Labvanced Eye Tracking 2.0: すべてのオンライン研究のための正確なウェブカメラによる視線追跡

Caspar Goeke, Labvanced Researchの責任者 · 2026年10月に公開

Labvanced Eye Tracking 2.0は、監視されていないオンライン参加者に対して、中央精度1.8度の視覚角度（画面対角線の5.2％）で視線を追跡します。その結果は、494人のProlific参加者の自分のコンピュータ上で得られたもので、その匿名化されたデータはこのノートと共に公開されています。

1年以上の開発の後、Eye Tracking 2.0は、ウェブカメラによる視線追跡が実験室で達成した精度を、実際のオンライン研究に持ち込みます。

主要な発見

• 中央精度は、2分間のキャリブレーションとバランスの取れたスクリーニングにより1.8°（画面対角線の5.2％）です。
• 長時間のキャリブレーションと非常に厳格なスクリーニングにより、中央値の精度は1.4°（4％）に達します。
• 視線は初代よりも安定しており、サンプル間のノイズは、実験室で記録されたEye Tracking 1.xの約40％低いです。
• 99.3％の支払いを受けた参加者が完全なデータセットを提供し、バランスの取れたスクリーニングはリクルートコストを約10％引き上げます。

概要

• 1概要と導入
• 2測定方法：タスク、指標、参加者について
• 3ノートパソコン、タブレット、電話で機能するデュアルアイ融合の改善された視線エンジン
• 4個別の神経ネットワーク微調整に使用される短くて優れたキャリブレーション
• 5より良いスクリーニング方法、技術的事前チェック、簡素化されたセットアップ
• 6頭の動きや照明の変化に対するライブ補正
• 7約500人の実参加者で検証された1.4〜1.8度の視覚精度
• 8キャリブレーションなしにすぐに機能するパッシブティア、乳幼児研究に最適
• 9考察：どのセットアップがどの研究に最適か？
• 10自分で試してみる
• 11データと再現性

概要

ウェブカメラによる視線追跡は、すでにオンライン行動研究の強力なツールとなっており、Labvancedシステムの初代は、実験室でのEyeLink 1000との比較で、視覚角度の約1.4°の精度で検証されました（Kaduk et al., 2023）。いくつかの疑問が残っています。この精度は、実際のオンライン研究の無制御条件でどれだけ維持されるのか？なぜ一部の参加者は他の参加者よりも遥かに悪いデータを提供し、その事前に特定できるのか？キャリブレーションは普通のオンライン研究でより実用的になるように短縮できるのか？キャリブレーションに合格しない参加者やそれ以外の適格でない参加者にはどうすればよいのか？ここでは、視線追跡の精度を改善し、同時にキャリブレーションを短縮し、セットアップを簡素化し、Prolificと共に実際のオンラインデータ収集のために全体の手続きを最適化した方法を示します。次に、約500人の完了した参加者による45ターゲット精度タスクの7つの録音バッチでシステムを検証し、すべての結果が確認できるように匿名化されたデータを公開します。新しい標準キャリブレーション（約2分）とバランスの取れたスクリーニングを使用したところ、中央値の参加者の誤差は画面対角線の5.2％、60 cmでのノートパソコンでの視覚角度1.8°でした。そして、5分間のキャリブレーションと非常に厳格なスクリーニングで、オンライン参加者の中央値の精度は画面対角線の4％に達し、標準距離での視覚角度1.4°に相当します。要約すると、Eye Tracking 2.0のこのリリースでは、査読付きの実験室比較で報告された精度がオンラインでも再現可能であることを示します。

1. はじめに

目の動きは注意を常に示し、質問することなく測定するためには数十年もの間、実験室の機器を必要としました。我々の既存の初代ウェブカメラシステム（ここではEye Tracking 1.xと呼びます）を使用して、ウェブカメラが目の動きを非常に正確に予測できることを示しました。EyeLink 1000で5つの標準化されたタスクと同時に記録された我々のシステムは、1.4°の精度と1.1°の精密度に達しました。これは、実験室の"金の標準"に対して約半分の度数です（Kaduk, Goeke, Finger & König, 2023）。それ以来、独立したグループがこの結果を確認し、システムを様々な分野で活用しています：

• **読書。**実験室トラッカーと並行して記録されたLabvancedウェブカメラの視線は、中央値rが0.81であり、単語頻度効果を再現しました（Serrano-Carot, Angele, Xu & Vasilev, 2025）。
• **乳幼児の発達。**自宅で記録された乳幼児のウェブカメラの視線は、音声視覚同期タスクで実験室の眼球追跡と比較されました（Bánki, de Eccher, Falschlehner, Hoehl & Markova, 2022）。
• **意思決定と人間-コンピュータ相互作用。**遠隔視線は早期の意思決定処理を明らかにしました（Bertrand, Ouellette Zuk & Chapman, 2023）、デジタルオブジェクトタスクでの目とカーソルの調整（Bertrand & Chapman, 2023）やユーザーのフラストレーション（Stone & Chapman, 2023）に関する研究が博士論文にまとめられています（Bertrand, 2023）。
• **言語、注意、知覚。**研究は、学習者が第二言語の語彙を習得する際に、テキスト、音声、絵にどのように注意を向けるかを追跡しました（Zhang & Zhang, 2025）、単語が視覚的注意をどうバイアスするか（Calignano, Lorenzoni, Semeraro & Navarrete, 2024）、部分的な情報が動的な顔の知覚にどのように影響するか（Alp, Lale, Saglam & Sayim, 2024）、そしてビデオゲームプレイヤーが変化をどのように検知するか（Haverly, 2022）。
• **教育と科学コミュニケーション。**講義動画を視聴する学生間の視線同期は、試験のパフォーマンスを予測しました（Sauter, Hirzle, Wagner, Hummel, Rukzio & Huckauf, 2022）。固定観測は、オンライン広告が科学的説明からどのように注意を引き離すかを示しました（Tsutsuse, 2025）。
• **マーケティング、社会心理学、環境心理学。**Instagramユーザーの視線は、彼らがインフルエンサーのフォロワー数を求めていることを示しました（Wies, Bleier & Edeling, 2023）。履歴書への注目は、1,159人の参加者が差別的な採用をどのように判断するかを説明しました（Zhang & Powdthavee, 2026）。都市の景観における視線は感情的体験に関連していました（Sander, Mazumder, Fingerhut, Parada, Koselevs & Gramann, 2024）。
• **健康と人間-AI相互作用。**無作為化対照試験では、薬剤師がAIに助けられて薬を確認するとき、視線がどこに向かうかを測定しました（Tsai et al., 2025; Kim et al., 2026）。臨床研究は、ADHDの子供におけるEEGでウェブカメラの視線を記録しました（Zhao et al., 2025）。

