Suivi oculaire Labvanced 2.0 : suivi oculaire par webcam précis pour toutes les recherches en ligne

Caspar Goeke, Responsable de la recherche chez Labvanced · Publié en octobre 2026

Le Suivi oculaire Labvanced 2.0 suit le regard avec une webcam standard à une précision médiane de 1,8 degré d'angle visuel (5,2 % de la diagonale de l'écran) chez des participants en ligne non supervisés. Le résultat provient de 494 participants Prolific sur leurs propres ordinateurs, et les données anonymisées sont publiées avec cette note.

Après plus d'un an de développement, le Suivi oculaire 2.0 apporte la précision que le suivi oculaire par webcam a atteinte en laboratoire à de vraies études en ligne.

Résultats clés

• La précision médiane est de 1,8° (5,2 % de la diagonale de l'écran) avec une calibration de deux minutes et une sélection équilibrée.
• Avec la longue calibration et une sélection très stricte, la précision médiane atteint 1,4° (4 %).
• Le regard est plus stable que dans la première génération : le bruit d'échantillon à échantillon est d'environ 40 % plus faible que celui du Suivi oculaire 1.x enregistré en laboratoire.
• 99,3 % des participants rémunérés ont fourni un ensemble de données complet, et la sélection équilibrée augmente le coût de recrutement d'environ 10 %.

Plan

• 1Résumé et introduction
• 2Comment nous avons mesuré : la tâche, la métrique et les participants
• 3Un moteur de regard amélioré avec fusion double-œil qui fonctionne sur ordinateurs portables, tablettes et téléphones
• 4Une calibration plus courte et meilleure utilisée pour le réglage fin des réseaux de neurones individuels
• 5Une meilleure méthode de sélection, des pré-vérifications techniques, et une configuration simplifiée
• 6Corrections en direct pour les mouvements de tête et les changements d'éclairage
• 71,4 à 1,8 degrés visuels de précision, vérifiés sur environ 500 vrais participants sur Prolific
• 8Un niveau passif qui fonctionne directement sans aucune calibration, idéal pour la recherche sur les nourrissons
• 9Discussion : quel paramètre pour quelle étude ?
• 10Essayez par vous-même
• 11Données et reproductibilité

Résumé

Le suivi oculaire par webcam est déjà devenu un outil puissant pour la recherche comportementale en ligne, et la première génération du système Labvanced a été validée par rapport à un EyeLink 1000 en laboratoire avec une précision d'environ 1,4° d'angle visuel (Kaduk et al., 2023). Plusieurs questions restent ouvertes. Combien de cette précision survive aux conditions non contrôlées d'une véritable étude en ligne ? Pourquoi certains participants fournissent des données bien pires que d'autres, et peuvent-ils être identifiés avant qu'un chercheur ne les paie ? La calibration peut-elle être raccourcie pour la rendre plus pratique dans des études en ligne ordinaires ? Et que doit-il arriver aux participants qui ne la réussissent pas, ou qui ne se qualifient pas ? Ici, nous montrons comment nous avons amélioré la précision du suivi oculaire, tout en raccourcissant simultanément la calibration, simplifiant la configuration, et optimisant l'ensemble de la procédure pour la collecte de données réelles en ligne avec notre partenaire Prolific. Nous avons ensuite validé le système dans sept sessions d'enregistrement avec environ 500 participants ayant terminé une tâche de précision à 45 cibles, et publions leurs données anonymisées afin que chaque résultat puisse être vérifié. Avec notre nouvelle calibration standard (environ 2 minutes) et une sélection équilibrée, l'erreur médiane du participant était de 5,2 % de la diagonale de l'écran, soit 1,8° d'angle visuel sur un ordinateur portable à 60 cm. Et avec la calibration de 5 minutes et une sélection très stricte, la précision médiane des participants en ligne a atteint 4 % de la diagonale de l'écran, ce qui équivaut à 1,4° d'angle visuel à une distance standard. En résumé, avec cette version du Suivi oculaire 2.0, nous montrons que la précision rapportée dans notre comparaison en laboratoire évaluée par des pairs peut être reproduite en ligne.

1. Introduction

Les mouvements oculaires révèlent l'attention en continu et sans demande, et pendant des décennies, leur mesure nécessitait des équipements de laboratoire. Avec notre système de webcam de première génération existant (appelé ici Suivi oculaire 1.x), nous avons montré qu'une webcam pouvait s'approcher très près d'une prédiction précise des mouvements oculaires : enregistrée simultanément avec un EyeLink 1000 dans cinq tâches standardisées, notre système a atteint une précision de 1,4° et une précision de 1,1°, soit environ un demi-degré derrière le "standard d'or" du laboratoire (Kaduk, Goeke, Finger & König, 2023). Depuis lors, des groupes indépendants ont confirmé l'image et ont mis le système à l'œuvre dans un éventail remarquable de domaines :

• Lecture. Enregistrée aux côtés d'un EyeLink, le regard webcam Labvanced a corrélé avec le tracker de laboratoire à un r médian de 0,81 et a reproduit l'effet de fréquence des mots (Serrano-Carot, Angele, Xu & Vasilev, 2025).
• Développement des nourrissons. Le regard webcam des nourrissons enregistré à domicile a été comparé au suivi oculaire en laboratoire dans une tâche de synchronie audio-visuelle (Bánki, de Eccher, Falschlehner, Hoehl & Markova, 2022).
• Prise de décision et interaction homme-ordinateur. Le regard à distance a révélé un traitement précoce des décisions (Bertrand, Ouellette Zuk & Chapman, 2023), la coordination du regard et du curseur dans une tâche d'objet numérique (Bertrand & Chapman, 2023) et la frustration des utilisateurs (Stone & Chapman, 2023), réunis dans une thèse de doctorat sur l'utilité du suivi oculaire par webcam (Bertrand, 2023).
• Langue, attention et perception. Des études ont suivi comment les apprenants prêtent attention au texte, à l'audio et aux images lors de l'acquisition du vocabulaire de seconde langue (Zhang & Zhang, 2025), comment les mots biaisent l'attention visuelle (Calignano, Lorenzoni, Semeraro & Navarrete, 2024), comment des informations partielles façonnent la perception dynamique du visage (Alp, Lale, Saglam & Sayim, 2024) et comment les joueurs de jeux vidéo détectent le changement (Haverly, 2022).
• Éducation et communication scientifique. La synchronie du regard entre les étudiants regardant des vidéos de cours prédisait leur performance aux tests (Sauter, Hirzle, Wagner, Hummel, Rukzio & Huckauf, 2022), et les fixations ont montré comment les publicités en ligne détournent l'attention des explications scientifiques (Tsutsuse, 2025).
• Marketing, psychologie sociale et environnementale. Le regard des utilisateurs d'Instagram a montré qu'ils recherchaient le nombre de followers d'un influenceur (Wies, Bleier & Edeling, 2023); l'attention aux CV a expliqué comment 1 159 participants ont jugé des embauches discriminatoires (Zhang & Powdthavee, 2026); et le regard sur des scènes urbaines était lié à l'expérience émotionnelle (Sander, Mazumder, Fingerhut, Parada, Koselevs & Gramann, 2024).
• Santé et interaction homme-AI. Un essai contrôlé randomisé a mesuré où les pharmaciens regardent lorsqu'une IA les aide à vérifier des médicaments (Tsai et al., 2025; Kim et al., 2026), et une étude clinique a enregistré le regard webcam avec EEG chez des enfants atteints de TDAH (Zhao et al., 2025).

