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

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

Labvanced Eye Tracking 2.0 suit le regard avec une webcam standard à une précision médiane de 1,8 degrés 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, Eye Tracking 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 un dépistage équilibré.
• Avec la longue calibration et un dépistage très strict, la précision médiane atteint 1.4° (4 %).
• Le regard est plus stable que dans la première génération : le bruit échantillon par échantillon est environ 40 % plus faible que celui de Eye Tracking 1.x enregistré en laboratoire.
• 99.3 % des participants rémunérés ont fourni un ensemble de données complet, et le dépistage équilibré 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 des yeux double qui fonctionne sur ordinateurs portables, tablettes et téléphones
• 4Une calibration plus courte et meilleure utilisée pour le réglage fin des réseaux neuronaux individuels
• 5Une méthode de dépistage améliorée, des précontrôles techniques et une configuration simplifiée
• 6Corrections en direct pour les mouvements de tête et les changements de lumière
• 71.4 à 1.8 degrés visuels de précision, vérifiés sur environ 500 vrais participants sur Prolific
• 8Un niveau passif qui fonctionne immédiatement sans aucune calibration, idéal pour la recherche sur les nourrissons
• 9Discussion : quel paramétrage pour quelle étude ?
• 10Essayez-le 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., 2024). Plusieurs questions demeuraient sans réponse. Quelle part de cette précision survit aux conditions incontrôlées d'une étude en ligne réelle ? Pourquoi certains participants fournissent des données bien pires que d'autres, et peuvent-ils être identifiés avant qu'un chercheur ne leur paie ? La calibration peut-elle être raccourcie pour la rendre plus pratique dans les études en ligne ordinaires ? Et que devrait-il arriver aux participants qui ne réussissent pas ou qui ne se qualifient pas ? Ici, nous montrons comment nous avons amélioré la précision du suivi oculaire, tout en raccourcissant la calibration, simplifiant la configuration et optimisant l'ensemble de la procédure pour la collecte de données en ligne réelle avec notre partenaire Prolific. Nous avons ensuite validé le système en sept sessions d'enregistrement avec environ 500 participants complets d'une tâche de précision de 45 cibles, et publions leurs données anonymisées afin que chaque résultat puisse être vérifié. Avec notre nouvelle calibration standard (environ 2 minutes) et un dépistage équilibré, l'erreur médiane des participants était de 5.2 % de la diagonale de l'écran, 1.8° d'angle visuel sur un ordinateur portable à 60 cm. Et avec la calibration de 5 minutes et un dépistage très strict, la précision médiane des participants en ligne atteignait 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 de Eye Tracking 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 des yeux révèlent l'attention en continu et sans demander, et pendant des décennies, leur mesure nécessitait un équipement de laboratoire. Avec notre système de webcam de première génération existant (appelé ici Eye Tracking 1.x), nous avons montré qu'une webcam peut se rapprocher beaucoup de la 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, 2024). Depuis, des groupes indépendants ont confirmé ce constat et ont mis le système en œuvre dans un éventail remarquable de domaines :