方法論的レビューと入門書は現在、確立されたウェブカメラ眼球追跡システムの中にLabvancedを含めています (Niehorster et al., 2025; Jenke & Sullivan, 2025; Patterson, Nicklin & Vitta, 2025; Tsuji, Amso, Cusack, Kirkham & Oakes, 2022). これらの結果は、ウェブカメラによる眼球追跡、特にLabvancedを、学術研究のための真剣なツールとして確立しました。

重要なことに、私たちのウェブカメラベースのデータをEyeLinkと比較するには、以前の比較プロジェクトを実施する必要がありました。これにより、査読を受けた出版物が生まれました。そのプロジェクトは、ラボ内で実施されました。したがって、コンピュータ、画面、ウェブカメラ、部屋、照明など、全ての環境を管理することができました。また、参加者に対して対面で指示を出すこともでき、ラボの設定にいることで、多くの参加者は実験を行う際に自分のベスト、あるいは少なくとも良い努力をすることができたと考えられます。無監督の環境でリアルなオンライン参加者に対しては、このようなことはほぼ確保されません。オンライン参加者は、自分の座っている場所、所有しているデバイス、持っている光の下で座りますが、時には全く注意を払わないこともあります。これらの既知の欠点を考慮すると、私たちは既存の眼球追跡技術を用いた多くのプロジェクトが非常に成功を収め、著名なジャーナルに発表されたことを嬉しく、誇りに思っています。しかし、一部の研究者は期待していた精度を得られなかったり、長いキャリブレーションに参加者が不満を抱いたり、技術的およびさまざまな理由で失敗した参加者の高い数に直面したりしました。たとえば、既に乳児向けのキャリブレーションを構築していたにもかかわらず、2つの乳児研究は、第一世代の眼球追跡が彼らの最も小さな参加者にはまだ信頼できるものではないと判断しました (Grosse Wiesmann et al., 2025; Golan, Abo Shkara & Havron, 2023)。

2025年、私たちはこれらの欠点を体系的に評価し、一つずつ対処し始めました。この旅の終わりには、ウェブカメラによる眼球追跡の開発の終わりではないとはいえ、Eye Tracking 2.0が控えています。このラボノートでは、何が変わったのか、なぜそうなのか、それをどのように検証したのか、そしてリアルなオンライン参加者に期待できる精度について説明します。これに関するデータはオープンアクセスであり、誰でも独立して再現および検証できます (Section 11)。 また、新しい査読付き研究を計画していますが、時間がかかるため、これらの結果を今すぐ共有したいと思います。

2. 測定方法

このノートでの全ての参加者データは、ほぼ同じ研究の枠組みの中で約1か月間にわたって収集されました。しかし、記録された各バッチの間で、眼球追跡のバージョンがほぼ毎回変更され、最新の開発（例えば、ポーズ補正のテスト）をテストまたは検証しました。バッチの中には小さいものもあれば、大きいものもあります。 このノートは査読付き出版物ではありませんが、ここで報告されている全ての分析と結果は科学的に厳格であり、真に洞察に満ちています。誰でもデータをダウンロードして再現または検証することを歓迎します。Eye Tracking 2.0に関する査読付き論文と、他のいくつかのトピックも続く予定です。

タスク。 Prolific参加者は技術的実現可能性チェックを通過し（詳細はSection 5を参照）、研究のキャリブレーションを完了しました。承認された参加者は短いトレーニングブロックを行い、最後に45ターゲットの精度タスクを実施しました：全画面をカバーする9×5の位置グリッドが、ランダムな順序で1つずつ提示されました。参加者のタスクは、ターゲット（単純な円）を注視し、その色が変わったときにすぐにクリックすることでした。参加者が早すぎたり遅すぎたりクリックした場合、トライアルが繰り返されました。このタスクを自分で実行することができます (Section 10)。

メトリック。 私たちが関心を持っている主要なメトリックは、ターゲットエラーまたは精度です。これは、ターゲット位置とターゲットが変わる前の最後の1000msの間の中央値の視線位置との距離として定義されます。また、新しい注視検出アルゴリズムを実装し、変化時の注視の重心を使用しました。これらの両方の指標（視線の中央値と注視）は、ほぼ同じ精度の結果を生み出しました。この新しい注視検出メカニズムに関する詳細は、次のラボノートで利用可能になります。参加者の精度は、彼らの45のエラーの中央値として定義され、グループの精度は参加者の中央値として定義されます。私たちは、この中央値を通じて報告し、試行や参加者をフィルタリングしません。1920×1080の画面（フルHD）では、対角線の1％は22px、5％は110pxです。リモート録画セットアップのため、実際の物理的な画面サイズや参加者の正確な視聴距離を信頼できる方法で記録することはできませんでした。したがって、視角のエラーは想定される基準画面に対して計算されます：14.2インチのノートパソコン（例：14インチMacBook Pro）、一般的なオンライン参加者が使用する13インチから16インチの範囲の中間で、通常の距離60cmから見ることを想定しています。

サンプル。 2026年8月25日から9月28日までの間で10の録音バッチが約700の完了したセッションを生成しました。このノートでの結果は、最近の7つのバッチの494の完了したセッションに基づいています：バッチ2.0.9の48、スクリーニングなしの高ティアの296、バランスの取れたスクリーニングとライブ補正が実行されている高ティアの50、最高ティアの100です。初期のバッチの約200セッションは、以前の開発中にシステムを形成したため、報告された結果には含まれていません。