Les revues méthodologiques et les présentations répertorient désormais Labvanced parmi les systèmes de suivi oculaire par webcam établis (Niehorster et al., 2025; Jenke & Sullivan, 2025; Patterson, Nicklin & Vitta, 2025; Tsuji, Amso, Cusack, Kirkham & Oakes, 2022). Ces résultats ont établi le suivi oculaire par webcam, et Labvanced en particulier, comme un instrument sérieux pour la recherche académique.

Il est important de noter que, pour comparer nos données basées sur webcam avec celles de l'EyeLink, notre projet de comparaison précédent, qui a abouti à notre publication évaluée par des pairs, a dû être réalisé à l'intérieur d'un laboratoire. Nous pouvions donc contrôler l'ensemble de l'environnement, y compris l'ordinateur, l'écran, la webcam, la salle et l'éclairage. Nous pouvions également donner des instructions en personne, et étant dans un cadre de laboratoire, la plupart des participants ont probablement fourni leur meilleur effort ou, au moins, un bon effort lors de l'expérience. Presque rien de cela n'est garanti dans un environnement non supervisé avec de réels participants en ligne. Un participant en ligne s'assoit où il se trouve, sur l'appareil qu'il possède, dans la lumière qu'il a, et certains ne prêtent tout simplement aucune attention. Étant donné ces lacunes connues, nous sommes à la fois heureux et fiers que de nombreux projets avec notre technologie de suivi oculaire existante aient été remarquablement réussis et publiés dans des revues de premier plan. Cependant, certains chercheurs n'ont pas obtenu la précision qu'ils attendaient ou ont rencontré d'autres difficultés, telles que des participants frustrés par une longue calibration, ou un grand nombre de participants ayant échoué pour des raisons techniques et diverses autres. Par exemple, bien que nous ayons déjà construit des calibrations adaptées aux nourrissons, deux études sur les nourrissons ont constaté que notre suivi oculaire de première génération n'était pas encore suffisamment fiable pour leurs plus jeunes participants (Grosse Wiesmann et al., 2025; Golan, Abo Shkara & Havron, 2023).

En 2025, nous avons commencé à évaluer systématiquement ces lacunes et à les aborder une par une. À la fin de ce parcours, bien que ce ne soit sûrement pas à la fin du développement du suivi oculaire par webcam, se dresse Eye Tracking 2.0. Cette note de laboratoire décrit ce qui a changé et pourquoi, comment nous l'avons validé, et quelle précision vous pouvez désormais attendre avec de réels participants en ligne. Les données derrière tout cela sont en accès libre et disponibles pour que tout le monde puisse les reproduire et les vérifier de manière indépendante (Section 11). Nous prévoyons également une nouvelle étude évaluée par des pairs, mais comme cela prend du temps, nous voulions partager ces résultats maintenant.

2. Comment nous avons mesuré

Toutes les données des participants dans cette note ont été collectées pendant une période d'environ un mois, au sein de plus ou moins le même paradigme d'étude. Cependant, la version de suivi oculaire a changé entre presque chacun de ces lots d'enregistrement, pour tester ou vérifier nos derniers développements (par exemple, tester la correction de posture). Certains lots sont également plus petits et d'autres plus grands, pour diverses raisons. Cette note n'est pas une publication évaluée par des pairs, mais nous pensons que toutes les analyses et résultats rapportés ici sont scientifiquement rigoureux, véritablement perspicaces, et tout le monde est invité à télécharger les données et à les reproduire ou les vérifier. Un article évalué par des pairs sur Eye Tracking 2.0, et potentiellement quelques autres sujets, suivra.

Tâche. Les participants Prolific ont traversé le contrôle de faisabilité technique (voir Section 5) et ont terminé la calibration de l'étude ; les participants admis ont ensuite effectué un court bloc d'entraînement et enfin une tâche de précision de 45 cibles : une grille de 9 par 5 positions couvrant tout l'écran, présentée une à une dans un ordre aléatoire. La tâche des participants était de fixer la cible (un simple cercle) et de cliquer dessus dès que sa couleur changeait. Si un participant cliquait trop tôt ou trop tard, l'essai était répété. Vous pouvez exécuter cette tâche vous-même (Section 10).

Métrique. La principale métrique qui nous intéresse est l'erreur ou la précision cible. Cela se définit comme la distance entre l'emplacement de la cible et la position médiane du regard sur les 1000 ms précédant le changement de cible. Nous avons également implémenté un nouvel algorithme de détection de fixation et utilisé le centroïde de la fixation au moment du changement ; les deux mesures (la médiane du regard et la fixation) ont donné des résultats de précision presque identiques. Plus d'informations sur ce nouveau mécanisme de détection de fixation seront disponibles dans la prochaine note de laboratoire. La précision d'un participant est alors définie comme la médiane de ses 45 erreurs, et la précision d'un groupe comme la médiane sur les participants. Nous rapportons cette médiane tout au long et ne filtrons ni les essais ni les participants. Sur un écran de 1920 par 1080 (full HD), 1 % de la diagonale représente 22 px et 5 % représente 110 px. En raison de la configuration d'enregistrement à distance, nous n'avons pas pu enregistrer de manière fiable la taille physique réelle de l'écran ou la distance de visionnement exacte du participant. L'erreur en angle visuel est donc calculée pour un écran de référence supposé : un ordinateur portable de 14,2 pouces (par exemple, un MacBook Pro de 14 pouces), au milieu de la gamme de 13 à 16 pouces que les participants en ligne utilisent généralement, vu à une distance typique de 60 cm.

