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目の追跡

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

Labvanced Eye Tracking 2.0は、オンラインの無監視参加者において、視覚角度1.8度（画面対角線の5.2％）の中央値精度で視線を追跡します。この結果は、参加者494人が自身のコンピュータで行ったもので、匿名データはこのノートとともに公開されています。

1年以上の開発を経て、Eye Tracking 2.0は、実験室でのウェブカメラ目の追跡の精度を実際のオンライン研究に持ち込みました。

主な発見

• 中央精度は、2分間のキャリブレーションと均等スクリーニングで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および非常に厳格なスクリーニングでは、中央値の精度が1.4°（4％）に達します。
• 視線は、第一世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のおよそ40％低いです。
• 有料参加者の99.3％が完全なデータセットを提供し、均等スクリーニングは採用コストを約10％増加させます。

概要

• 1要約と導入
• 2測定方法：タスク、メトリック、参加者
• 3ラップトップ、タブレット、携帯電話で機能するデュアルアイ融合の改良版視線エンジン
• 4個別のニューラルネットワーク微調整に使用される短いが優れたキャリブレーション
• 5優れたスクリーニング手法、技術的な事前チェック、簡略化されたセットアップ
• 6頭の動きと照明の変化に対するリアルタイム補正
• 7オンライン参加者約500人で検証された1.4から1.8の視覚度の精度
• 8キャリブレーションなしで即座に機能し、赤ちゃん研究に最適なパッシブレベル
• 9ディスカッション：どのセットアップがどの研究に？
• 10自分で試してみる
• 11データと再現性

要約

ウェブカメラ目の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のシステムの第一世代は、実験室でのEyeLink 1000対比検証により、視覚角度約1.4°の精度で認証されました（Kaduk et al., 2024）。いくつかの質問は未解決のままでした。その精度のいくつが実際のオンライン研究の無制御な条件でも維持されるのか？ なぜ一部の参加者は他よりもはるかに悪いデータを提供するのか、それを研究者が支払う前に特定できるのか？ キャリブレーションを短縮して通常のオンライン研究でより実用的にできるのか？ そして、合格しない参加者やその他の理由で資格がない参加者には何が起きるべきか？ここでは、オンラインデータ収集のために実際に目の追跡精度を向上させる方法を示します。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、プロリフィックのパートナーシップで手順全体を最適化しました。その後、約500人の参加者からの45ターゲットの精度タスクを使用した7回の記録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データを公開しました。新しい標準キャリブレーション（約2分）と均等スクリーニングによれば、中央値の参加者の誤差は画面対角線の5.2％、60cmのラップトップでの視覚角度は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。要するに、Eye Tracking 2.0のこのリリースでは、ピアレビューされた実験室の比較で報告された精度がオンラインで再現可能であることを示しています。

1. 導入

目の動きは注意を継続的に示し、尋ねることなく、その測定には数十年にわたり実験室設備が必要でした。我々の既存の第一世代ウェブカメラシステム（ここではEye Tracking 1.xと呼称）を用いて、ウェブカメラが目の動きを正確に予測できることがわかりました：EyeLink 1000と同時に5つの標準化されたタスクで記録された際、我々のシステムは1.4°の精度と1.1°の精度を達成し、実験室の「金標準」に対して約半度の差がありました（Kaduk, Goeke, Finger & König, 2024）。それ以来、独立したグループがその印象を確認し、さまざまな分野でシステムを活用してきました：

• 読書。 EyeLinkと同時に記録されたLabvancedのウェブカメラ視線は、実験室トラッカーと中央値r0.81で相関し、単語頻度効果を再現しました（Serrano-Carot, Angele, Xu & Vasilev, 2025）。
• 幼児発達。 家で記録された幼児のウェブカメラ視線は、音声視覚の同期作業における実験室目の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。 リモート視線が初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目とカーソルの調整を行いました（Bertrand & Chapman, 2023）及びユーザーのフラストレーションを示しました（Stone & Chapman, 2023）、これらはウェブカメラ目の追跡の有用性に関する博士論文にまとめられました（Bertrand, 2023）。
• 言語、注意、認識。 学習者が第二言語の語彙を習得する際に、テキスト、音声、画像にどのように注意を向けるかを追跡する研究（Zhang & Zhang, 2025）、単語が視覚的注意をどのようにバイアスするか（Calignano, Lorenzoni, Semeraro & Navarrete, 2024）、部分情報が動的な顔認識をどのように形成するか（Alp, Lale, Saglam & Sayim, 2024）、およびビデオゲームプレーヤーがどのように変化を検出するかを追跡する研究（Haverly, 2022）があります。
• 教育と科学コミュニケーション。 講義動画を見ている学生の視線同期が彼らのテストパフォーマンスを予測しました（Sauter, Hirzle, Wagner, Hummel, Rukzio & Huckauf, 2022）。視線が、オンライン広告が科学的説明から注意をどのように引離すかを示しました（Tsutsuse, 2025）。
• マーケティング、社会、および環境心理学。 Instagramのユーザーの視線は、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）；履歴書への注意は、1,159人の参加者が差別的採用をどのように判断したかを説明しました（Zhang & Powdthavee, 2026）；都市シーンにおける視線は、感情的な経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。 ランダム化比較試験では、AIが薬の確認を支援しているときに薬剤師が見る場所を測定しました（Tsai et al., 2025; Kim et al., 2026）、子供のADHDにおいてウェブカメラの視線をEEGと記録します（Zhao et al., 2025）。