• Lecture. Enregistré aux côtés d'un EyeLink, le regard webcam Labvanced a corrélé avec le suivi du laboratoire à un r médian de 0.81 et a reproduit l'effet de fréquence des mots (Serrano-Carot, Angele, Xu & Vasilev, 2025).
• Développement infantile. Le regard webcam des nourrissons enregistré à domicile a été comparé avec le 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 le 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), regroupées 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 de vocabulaire en langue seconde (Zhang & Zhang, 2025), comment les mots influencent l'attention visuelle (Calignano, Lorenzoni, Semeraro & Navarrete, 2024), comment des informations partielles façonnent la perception dynamique des visages (Alp, Lale, Saglam & Sayim, 2024) et comment les joueurs de jeux vidéo détectent les changements (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 recherchent le nombre de followers d'un influenceur (Wies, Bleier & Edeling, 2023); l'attention portée aux CV a expliqué comment 1,159 participants ont jugé la discrimination à l'embauche (Zhang & Powdthavee, 2026); et le regard sur des scènes urbaines a été 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 quand une IA les aide à vérifier les 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 préambules listent maintenant Labvanced parmi les systèmes établis de suivi oculaire par webcam (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 d'EyeLink, notre projet de comparaison précédent, qui a abouti à notre publication soumise à un examen par les pairs, devait être réalisé dans un laboratoire. Nous pouvions ainsi contrôler l'ensemble de l'environnement, y compris l'ordinateur, l'écran, la webcam, la pièce et l'éclairage. Nous pouvions également instruire les participants en personne, et étant dans un tel cadre de laboratoire, la plupart des participants ont donné ce qu'il y avait de mieux ou, à tout le moins, un bon effort lors de l'expérience. Presque rien de tout cela n'est assuré dans un environnement non supervisé avec de vrais participants en ligne. Un participant en ligne s'assoit où il l'entend, sur l'appareil qu'il possède, à la lumière qu'il a, et certains ne portent tout simplement aucune attention. Étant donné ces lacunes connues, nous sommes à la fois heureux et fiers que de nombreux projets utilisant 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 nombre élevé de participants échouant pour des raisons techniques et diverses autres. Par exemple, bien que nous ayons déjà construit des calibrations adaptées aux nourrissons, deux études auprès de 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 ces lacunes de manière systématique et à les traiter une par une. À la fin de ce parcours, bien que cela ne signifie pas la fin du développement du suivi oculaire par webcam, se tient le suivi oculaire 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 vrais participants en ligne. Les données derrière tout cela sont en accès libre et disponibles pour que chacun puisse les répliquer et les vérifier indépendamment (Section 11). Nous prévoyons également une nouvelle étude soumise à un examen par les 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 sur une période d'environ un mois, dans le cadre d'un paradigme d'étude plus ou moins identique. Cependant, la version du suivi oculaire a changé entre presque chaque lot d'enregistrement, pour tester ou vérifier nos derniers développements (par exemple, tester la correction de pose). Certains des lots sont également plus petits et certains plus grands, pour diverses raisons. Cette note n'est pas une publication évaluée par les pairs, mais nous croyons que toutes les analyses et résultats rapportés ici sont scientifiquement rigoureux, réellement pertinents, et tout le monde est le bienvenu pour télécharger les données et les répliquer ou les vérifier. Un article évalué par les pairs sur le suivi oculaire 2.0, et potentiellement quelques autres sujets, suivra.

Tâche. Les participants prolifiques ont traversé le contrôle de la faisabilité technique (voir Section 5) et ont complété la calibration de l'étude ; les participants admis ont ensuite réalisé un court bloc de formation et enfin une tâche d'exactitude de 45 cibles : une grille de positions 9 par 5 couvrant tout l'écran, présentée une à la fois dans un ordre aléatoire. La tâche des participants était de fixer la cible (un cercle simple) 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).

Mesure. La principale mesure qui nous intéresse est l'erreur de ciblage ou l'exactitude. Cela est défini comme la distance entre la position cible et la position de regard médiane des 1000 ms précédant le changement de cible. Nous avons également mis en œuvre 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. L'exactitude d'un participant est alors définie comme la médiane de ses 45 erreurs, et l'exactitude 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 est de 22 px et 5 % est de 110 px. En raison de la configuration d'enregistrement à distance, nous n'avons pas pu enregistrer de manière fiable soit la véritable taille physique de l'écran, soit la distance de vision précise 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), le milieu de la plage de 13 à 16 pouces typique des participants en ligne, 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 dépistage, 50 sur le niveau élevé avec dépistage équilibré et les corrections en direct, et 100 sur le niveau le plus élevé. Les quelque 200 sessions des premiers lots ont façonné le système durant les premiers développements et ne font donc pas partie des résultats rapportés.

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

3. Un moteur de regard à deux yeux

3.1 Comment fonctionne le moteur à deux yeux

Comment Labvanced Eye Tracking 2.0 prédit-elle les regards et les fixations ?

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

Que signifie le modèle de fusion à double œil ? Le moteur de regard 2.0 considère les deux yeux comme deux mesures distinctes et les combine, de sorte qu'un œil à moitié fermé, à l'ombre ou capturé dans un reflet compte moins. Les informations des images voisines 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. Pris ensemble, cela accélère considérablement à la fois la prédiction en direct et l'étape de réglage fin (calibration). En conséquence, le suivi oculaire 2.0 fonctionne sans accroc sur la plupart des ordinateurs portables (sauf les anciens Chromebooks et appareils similaires), sur les ordinateurs de bureau et sur des tablettes modernes comme les iPads. Les téléphones utilisent une calibration raccourcie d'environ 15 secondes, et dans nos propres mesures sur téléphones, le regard était assez précis. Une validation sur le terrain sur tablettes et téléphones suivra 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 nettement plus stable et précis. En ligne, les échantillons de regard 2.0 se dispersent par 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 du suivi oculaire 1.x enregistré dans notre étude de laboratoire 2023 (section 7.2).