Échantillon. Dix lots d'enregistrement entre le 25 août et le 28 septembre 2026 ont produit environ 700 sessions complètes. Les résultats de cette note sont basés sur les 494 sessions complètes des sept lots les plus récents : 48 d'un lot 2.0.9, 296 sur le niveau élevé sans sélection, 50 sur le niveau élevé avec sélection équilibrée et les corrections en direct en cours, et 100 sur le niveau le plus élevé. Les environ 200 sessions des premiers lots ont façonné le système lors du développement antérieur et ne font donc pas partie des résultats rapportés.

Données. Les données anonymisées de ces 494 sessions, ainsi que les scripts qui calculent chaque nombre et figure dans cette note, peuvent être téléchargés (voir Section 11).

3. Un moteur de regard à double œil

3.1 Comment fonctionne le moteur à double œil

Comment Labvanced Eye Tracking 2.0 prédit-il le regard et les fixations ?

Figure 1. La chaîne de traitement. Tout fonctionne sur l'appareil du participant (inférence en bordure) ; aucune image ou vidéo ne quitte l'appareil.

Que signifie le modèle de fusion à double œil ? Le moteur de regard 2.0 traite les deux yeux comme deux mesures distinctes et les combine, de sorte qu'un œil partiellement fermé, dans l'ombre ou capté dans un reflet compte moins. Les informations des images environnantes sont également utilisées, sans lisser les véritables mouvements des yeux. Le résultat est une estimation brute du regard plus précise et plus robuste qu'auparavant, ainsi qu'une valeur de confiance plus indicative de la précision et de l'exactitude réelles.

Vitesse et appareils. Le moteur de regard a été réécrit pour la vitesse et utilise les technologies web les plus récentes telles que WebGPU et WebAssembly. Ensemble, cela accélère considérablement à la fois la prédiction en direct et l'étape de réglage fin (calibrage). En conséquence, Eye Tracking 2.0 fonctionne sans problème sur la plupart des ordinateurs portables (sauf les anciens Chromebooks et appareils similaires), sur des ordinateurs de bureau et sur des tablettes modernes telles que les iPads. Les téléphones utilisent un calibrage raccourci d'environ 15 secondes, et dans nos propres mesures sur téléphone, le regard était assez précis. Une validation sur le terrain sur les tablettes et les téléphones sera effectuée séparément.

3.2 Résultat : 40 % de bruit d'échantillon en moins qu'en 1.x

Précision. Avec la fusion à double œil, le regard est remarquablement plus stable et précis. En ligne, les échantillons de regard 2.0 se dispersent d'une médiane de 2,2 % de la diagonale de l'écran (environ 0,75°), et leur bruit d'échantillon à échantillon est d'environ 40 % inférieur à celui de l'Eye Tracking 1.x enregistré dans notre étude en laboratoire de 2023 (section 7.2).

4. Un calibrage plus court et meilleur

4.1 Comment fonctionne le calibrage

Le calibrage en 2.0 est significativement plus court et fonctionne de manière fondamentalement nouvelle. La qualité de chaque point de calibrage est vérifiée pendant son enregistrement, ainsi les points pris pendant que le participant clignait des yeux ou détournait le regard sont répétés sur place. Le réseau du participant est ensuite ajusté sur son propre appareil, dans la plupart des cas considérablement plus rapidement qu'auparavant, et le réglage fin est limité dans le temps, de sorte qu'aucun participant ne peut jamais se retrouver bloqué.

Contrôle du regard. Le contrôle du regard est une courte tâche de docking qui s'exécute avant la première tâche de suivi du regard, après tout repositionnement de la tête, et à intervalles réguliers définis par le niveau de précision : toutes les trois minutes au niveau Élevé, une minute au niveau Très Élevé. Cela n'interrompt jamais un essai. Les participants voient leur position de tête sous forme de cercle et déplacent leur tête jusqu'à ce qu'elle chevauche un cercle cible, ce qui corrige la position de la tête et la distance à la caméra en une seule étape intuitive. Les participants en ligne prennent une médiane de 6,7 secondes entre le début et la fin. Chaque exécution sert aussi de contrôle de la qualité de regard actuelle, que les corrections en direct utilisent (section 6).

Probe. La première exécution de Contrôle du Regard d'une session est légèrement plus longue, environ 17 secondes au total, et sert de sonde : elle prédit à quel point le regard d'un participant sera précis durant le reste de la session. C'est la base des niveaux de dépistage (section 5) : à des niveaux plus élevés, seuls les participants avec une meilleure précision prédite sont admis à l'étude.

4.2 Résultat : 4 minutes au niveau Élevé, 7 minutes au niveau Très Élevé

Les instructions + le calibrage prennent 4 minutes au niveau Élevé et 7 au niveau Très Élevé. Du moment où le participant voit le premier texte d'instructions jusqu'à la fin de la sonde, les véritables participants en ligne ont besoin d'une médiane d'environ 4 minutes au niveau Élevé (environ 2 minutes de points de calibrage) et d'environ 7 minutes au niveau Très Élevé (environ 5 minutes de points de calibrage). Le réglage fin lui-même a pris une médiane d'environ 37 secondes après le calibrage de deux minutes et environ 67 secondes après celui de Très Élevé. Notez que les sujets peuvent principalement se détendre durant l'étape de réglage fin.

Deux minutes de calibrage suffisent pour la plupart des études, mais cinq l'amélioreront. Avec un dépistage équilibré (niveau 3), le calibrage de deux minutes (Élevé) fournit une médiane de 5,2 % de la diagonale (environ 1,8 degrés visuels). Pour la majorité des paradigmes en ligne, cela sera suffisamment précis. Le calibrage Très Élevé avec un dépistage très strict (niveau 5) a donné environ 4 % (Figure 2), ce qui correspond à environ 1,4 degrés visuels.