方法論的レビューや入門書は、Labvancedを確立されたウェブカメラの眼球追跡システムのひとつとしてリストアップしています (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が学術研究において真剣なツールであることを確立しました。

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と比較するためには、私たちの前の比較プロジェクトが実験室内で行われなければなりませんでした。そのため、コンピュータ、画面、ウェブカメラ、部屋、照明など、全体の環境をコントロールすることができました。また、参加者には直接指示を出すことができ、そうした実験室環境にいることで、ほとんどの参加者はおそらく最高の、あるいは少なくとも良い努力を示しました。実際のオンライン参加者がいる無監視環境では、これらの条件はほとんど保証されません。オンライン参加者は、自分の座っている場所、所有するデバイス、持っている光の中で座り、注意を払わない人もいます。これらの既知の短所を考慮に入れて、私たちの既存の眼球追跡技術を用いた多くのプロジェクトが驚くほど成功し、著名なジャーナルで発表されたことをとても嬉しく、誇りに思っています。ただし、一部の研究者は期待した精度を得られなかったり、長いキャリブレーションによって参加者がフラストレーションを抱えたり、技術的およびその他の理由で失敗した参加者が多数いたりしました。たとえば、すでに乳児に優しい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、初期の世代の眼球追跡がその最年少参加者にはまだ信頼性が十分ではないと判断しました (Grosse Wiesmann et al., 2025; Golan, Abo Shkara & Havron, 2023)。

2025年には、これらの短所を体系的に評価し、一つずつ対処し始めました。この旅の終わりには、ウェブカメラ眼球追跡の発展の最終地点というわけではありませんが、Eye Tracking 2.0があります。このラボノートでは、何が変わったのか、その理由、どのように検証したのか、実際のオンライン参加者に対してどのような精度が期待できるのかを説明します。これらすべての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、新しいピアレビュー付き研究も計画していますが、それには時間がかかるため、今すぐこれらの結果を共有したいと思いました。

2. 測定方法

このノートでのすべての参加者データは、約1ヶ月の期間内に、ほぼ同じ研究パラダイムで収集されました。ただし、眼球追跡のバージョンは、最新の開発（例：姿勢補正のテスト）をテストまたは検証するために、ほぼ全ての録画バッチ間で変更されました。一部のバッチは小規模であり、他の理由で大規模なものもあります。このノートはピアレビュー付きの出版物ではありませんが、ここで報告されているすべての分析と結果は科学的に厳密であり、真に洞察に満ちていると信じており、誰もがデータをダウンロードし、それを再現または検証することを歓迎します。Eye Tracking 2.0に関するピアレビュー付きの記事、そしておそらく他のいくつかのトピックが続く予定です。

タスク。 Prolificの参加者は、技術的実現可能性チェック（Section 5を参照）を通過し、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った後、最終的に45ターゲット精度タスクを実施しました：画面全体をカバーする9×5の位置グリッドが、ランダムな順序で1回ずつ提示されました。参加者のタスクは、ターゲット（シンプルな円）に注視し、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。もし参加者が早すぎるまたは遅すぎる場合、その試行は繰り返されました。自分でこのタスクを実行することもできます (Section 10)。