データ。 これらの494セッションの匿名データは、このノートの中の全ての数値や図を計算するスクリプトと共にダウンロード可能です（詳細はSection 11を参照）。

3. デュアルアイガゼエンジン

3.1 デュアルアイエンジンの仕組み

Labvanced Eye Tracking 2.0はどのように視線と注視を予測するのでしょうか？

図 1. 処理チェーン。すべてが参加者のデバイス上で実行されます（エッジ推論）；画像や動画はデバイスから出ない。

デュアルアイフュージョンモデルは何を指しますか？ 2.0 視線エンジンは2つの目を2つの別々の測定として扱い、それらを組み合わせます。そのため、半分閉じた目、影の中にある目、または反射に捉えられた目は、カウントが少なくなります。隣接フレームからの情報も使用され、実際の眼球運動を滑らかにすることはありません。その結果、以前よりもより正確で堅牢な生の視線推定が得られるだけでなく、実際の精度と正確性を示す指標となる信頼性値も得られます。

速度とデバイス。 視線エンジンは速度のために書き直され、WebGPUやWebAssemblyなどの最新のWeb技術を利用しています。これにより、リアルタイム予測とファインチューニングステップ（キャリブレーション）の両方が大幅に加速されます。その結果、Eye Tracking 2.0 はほとんどのラップトップ（古いChromebookや同様のデバイスを除く）、デスクトップコンピュータ、およびiPadのような最新のタブレットでスムーズに動作します。電話では約15秒の短縮キャリブレーションが使用されており、自社の電話測定では視線は非常に正確でした。タブレットや電話でのフィールドバリデーションは別途行われます。

3.2 結果：1.xよりもサンプルノイズが40 %少ない

精度。 デュアルアイフュージョンにより、視線はかなり安定して正確になります。オンラインで、2.0 の視線サンプルは画面対角線の中央値 2.2 % に散らばっており（約0.75°）、そのサンプル間のノイズは2023年の実験室調査（セクション7.2）で記録されたEye Tracking 1.xの約40 %低いです。

4. 短くて良いキャリブレーション

4.1 キャリブレーションの仕組み

2.0のキャリブレーションは顕著に短く、根本的に新しい方法で機能します。各キャリブレーションポイントの質は記録中にチェックされ、参加者が瞬きをしたり視線を外したりした場合は、その場でポイントを繰り返します。参加者のネットワークはその後、自分のデバイスで微調整され、ほとんどの場合以前よりかなり速く行われ、微調整には時間制限があるため、参加者が詰まることはありません。

視線制御。 視線制御は、最初の眼球追跡タスクの前、頭の位置を再調整した後、および精度のティアによって設定された定期的な間隔で実行される短いドッキングタスクです：Highでは毎3分、Highestでは毎分です。これは trial を中断することはありません。参加者は自分の頭の位置を円として見ることができ、ターゲット円と重なるまで頭を動かします。これにより、カメラに対する頭の位置と距離が一つの直感的なステップで修正されます。実際のオンライン参加者は、開始から終わりまでの中央値で6.7秒を要します。各実行は、現在の視線の質を確認する役割も果たし、ライブ修正に使用されます（セクション6）。

プローブ。 セッションの最初の視線制御の実行はわずかに長く、合計約17秒で、プローブとして機能します：これは、参加者の視線がセッションの残りの部分にわたってどれほど正確であるかを予測します。これはスクリーニングレベル（セクション5）の基礎です：より高いレベルでは、より良い予測精度を持つ参加者のみが研究に参加できます。

4.2 結果：Highで4分、Highestで7分

指示 + キャリブレーションにはHighで4分、Highestで7分かかります。 最初の指示テキストを見てからプローブの終わりまで、実際のオンライン参加者はHighティアで中央値約4分（約2分のキャリブレーションポイント）、Highestティアで中央値約7分（約5分のキャリブレーションポイント）を要しました。ファインチューニング自体は、2分のキャリブレーション後に中央値約37秒、Highest後に約67秒かかりました。参加者はファインチューニングステップ中にほとんどリラックスすることができます。

多くの研究には2分のキャリブレーションで十分ですが、5分あれば改善されます。 バランスの取れたスクリーニング（レベル3）では、2分のキャリブレーション（High）は対角線の中央値5.2 %（約1.8視覚度）を提供します。ほとんどのオンラインパラダイムにとって、これで十分な精度になるでしょう。非常に厳しいスクリーニング（レベル5）でのHighestキャリブレーションは約4 %（図2）を提供し、これは約1.4視覚度です。

5. より良いスクリーニング、技術的事前チェック、簡単なセットアップ

5.1 事前チェックとスクリーニングの仕組み

スクリーニングは二段階で行われ、新機能はパートナーである参加者募集プロバイダー、Prolificによってサポートされます。まず、技術チェックが不適切なデバイスを支払わずに却下します。その後、キャリブレーション、プローブ、スクリーニングが行われ、研究者が選んだ参加者の手数料が減額されます。

• 技術的却下。 デバイスの能力とカメラがチェックされ、視線サンプリングレートは10 Hzに達する必要があります。ここでの失敗は技術的却下につながります：参加者には数秒（本当に遅いデバイスでは最大1分）で終わり、その理由が通知されます。Prolificから参加する参加者にこれを伝える最良の方法は、却下リンクを作成し、理由を「互換性のないデバイス」と選択し、「参加者に研究を返すように依頼する」チェックボックスをオンにすることです。ほとんどの参加者は喜んで返すでしょうし、全額申請をする場合でもそのステータスは「互換性のないデバイス」として表示されるので、却下理由は明確です。その結果、技術的に能力のあるデバイスを持つ参加者のみが実際の研究に参加し、キャリブレーションに入ることが許可されます。