5. Meilleur dépistage, vérifications techniques et configuration simplifiée

5.1 Comment fonctionnent les vérifications et le dépistage

Le dépistage se fait en deux étapes, soutenu par de nouvelles fonctionnalités de notre partenaire et fournisseur de recrutement de participants, Prolific. D'abord, une vérification technique rejette les appareils inappropriés sans paiement ; ensuite viennent le calibrage, la sonde et le dépistage, avec un tarif réduit pour les participants au choix du chercheur.

• Rejet technique. Les capacités de l'appareil et de sa caméra sont vérifiées, et le taux d'échantillonnage du regard doit atteindre 10 Hz. Un échec ici entraîne un rejet technique : cela prend seulement quelques secondes au participant (peut-être jusqu'à une minute sur des appareils vraiment lents), et on lui explique pourquoi il est rejeté. Le meilleur moyen de communiquer cela aux participants venant de Prolific est de créer un lien de rejet, de sélectionner "appareil incompatible" comme raison, et de cocher la case "demander au participant de retourner l'étude". La plupart des participants s'empresseront de la retourner, et pour ceux qui soumettent tout de même pour le montant total, vous verrez leur statut comme "appareil incompatible", donc la raison du rejet est claire. En conséquence, seuls les participants avec des appareils techniquement capables entrent dans l'étude proprement dite et sont autorisés au calibrage.

• Dépistage après calibrage. Après le calibrage et la sonde, le système décide si le participant est autorisé à entrer dans la tâche de suivi du regard, en fonction du niveau de dépistage de l'étude. Le niveau 0 ne rejette personne et permet à tout le monde de commencer la tâche. Le niveau 1 rejette uniquement les calibrages échoués, tandis que les niveaux 2 à 5 utilisent la précision prédite par la sonde et admettent environ 65, 50, 30 ou 15 des 100 participants. Un participant qui ne réussit pas est rejeté sur le champ. Si vous utilisez Prolific, nous vous recommandons d'utiliser un lien de dépistage dédié et de payer les participants 0,50 GBP pour le calibrage de deux minutes et 0,80 GBP pour celui de cinq minutes (les liens de dépistage sont partiellement payés sur Prolific). Ces montants s'appliquent lorsque le calibrage de suivi du regard est plus ou moins la première chose que fait le participant. Si la partie suivi du regard commence beaucoup plus tard dans votre étude, envisagez d'activer une nouvelle tentative de calibrage (désactivée par défaut) et, pour les participants qui échouent également à cette nouvelle tentative, de payer un tarif de dépistage plus élevé.

Ensemble, le rejet technique et le dépistage rendent l'expérience de suivi du regard avec notre système 2.0 fluide sur des plateformes de crowdsourcing comme Prolific, avec à la fois une haute précision et des taux de complétion élevés pour les participants admis.

5.2 Résultat : 99,3 % de jeux de données complets, environ 10 % de coût supplémentaire

La vérification préliminaire attrape ce qui aurait échoué plus tard. Dans l'une de nos collectes de données en ligne, 37 des 251 entrants (environ 15 %) ont été rejetés avant le début, principalement pour une caméra en dessous de la résolution requise ou un ordinateur trop lent pour suivre un visage (Figure 3). Chacun d'eux aurait autrement produit une session échouée ou inutilisable. Nous faisons maintenant aussi respecter un taux de regard mesuré d'au moins 10 Hz, dont notre nouvel algorithme de fixation a besoin (plus d'informations à ce sujet dans la prochaine Note de Lab).

Chaque niveau de dépistage achète un gain prévisible. Appliqué aux 295 participants du niveau Élevé sans dépistage, chaque niveau échange admission contre précision par étapes de 0,2 à 0,7 points (Figure 5). Au niveau 3, équilibré, environ la moitié de tous les entrants sont admis, la médiane des participants admis chute d'environ un point, et la part des participants admis ayant une précision inférieure à 10 % passe de 17 % à 3 %. Un lot en direct ultérieur a confirmé cela exactement comme conçu : lors du dépistage équilibré, la moitié des participants ont été admis, et ils ont fourni 5,24 % (section 7.1).

La sélection coûte peu car les exclus ne sont payés que partiellement. Un participant exclu reçoit une petite partie des frais complets, environ un dixième dans notre cas, donc le niveau 3 augmente le coût de recrutement estimé d'environ 10 % et le niveau 5 d'environ 60 % (Figure 6).

Presque chaque participant rémunéré fournit un ensemble de données complet. Sur les 450 participants approuvés et payés sur Prolific lors des cinq derniers lots (du 24 au 28 septembre), 447 (99,3 %) ont livré l'ensemble de données complet (Figure 7). Tout aussi important, les participants restent une fois admis : 96 à 97 % de ceux qui ont réussi le test ont ensuite poursuivi l'étude. Les participants rejetés lors du contrôle technique ne sont pas payés et les participants exclus ne reçoivent qu'une petite partie des frais, donc les frais complets vont presque exclusivement à des enregistrements utilisables.

6. Corrections en direct pour les mouvements de tête et les changements d'éclairage

6.1 Ce que font les corrections en direct

La sélection décide qui entre dans l'étude. Pour les participants admis, deux corrections en direct réduisent ensuite l'erreur que les mouvements de tête et les variations de lumière ajoutent au cours d'une session. Les deux sont activées par défaut sur chaque niveau de calibration, mais peuvent être désactivées dans les paramètres de l'étude.

• Correction de la pose de la tête. Lorsque la tête s'éloigne de sa position pendant la calibration, l'estimation du regard se déplace avec elle. Cette correction compense ce déplacement de manière continue.
• Correction de contrôle du regard. Les contrôles de regard réguliers (toutes les trois minutes sur High, chaque minute sur Highest) sont utilisés pour supprimer le déragement qui s'accumule après la calibration, y compris le dérangement produit par un changement de lumière. Un détecteur de changement d'éclairage déclenche un contrôle supplémentaire lorsque la lumière sur le visage change de manière notable.

Le regard brut reste reconstructible : les corrections sont appliquées par défaut mais peuvent être désactivées, et la correction appliquée à chaque échantillon de regard peut également être enregistrée dans Labvanced (sous forme de paramètres de l'événement de déclenchement du regard), donc les chercheurs qui préfèrent le signal non corrigé peuvent le récupérer exactement.