メトリック。 私たちが関心を持っている主なメトリックは、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。新しい注視検出アルゴリズムも実装し、変化時の注視の重心を使用しました。これら二つの指標（視線の中央値と注視）は、ほぼ同一の精度結果をもたらしました。この新しい注視検出メカニズムに関する詳細は、次のラボノートで提供される予定です。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。ここではこの中央値を報告し、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、対角の1%は22pxであり、5%は110pxです。リモート録画のセットアップのため、真の物理的画面サイズや参加者の正確な視聴距離を信頼性をもって記録することはできませんでした。したがって、視角の誤差は、仮定した基準画面（例：14インチのMacBook Proなどの14.2インチのノートパソコン）、典型的なオンライン参加者が使用する13インチから16インチの範囲の中央部を、典型的な距離60cmで観察した場合に計算されます。

サンプル。 2026年8月25日から9月28日までの間に10の録画バッチが生産され、約700の完了したセッションが得られました。このノートの結果は、7つの最も最近のバッチの494の完了したセッションに基づいています：48の2.0.9バッチ、296のスクリーニングなしのHighティア、50の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Highティア、および100のHighestティア。それより早いバッチの約200のセッションは、初期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のセッションの匿名化データと、このノートのすべての数値と図を計算するスクリプトは、ダウンロード可能です（Section 11を参照してください）。

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動作方法

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）；画像やビデオはデバイスから外に出ません。

デュアルアイ融合モデルは何を指しますか？ 2.0 視線エンジンは、両目を別々の測定値として扱い、それらを組み合わせるため、半閉じの目、影にある目、または反射に写った目は、カウントが少なくなります。隣接するフレームからの情報も使用され、実際の眼の動きを隠すことなく使用されます。その結果、以前よりも正確で堅牢な生の視線推定が得られ、実際の精度と正確性をより示す信頼度の値が得られます。

速度とデバイス。 視線エンジンは速度のために書き換えられ、WebGPUやWebAssemblyなどの最新のウェブテクノロジーを活用しています。これにより、ライブ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）が大幅に高速化されます。その結果、Eye Tracking 2.0はほとんどのラップトップ（古いChromebookや類似デバイスを除く）、デスクトップコンピュータ、およびiPadなどの現代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、私たちの独自の電話測定では視線がかなり正確でした。タブレットと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よりサンプルノイズが40%低下

精度。 デュアルアイ融合により、視線は著しく安定し正確性が増します。オンラインで、2.0視線サンプルは画面対角線の中央値2.2％（約0.75°）で散らばり、サンプル間のノイズは2023年の私たちの研究室研究（セクション7.2）で記録されたEye Tracking 1.xの約40％低下しています。

4. より短く、より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大幅に短縮され、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品質は、記録中にチェックされるため、参加者が瞬きをしたり視線を外したりしている間に取得したポイントは、その場で繰り返されます。参加者のネットワークは、ほとんどの場合、以前よりもかなり早く、彼ら自身のデバイスで調整され、時間が制限されているため、参加者がキャリブレーション中に立ち往生することはありません。

視線制御。 視線制御は、最初のアイ・トラッキングタスク前、頭の位置を再調整した後、及び精度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：ハイティアでは3分ごと、最高ティアでは各トライアルの前に実行されます。トライアルを中断することはありません。参加者は、頭の位置を円で見ることができ、ターゲットサークル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直感的な手順で修正されます。リアルなオンライン参加者は、開始から終了までの中央値が6.7秒です。各実行は、現在の視線品質のチェックとしても機能し、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でどれだけ正確になるかを予測します。これは、スクリーニングレベル（セクション5）の基礎です：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：ハイで4分、最高で7分

指示 + キャリブレーションはハイで4分、最高で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了まで、リアルなオンライン参加者はハイティアで中央値約4分（キャリブレーションポイントは約2分）、最高ティアで約7分（キャリブレーションポイントは約5分）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中央値約37秒、最高のキャリブレーション後は約67秒かかりました。なお、被験者はファインチューニング中にほとんどくつろぐことができます。

ほとんどの研究には2分のキャリブレーションで十分ですが、5分あれば改善できます。 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（ハイ）で画面の対角線の中央値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、これは十分な正確性です。非常に厳格なスクリーニング（レベル5）の最高キャリブレーションは約4％（図2）を提供し、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、シンプルなセットアップ

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2段階で行われ、私たちのパートナーおよび参加者リクルートプロバイダーであるProlificからの新しい機能によってサポートされています。最初に、技術チェックで不適切なデバイスを支払いなしに却下します。その後、キャリブレーション、プローブ、ならびに研究者が選択した削減された参加者料金によるスクリーニングが行われます。

