la duración de la calibración por adelantado, y cada participante recibe la misma. Estamos trabajando en una calibración que se adapta al participante: corta para los casos fáciles y más larga solo donde compensa.

4. Detección de fijaciones

Nuestra próxima Nota de Laboratorio, Análisis de Detección de Fijaciones, compara algoritmos de detección de fijaciones en datos de webcam, en grabaciones realizadas simultáneamente con un EyeLink 1000 y en una tarea de fijación de ritmo rápido que nuestros participantes en línea completaron. Muestra cómo el nuevo detector predeterminado de Eye Tracking 2.0 duplica la parte de miradas fijas reportadas como exactamente una fijación.

5. Calidad de la sesión en tus datos

Cada sesión ya mide mucho sobre su propia calidad mientras se ejecuta. Agregaremos una salida compacta de calidad por sesión, con un puntaje de calidad general, para que los investigadores puedan clasificar, ponderar o excluir sesiones o participantes después de la recolección de datos.

10. Pruébalo tú mismo

La mejor manera de juzgar el seguimiento ocular por webcam es experimentarlo. Los estudios a continuación ejecutan Eye Tracking 2.0 en tu navegador, con tu propia webcam: permite el acceso a la cámara, sigue la calibración y verifica por ti mismo. Como todo en Eye Tracking 2.0, el procesamiento se ejecuta en tu dispositivo y ninguna imagen o video lo deja. La tarea de precisión es el estudio detrás de los resultados de esta nota; los otros estudios son demostraciones de diseños de investigación típicos y no formaron parte de la validación.

11. Datos y reproducibilidad

Cada resultado en esta nota puede ser verificado de manera independiente. Publicamos los datos anonimizados de las 494 sesiones completadas en las que se basan los resultados, junto con los scripts que calculan cada número y cada figura a partir de ellos.

Obtén el paquete de datos en OSF (ZIP, 9 MB)

Qué contiene. Una fila por participante (categoría, cribado, resultados de calibración y temporización), una fila por ensayo de la tarea de precisión de 45 objetivos con su error, crudos y con las correcciones, y para el último segundo antes de cada cambio de objetivo, la ventana que utiliza la métrica de precisión: muestras de mirada con la confianza del modelo, fijaciones y, en la categoría más alta, brillo de la cara. También contiene la temporización de cada ejecución de Control de Mirada y tablas agregadas para los valores que no se comparten por participante (rechazos técnicos antes del inicio, retención después de la sonda, y los valores de precisión de laboratorio 2023). Un README documenta cada columna.

Cómo reproducir. Los scripts solo necesitan Python 3 y su biblioteca estándar. Ejecuta scripts/accuracy.py y luego scripts/article_numbers.py: juntos aplican la métrica exactamente como se describe en esta nota y escriben los datos de cada figura y cada número citado en el texto. Los únicos valores que no se computan a partir de los datos son las tablas agregadas, las precisiones esperadas de la categoría más alta en la Figura 12, que se configuran en el producto, y la precisión estimada de la categoría pasiva.

Privacidad. Los datos no contienen identificadores de ningún tipo: ni IDs de Prolific o Labvanced, ni nombres, ni datos demográficos, ni información sobre dispositivos o navegadores, y sin fechas u horas absolutas. Cada participante tiene un ID aleatorio que no está vinculado a ningún otro registro, y no existe ninguna clave. No se grabaron imágenes ni videos de la cámara. Todos los participantes consentieron el uso anonimizado de sus datos.

Licencia. Copyright © 2026 Scicovery GmbH (Labvanced). Los datos y scripts están licenciados bajo CC BY-NC 4.0: puedes usarlos, reanalizarlos y compartirlos y publicar tus resultados con fines no comerciales, dando crédito a Labvanced y citando esta nota. El uso comercial requiere nuestro permiso por escrito.

Cómo citar. Estilo APA, listo para copiar:

Describiéndolo en tu sección de métodos. Eres bienvenido a adaptar este párrafo (reemplazando los valores entre corchetes con tu configuración): La mirada se registró en línea con las webcams de los participantes utilizando Labvanced Eye Tracking 2.0 (Labvanced, 2026), con la categoría de calibración [alta] y cribado [balanceado] del participante. Se aplicaron correcciones de postura de cabeza en vivo y de Control de Mirada. En la validación de esta configuración, la precisión mediana fue de [5.2 %] de la diagonal de la pantalla, aproximadamente [1.8°] de ángulo visual a 60 cm.