6.2 Résultat : une réduction d'un sixième de l'erreur, la plupart de la queue supprimée

Les corrections suppriment un sixième de l'erreur et la plupart de la queue. Sur le niveau élevé avec une sélection équilibrée (niveau 3, 143 participants), la médiane passe de 6,37 % brut à 5,72 % avec la correction de la pose de la tête et à 5,28 % avec les deux, et la part des participants ayant une erreur supérieure à 10 % tombe de 15 % à 3 % (Figure 8). Sans aucune sélection, le gain est le même, un sixième : 7,42 % à 6,21 % sur 295 participants. Environ trois participants sur quatre s'améliorent (Figure 9).

Elles s'appliquent à des participants sur lesquels elles n'ont jamais été développées. Les corrections ont été définies une fois et ensuite appliquées sans changement à cinq lots ultérieurs, trois hors ligne et deux avec les corrections en cours d'exécution en direct dans l'étude (Figure 10).

Une lumière stable maintient une haute précision, et les contrôles du regard détectent les changements. Sur le niveau le plus élevé, 70 des 99 participants ont maintenu la luminosité de leur visage à moins de 5 % de la calibration, et leur erreur brute médiane était de 5,49 %. Pour les 13 participants dont la lumière a changé de plus de 10 %, elle était de 10,94 % lorsque le visage est devenu plus sombre (5 participants) et de 7,78 % lorsqu'il est devenu plus clair (8 participants) (Figure 11). Les contrôles réguliers du regard détectent un tel changement et le corrigent.

7. Précision validée de 1,4 à 1,8° avec des participants de Prolific

7.1 Précision : 1,8° sur High, 1,4° sur Highest

Avec la calibration de deux minutes et une sélection équilibrée, l'erreur médiane du participant est de 5,2 % de la diagonale, soit environ 1,8 °, et quinze des seize participants admis restent en dessous de 10 %. Le niveau le plus élevé avec une sélection très stricte atteint 4 %, soit environ 1,4 °.

L'erreur est presque uniforme à travers l'écran, et les cibles externes ne sont pas pires que le centre (Figure 13). Le calculateur ci-dessous convertit la précision attendue pour tout écran et distance de vision.

7.2 Précision : dispersion de 0,75°, échantillon à échantillon de 0,6°

La précision s'est considérablement améliorée par rapport à la première génération. Pour comparer des éléments comparables, nous avons recalculé la précision de l'Eye Tracking 1.x sur les enregistrements de notre étude en laboratoire de 2023, où chaque participant a été enregistré avec la webcam et un EyeLink 1000 en même temps. Pour chaque essai de grille, nous avons pris la fenêtre d'une seconde la plus stable selon l'EyeLink, afin que les deux traceurs soient mesurés lors d'une véritable fixation, et appliqué les deux mesures standards comme pour 2.0 : la dispersion des échantillons autour de leur moyenne (SD) et la racine carrée de la moyenne des distances d'échantillon à échantillon (RMS-S2S).

Valeurs en pourcentage de la diagonale de l'écran, avec angle visuel sur chaque écran d'étude (moniteur 15 pouces à 60 cm dans le laboratoire, ordinateur portable 14,2 pouces à 60 cm en ligne). Les deux systèmes de webcam échantillonnaient à environ 30 Hz.

Le signal en ligne 2.0 a une dispersion d'environ 10 % inférieure à celle du signal en laboratoire 1.x, et son bruit d'échantillon à échantillon est d'environ 40 % inférieur, passant d'environ 1,0° à 0,6°. Notamment, la comparaison favorise 1.x sur deux points : il a été enregistré sous contrôle de laboratoire, et ses fenêtres ont été choisies comme la seconde la plus stable par l'EyeLink, ce qui n'est pas possible en ligne. L'amélioration est donc, si quoi que ce soit, sous-estimée. L'EyeLink reste bien sûr le système le plus précis, mais 2.0 réduit une bonne partie de l'écart.

8. Un niveau passif sans calibration

8.1 Comment fonctionne le niveau passif

Avec Eye Tracking 2.0, il est possible de faire fonctionner un modèle passif sans calibration, ce qui peut être très utile dans certains scénarios expérimentaux. Tout ce qu'il faut, c'est que les participants accordent l'accès à la caméra ; la prévision du suivi oculaire commence alors immédiatement. Il est conçu pour les participants qui ne peuvent pas ou ne doivent pas se calibrer, en premier lieu les nourrissons : la calibration a toujours été la partie difficile du suivi oculaire des nourrissons, et de nombreuses études sur les nourrissons utilisent des paradigmes de regard préférentiel, c'est-à-dire qu'elles demandent si un enfant regarde à gauche ou à droite. Être capable de classifier cela de manière fiable, en temps réel et entièrement sur la machine du participant, peut changer la donne pour la recherche sur l'attention des nourrissons, mais aussi pour d'autres domaines où le suivi oculaire est mieux effectué en silence en arrière-plan. Vous pouvez mener vous-même une étude sur les nourrissons dans Section 10.

8.2 Précision attendue : environ 4° (estimation)

Le niveau passif ne faisait pas partie des lots Prolific, et sa validation sur le terrain est encore à venir. Les laboratoires pour bébés voudront légitimement cette validation avec de véritables bébés, ce qui va au-delà de ce que Prolific offre. Si vous travaillez dans ou représentez un laboratoire pour bébés et souhaitez aider à valider le niveau passif, veuillez nous contacter : nous sommes très intéressés par des collaborations.

Cela dit, d'après nos tests internes extensifs, notre estimation de travail est une erreur d'environ 11-12 % de la diagonale de l'écran, soit environ 4° sur un ordinateur portable à 60 cm. La Figure 14 montre ce que cela signifie pour un design expérimental typique : à l'erreur médiane du niveau passif, un regard sur une cible au milieu de la moitié gauche de l'écran reste bien loin de la moitié droite. Il y a même de bonnes chances que 4 à 6 régions d'écran puissent être distinguées avec suffisamment de confiance. Plus de données à ce sujet seront fournies avec le temps.