4. Une calibration plus courte et meilleure

4.1 Comment fonctionne la calibration

La calibration en 2.0 est significativement plus courte et fonctionne d'une manière fondamentalement nouvelle. La qualité de chaque point de calibration est vérifiée pendant qu'elle est enregistrée, de sorte que les points pris pendant que le participant cligne des yeux ou regarde ailleurs sont répétés sur le champ. Le réseau du participant est ensuite ajusté sur son propre appareil, dans la plupart des cas beaucoup plus rapidement qu'auparavant, et le réglage fin est limité dans le temps, de sorte qu'aucun participant ne peut jamais rester bloqué.

Contrôle du regard. Le Contrôle du regard est une tâche de dockage courte qui se déroule avant la première tâche de suivi oculaire, après tout repositionnement de la tête, et à des intervalles réguliers fixés par le niveau de précision : toutes les trois minutes au Haut, et avant chaque essai au Plus Haut. Il 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 par rapport à la caméra en une seule étape intuitive. Les véritables participants en ligne prennent une médiane de 6,7 secondes du début à la fin. Chaque course sert également de vérification de la qualité actuelle du regard, que les corrections en direct utilisent (section 6).

Probe. La première course 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 au cours du reste de la session. C'est la base des niveaux de sélection (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 Haut, 7 minutes au Plus Haut

Les instructions + la calibration prennent 4 minutes au Haut et 7 au Plus Haut. De la visualisation du premier texte d'instructions à la fin de la sonde, les véritables participants en ligne ont besoin d'une médiane d'environ 4 minutes au niveau Haut (environ 2 minutes de points de calibration) et d'environ 7 minutes au niveau Plus Haut (environ 5 minutes de points de calibration). Le réglage fin lui-même a pris une médiane d'environ 37 secondes après la calibration de deux minutes et d'environ 67 secondes après celle de Plus Haut. Notez que les sujets peuvent principalement se détendre pendant l'étape de réglage fin.

Deux minutes de calibration suffisent pour la plupart des études, mais cinq l'amélioreront. Avec un dépistage équilibré (niveau 3), la calibration de deux minutes (Haut) fournit une médiane de 5,2 % de la diagonale (environ 1,8 degré visuel). Pour la majorité des paradigmes en ligne, cela sera suffisamment précis. La calibration Plus Haut avec un dépistage très strict (niveau 5) a fourni environ 4 % (figure 2), ce qui correspond à environ 1,4 degré visuel.

5. Meilleur dépistage, pré-vérifications techniques et une configuration plus simple

5.1 Comment fonctionnent les pré-vérifications et le dépistage

Le dépistage se fait en deux étapes, soutenues par une nouvelle fonctionnalité de notre partenaire et fournisseur de recrutement de participants, Prolific. D'abord, une vérification technique rejette les appareils inappropriés sans paiement ; ensuite viennent la calibration, la sonde et le rejet, avec un frais réduit pour le participant à la discrétion du chercheur.

• Rejet technique. Les capacités de l'appareil et sa caméra sont vérifiées, et le taux d'échantillonnage du regard doit atteindre 10 Hz. Un échec ici entraîne un rejet technique : cela prend au participant seulement quelques secondes (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 le retourneront volontiers, et pour ceux qui soumettent toujours pour le montant total, vous verrez leur statut comme "appareil incompatible", donc la raison du rejet est claire. En conséquence, seuls les participants ayant des appareils techniquement capables entrent dans l'étude réelle et sont autorisés à la calibration.

• Rejet après calibration. Après la calibration et la sonde, le système décide si le participant est autorisé à entrer dans la tâche de suivi oculaire, 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 ne rejette que les calibrations échouées, tandis que les niveaux 2 à 5 utilisent la précision prédite par la sonde et admettent environ 65, 50, 30 ou 15 participants sur 100. Un participant qui ne passe pas est rejeté sur le champ. Si vous utilisez Prolific, nous recommandons d'utiliser un lien de rejet dédié et de payer les participants 0,50 GBP pour la calibration de deux minutes et 0,80 GBP pour la calibration de cinq minutes (les liens de rejet sont partiellement payés sur Prolific). Ces montants s'appliquent lorsque la calibration du suivi oculaire est plus ou moins la première chose que le participant fait. Si la partie de suivi oculaire commence beaucoup plus tard dans votre étude, envisagez d'activer une nouvelle tentative de calibration (désactivée par défaut) et, pour les participants qui échouent également à la nouvelle tentative, de payer un frais de rejet plus élevé.

