研究のためのマウストラッキング技術

マウストラッキング、またはカーソルトラッキングとも呼ばれるこの技術は、参加者の画面上のマウスカーソルの位置に関するデータを収集するために研究で使用されます。マウストラッキングは、認知プロセスや意思決定への洞察を提供する生理学的データの重要な供給源です。また、マウストラッキングは実験デザインや刺激プレゼンテーションを制御するための重要な手段にもなります。 Labvancedは実験デザインとデータ収集ツールとして、研究におけるこれらのマウストラッキングの側面を活用できます。

Labvancedにおけるマウストラッキング

マウストラッキングは、Labvancedの研究において数回のクリックで簡単に導入でき、コーディングなしで次回の研究プロジェクトでこのデータを簡単に収集できます。

試してみてください！ 参加 をクリックするか、この研究をLabvancedアカウントに インポート して、マウストラッキングの動作を確認してください: https://www.labvanced.com/page/library/62668

マウストラッキング研究の設定

マウストラッキングを有効にするのは、数ステップでLabvancedを使って設定できます。すべてコーディングなしで行えます。以下の画像は、エディタでこの作業がどのように見えるかを示しており、ユーザー作成のカスタム変数（左）が MouseX 値または MouseY 値を記録するために設定されています。また、座標が配列形式で保存されるように設定することも可能です。

マウストラッキングテスト: フレキシブルなデザインと実装

研究において、マウストラッキングはX座標とY座標の収集のように単純なものでもよいですし、マウスの動きが実験デザインや行動を決定するより動的なものでもあります。たとえば、参加者が画像にスクロールすると、そのアプリにテキストを表示するように促すことができます。

以下の例では、参加者が中央のテキストにカーソルをホバーさせ、次のフレームで刺激テキストにホバーした後、トライアルを進める前に再び中央にホバーすることが期待されます:

試してみてください！ 参加 をクリックするか、この研究をLabvancedアカウントに インポート して、マウストラッキングのホバーフィーチャーがどのように機能するかを確認してください: https://www.labvanced.com/page/library/8736

Labvancedを使用すると、フレキシブルなデザインの利点が得られるため、コーディングなしで研究の質問に合ったマウストラッキングテストを作成し実装できます。たとえば、アプリにすべてのマウストラッキングデータ、ホバー、クリックを記録し、特定のマウスの行動に対して特定のアクションが発生するよう指示することもできます。

以下のデモでは、マウストラッキングとマウスクリックが有効になっており、参加者がテキストを編集する方法を理解するために使用されています:

試してみてください！ 参加 をクリックして、動的にテキストを編集するデモを試して、マウストラッキングがこの文脈でどのように機能するかを確認してください: https://www.labvanced.com/page/library/67925

マウストラッキング: データと動きの記録

研究においてマウストラッキングを有効にすると、収集できるデータの種類は以下の通りです:

• マウス座標: マウスのXおよびY座標が時間を通じて記録されます。
• タイムスタンプ: 各タイムスタンプや反応時間が、すべての必要なマウスの動きや行動に対して、査読された精度で記録されます。
• ホバー数: 特定の刺激や興味のある領域へのホバー数を記録するよう指定できます。
• クリック数: 同様に、クリックも数えられ定量化できます。
• 刺激の名前: さらなるデータとして、マウスがどの刺激や興味のある領域にホバーしたりクリックしたりしたかの名前を記録することもできます。

マウストラッキングとアイ・トラッキング

追加のデータ層を得るために、マウストラッキングはアイ・トラッキングと合わせて使用することで、被験者の注意と行動の範囲を完全に把握することができます。

ウェブカメラのアイ・トラッキングに興味がある場合は、次回のプロジェクトに向けて Labvancedの査読済みウェブカメラアイ・トラッキング を検討してください。

Labvancedのマウストラッキングを利用した研究

以下は、Labvancedのマウストラッキングを使用したいくつかの発表された研究の例です。

リモートでキャプチャされた意思決定困難度の連続的測定: マウストラッキングの感度はタブレットやスマートフォンにまで及ぶ

この研究では、Zuk、Bertrand、& Chapman（2025）がLabvancedを使用してデバイス間のマウストラッキングの感度を確認し、デバイス特有の意思決定困難度の違いを明らかにしました。従来のリーチ-ディシジョンパラダイムは、コンピュータ、タブレット、およびスマートフォンで実施され、マウス（またはタッチ）トラッキングがタスク間で定量化され比較されました。結果は、細かいポータブルタッチデバイスが意思決定困難度を敏感にキャプチャできることを示しました。

上記の画像は、デバイス間での研究デザインのサンプル概要と、コンピュータ、タブレット、スマートフォンからのマウス/カーソルおよびタッチの軌跡の例です。明るい灰色の線は、すべてのトライアルにわたる参加者の平均軌跡を示しており、緑色の線は一貫したトライアルにおける参加者間の平均軌跡を示します。一番右側に最大絶対偏差（MAD）の平均位置が、拡大インセットで塗りつぶされた円で示されています。詳細については、論文を参照してください。

コンピューターマウストラッキングを使用した音声単語認識における長期の繰り返しプライミング効果の検討

Tuft、Incera、& McLennan（2023）による研究では、Labvancedのマウストラッキングが聴覚的レキシカルデシジョンタスクの文脈で使用され、長期の繰り返しプライミング効果が調査されました。研究者たちは、すべての関心のある値（正確さ、反応時間、およびマウスの軌跡）について、参加者はプライムを受けた単語に対してプライムを受けていない単語よりも効率的に反応したことを発見しました。

以下の画像は、出版物からのもので、報告されたマウスの軌跡を示しています:

無意識のフラストレーション: アイ・トラッキングとマウストラッキングを使用してユーザーエクスペリエンスを動的に評価

フリクションポイントは、ユーザーがウェブサイトやアプリと対話する際に混乱や困難を経験する際に発生します。フリクションポイントはユーザーの採用に対する主要な障壁とされ、顧客満足度やブランドの認識に最終的な影響を与える可能性があります。

この研究では、Labvancedを使用したビデオゲームベースのメニューナビゲーションタスクにおいて、目とマウスのトラッキングデータを組み合わせて分析することがフリクションポイントを検出するための妥当なアプローチになるかどうかを調査しました。

参加者は、メニュータスクをナビゲートするための二種類の異なる指示を受けました:

• 直接的なプロンプト: 「Extras - Options - Gameplayに行き、ヒントをオンにしてください。」
• 間接的なプロンプト: 「ゲーム内でキャラクターの対話が聞こえにくいと気づきます。字幕をオンにしてください。」

間接的なプロンプトは、明示的ではないため、より多くの探索時間を要します。したがって、タスク中にフリクションが生じた場合、間接的なプロンプトはそのフリクションを悪化させるべきです。

メニューナビゲーションタスクと実験フレームの簡略化された再現。

この研究では、実際に目安と手の動きを同期して測定するとフリクションポイントを検出できることが発見されました。

• フリクションポイントは、Labvancedというリモート設定とモニターマウントハードウェアを使用して特定されており、リモート手法が結果を得るための妥当で経済的なアプローチであることを示しています。
• この研究は、リモート研究設定が研究成果が研究室を越え、より自然で複雑な環境に適用されるかを確認するための認知的生態学の良い例です。