• キャリブレーション後のスクリーニング。 キャリブレーションとプローブの後、システムは参加者が視線追跡タスクに入ることが許可されるかどうかを、研究のスクリーニングレベルに基づいて決定します。レベル0では誰もスクリーニングされず、すべての人がタスクを開始することができます。レベル1では失敗したキャリブレーションのみがスクリーニングされ、レベル2から5ではプローブによって予測された精度を利用し、およそ65、50、30、または100人中15人の参加者が入学されます。合格しない参加者はその場でスクリーニングされます。Prolificを使用する場合、専用のスクリーニングリンクを使用し、2分間のキャリブレーションに対して0.50 GBP、5分間のキャリブレーションには0.80 GBP支払うことをおすすめします（スクリーニングリンクはProlificで部分的に支払われます）。これらの金額は、視線追跡のキャリブレーションが参加者が最初に行うことにほぼ該当する場合に適用されます。視線追跡部分が研究のかなり後に開始される場合は、キャリブレーションの再試行（デフォルトではオフ）を有効にし、再試行に失敗した参加者にはより高いスクリーニング料金を支払うことを検討してください。

技術的却下とスクリーニングを合わせることで、私たちの2.0システムによる視線追跡は、Prolificのようなクラウドソーシングプラットフォーム上でスムーズな体験を提供し、参加者が入学する際の高い精度と高い完了率を実現します。

5.2 結果：99.3 % 完全データセット、約10 % 追加コスト

事前チェックが後の失敗をキャッチします。 私たちのオンラインデータ収集の1つでは、251名の参加者のうち37名（約15%）が開始前に拒否され、ほとんどは必要な解像度を下回るカメラや顔を追跡できないほど遅いコンピュータのためでした（図3）。それぞれは他に、失敗または使用できないセッションを生成するはずでした。私たちは現在、少なくとも10 Hzの測定された視線率も強制します。これは、私たちの新しい注視アルゴリズムに必要です（次のLab Noteで詳細に説明します）。

各スクリーニングレベルが予測可能な利益をもたらします。 スクリーニングなしのHighティアの295名の参加者に適用された場合、各レベルは0.2から0.7ポイントの精度に対して入学を取引します（図5）。レベル3では、バランスが取れた状態で、すべての参加者の約半分が入学し、入学した参加者の中央値は約1ポイント低下し、10 %未満の入学者の割合は17 %から3 %に減少します。後のライブバッチは、計画通りに確認されました：バランスの取れたスクリーニングでは、参加者の半分が入学し、彼らは5.24 %を提供しました（セクション7.1）。

スクリーニングのコストは少ない。なぜなら、スクリーニングされた参加者には部分的にのみ報酬が支払われるからです。 スクリーニングアウトされた参加者は、全額の約十分の一の小額を受け取るため、レベル3は推定のリクルートコストを約10 %引き上げ、レベル5では約60 %引き上げます（図6）。

ほぼすべての支払われた参加者は完全なデータセットを提供します。 最近の5つのバッチ（9月24日から28日）でProlificに承認され、支払われた450人の参加者のうち、447人（99.3 %）が完全なデータセットを提供しました（図7）。重要なことに、参加者は一度承認されると留まります：プローブに合格した参加者の96 %から97 %が研究を完了しました。技術的な事前チェックで拒否された参加者は支払われず、スクリーニングアウトされた参加者には小額が支払われるだけなので、全額はほぼ完全な記録にのみ分配されます。

6. ヘッドムーブメントと照明変化のためのリアルタイム修正

6.1 リアルタイム修正の機能

スクリーニングは、誰が研究に参加するかを決定します。承認された参加者に対して、2つのリアルタイム修正が、セッション中にヘッドムーブメントと光の変化が追加するエラーを減少させます。両方とも、すべてのキャリブレーションティアでデフォルトでオンになっていますが、研究設定でオフに切り替えることができます。

• ヘッドポーズ修正。 キャリブレーション中に頭が位置から動くと、視線推定もそれに伴って移動します。この修正は、その移動を継続的に補償します。
• 視線確認修正。 定期的な視線制御チェック（ハイで3分ごと、ハイエストで1分ごと）が、キャリブレーション後に蓄積されるドリフトを取り除くために使用されます。これには、光の変化が生じたときのドリフトも含まれます。顔の光が明らかに変わったときに、照明変化検出器が追加チェックをトリガーします。

生の視線は再構成可能な状態に保たれます：修正はデフォルトで適用されますが、オフにすることができ、各視線サンプルに適用された修正もLabvancedに記録できます（視線トリガーイベントのパラメーターとして）、そのため修正されていない信号を好む研究者はそれを正確に回復することができます。

6.2 結果：エラーの6分の1を除去し、尾の大部分を取り除く

修正はエラーの6分の1と尾の大部分を除去します。 バランスの取れたスクリーニング（レベル3、143人の参加者）でのハイティアでは、中央値は生の6.37 %からヘッドポーズ修正で5.72 %、両方の修正で5.28 %に移動し、10 %未満の参加者の割合は15 %から3 %に減少します（図8）。スクリーニングなしでは、向上が同じで、6分の1です：295人の参加者で7.42 %から6.21 %に。約4人に3人の参加者が改善します（図9）。

修正は、これまでに開発されたことのない参加者に対しても機能します。 修正は一度設定され、その後、変更なしで5つの後のバッチに適用されました。これらは、3つがオフラインで、2つが研究中にリアルタイムで修正を実行します（図10）。

安定した光は精度を高く保ち、視線制御チェックは変化をキャッチします。 ハイエストティアでは、99人の参加者のうち70人が顔の明るさをキャリブレーションの5 %以内に保ち、その中央値の生のエラーは5.49 %でした。光が10 %以上変化した13人の参加者の場合、顔が暗くなったとき（5人の参加者）には10.94 %、明るくなったとき（8人の参加者）には7.78 %でした（図11）。定期的な視線制御チェックは、そのような変化をキャッチし、修正します。

7. Prolific参加者における1.4°から1.8°の検証済み精度

7.1 精度：ハイで1.8°、ハイエストで1.4°

2分間のキャリブレーションとバランスの取れたスクリーニングで、中央値の参加者のエラーは対角線の5.2 %、約1.8°であり、16人中15人の承認された参加者が10 %未満です。非常に厳格なスクリーニングを行ったハイエストティアでは4 %、約1.4°に達します。