Pris ensemble, le rejet technique et le rejet après calibration rendent le suivi oculaire avec notre système 2.0 une expérience fluide sur des plateformes de crowdsourcing comme Prolific, avec à la fois une haute précision et des taux d'achèvement élevés pour les participants admis.

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

La pré-vérification 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 renvoyés avant le début, surtout 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 appliquons également un taux de regard mesuré d'au moins 10 Hz, dont notre nouvel algorithme de fixation a besoin (plus à ce sujet dans la prochaine Note de laboratoire).

Chaque niveau de dépistage achète un gain prévisible. Appliqué aux 295 participants du niveau Haut 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 tombe d'environ un point, et la part des participants admis avec moins de 10 % chute de 17 % à 3 %. Un lot en direct ultérieur a confirmé exactement cela comme prévu : au dépistage équilibré, la moitié des participants ont été admis, et ils ont livré 5,24 % (section 7.1).

Le dépistage coûte peu car les participants exclus ne sont payés qu'en partie. 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 payé livre un ensemble de données complet. Parmi les 450 participants approuvés et payés sur Prolific lors des cinq derniers lots (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 la vérification ont terminé l'étude. Les participants renvoyés lors de la pré-vérification technique ne sont pas payés et les participants exclus ne reçoivent qu'une petite partie des frais, donc le tarif complet va presque exclusivement aux enregistrements utilisables.

6. Corrections en direct pour les mouvements de tête et les changements de lumière

6.1 Ce que font les corrections en direct

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

• Correction de position 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 en continu.
• Correction de vérification du regard. Les vérifications régulières de contrôle du regard (toutes les trois minutes sur Élevé, avant chaque essai sur Très Élevé) sont utilisées pour éliminer la dérive qui s'accumule après calibration, y compris la dérive produite par un changement de lumière. Un détecteur de changement d'éclairage déclenche une vérification supplémentaire lorsque la lumière sur le visage change de manière évidente.

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 (en tant que 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 erreur d'un sixième, la plupart de la queue éliminée

Les corrections éliminent un sixième de l'erreur et la plupart de la queue. Au niveau Élevé avec un dépistage équilibré (niveau 3, 143 participants), la médiane passe de 6,37 % brut à 5,72 % avec la correction de position de la tête et 5,28 % avec les deux, et la part des participants pire que 10 % tombe de 15 % à 3 % (Figure 8). Sans dépistage, le gain est le même, un sixième : de 7,42 % à 6,21 % sur 295 participants. Environ trois participants sur quatre s'améliorent (Figure 9).

Ils tiennent sur des participants sur lesquels ils n'ont jamais été développés. Les corrections ont été définies une fois et ensuite appliquées sans changement à cinq lots suivants, trois hors ligne et deux avec les corrections fonctionnant en direct dans l'étude (Figure 10).

Une lumière stable maintient la précision élevée, et les vérifications de contrôle du regard détectent les changements. Au niveau Très Élevé, 70 des 99 participants ont maintenu la luminosité de leur visage dans un intervalle de 5 % par rapport à 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 lumineux (8 participants) (Figure 11). Les vérifications régulières de contrôle du regard détectent un tel changement et corrigent pour cela.

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

7.1 Précision : 1,8° sur Élevé, 1,4° sur Très Élevé

Avec la calibration de deux minutes et un dépistage équilibré, l'erreur médiane de participant est de 5,2 % de la diagonale, environ 1,8°, et quinze des seize participants admis restent en dessous de 10 %. Le niveau Très Élevé avec un dépistage très strict atteint 4 %, environ 1,4°.

L'erreur est presque uniforme sur l'écran, et les cibles extérieures ne sont pas pires que le centre (Figure 13). Le calculateurs ci-dessous convertit la précision attendue pour n'importe quel écran et distance de vision.

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

La précision s'est considérablement améliorée par rapport à la première génération. Pour comparer des éléments similaires, 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, de sorte que les deux suivis aient été mesurés pendant 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 à l'écran propre à chaque étude (écran de 15 pouces à 60 cm en laboratoire, ordinateur portable de 14,2 pouces à 60 cm en ligne). Les deux systèmes webcam ont échantillonné à environ 30 Hz.