• 技術的却下。 デバイスの性能とカメラがチェックされ、視線サンプリングレートは10Hz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（非常に遅いデバイスでは最大1分）しかかからず、却下された理由が伝えられます。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、その理由として「不適合デバイス」を選択し、「参加者に研究を返却させる」チェックボックスにチェックを入れることです。ほとんどの参加者は喜んで返却します。全額提出する参加者には、「不適合デバイス」としてステータスが表示されるため、却下理由は明確です。その結果、技術的に適したデバイスを持つ参加者だけが実際の研究に参加し、キャリブレーションに進む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、システムは研究のスクリーニングレベルに基づいて参加者がアイ・トラッキングタスクに入ることが許可されるかどうかを決定します。レベル0は誰もスクリーニングせず、すべての人にタスクを開始させます。レベル1は失敗したキャリブレーションのみをスクリーニングし、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使用して、100人中約65、50、30、または15の参加者を許可します。通過しない参加者はその場でスクリーニングされます。Prolificを使用する場合は、専用のスクリーニングリンクを使用し、2分のキャリブレーションには参加者に0.50 GBP、5分のキャリブレーションには0.80 GBPを支払うことをお勧めします（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、アイ・トラッキングキャリブレーションが参加者が行う最初のことに相当する場合に適用されます。アイ・トラッキング部分が研究のかなり後に始まる場合は、キャリブレーションの再試行を有効にすることを検討してください（デフォルトはオフ）、および再試行に失敗した参加者に対して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。

まとめると、技術的却下とスクリーニングにより、私たちの2.0システムによるアイ・トラッキングは、Prolificのようなクラウドソーシングプラットフォームでスムーズな体験を提供し、許可された参加者に対して高い精度と高い完了率を実現します。

5.2 結果：99.3% 完全なデータセット、約10% 追加費用

事前チェックは後で失敗するものをキャッチします。 私たちのオンラインデータ収集の1つでは、251人の参加者のうち37人（約15%）が開始前に却下されました。その多くは要求される解像度を下回るカメラや顔を追跡するには遅すぎるコンピュータが原因でした（図3）。それぞれは、そうでなければ失敗したか使用不可能なセッションを生み出していたでしょう。私たちはまた、少なくとも10Hzの測定された視線率を強制しており、これが私たちの新しい注視アルゴリズムに必要です（次のLab Noteで詳しく説明します）。

各スクリーニングレベルは予測可能な利益をもたらします。 スクリーニングなしのハイティアの295人の参加者に適用されると、各レベルは0.2から0.7ポイントの精度と引き換えに入場を得ます（図5）。レベル3、バランスのとれたもので、約半分の入場者が許可され、許可された参加者の中央値が約1ポイント低下し、10％未満の参加者の割合が17％から3％に減少します。後のライブバッチは、正確に設計通りにこれを確認しました：バランスの取れたスクリーニングでは、参加者の半分が許可され、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、スクリーニングアウトされた参加者は部分的にしか報酬を受け取らないからだ。 スクリーニングアウトされた参加者は、全額の約10分の1の少額を受け取るため、レベル3では推定募集コストが約10%上昇し、レベル5では約60%上昇する（図6）。

ほぼすべての有料参加者が完全なデータセットを提供する。 最近の5つのバッチ（9月24日から28日まで）でProlificで承認され、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た（図7）。重要なのは、参加者は1度受け入れられたら留まるということ：プローブに合格した参加者の96%から97%が研究を完了した。技術的な事前チェックで拒否された参加者は報酬を受け取らず、スクリーニングアウトされた参加者はわずかな報酬しか受け取らないため、全額はほぼ使用可能な録音にのみ支払われる。

6. 頭の動きと光の変化に対するライブ補正

6.1 ライブ補正の機能

スクリーニングは誰が研究に入るかを決定する。受け入れられた参加者に対して、2つのライブ補正がセッション中に頭の動きや変化する光によって加えられる誤差を減らす。両方の補正は、すべてのキャリブレーションレベルでデフォルトでオンになっているが、研究設定でオフにすることもできる。

• 頭のポーズ補正。 キャリブレーション中に頭が位置から離れると、視線の推定もそれに伴ってシフトする。この補正は、そのシフトを継続的に補償する。
• 視線チェック補正。 定期的な視線制御チェック（ハイでは3分ごと、ハイエストでは各試行の前に）は、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、光の変化が引き起こすドリフトも含まれる。光の変化検出センサーは、顔の光が顕著に変化したときに追加のチェックをトリガーします。