エラーは画面全体でほぼ均一であり、外側のターゲットはセンターよりも悪化しません（図13）。以下の計算機は、期待される精度を任意の画面と視距離に変換します。

7.2 精度：0.75°の散布、0.6°のサンプル間距離

精度は第1世代に比べて著しく改善されました。同等の条件で比較するために、2023年の研究室での研究の記録に基づいてEye Tracking 1.xの精度を再計算しました。この研究では、すべての参加者が同時にウェブカメラとEyeLink 1000で記録されました。各グリッドトライアルでは、EyeLinkに従い、最も安定した1秒間のウィンドウを選択したため、両方のトラッカーが本物の注視中に測定され、2.0と同様の2つの標準測定、平均周辺のサンプルの散布（SD）とサンプル間の距離の平方根平均（RMS-S2S）を適用しました。

値は画面対角線のパーセンテージであり、各研究の独自の画面で視覚角度（研究室では60 cmで15インチモニター、オンラインでは60 cmで14.2インチのラップトップ）。両方のウェブカメラシステムは約30 Hzでサンプリングされました。

オンラインの2.0信号は、研究室の1.x信号よりも約10 %少なく散布され、サンプル間のノイズは約40 %低く、約1.0°から0.6°に減少します。特に、比較は2つの要因で1.xを支持しています：研究室の管理下で記録されていたこと、ウィンドウはEyeLinkによって最も安定した秒として選ばれていたことですが、これはオンラインでは不可能です。したがって、改善は、もし何かあれば、過小評価されています。もちろん、EyeLinkは最も精度の高いシステムのままですが、2.0はそのギャップの大部分を埋めています。

8. キャリブレーションなしの受動的ティア

8.1 受動的ティアの動作方法

Eye Tracking 2.0を使用すると、特定の実験シナリオで非常に便利なキャリブレーションなしで受動モデルを実行することが可能です。必要なのは、参加者がカメラアクセスを許可することだけです；それから視線追跡の予測がすぐに始まります。キャリブレーションができない、またはすべきでない参加者を対象としています。特に幼児はその代表であり、キャリブレーションは常に幼児の視線追跡の難しい部分です。多くの幼児の研究は、いわゆる優先視覚パラダイムを使用しており、つまり子供が左または右を見るかどうかを尋ねます。これをリアルタイムで参加者自身の機械上で信頼性を持って分類できることは、幼児の注意研究や、視線追跡が背景で静かに行われるべき他の分野にとってもゲームチェンジャーとなります。自分で幼児の研究を実施することができます Section 10 で。

8.2 期待される精度：約4°（推定）

パッシブティアはProlificバッチの一部ではなく、そのフィールドバリデーションはまだ行われていません。インファントラボは、実際の乳児を使ったバリデーションを望むのは当然であり、これはProlificが提供するものを超えています。乳児ラボで働いているか、代表している場合、パッシブティアのバリデーションを手伝いたい場合は、ぜひご連絡ください。私たちはコラボレーションに非常に興味があります。

とはいえ、私たちの広範な内部テストから得た作業推定は、スクリーン対角線の約11-12 %のエラー、60cmの距離でのノートパソコンでは約4°です。図14は、典型的な実験デザインにおけるその意味を示しています：パッシブティアの中央値のエラーでは、スクリーンの左半分の中央にあるターゲットを見つめると、右半分にはしっかりとした距離が保たれます。4から6のスクリーン領域を十分な信頼を持って区別できる良い可能性もあります。これに関するさらなるデータは、時間とともに提供されます。

図14. 16:9スクリーンの左半分のターゲットの周りに円として描かれた各ティアの中央値のエラー。点線はスクリーンを左と右に分割します。パッシブの数字は推定であり、他の2つは測定されたものです。

9. 討論

私たちの査読済みの2023年の比較は、ラボ内のウェブカメラが約1.4°の視線を追跡できることを示しました。このノートは、私たちのWebcam Eye Tracking 2.0エンジンを使用すると、参加者の自宅のウェブカメラで、彼ら自身のノートパソコンと照明で、2分のキャリブレーションとバランスの取れたスクリーニングの後、視線を中央値約1.8°で追跡し、長いキャリブレーションと非常に厳しいスクリーニングの下では約1.4°であることを示しています。実際、以前の世代がラボ制御下で達成した精度は、今やオンラインで達成されています。変化のほとんどは、改善されたデュアルアイ視線エンジン、個別の違いやドリフトをより適切に捉えるキャリブレーション、頭のポーズや照明の系統的なエラーを取り除くライブ補正の3つのメカニズムに起因します。

研究者にとって、その結果は非常に実用的です。心理学、言語学、社会学、経済学、マーケティングなどの分野のほとんどの研究は、ハイティアを運営し、約1.8°を期待できます。これは、大体、期待される効果をキャッチするのに十分でしょう。多くの単語があり、その間に小さな隙間がある単語レベルの読み取り課題（読み取り研究を試してみてください）を調べる研究は、最高のティアを使用して約1.5°を厳しいスクリーニングで得るか、非常に厳しいスクリーニングで約1.4°を得ることができます。研究者が乳児や幼児の注意を研究する場合、今やキャリブレーションなしでそれを追跡するオプションがあり、したがってキャリブレーションによってデータ収集に付随する難しさを回避できます（セクション8）。もちろん、これらの極端な点の間にはいくつかのステップがあります。Labvancedインターフェースの設定は大幅に簡素化されており、各選択肢に対して示される期待される精度は実測値に基づいています。要するに、次の眼球トラッキングプロジェクトは今日から始めることができます。

どの研究にどのセットアップ？

下の表は大まかなガイドラインであり、厳密なルールセットではありません。各タスクや研究について、興味のある領域の数、そのサイズ、特にそれらの間の距離を確認し、それに応じて設定を選択してください：遠くにある2つの大きな領域は、隣接する多くの小さな領域よりもはるかに多くのエラーを許容します。どの設定があなたのデザインに適しているか不明な場合は、私たちに連絡してください 、一緒に見ていきましょう。