Le signal en ligne 2.0 disperse environ 10 % de moins que le signal de laboratoire 1.x, et son bruit d'échantillon à échantillon est d'environ 40 % inférieur, passant d'environ 1.0° à 0.6°. Il est à noter que 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 entendu 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 l'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 prédiction du suivi oculaire commence alors immédiatement. Cela est fait pour des participants qui ne peuvent pas ou ne devraient pas se calibrer, les nourrissons en premier lieu : la calibration a toujours été la partie difficile du suivi des yeux des nourrissons, et de nombreuses études sur les nourrissons utilisent des paradigmes de regards préférentiels, c'est-à-dire qu'elles demandent si un enfant regarde à gauche ou à droite. Être capable de classer cela de manière fiable, en temps réel et entièrement sur la machine du participant, peut révolutionner la recherche sur l'attention infantile, mais aussi d'autres domaines où le suivi oculaire est mieux effectué silencieusement en arrière-plan. Vous pouvez effectuer 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 nourrissons voudront à juste titre cette validation avec de véritables nourrissons, ce qui va au-delà de ce que Prolific propose. Si vous travaillez dans un laboratoire pour nourrissons ou si vous le représentez et souhaitez aider à valider le niveau passif, veuillez nous contacter : nous sommes très intéressés par les collaborations.

Cela dit, d'après nos tests internes approfondis, 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 en dehors de la moitié droite. Il y a même une bonne chance que 4 à 6 régions de l'écran puissent être distinguées avec suffisamment de confiance. D'autres données à ce sujet seront fournies au fil du 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 passif est une estimation ; les deux autres sont mesurées.

9. Discussion

Notre comparaison revues par des pairs de 2023 a montré qu'une webcam dans un laboratoire peut suivre le regard à environ 1.4°. Cette note montre qu'avec notre moteur 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 longue calibration et un dépistage très strict. En effet, la précision que la génération précédente atteignait sous contrôle de laboratoire est maintenant atteinte en ligne. Trois mécanismes expliquent la plupart des changements : un moteur de suivi du regard à double œil amélioré, une calibration qui capture mieux les différences individuelles et la dérive, et des corrections en direct qui suppriment les erreurs systématiques de la pose de la tête et de l'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 d'autres, peuvent effectuer le niveau Élevé et s'attendre à environ 1.8°, ce qui sera très probablement suffisant pour capter l'effet attendu. Les études qui examinent de plus petites régions, telles que les tâches de lecture avec de nombreux mots et de petits espaces entre eux (essayez l'étude de lecture), peuvent utiliser le niveau Maximum 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 extrémité, les chercheurs qui étudient l'attention chez les nourrissons et les jeunes enfants ont maintenant la possibilité de la suivre sans aucune calibration, et donc sans les difficultés que la calibration entraîne pour la collecte de données (section 8). Et bien sûr, il existe plusieurs étapes entre ces extrêmes. La configuration dans l'interface Labvanced est beaucoup simplifiée, et la précision attendue qu'elle montre pour chaque choix est basée sur de réelles mesures. En résumé, votre prochain projet de suivi du regard peut commencer aujourd'hui.

Quelle configuration pour quelle étude ?

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

Les précisions attendues sont la médiane des participants admis avec les corrections actives, mesurées sur le niveau Élevé et la ligne Maximum et estimées pour les autres ; le coût de recrutement supplémentaire compte un participant filtré à un dixième d'un participant complété. 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 montre la précision attendue de votre choix avant le début de l'étude.

Questions fréquemment posées

Quelle est la précision du suivi du regard par webcam ?

Avec Labvanced Eye Tracking 2.0, le participant moyen en ligne 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 longue calibration avec un dépistage très strict. Au laboratoire, la première génération a atteint 1.4° dans une comparaison directe avec un EyeLink 1000 (Kaduk et al., 2024).

Le suivi du regard par webcam est-il suffisamment précis pour les études de lecture ?

Pour la lecture au niveau des mots, nous recommandons le niveau Maximum avec un dépistage strict, qui offre environ 1.5°. Les grandes zones d'intérêt, telles que les visages, les scènes ou les régions d'une page, fonctionnent sur le niveau Élevé à 1.8 à 1.9°. Le tableau ci-dessus indique quelle configuration convient à quel design d'étude.

Combien de temps dure la calibration ?

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

Le suivi du regard par webcam fonctionne-t-il avec des nourrissons ?

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

Comment le suivi du regard par webcam se compare-t-il à un traceur oculaire de laboratoire ?

Un traceur de laboratoire tel que l'EyeLink 1000 reste plus précis, avec une dispersion d'environ 0.1° contre 0.75° pour la webcam. Le suivi du regard 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 zones 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 sur 1.x jusqu'à ce que vous les changiez, et les nouvelles études commencent sur 2.0.