生の視線は再構築可能なままである：補正はデフォルトで適用されるがオフにでき、各視線サンプルに適用される補正もLabvancedに記録できる（視線トリガーイベントのパラメータとして）。したがって、未補正の信号を好む研究者は、それを正確に回復できます。

6.2 結果：誤差の6分の1を削減、尾部はほとんど除去

補正は誤差の6分の1を除去し、尾部のほとんどを除去する。 バランスの取れたスクリーニングでのハイティア（レベル3、143人の参加者）では、中央値は生の6.37 %から頭のポーズ補正によって5.72 %、両方の補正によって5.28 %に移動し、10 %未満の参加者の割合は15 %から3 %に下がる（図8）。スクリーニングなしでは、増加は同様で、6分の1：295人の参加者で7.42 %から6.21 %に。約4人中3人の参加者が改善する（図9）。

補正は、決して開発されなかった参加者に対して適用される。 補正は一度設定され、その後の5つのバッチに変更なしで適用された。3つはオフラインで、2つは研究の中でライブで補正が動作していた（図10）。

安定した光が精度を高く保ち、視線制御チェックが変化を捉える。 ハイエストティアでは、99人中70人の参加者が顔の明るさをキャリブレーションの5 %内に保ち、彼らの中央値の生誤差は5.49 %だった。光が10 %以上変化した13人の参加者にとって、顔が暗くなったとき（5人の参加者）は10.94 %、明るくなったとき（8人の参加者）は7.78 %だった（図11）。定期的な視線制御チェックはそのような変化を捕捉し、それに対する補正を行う。

7. Prolific参加者の検証された精度1.4°から1.8°

7.1 精度：ハイで1.8°、ハイエストで1.4°

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により、中央値の参加者の誤差は対角線の5.2 %、約1.8°であり、16人中15人の合格した参加者は10 %未満のままである。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は4 %、約1.4°に達する。

誤差は画面全体にわたってほぼ均一であり、外側のターゲットは中心より悪くない（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°のばらつき、0.6°のサンプル間

精度は第一世代より大幅に向上した。比較のために、2023年の実験室研究において、すべての参加者がウェブカメラとEyeLink 1000で同時に録画されたEye Tracking 1.xの精度を再計算した。各グリッド試行において、EyeLinkに従って最も安定した1秒間のウィンドウを取り、両方のトラッカーが実際の注視中に測定されたことを確認し、2.0の場合と同じ2つの標準測定を適用した：その平均値8周囲のサンプルのばらつき（SD）と、サンプル間距離の平方根平均（RMS-S2S）。

各研究の画面（実験室では15インチモニター、オンラインでは14.2インチノートパソコン）での視角を持つ対角線のパーセンテージ。どちらのウェブカメラシステムも約30Hzでサンプリングした。

オンライン2.0信号は実験室1.x信号より約10 %少なく散乱し、サンプル間のノイズは約40 %低く、約1.0°から0.6°に減少する。特に、比較は2つの点で1.xに有利である：それは実験室の制御下で記録され、ウィンドウはEyeLinkによって最も安定した秒間に選ばれたものであり、オンラインではそれは不可能である。したがって、改善は、もし何かであれば、過小評価されている。EyeLinkはもちろん、最も精密なシステムであるが、2.0はギャップの大部分を埋める。

8. キャリブレーションなしのパッシブティア

8.1 パッシブティアの機能

Eye Tracking 2.0では、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のパッシブモデルを運用することが可能である。すべて必要なのは、参加者がカメラアクセスを許可することであり、視線追跡の予測はすぐに始まる。これは、キャリブレーションを実行できないか実行すべきでない参加者、特に幼児を対象としている：キャリブレーションは常に幼児の眼追跡で難しい部分であり、多くの幼児研究は、いわゆる好ましい視線パラダイムを使用している。すなわち、子供が左または右を見ているかどうかを尋ねる。これをリアルタイムで参加者自身のマシン上で信頼性高く識別できることは、幼児注意研究にとってゲームチェンジャーであり、他の領域でも眼追跡が静かにバックグラウンドで最も良く行われる場合に有益である。他の参加者の研究を自分自身で実施することができるセクション10。

8.2 期待される精度: 約4°（推定）

パッシブティアはプロリフィックバッチの一部ではなく、その現地検証はまだ行われていません。インファントラボは、実際の幼児を用いた検証を求めるのが正当であり、これはプロリフィックが提供するものを超えています。もし、インファントラボで働いているか代表している方が、パッシブティアの検証を手伝いたい場合は、ぜひご連絡ください。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の作業推定では、画面対角線の約11-12 %、60 cmの距離でラップトップ上で約4°の誤差があることが分かっています。図14は、これが典型的な実験デザインにとって何を意味するかを示しています: パッシブティアの中央値の誤差において、画面の左半分の中央にあるターゲットを見つめると、右半分には明確に近づかないことが分かります。4から6つの画面領域を十分な信頼をもって識別できる可能性もあります。このデータに関しては、今後時間をかけて提供される予定です。