期待される精度は、補正がONの参加者の中央値であり、ハイティアおよび最高の行で測定され、他の行は推定されたものです。追加の募集コストは、スクリーニングで排除された参加者を完了した参加者の10分の1として数えます。スクリーニングは、パッシブと中程度のティアには適用されません：すべての人が受け入れられます。

Labvancedの研究設定のセットアップウィザードは、同じ2つの質問、すなわち精度のティアとスクリーニングレベルを尋ね、研究が始まる前に選択肢の期待される精度を示します。

よくある質問

ウェブカメラの眼球追跡はどのくらい正確ですか？

Labvanced Eye Tracking 2.0を使用すると、中央値のオンライン参加者は、バランスの取れたスクリーニングで2分のキャリブレーションの後に視折角を1.8°に正確にし、非常に厳しいスクリーニングで長いキャリブレーションの後に約1.4°に達します。ラボでは、初代がEyeLink 1000（Kaduk et al., 2023）との直接比較で1.4°に達しました。

ウェブカメラの眼球追跡は読み取り研究に十分な精度がありますか？

単語レベルでの読み取りには、厳しいスクリーニングを伴う最高のティアを推奨します。これは約1.5°を提供します。顔やシーン、ページの領域など、より大きな興味のある領域は、ハイティアで1.8から1.9°で動作します。上の表には、どのセットアップがどの研究デザインに適しているかが一覧されています。

キャリブレーションにはどのくらいの時間がかかりますか？

指示とキャリブレーションは、高いティアで約4分、最高のティアで約7分かかります。短いティアは30秒から3分の間、パッシブティアは全くキャリブレーションを必要としません。

ウェブカメラの眼球追跡は乳児にも機能しますか？

パッシブティアは、カメラがオンになるとすぐに追跡を開始し、キャリブレーションは必要ありません。推定エラーは約4°であり、これは選好注視研究において左を見ているのと右を見ているのを区別するには十分です。乳児を対象にしたフィールドバリデーションは今後行われる予定です。

ウェブカメラの眼球追跡はラボの眼球追跡装置と比べてどうですか？

EyeLink 1000のようなラボ用トラッカーは、ウェブカメラの0.1°に対して約0.75°の散布を持ち、より正確です。ウェブカメラの眼球追跡は、参加者の自分のコンピュータで約1.4から1.8°の精度に達し、これは興味のある領域に基づくほとんどのデザインには十分です。

既存の研究を2.0に切り替えられますか？

はい、いつでも可能です：研究設定でEye Tracking 2.0を選択してください。既存の研究は切り替えるまで1.xのままで、新しい研究は2.0から始まります。

それは私のライセンスに含まれていますか？

Eye Tracking 2.0はすべてのプレミアムおよびアルティメットライセンスの一部であり、以前のEye Tracking 1.xと同様です。

2.0の研究は何を記録しますか？

以前と同じ視線出力、xおよびyの位置で、現在はより正確で精密で、サンプルごとに信頼度値が付与されます。注視は、デフォルトで新しいマージドデテクターで検出されます。補正された信号が必要な場合は、各サンプルに適用された補正を視線トリガーのパラメータとして記録することができます。スクリーニングで排除された参加者や技術的に拒否された参加者は、研究のグループ統計においてそのステータスと共にリストされます。

データに何か変化がありますか？

構造はそのままです。信頼度の値は現在、異なるスケールになっています：それは1.xとは完全に異なる量から計算されるため、一般的に数値は低くなります。これはスケールの変更だけであり、データの質の変更ではありませんが、1.xの研究からの信頼度の閾値は2.0に持ち越されないことを意味します。信頼度は参加者固有でもあります：同一参加者内のサンプルや試行を比較するために使用し、参加者間で比較しないでください。1人の参加者の信頼度0.3は、別の参加者の0.3と同じ意味を持ちません。私たちのデータはこれを明確に示しています：参加者の典型的な信頼度は0.09から0.73の間であり、彼らがどれだけ正確だったかについては何も言及していませんでした。典型的な信頼度が約0.3だった参加者は、3.7%から20.8%のエラーを示しました。対照的に、同一参加者内では、信頼度が低い試行ほどあまり正確ではない傾向がありました。

次は何ですか？

Labvanced Webcam Eye Tracking 2.0は、私たちの眼球追跡コードのほぼすべての部分に触れた数ヶ月のプロジェクトでした。これが私たちが行う最後の改善ではありません。現在取り組んでいる5つのトピックを以下に示します。

1. まばたきの検出

まばたきは、視線推定を一時的に乱します。私たちはそれらを確実に検出し、まばたき中も視線を安定させることで、まばたきが目の動きのようには見えなくなるようにします。クリーンなまばたき信号自体も興味深いです：まばたき率とタイミングは疲労、覚醒、認知負荷の確立された指標であり、すべての眼球追跡研究の新たな出力となる可能性があります。

2. 画面全体の均等な精度

精度はすでに画面全体でほぼ均一です（図13）。私たちは、キャリブレーションポイントを1つも追加することなく、画面領域間に残る小さな系統的差異を取り除く作業をしています。

3. 適応型キャリブレーション

現在、研究者は事前にキャリブレーションの長さを選択し、各参加者には同じものが与えられます。私たちは、参加者に適応するキャリブレーションに取り組んでいます：簡単なケースには短く、効果がある場合にのみ長くします。

4. 固視検出

次回のLab Note、Fixation Detection Analysisでは、ウェブカメラデータに対する固視検出アルゴリズムを比較し、EyeLink 1000で同時に記録された速いペースの固視タスクを完了したオンライン参加者のデータを示しています。それは、Eye Tracking 2.0の新しいデフォルト検出器が正確に1つの固視として報告された安定した視線の割合を倍増させることを示しています。

5. データのセッション品質

各セッションは、実行中にその自体の品質について多くを測定しています。セッションごとのコンパクトな品質出力を追加し、全体的な品質スコアを提供する予定で、研究者はデータ収集後にセッションや参加者をランク付け、重み付けまたは除外できます。