Figure 14. L'erreur médiane de chaque niveau tracée à l'échelle sous forme de cercle autour d'une cible dans la moitié gauche d'un écran 16:9. La ligne en pointillés divise l'écran en gauche et droite. La figure passive est une estimation ; les deux autres sont mesurées.

9. Discussion

Notre comparaison évaluée par les pairs en 2023 a montré qu'une webcam dans un laboratoire peut suivre le regard à environ 1.4°. Cette note montre qu'avec notre moteur de suivi oculaire Webcam Eye Tracking 2.0, une webcam dans la maison d'un participant, sur son propre ordinateur portable et dans sa propre lumière, suit le regard à une médiane d'environ 1.8° avec une calibration de deux minutes et un dépistage équilibré, et à environ 1.4° avec la calibration longue et un dépistage très strict. En effet, la précision atteinte par la génération précédente sous contrôle du laboratoire est désormais atteinte en ligne. Trois mécanismes expliquent la plupart des changements : un moteur de suivi oculaire à double œil amélioré, une calibration qui capture mieux les différences individuelles et la dérive, et des corrections en direct qui éliminent les erreurs systémiques de pose de la tête et d'éclairage.

Pour les chercheurs, les conséquences sont très pratiques. La plupart des études dans des domaines tels que la psychologie, la linguistique, la sociologie, l'économie, le marketing et autres, peuvent utiliser le niveau Élevé et s'attendre à environ 1.8°, ce qui sera probablement suffisant pour capturer l'effet attendu. Les études qui investiguent de plus petites régions, comme les tâches de lecture avec de nombreux mots et de petits espaces entre elles (essayez l'étude de lecture), peuvent utiliser le niveau Plus haut et obtenir environ 1.5° avec un dépistage strict, ou 1.4° avec un dépistage très strict, à partir d'une webcam. À l'autre bout, les chercheurs qui étudient l'attention chez les bébés et les tout-petits ont désormais la possibilité de la suivre sans aucune calibration, et donc sans les difficultés que la calibration apporte à la collecte de données (Section 8). Et bien sûr, il y a plusieurs étapes entre ces extrêmes. La configuration dans l'interface Labvanced est beaucoup simplifiée, et la précision attendue qu'elle affiche pour chaque choix est basée sur des mesures réelles. En résumé, votre prochain projet de suivi oculaire peut commencer aujourd'hui.

Quelle configuration pour quelle étude ?

Le tableau ci-dessous est une ligne directrice approximative, pas un ensemble de règles strictes. Pour chaque tâche et étude, examinez le nombre d'aires d'intérêt, leur taille et, surtout, la distance entre elles, et choisissez les paramètres en conséquence : deux grandes régions éloignées tolèrent beaucoup plus d'erreur que de nombreuses petites côte à côte. Si vous n'êtes pas sûr des réglages qui conviennent à votre design, contactez-nous et nous examinerons cela avec vous.

Les précisions attendues sont la médiane des participants admis avec les corrections activées, mesurées sur le niveau Élevé et la rangée Plus haut et estimées pour les autres ; le coût supplémentaire de recrutement compte un participant exclu à un dixième d'un participant complet. Le dépistage ne s'applique pas aux niveaux Passif et Moyen : tout le monde est admis.

L'assistant de configuration dans les paramètres d'étude Labvanced pose les mêmes deux questions, le niveau de précision et le niveau de dépistage, et affiche la précision attendue de votre choix avant le début de l'étude.

Questions fréquentes

Quelle est la précision du suivi oculaire par webcam ?

Avec Labvanced Eye Tracking 2.0, le participant en ligne médian est précis à 1.8° d'angle visuel après une calibration de deux minutes avec un dépistage équilibré, et à environ 1.4° après la calibration longue avec un dépistage très strict. Au laboratoire, la première génération atteignait 1.4° lors d'une comparaison directe avec un EyeLink 1000 (Kaduk et al., 2023).

Le suivi oculaire par webcam est-il suffisamment précis pour des études de lecture ?

Pour la lecture au niveau du mot, nous recommandons le niveau Plus haut avec un dépistage strict, qui délivre environ 1.5°. Des aires d'intérêt plus grandes, comme des visages, des scènes ou des régions d'une page, fonctionnent au niveau Élevé à 1.8 à 1.9°. Le tableau ci-dessus liste quelle configuration s'adapte à quel design d'étude.

Combien de temps prend la calibration ?

Les instructions et la calibration prennent environ 4 minutes au niveau Élevé et environ 7 minutes au niveau Plus haut. Les niveaux plus courts prennent entre 30 secondes et 3 minutes, et le niveau passif ne nécessite aucune calibration.

Le suivi oculaire par webcam fonctionne-t-il avec des bébés ?

Le niveau passif commence à suivre dès que la caméra est allumée, sans aucune calibration. Son erreur estimée est d'environ 4°, ce qui est suffisant pour distinguer un regard à gauche d'un regard à droite dans des études de regard préférentiel. Une validation sur le terrain avec des bébés est encore à venir.

Comment le suivi oculaire par webcam se compare-t-il à celui d'un système de suivi oculaire en laboratoire ?

Un tracker de laboratoire tel que l'EyeLink 1000 reste plus précis, avec un écart d'environ 0.1° contre 0.75° pour la webcam. Le suivi oculaire par webcam atteint une précision d'environ 1.4 à 1.8° sur les ordinateurs des participants, ce qui est suffisant pour la plupart des designs basés sur des aires d'intérêt.

Puis-je passer mon étude existante à 2.0 ?

Oui, à tout moment : choisissez Eye Tracking 2.0 dans les paramètres d'étude. Les études existantes restent à 1.x jusqu'à ce que vous les passiez, et les nouvelles études commencent à 2.0.

Est-ce inclus dans ma licence ?

Le suivi oculaire 2.0 fait partie de toutes les licences Premium et Ultimate, tout comme le suivi oculaire 1.x l'était auparavant.

Qu'est-ce qu'une étude 2.0 enregistre ?

La même sortie de regard qu'auparavant, positions x et y, maintenant plus précise et plus exacte, avec une valeur de confiance par échantillon. Les fixations sont détectées par défaut avec le nouveau détecteur fusionné. Si vous souhaitez le signal non corrigé, la correction appliquée à chaque échantillon peut être enregistrée comme paramètres du déclencheur de regard. Les participants qui sont exclus ou techniquement rejetés sont listés avec leur statut dans les statistiques du groupe de l'étude.