図14. 16:9画面の左半分のターゲットの周りに描かれた各ティアの中央値の誤差を円で示しています。点線は画面を左と右に分けています。パッシブの値は推定値であり、他の2つは測定値です。

9. 議論

2023年の査読付き比較研究では、ラボ内のウェブカメラが約1.4°まで視線の追跡ができることが示されました。このメモは、私たちのWebcam Eye Tracking 2.0エンジンを使用することで、参加者の自宅で、自身のラップトップと自身の光の下で、視線を中央値約1.8°で追跡できることを示しています。これは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を伴います。そして、長いキャリブレーションと非常に厳格なスクリーニングを行うことで約1.4°に達します。実際、以前の世代がラボの制御下で達成した精度が、今はオンラインで達成されているのです。3つのメカニズムがこの変化のほとんどを説明しています：改良されたデュアルアイ視線エンジン、個々の差異とドリフトをより良く捉えるキャリブレーション、頭の姿勢や光の系統的な誤差を取り除くライブ修正です。

研究者にとって、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におけるほとんどの研究は、Highティアを使用し、約1.8°を期待できるでしょう。これは、期待される効果を捉えるのに十分であると考えられます。多くの単語とそれらの間に小さな隙間を持つ読書タスクのように、小さな領域を調査する研究は、Highestティアを使用し、厳格なスクリーニングで約1.5°、非常に厳格なスクリーニングで約1.4°を得ることができます。逆に、乳幼児の注意を研究する研究者は、キャリブレーションなしで追跡するオプションがあり、データ収集にもたらすキャリブレーションの困難を避けることができます（セクション8）。もちろん、これらの極端な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セットアップは大幅に簡素化されており、各選択肢のために示される期待される精度は実際の測定に基づいています。要するに、次のアイ・トラッキングプロジェクトは今日から始められます。

どの設定がどの研究に最適か？

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。各タスクと研究について、関心領域の数、サイズ、そして何よりもそれらの間の距離を考慮し、それに応じた設定を選んでください：大きな領域が遠く離れている場合、並んでいる小さな領域よりもはるかに多くの誤差を許容します。どの設定があなたのデザインに合うか不安な場合は、ご連絡ください、一緒に確認します。

期待される精度は、修正がオンの受け入れられた参加者の中央値であり、高ティアおよび最高行で測定され、他のティアは推定されます。追加の募集コストは、スクリーニングで除外された参加者を、完了した参加者の十分の一としてカウントします。スクリーニングは、パッシブおよび中程度のティアには適用されません：すべての参加者が受け入れられます。

Labvancedの研究設定におけるセットアップウィザードは、同じ2つの質問、精度ティアとスクリーニングレベルを尋ね、研究開始前に選択した期待される精度を表示します。

よくある質問

ウェブカメラの視線追跡はどれくらい正確ですか？

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分間のキャリブレーション後に視角1.8°に正確であり、非常に厳格なスクリーニングを伴う長いキャリブレーション後には約1.4°に達します。研究室では、第一世代はEyeLink 1000との直接比較中に1.4°に達しました（Kaduk et al., 2024）。

ウェブカメラの視線追跡は読書研究に十分な精度ですか？

単語レベルでの読書には、厳格なスクリーニングで最高ティアを推奨しており、これにより約1.5°を得られます。顔、シーン、ページの領域などの大きな関心領域は、1.8°から1.9°で高ティアで動作します。上の表には、どの設定がどの研究デザインに合っているかが示されています。

キャリブレーションにはどのくらい時間がかかりますか？

高ティアでは約4分、最高ティアでは約7分のインストラクションとキャリブレーションが必要です。短いティアは30秒から3分の間であり、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。

ウェブカメラの視線追跡は幼児でも機能しますか？

パッシブティアはカメラがオンになった瞬間から追跡を開始し、キャリブレーションは不要です。その推定誤差は約4°で、優先視認研究において左方向の視線と右方向の視線を示すのに十分です。幼児を用いた現地検証はいまだ行われていません。