10. 自分で試してみてください

ウェブカメラによる眼球追跡を判断する最良の方法は、それを体験することです。以下の研究は、あなたのブラウザで、あなた自身のウェブカメラを使用してEye Tracking 2.0を実行します：カメラアクセスを許可し、キャリブレーションに従い、自分自身で確認してください。Eye Tracking 2.0のすべてと同様に、処理はあなたのデバイス上で行われ、画像や動画がデバイスから外部に出ることはありません。精度タスクはこのノートの結果の背後にある研究です。他の研究は典型的な研究デザインのデモであり、検証の一部ではありませんでした。

11. データと再現性

このノートのすべての結果は独立して確認できます。私たちは、結果が基づいている494の完了したセッションの匿名データと、それからすべての数値や図を計算するスクリプトを公開します。

OSFでデータバンドルを取得（ZIP、9 MB）

含まれているもの。 参加者ごとに1行（層、スクリーニング、キャリブレーション結果およびタイミング）、45ターゲット精度タスクの各試行ごとの1行（エラー、未修正および修正後）、各ターゲット変更の直前の最後の1秒間、精度メトリックが使用するウィンドウ：モデルの信頼度を持つ視線サンプル、固視、最高層では顔の明るさ。すべての視線制御実行のタイミングと、参加者ごとに共有されない値の集計テーブル（開始前の技術的拒否、プローブ後の保持、2023年の実験室精度値）も含まれています。READMEは各列を文書化しています。

再現方法。 スクリプトはPython 3とその標準ライブラリのみを必要とします。scripts/accuracy.pyを実行し、その後scripts/article_numbers.pyを実行します：これらは合わせて、このノートに記載されているようにメトリックを正確に適用し、テキスト内で引用されたすべての図と数値のデータを書き込みます。データから計算されていない唯一の値は、総合テーブル、図12の最高層の期待される精度（製品内で設定）、受動層の推定精度です。

プライバシー。 データには、いかなる種類の識別子も含まれていません：ProlificやLabvancedのID、名前、人口統計、デバイスやブラウザ情報、絶対的な日付や時刻はありません。各参加者には他の記録とリンクされていないランダムなIDがあり、キーは存在しません。カメラの画像や動画は記録されていません。すべての参加者は、自分のデータの匿名使用に同意しました。

ライセンス。 Copyright © 2026 Scicovery GmbH (Labvanced)。データとスクリプトはCC BY-NC 4.0の下でライセンスされています：非商業目的で使用、再分析、共有し、Labvancedへのクレジットとこのノートの引用とともに結果を発表できます。商業利用には私たちの書面による許可が必要です。

引用方法。 APAスタイル、コピー用に準備完了：

方法セクションでの説明方法。 この段落を適応することを歓迎します（ブラケット内の値をあなたの設定に置き換えてください）：視線はLabvanced Eye Tracking 2.0（Labvanced, 2026）を使用して、参加者のウェブカメラでオンラインで記録されました。[High]キャリブレーション層と[balanced]参加者スクリーニングが適用されました。ライブの頭の向きと視線制御の補正が適用されました。この構成の検証では、中央値の精度は[5.2 %]画面対角線の、約[1.8°]の視角で60cmでした。

参考文献

• Alp, N., Lale, G., Saglam, C., & Sayim, B. (2024). 動的顔知覚における部分情報処理の効果。Scientific Reports, 14, 9794. https://doi.org/10.1038/s41598-024-58605-7
• Bertrand, J. K. (2023). ウェブカメラによる眼球追跡の有用性：意思決定とデジタル人間-コンピュータインタラクションにおける学んだ教訓と実践的応用 [アルバータ大学博士論文]。 https://doi.org/10.7939/r3-83ge-t169
• Bertrand, J. K., & Chapman, C. S. (2023). オンラインのデジタル物体相互作用タスク中の眼-手協調のダイナミクスは、眼-カーソル協調において柔軟に保持されます。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). 遠隔でキャプチャされた意思決定の難しさの連続的な測定：II. ウェブカメラによる眼球追跡が初期の意思決定処理を明らかにする。bioRxiv. https://doi.org/10.1101/2023.06.06.543799
• Bánki, A., de Eccher, M., Falschlehner, L., Hoehl, S., & Markova, G. (2022). 乳児の音-視聴同期知覚の評価におけるオンラインウェブカメラと実験室に基づく眼球追跡の比較。Frontiers in Psychology, 12, 733933. https://doi.org/10.3389/fpsyg.2021.733933
• Calignano, G., Lorenzoni, A., Semeraro, G., & Navarrete, E. (2024). 画像の前に言葉：視覚的注意の偏向における言語の役割。Frontiers in Psychology, 15, 1439397. https://doi.org/10.3389/fpsyg.2024.1439397
• Golan, M., Abo Shkara, M., & Havron, N. (2023). 子供は形態的ブートストラッピングを通じて新しい動詞の意味を推測します。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). 自己参照記憶バイアスは、幼児期に他者参照バイアスによって先行します。Nature Communications, 16, 6311. https://doi.org/10.1038/s41467-025-61642-z
• Haverly, C. (2022). ビデオゲームプレイが変化検出に与える影響：眼球追跡研究。Horizons, 7, 68–73。ハワイ大学マノア校。 ScholarSpace
• Jenke, L., & Sullivan, N. (2025). 注意と政治的選択：政治学における眼球追跡の基礎。Political Analysis, 33(4), 298–314. https://doi.org/10.1017/pan.2025.8
• Kaduk, T., Goeke, C., Finger, H., & König, P. (2023). 実験室基準に近いウェブカメラによる眼球追跡：新しいウェブカメラベースのシステムとEyeLink 1000の比較。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). AI支援タイミングが薬剤師の自動錠剤認識技術への信頼に与える影響。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). 眼球追跡の基礎 第4部：眼球追跡研究を実施するためのツール。Behavior Research Methods, 57, 46. https://doi.org/10.3758/s13428-024-02529-7
• Patterson, A. S., Nicklin, C., & Vitta, J. P. (2025). ウェブカメラベースの眼球追跡に関する方法論的勧告：スコーピングレビュー。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). 構築密度を超えて：都市環境における感情の経験の粗いから細かい分析への移行。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). 眼球運動の同期がオンライン学習コンテキストにおける検査パフォーマンスを予測できるか？ 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). オンライン実験におけるウェブカメラ眼球追跡のための深層学習モデル。Behavior Research Methods. https://doi.org/10.3758/s13428-023-02190-6
• Serrano-Carot, M., Angele, B., Xu, H., & Vasilev, M. R. (2025). ウェブカメラは読み取り中の眼球運動を研究するために使用できます。PsyArXiv. https://doi.org/10.31234/osf.io/bzt2h_v1
• Stone, S. A., & Chapman, C. S. (2023). 無意識のフラストレーション：眼球とマウス追跡を使用してユーザー体験を動的に評価する。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). 人工知能の有用性と不確実性が薬剤師との認知的相互作用に与える影響：無作為化対照試験。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). 編集：距離での実証研究：発達科学のための新しい方法。Frontiers in Psychology, 13, 938995. https://doi.org/10.3389/fpsyg.2022.938995
• Tsutsuse, K. S. (2025). オンライン広告が科学的説明の処理および評価に与える影響 [ハワイ大学マノア校修士論文]。 ScholarSpace
• Wies, S., Bleier, A., & Edeling, A. (2023). ゴルディロックスインフルエンサーを見つける：フォロワー数がソーシャルメディアのエンゲージメントを推進する。Journal of Marketing, 87(3), 383–405. https://doi.org/10.1177/00222429221125131
• Zhang, P., & Zhang, S. (2025). L2マルチモダリティにおける注意と学習：ウェブカメラによる眼球追跡研究。Language Learning & Technology, 29(1), 1–27. https://doi.org/10.64152/10125/73626
• Zhang, X., & Powdthavee, N. (2026). 道徳的判断におけるボトルネックとしての注意：比較的文脈が認識の歪みを引き起こす。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). 経頭蓋光刺激がADHDの子供の選択的注意を改善します。medRxiv. https://doi.org/10.1101/2025.09.18.25335086
• Labvanced Eye Tracking ドキュメント：研究設定、データ出力。