Des choses changent-elles dans mes données ?

La structure reste la même. La valeur de confiance est maintenant sur une échelle différente : elle est calculée à partir de quantités complètement différentes de celles de la version 1.x, donc ses chiffres sont généralement plus bas. C'est un changement d'échelle uniquement, pas de qualité des données, mais cela signifie que les seuils de confiance des études 1.x ne se reportent pas à 2.0. La confiance est également spécifique au participant : utilisez-la pour comparer des échantillons ou des essais au sein d'un même participant, pas entre les participants. Une confiance de 0.3 pour un participant ne signifie pas la même chose que 0.3 pour un autre. Nos données montrent cela clairement : la confiance typique des participants variait de 0.09 à 0.73, mais cela ne disait rien sur leur précision. Les participants dont la confiance typique était d'environ 0.3 ont montré une erreur allant de 3.7 % à 20.8 %. Dans un même participant, en revanche, les essais avec une confiance plus faible avaient tendance à être moins précis.

Que se passe-t-il ensuite ?

Labvanced Webcam Eye Tracking 2.0 était un projet de plusieurs mois qui a touché presque toutes les parties de notre code de suivi oculaire. Ce n'est certainement pas la dernière amélioration que nous apporterons. Voici cinq sujets sur lesquels nous travaillons actuellement.

1. Détection des clignements

Les clignements perturbent brièvement l'estimation du regard. Nous allons les détecter de manière fiable et maintenir le regard stable durant ceux-ci, afin qu'un clignement ne ressemble plus à un mouvement des yeux. Un signal de clignement clair est également intéressant en soi : le taux et le timing des clignements sont des mesures établies de fatigue, d'excitation et de charge cognitive, et pourraient devenir une nouvelle sortie de chaque étude de suivi oculaire.

2. Précision uniforme sur l'écran

La précision est déjà presque uniforme sur l'écran (Figure 13). Nous travaillons à éliminer les petites différences systémiques qui subsistent entre les régions de l'écran, sans ajouter un seul point de calibration.

3. Calibration adaptative

Aujourd'hui, le chercheur choisit à l'avance la durée de la calibration, et chaque participant reçoit la même. Nous travaillons sur une calibration qui s'adapte au participant : courte pour les cas faciles et plus longue seulement là où cela en vaut la peine.

4. Détection des fixations

Notre prochaine note de laboratoire, Analyse de la Détection des Fixations, compare les algorithmes de détection de fixations sur des données de webcam, dans des enregistrements réalisés simultanément avec un EyeLink 1000 et dans une tâche de fixation rapides complétée par nos participants en ligne. Elle montre comment le nouveau détecteur par défaut du Suivi Oculaire 2.0 double la part des regards stables rapportés comme étant exactement une fixation.

5. Qualité de session dans vos données

Chaque session mesure déjà beaucoup de choses sur sa propre qualité pendant qu'elle s'exécute. Nous ajouterons une sortie de qualité compacte par session, avec un score de qualité global, afin que les chercheurs puissent classer, pondérer ou exclure des sessions ou des participants après la collecte des données.

10. Essayez-le vous-même

La meilleure façon de juger du suivi oculaire par webcam est de l'expérimenter. Les études ci-dessous exécutent Eye Tracking 2.0 dans votre navigateur, avec votre propre webcam : autorisez l'accès à la caméra, suivez la calibration, et voyez par vous-même. Comme tout dans Eye Tracking 2.0, le traitement s'exécute sur votre appareil et aucune image ou vidéo ne le quitte. La tâche de précision est l'étude derrière les résultats de cette note ; les autres études sont des démonstrations de conceptions de recherche typiques et n'ont pas fait partie de la validation.

11. Données et reproductibilité

Chaque résultat de cette note peut être vérifié indépendamment. Nous publions les données anonymisées des 494 sessions complétées sur lesquelles les résultats sont basés, ainsi que les scripts qui calculent chaque nombre et chaque figure à partir de celles-ci.

Téléchargez le bundle de données sur OSF (ZIP, 9 Mo)

Ce que cela contient. Une ligne par participant (niveau, dépistage, résultats de calibration et timing), une ligne par essai de la tâche de précision des 45 cibles avec son erreur, brute et avec les corrections, et pour la dernière seconde avant chaque changement de cible, la fenêtre que la métrique de précision utilise : échantillons de regard avec la confiance du modèle, fixations et, sur le niveau le plus élevé, luminosité du visage. Elle contient également le timing de chaque exécution de contrôle du regard et des tableaux agrégés pour les valeurs qui ne sont pas partagées par participant (rejections techniques avant le début, rétention après la sonde, et les valeurs de précision de laboratoire de 2023). Un README documente chaque colonne.

Comment reproduire. Les scripts ont besoin uniquement de Python 3 et de sa bibliothèque standard. Exécutez scripts/accuracy.py puis scripts/article_numbers.py : ensemble, ils appliquent la métrique exactement comme décrite dans cette note et écrivent les données de chaque figure et chaque nombre cité dans le texte. Les seules valeurs non calculées à partir des données sont les tableaux agrégés, les précisions attendues du niveau le plus élevé dans la Figure 12, qui sont définies dans le produit, et la précision estimée du niveau passif.

Confidentialité. Les données ne contiennent aucun identifiant de quelque sorte : pas d'ID Prolific ou Labvanced, pas de noms, pas de données démographiques, pas d'informations sur les dispositifs ou navigateurs et pas de dates ou heures absolues. Chaque participant a un ID aléatoire qui n'est lié à aucun autre enregistrement, et aucune clé n'existe. Aucune image ou vidéo de caméra n'a jamais été enregistrée. Tous les participants ont consenti à l'utilisation anonymisée de leurs données.

Licence. Copyright © 2026 Scicovery GmbH (Labvanced). Les données et les scripts sont licenciés sous CC BY-NC 4.0 : vous pouvez les utiliser, les réanalyser et les partager et publier vos résultats à des fins non commerciales, avec mention de Labvanced et citation de cette note. L'utilisation commerciale nécessite notre autorisation écrite.