ウェブカメラの視線追跡はラボのアイ・トラッカーと比較してどうですか？

EyeLink 1000のようなラボトラッカーは、ウェブカメラに対して約0.1°のばらつきを持ち、精度の点では依然として優れています。ウェブカメラの視線追跡は、参加者の自身のコンピュータ上で約1.4°から1.8°の精度に達します。これは、関心領域に基づくほとんどのデザインに十分な精度です。

既存の研究を2.0に切り替えることはできますか？

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のままとなり、新しい研究は2.0で開始されます。

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、Eye Tracking 1.xと同様です。

2.0の研究では何を記録しますか？

以前と同じ視線出力、xおよびyの位置が、より正確で精度が高く、サンプルごとに信頼度の値があります。固定は新しいマージドテクターによってデフォルトで検出されます。修正されていない信号は、視線トリガーのパラメータとして記録できる修正が各サンプルに適用されます。スクリーニングで除外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内でそのステータスとともにリストされます。

データに変更はありますか？

構造はそのままです。信頼度の値は異なる尺度で表示されるようになりました：1.xとは完全に異なる量から計算されるため、その数値は一般的に低くなります。これは尺度の変更だけで、データの品質に関する変更ではありませんが、1.xの研究から得られた信頼度の閾値は2.0に引き継がれません。信頼度は参加者特有でもあります：一人の参加者内で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。一人の参加者の0.3の信頼度は、別の参加者の0.3とは同じ意味ではありません。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の範囲でしたが、彼らがどれほど正確であるかについては何も示していませんでした。典型的な信頼度が約0.3の参加者は、3.7%から20.8%のエラーを出しました。対照的に、参加者内で信頼度の低い試行は、一般的に正確性が低い傾向にありました。

次は何ですか？

Labvanced Webcam Eye Tracking 2.0は、私たちのアイ・トラッキングコードのほぼすべての部分に触れた数ヶ月間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ないことは確かです。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. まばたき検出

まばたきは、視線の推定を一時的に乱します。私たちは、それを確実に検出し、まばたきを通じて視線を安定させるようにします。これにより、まばたきが目の動きのように見えなくなります。クリーンなまばたき信号自体も興味深いものです：まばたきの頻度とタイミングは、疲労、喚起、認知負荷の確立された指標であり、すべてのアイ・トラッキング研究の新しい出力になる可能性があります。

2. 画面全体の精度を均一に

精度はすでにほぼ画面全体で均一です（図13）。私たちは、画面領域間に残る小さな体系的な違いを取り除く作業をしていますが、1つのキャリブレーションポイントを追加することはありません。

3. 適応型キャリブレーション

今日、研究者はキャリブレーションの長さを事前に選択し、すべての参加者が同じものを受けます。私たちは、参加者に適応するキャリブレーションの開発に取り組んでいます：簡単なケースには短いものを、効果がある場合にのみ長いものを使用します。

4. 着目検出

次のLab Note、着目検出分析では、ウェブカメラデータ上の着目検出アルゴリズムを比較しています。EyeLink 1000で同時に記録されたデータや、オンライン参加者が完了した迅速な着目タスクにおいてです。Eye Tracking 2.0の新しいデフォルトディテクタが、正確に1つの着目として報告される安定した視線の割合を倍増させる方法を示しています。

5. データのセッション品質

各セッションはすでに実行中に自分の品質に関して多くの計測を行っています。私たちは、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設けるので、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、重み付けしたり除外したりすることができます。

10. 自分で試してみる

ウェブカメラアイ・トラッキング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、あなたのブラウザーでEye Tracking 2.0を実行し、あなた自身のウェブカメラを使用します：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、画像や動画は外に出ていません。この精度タスクは、このノートの結果の背後にある研究であり、他の研究は典型的な研究デザインのデモで、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化データを公開しており、すべての数値と図を計算するスクリプトも提供しています。

OSFでデータバンドルを取得する（ZIP、9 MB）

バンドルには、永続的な識別子があります：https://doi.org/10.17605/OSF.IO/VTA7B。

含まれているもの。 参加者ごとの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に対する1行のエラー、修正無しと修正有り、各ターゲットの変更前の最後の1秒間のタイミング、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、着目、および最高位での顔の明るさ。それに加え、各Gaze Controlの実行のタイミングと、参加者ごとに共有されない値（開始前の技術的拒否、プローブ後の保持、2023ラボ精度値）の集計テーブルも含まれています。READMEには各列の説明があります。