.lab-byline { color: #666; font-size: 0.9rem; }
.lab-caption { font-size: 0.9rem; color: #555; margin-top: 0.5rem; line-height: 1.4; }
.lab-pipeline { width: 100%; height: auto; margin-top: 1rem; }
.lab-anchor { display: block; scroll-margin-top: 8rem; }
/* A block wider than the text column, centred on it: for tables with many columns. The
   content column is 740px wide; the block may grow to 1100px as long as it stays inside the
   main area (viewport minus the 20rem sidebar and the content padding). */
.lab-wide { width: min(1100px, calc(100vw - 25rem)); margin-left: 50%; transform: translateX(-50%); }
.lab-wide table { font-size: 0.92rem; }
.lab-cite { border: 1px solid #ddd; border-radius: 6px; padding: 0.9rem 1rem; margin: 0.75rem 0 1.25rem; }
.lab-cite p { margin: 0 0 0.75rem; }
.lab-cite button { background: none; color: inherit; font: inherit; font-weight: 600; cursor: pointer; }
@media (max-width: 719px) { .lab-wide { width: calc(100vw - 3rem); } }
.lab-lead { font-size: 1.15rem; line-height: 1.55; text-align: left; margin: 0.75rem 0 1.25rem; }
.lab-keys { display: grid; grid-template-columns: repeat(auto-fit, minmax(180px, 1fr)); gap: 0.75rem; margin: 0 0 1.5rem; }
.lab-key { border: 1px solid rgba(127, 127, 127, 0.35); border-radius: 8px; padding: 0.9rem 1rem; display: flex; flex-direction: column; gap: 0.25rem; }
.lab-key-num { font-size: 1.9rem; font-weight: 700; line-height: 1.1; }
.lab-key-txt { font-size: 0.9rem; line-height: 1.35; opacity: 0.85; }
.lab-toc { list-style: none; padding-left: 0; text-align: left; position: relative; z-index: 1; }
.lab-toc li { margin: 0.35rem 0; }
.lab-toc a { display: flex; gap: 0.6em; }
.lab-toc-num { flex: 0 0 1.4em; font-weight: 600; }
.lab-cards { display: grid; grid-template-columns: repeat(auto-fit, minmax(280px, 1fr)); gap: 1rem; margin: 1.25rem 0 1.5rem; }
.lab-card { border: 1px solid rgba(127, 127, 127, 0.35); border-radius: 8px; padding: 1rem 1.1rem; display: flex; flex-direction: column; }
.lab-card p { margin: 0 0 0.75rem; font-size: 0.95rem; line-height: 1.45; text-align: left; }
.lab-card .lab-card-title { font-weight: 700; font-size: 1.05rem; margin-bottom: 0.4rem; }
.lab-card-btn { margin-top: auto; align-self: flex-start; padding: 0.4rem 0.9rem; border: 1px solid currentColor; border-radius: 6px; font-weight: 600; text-decoration: none; }
.lab-cta { border: 1px solid rgba(127, 127, 127, 0.35); border-radius: 10px; padding: 1.25rem 1.4rem; margin: 2rem 0; }
.lab-cta p { margin: 0 0 0.75rem; text-align: left; }
.lab-cta .lab-cta-title { font-size: 1.25rem; font-weight: 700; margin-bottom: 0.35rem; }
.lab-cta-links { display: flex; flex-wrap: wrap; gap: 0.6rem; }
.lab-card-soon { margin-top: auto; align-self: flex-start; padding: 0.4rem 0.9rem; border-radius: 6px; font-weight: 600; opacity: 0.6; border: 1px dashed currentColor; }
.lab-download { margin: 1rem 0 1.25rem; }
.lab-download a { display: inline-block; padding: 0.55rem 1rem; border: 1px solid currentColor; border-radius: 6px; font-weight: 600; text-decoration: none; }