Referencias

• Alp, N., Lale, G., Saglam, C., & Sayim, B. (2024). The effect of processing partial information in dynamic face perception. Scientific Reports, 14, 9794. https://doi.org/10.1038/s41598-024-58605-7
• Bertrand, J. K. (2023). The utility of webcam eye-tracking: Lessons learned and practical applications in decision-making and digital human-computer interactions [Tesis doctoral, Universidad de Alberta]. https://doi.org/10.7939/r3-83ge-t169
• Bertrand, J. K., & Chapman, C. S. (2023). Dynamics of eye-hand coordination are flexibly preserved in eye-cursor coordination during an online, digital, object interaction task. 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). Continuous measures of decision-difficulty captured remotely: II. Webcam eye-tracking reveals early decision processing. bioRxiv. https://doi.org/10.1101/2023.06.06.543799
• Bánki, A., de Eccher, M., Falschlehner, L., Hoehl, S., & Markova, G. (2022). Comparing online webcam- and laboratory-based eye-tracking for the assessment of infants' audio-visual synchrony perception. Frontiers in Psychology, 12, 733933. https://doi.org/10.3389/fpsyg.2021.733933
• Calignano, G., Lorenzoni, A., Semeraro, G., & Navarrete, E. (2024). Words before pictures: The role of language in biasing visual attention. Frontiers in Psychology, 15, 1439397. https://doi.org/10.3389/fpsyg.2024.1439397
• Golan, M., Abo Shkara, M., & Havron, N. (2023). Children infer the meaning of novel verbs through morphological 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). The self-reference memory bias is preceded by an other-reference bias in infancy. Nature Communications, 16, 6311. https://doi.org/10.1038/s41467-025-61642-z
• Haverly, C. (2022). Influence of video game playing on change detection: An eye tracking study. Horizons, 7, 68–73. Universidad de Hawaiʻi en Mānoa. ScholarSpace
• Jenke, L., & Sullivan, N. (2025). Attention and political choice: A foundation for eye tracking in political science. Political Analysis, 33(4), 298–314. https://doi.org/10.1017/pan.2025.8
• Kaduk, T., Goeke, C., Finger, H., & König, P. (2023). Webcam eye tracking close to laboratory standards: Comparing a new webcam-based system and the 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). Effects of AI assistance timing on pharmacists' trust in automated pill recognition technology. 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). The fundamentals of eye tracking part 4: Tools for conducting an eye tracking study. Behavior Research Methods, 57, 46. https://doi.org/10.3758/s13428-024-02529-7
• Patterson, A. S., Nicklin, C., & Vitta, J. P. (2025). Methodological recommendations for webcam-based eye tracking: A scoping review. 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). Beyond built density: From coarse to fine-grained analyses of emotional experiences in urban environments. 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). Can eye movement synchronicity predict test performance with unreliably-sampled data in an online learning context? 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 models for webcam eye tracking in online experiments. Behavior Research Methods. https://doi.org/10.3758/s13428-023-02190-6
• Serrano-Carot, M., Angele, B., Xu, H., & Vasilev, M. R. (2025). Webcams can be used to study eye movements during reading. PsyArXiv. https://doi.org/10.31234/osf.io/bzt2h_v1
• Stone, S. A., & Chapman, C. S. (2023). Unconscious frustration: Dynamically assessing user experience using eye and mouse tracking. 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). Effect of artificial intelligence helpfulness and uncertainty on cognitive interactions with pharmacists: Randomized controlled trial. 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: Empirical research at a distance: New methods for developmental science. Frontiers in Psychology, 13, 938995. https://doi.org/10.3389/fpsyg.2022.938995
• Tsutsuse, K. S. (2025). Effects of online advertisements on processing and evaluating scientific explanations [Tesis de maestría, Universidad de Hawaiʻi en Mānoa]. ScholarSpace
• Wies, S., Bleier, A., & Edeling, A. (2023). Finding Goldilocks influencers: How follower count drives social media engagement. Journal of Marketing, 87(3), 383–405. https://doi.org/10.1177/00222429221125131
• Zhang, P., & Zhang, S. (2025). Attention and learning in L2 multimodality: A webcam-based eye-tracking study. Language Learning & Technology, 29(1), 1–27. https://doi.org/10.64152/10125/73626
• Zhang, X., & Powdthavee, N. (2026). Attention as a bottleneck in moral judgment: How comparative context distorts discrimination recognition. 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). Transcranial light stimulation improves selective attention in children with ADHD. medRxiv. https://doi.org/10.1101/2025.09.18.25335086
• Documentación de Labvanced Eye Tracking: Configuración del estudio, Salida de datos.

<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; }
/* A block wider than the text column, centred on it: for tables with many columns. The
   content column is 740px wide; the block may grow to 1100px as long as it stays inside the
   main area (viewport minus the 20rem sidebar and the content 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>