類推のダイナミクスを研究するために使用されるScanpath比較および機械学習分類アルゴリズムの評価

近年、眼鏡が類推のダイナミクスを研究するために使用され始めています。生のアイトラックデータに適用できる多数のScanpath-Comparsison AlgorithmsとMachine-Learning手法が利用可能です。多次元スケーリングと分類アルゴリズムと組み合わせたScanpath比較アルゴリズムを、類推の類似性の顕著な質問を解決するためにどのように使用できるかを示します。（そうです。）これらのScanpath比較アルゴリズムのどれが、長年にわたって多くの類推研究の基礎を形成してきた類推の問題に最も適しているものを示します。さらに、マシンラーニング分類アルゴリズムを使用して、これらのスキャンパスを構成するアイテム間サッカードベクターを調べます。これらのアルゴリズムのどれが、子供や大人が問題を遂行しているかどうかにかかわらず、さまざまなアイテム間サッカードの頻度に基づいて、試験の非常に早い段階から最もよく予測するものを示します。このタイプの分析は、問題が正しく解決されるかどうかにかかわらず、トライアルの最初の3分の1のアイテム間サッカードダイナミクスに基づいて予測するためにも使用できます。

In recent years, eyetracking has begun to be used to study the dynamics of analogy making. Numerous scanpath-comparison algorithms and machine-learning techniques are available that can be applied to the raw eyetracking data. We show how scanpath-comparison algorithms, combined with multidimensional scaling and a classification algorithm, can be used to resolve an outstanding question in analogy making-namely, whether or not children's and adults' strategies in solving analogy problems are different. (They are.) We show which of these scanpath-comparison algorithms is best suited to the kinds of analogy problems that have formed the basis of much analogy-making research over the years. Furthermore, we use machine-learning classification algorithms to examine the item-to-item saccade vectors making up these scanpaths. We show which of these algorithms best predicts, from very early on in a trial, on the basis of the frequency of various item-to-item saccades, whether a child or an adult is doing the problem. This type of analysis can also be used to predict, on the basis of the item-to-item saccade dynamics in the first third of a trial, whether or not a problem will be solved correctly.