再現方法。 スクリプトはPython 3とその標準ライブラリだけが必要です。scripts/accuracy.pyを実行し、その後scripts/article_numbers.pyを実行します：これにより、ノートで説明された通りにメトリックが適用され、テキスト内のすべての図や数値のデータを書き込みます。データから計算されない唯一の値は集計テーブル、図12の最高位の期待精度、製品に設定されているもの、受動的層の推定精度です。

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ー情報、絶対的な日付や時間はありません。各参加者には、他のレコードにリンクされていないランダムなIDが付与されており、キーは存在しません。カメラ画像や動画は一切記録されていません。すべての参加者は、データの匿名化された使用に同意しました。

ライセンス。 著作権 © 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：商業目的でない限り、Labvancedにクレジットを与え、このノートを引用して、使用、再分析、共有、および結果を公開できます。商業利用には、私たちの書面での許可が必要です。

引用方法。 APAスタイル、コピー用意：

方法セクションでの説明。 この段落を変更することは歓迎されます（ブラケット内の値は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、[High]キャリブレーション層と[balanced]参加者スクリーニングが行われました。ライブの頭の向きとGaze Controlの修正が適用されました。この構成の検証において、中央値の精度は[5.2 %]の画面対角線、約[1.8°]の視角で60 cmでありました。

参考文献

• Alp, N., Lale, G., Saglam, C., & Sayim, B. (2024). 動的顔知覚における部分的情報処理の影響。 Scientific Reports, 14, 9794. https://doi.org/10.1038/s41598-024-58605-7
• Bertrand, J. K. (2023). ウェブカメラアイ・トラッキングの有用性：決定とデジタル人間-コンピュータ相互作用における教訓と実践的応用 [アルバータ大学の博士論文]. https://doi.org/10.7939/r3-83ge-t169
• Bertrand, J. K., & Chapman, C. S. (2023). オンラインデジタルオブジェクト相互作用タスク中の視線-カーソル協調における視線-手の協調のダイナミクスは柔軟に維持される。 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). 遠隔で捕らえた意思決定困難の連続的測定：II. ウェブカメラアイ・トラッキングが早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). 幼児の音声-視覚の同期知覚の評価におけるオンラインウェブカメラと研究室ベースのアイ・トラッキングの比較。 Frontiers in Psychology, 12, 733933. https://doi.org/10.3389/fpsyg.2021.733933
• Calignano, G., Lorenzoni, A., Semeraro, G., & Navarrete, E. (2024). 絵の前の言葉：視覚的注意をバイアスする言語の役割。 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する。 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先行する。 Nature Communications, 16, 6311. https://doi.org/10.1038/s41467-025-61642-z
• Haverly, C. (2022). ビデオゲームのプレイが変化検出に与える影響：アイ・トラッキング研究。 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：政治学におけるアイ・トラッキングの基礎。 Political Analysis, 33(4), 298–314. https://doi.org/10.1017/pan.2025.8
• Kaduk, T., Goeke, C., Finger, H., & König, P. (2024). 研究室基準に近いウェブカメラアイ・トラッキング：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). 薬剤師の自動錠剤認識技術への信頼に対するAI支援のタイミングの影響。 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). アイ・トラッキングの基礎第4部：アイ・トラッキング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アイ・トラッキングに対する方法論的推奨：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). 建築密度を超えて：都市環境における感情的体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). 眼球運動の同期性が、オンライン学習コンテキストにおいて不安定にサンプリングされたデータを用いたテスト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アイ・トラッキング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). ウェブカメラを使用して読書中の視線動作を研究できる。 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：アイとマウスのトラッキング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). 薬剤師との認知的相互作用における人工知能の有用性と不確実性の影響：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). 編集者：距離での経験的研究：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と評価における影響 [ハワイ大学マノア校の修士論文]. 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探す：フォロワー数がソーシャルメディアへのエンゲージメントを駆動する方法。 Journal of Marketing, 87(3), 383–405. https://doi.org/10.1177/00222429221125131
• Zhang, P., & Zhang, S. (2025). L2マルチモーダリティにおける注意と学習：ウェブカメラベースのアイ・トラッキング研究。 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のある子供の選択的注意を改善する。 medRxiv. https://doi.org/10.1101/2025.09.18.25335086
• Labvanced Eye Tracking のドキュメント：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; } /* テキストカラムよりも広いブロック、中央揃え: 多くのカラムを持つテーブル用。 コンテンツカラムは740px幅; ブロックは、メインエリア（ビューポートから20remのサイドバーとコンテンツのパディングを引いた部分）内に留まる限り、1100pxまで成長できます。 */ .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; }