Est-ce inclus dans ma licence ?

Eye Tracking 2.0 fait partie de toutes les licences Premium et Ultimate, tout comme Eye Tracking 1.x avant.

Que représente une étude 2.0 ?

La même sortie de regard qu'auparavant, positions x et y, maintenant plus précise et plus fiable, 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 filtrés ou techniquement rejetés sont listés avec leur statut dans les statistiques du groupe de l'étude.

Est-ce que quelque chose change dans mes données ?

La structure reste la même. La valeur de confiance est désormais 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. Il s'agit uniquement d'un changement d'échelle, pas de la qualité des données, mais cela signifie que les seuils de confiance des études 1.x ne passent pas à 2.0. La confiance est également spécifique au participant : utilisez-la pour comparer des échantillons ou des essais au sein d'un participant, et non entre ceux-ci. 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 affiché des erreurs allant de 3.7 % à 20.8 %. Au sein d'un participant, en revanche, les essais avec une confiance plus faible avaient tendance à être moins précis.

Que vient-il ensuite ?

Le suivi oculaire via webcam Labvanced 2.0 a été un projet de plusieurs mois qui a touché presque chaque partie de notre code de suivi oculaire. Ce n'est certainement pas la dernière amélioration que nous allons apporter. Voici cinq sujets sur lesquels nous travaillons actuellement.

1. Détection de clignement

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 n'apparaisse plus comme un mouvement des yeux. Un signal de clignement clair est aussi intéressant en soi : le taux de clignement et le timing 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 à travers l'écran

La précision est déjà presque uniforme sur l'écran (Figure 13). Nous travaillons à la suppression des petites différences systématiques qui demeurent 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 uniquement là où cela en vaut la peine.

4. Détection de fixation

Notre prochaine note de laboratoire, Analyse de la détection de fixation, compare les algorithmes de détection de fixation sur des données de webcam, dans des enregistrements réalisés simultanément avec un EyeLink 1000 et dans une tâche de fixation à rythme rapide que nos participants en ligne ont complétée. Elle montre comment le nouveau détecteur par défaut de Eye Tracking 2.0 double la part des regards stables signalés comme une seule fixation.

5. Qualité de session dans vos données

Chaque session mesure déjà beaucoup de choses sur sa propre qualité pendant son déroulement. Nous allons ajouter 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 par vous-même

La meilleure façon de juger du suivi oculaire via 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 quitte celui-ci. 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 ne faisaient pas 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 complètes 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)

Le bundle a un identifiant permanent : https://doi.org/10.17605/OSF.IO/VTA7B.

Ce qu'il 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 des visages. Il contient également le timing de chaque exécution de Contrôle de Regard et des tableaux agrégés pour les valeurs qui ne sont pas partagées par participant (rejets techniques avant le début, rétention après la sonde, et les valeurs de précision du laboratoire 2023). Un README documente chaque colonne.

Comment reproduire. Les scripts nécessitent uniquement Python 3 et sa bibliothèque standard. Exécutez scripts/accuracy.py puis scripts/article_numbers.py : ensemble, ils appliquent exactement la métrique 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 fixées dans le produit, et la précision estimée du niveau passif.

Confidentialité. Les données ne contiennent aucun identifiant de quelque nature que ce soit : pas d'ID Prolific ou Labvanced, pas de noms, pas de données démographiques, pas d'informations sur les appareils ou les 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 scripts sont sous licence CC BY-NC 4.0 : vous pouvez les utiliser, les réanalyser et les partager et publier vos résultats à des fins non commerciales, avec crédit à Labvanced et une citation de cette note. L'utilisation commerciale nécessite notre permission écrite.

Comment citer. Style APA, prêt à copier :

Le décrire dans votre section méthodes. Vous êtes libre d'adapter ce paragraphe (remplacez les valeurs entre crochets par votre configuration) : Le regard a été enregistré en ligne avec les webcams des participants à l'aide de Labvanced Eye Tracking 2.0 (Labvanced, 2026), avec le niveau de calibration [Élevé] et un dépistage de participant [équilibré]. Des corrections de pose de tête en direct et un Contrôle de Regard ont été appliqués. 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). 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 [Thèse de doctorat, Université de l'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. Université d'Hawaiʻi à 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. (2024). 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 [Mémoire de maîtrise, Université d'Hawaiʻi à 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
• Documentation sur le suivi oculaire Labvanced : Paramètres d'étude, Sortie de données.