大家好。我是研究生赵。在这篇文章中，我将介绍本次英语文献研讨会中阅读的论文。

论文标题：Evaluating Computer Science Students Reading Comprehension of Educational Multimedia- Enhanced Text Using Scalable Eye-Tracking Methodology
期刊：Smart Learning Environments

卷号：29
出版年份:2024
作者: Milan Turčáni, Zoltan Balogh & Michal Kohútek

以下是概要。

近年来，教育领域的科技进步显著，其中“眼动追踪（Eye-Tracking）技术”备受关注。本研究以大学生为对象，利用眼动追踪技术分析学习效果，并验证了理解度是如何提高的。

研究重点在于解析学习者阅读文本时的视线移动，从而明确哪些部分成为了理解的障碍。特别是通过了解阅读专业文本时的阅读策略，调查了视线移动与学习成果之间的关联。以往的研究表明，使用眼动追踪技术可以更详细地掌握学习者处理信息的方式。

本研究对80名大学生进行了实验，将被试分为“关键词高亮显示组（40名）”和“无高亮显示组（40名）”，调查了阅读理解的差异。在实验中，作者让被试阅读以下3篇文本，并进行了随后的理解度测试。

1. 文本A（基础概念）：平均视线停留时间（有高亮：3.5秒，无高亮：4.2秒）
2. 文本B（中级概念）：平均视线停留时间（有高亮：5.1秒，无高亮：6.0秒）
3. 文本C（应用概念）：平均视线停留时间（有高亮：6.8秒，无高亮：7.5秒）

理解度测试结果显示，关键词高亮组平均分为72.4分，无高亮组为65.3分。然而，并未观察到统计学上的显著差异（p = 0.08），本稿也指出，仅仅通过高亮关键词并不能获得足够的效果。

此外，本研究还比较了“熟练读者”和“非熟练读者”的视线模式，探讨了理解度的差异。熟练读者（前25%）能够高效地移动视线并快速获取必要信息，而未熟练读者（后25%）则倾向于将视线长时间停留在特定单词上。例如，未熟练读者的平均视线停留时间为8.2秒，而熟练读者为5.6秒。因此，作者认为有必要开发能够支持不同学习者阅读策略的教育工具。

作者认为其研究展示了提高在线教育及电子学习质量的可能性，并强调了在未来的教育设计中利用眼动追踪技术的重要性，主张了其意义。特别是对于开发个性化学习支持系统以及改善教育内容设计，该技术被期待能做出巨大贡献。

在未来的研究中，作者计划调查利用视线数据的AI实时反馈，以及与其他多媒体元素（音频、视频）结合带来的学习效果提升。

以下是我个人的感想。

我认为眼动追踪监测设备的高昂价格一直是阻碍其在多模态学习分析（LA）中普及的原因。本研究提出了利用网络摄像头收集视线数据并分析学生行为的方法，展示了实现低成本、大规模眼动追踪收集与分析的解决方案及分析方法，我认为这是一项在该研究领域具有较高贡献度的研究。

此外，本研究在分析和讨论部分的描述非常清晰易懂，可以轻松理解讨论的要点及其重要性。而且，实验部分引用的参考文献也与实验内容相符，详细的说明也值得肯定。

然而另一方面，我认为本研究的主要挑战在于所使用设备的可靠性问题。虽然从数据分析的角度来看结果良好，但如果数据收集所用的设备本身可靠性较低，就会损害整个研究的可靠性（作者本人也指出了这一点）。本研究的出发点在于“低成本数据收集”，但使用可靠性较低的数据成为了研究整体的根本问题，虽然作为方法论很有趣，但关于研究的可靠性，我认为这将是未来的课题，也是该领域所有研究者需要共同思考的问题。