Comment citer. Style APA, prêt à copier :

Le décrire dans votre section méthodes. Vous êtes bienvenu à adapter ce paragraphe (remplacez les valeurs dans les crochets par votre configuration) : Le regard a été enregistré en ligne avec les webcams des participants en utilisant Labvanced Eye Tracking 2.0 (Labvanced, 2026), avec le niveau de calibration [Élevé] et le dépistage des participants [équilibré]. Les corrections de pose de tête en temps réel et de Contrôle du Regard ont été appliquées. Dans la validation de cette configuration, la précision médiane était de [5.2 %] de la diagonale de l'écran, soit environ [1.8°] d'angle visuel à 60 cm.

Références

• Alp, N., Lale, G., Saglam, C., & Sayim, B. (2024). L'effet du traitement d'informations partielles dans la perception dynamique des visages. Scientific Reports, 14, 9794. https://doi.org/10.1038/s41598-024-58605-7
• Bertrand, J. K. (2023). L'utilité du suivi oculaire par webcam : leçons apprises et applications pratiques dans la prise de décision et les interactions homme-machine numériques [Thèse de doctorat, Université de l'Alberta]. https://doi.org/10.7939/r3-83ge-t169
• Bertrand, J. K., & Chapman, C. S. (2023). La dynamique de la coordination œil-main est préservée de manière flexible dans la coordination œil-souris lors d'une tâche d'interaction d'objet en ligne et numérique. 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). Mesures continues de la difficulté décisionnelle captées à distance : II. Le suivi oculaire par webcam révèle le traitement précoce des décisions. bioRxiv. https://doi.org/10.1101/2023.06.06.543799
• Bánki, A., de Eccher, M., Falschlehner, L., Hoehl, S., & Markova, G. (2022). Comparaison du suivi oculaire en ligne par webcam et en laboratoire pour l'évaluation de la perception de synchronie audio-visual chez les nourrissons. Frontiers in Psychology, 12, 733933. https://doi.org/10.3389/fpsyg.2021.733933
• Calignano, G., Lorenzoni, A., Semeraro, G., & Navarrete, E. (2024). Des mots avant les images : le rôle du langage dans le biais de l'attention visuelle. Frontiers in Psychology, 15, 1439397. https://doi.org/10.3389/fpsyg.2024.1439397
• Golan, M., Abo Shkara, M., & Havron, N. (2023). Les enfants déduisent le sens de nouveaux verbes par le biais du bootstraping morphologique. 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). Le biais de mémoire de référence soi est précédé d'un biais de référence autre dans l'enfance. Nature Communications, 16, 6311. https://doi.org/10.1038/s41467-025-61642-z
• Haverly, C. (2022). Influence du jeu vidéo sur la détection de changement : une étude de suivi oculaire. Horizons, 7, 68–73. Université de Hawaiʻi à Mānoa. ScholarSpace
• Jenke, L., & Sullivan, N. (2025). Attention et choix politique : une base pour le suivi oculaire en sciences politiques. Political Analysis, 33(4), 298–314. https://doi.org/10.1017/pan.2025.8
• Kaduk, T., Goeke, C., Finger, H., & König, P. (2023). Suivi oculaire par webcam proche des normes de laboratoire : comparaison d'un nouveau système basé sur webcam et de l'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). Effets du timing d'assistance par IA sur la confiance des pharmaciens dans la technologie de reconnaissance de pilules automatisée. 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). Les fondamentaux du suivi oculaire partie 4 : Outils pour réaliser une étude de suivi oculaire. Behavior Research Methods, 57, 46. https://doi.org/10.3758/s13428-024-02529-7
• Patterson, A. S., Nicklin, C., & Vitta, J. P. (2025). Recommandations méthodologiques pour le suivi oculaire basé sur webcam : une revue d'exploration. 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). Au-delà de la densité de construction : des analyses générales à fines des expériences émotionnelles dans les environnements urbains. 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). La synchronisation des mouvements oculaires peut-elle prédire la performance d'un test avec des données échantillonnées de manière non fiable dans un contexte d'apprentissage en ligne ? ETRA '22 : Symposium sur la recherche et applications du suivi oculaire. ACM. https://doi.org/10.1145/3517031.3529239
• Saxena, S., Fink, L. K., & Lange, E. B. (2023). Modèles d'apprentissage profond pour le suivi oculaire par webcam dans des expériences en ligne. Behavior Research Methods. https://doi.org/10.3758/s13428-023-02190-6
• Serrano-Carot, M., Angele, B., Xu, H., & Vasilev, M. R. (2025). Les webcams peuvent être utilisées pour étudier les mouvements oculaires lors de la lecture. PsyArXiv. https://doi.org/10.31234/osf.io/bzt2h_v1
• Stone, S. A., & Chapman, C. S. (2023). Frustration inconsciente : évaluation dynamique de l'expérience utilisateur à l'aide du suivi oculaire et du suivi de la souris. 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). Effet de l'utilité et de l'incertitude de l'intelligence artificielle sur les interactions cognitives avec les pharmaciens : essai contrôlé randomisé. 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). Éditorial : Recherche empirique à distance : Nouvelles méthodes pour la science du développement. Frontiers in Psychology, 13, 938995. https://doi.org/10.3389/fpsyg.2022.938995
• Tsutsuse, K. S. (2025). Effets des publicités en ligne sur le traitement et l'évaluation des explications scientifiques [Mémoire de maîtrise, Université de Hawaiʻi à Mānoa]. ScholarSpace
• Wies, S., Bleier, A., & Edeling, A. (2023). Trouver des influenceurs Goldilocks : comment le nombre de followers influence l'engagement sur les médias sociaux. Journal of Marketing, 87(3), 383–405. https://doi.org/10.1177/00222429221125131
• Zhang, P., & Zhang, S. (2025). Attention et apprentissage en multimodalité L2 : une étude de suivi oculaire par webcam. Language Learning & Technology, 29(1), 1–27. https://doi.org/10.64152/10125/73626
• Zhang, X., & Powdthavee, N. (2026). L'attention comme goulet d'étranglement dans le jugement moral : comment le contexte comparatif déforme la reconnaissance de discrimination. 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). La stimulation lumineuse transcrânienne améliore l'attention sélective chez les enfants atteints de TDAH. medRxiv. https://doi.org/10.1101/2025.09.18.25335086
• Documentation de Labvanced Eye Tracking : Paramètres de l'étude, Sortie de données.