Eye tracking nejenom v designovém výzkumu
Většina dnes používaných typů výzkumných šetření se neobejde bez technologie, která působí buď jako podpůrný nástroj sběru dat nebo přímo jako hlavní prostředek pro zodpovězení výzkumných otázek. Nejinak je tomu také v případě designových výzkumných šetření, přičemž takovou technologií může být sledování pohybů očí jedince, anglicky označované jako eye tracking.
S eye trackingem se můžeme setkat v několika podobách, které se liší použitým hardwarem, způsobem sběru a vyhodnocování získaných dat, tak také účelem výzkumu, pro který se pro použití daného typu hodí nejvíce. V rámci designových výzkumných šetření a studií se můžeme setkat například s výzkumem uživatelských rozhraní, výzkumem nákupního chování nebo například výzkumem v oblasti preferenčního rozhodování. Jako výzkumníci tak máme možnost na relativně nízké úrovni detailně zkoumat nastavené proměnné a na jejich základě upravovat naše produkty a služby pro jejich vyšší efektivnost, vyšší výnosnost, přehlednost, či validitu. Hojně využívaný je eye tracking v prostředí webových aplikací, kdy dochází k výzkumům chování návštěvníků webových stránek a zkoumání jejich reakcí na navržená uživatelská rozhraní či na A/B testovací algoritmy. Takto získané datové sady je možné detailně analyzovat a systematicky vyhodnocovat pro vylepšení designového procesu. Zatím však pro eye trackingová data neexistují spolehlivé standardy nebo metadatové formáty.
V praxi se můžeme setkat se čtyřmi typy zařízení pro sběr eye trackingových dat. Znalost jejich specifik je poté důležitá v procesu rozhodování, které z nich v rámci výzkumu použijeme, přičemž je potřeba znát také jejich omezení, se kterými je nutné počítat při vyhodnocování dat a pokládání výzkumných otázek. Prvním typem jsou zařízení označovaná jako screen-based (nebo také remote). Tento hardware pracuje formou senzoru umístěného před monitorem stolního počítače nebo notebooku, který snímá infračervené světelné odrazy lidského oka a podle toho monitoruje, kam se uživatel přesně dívá a tato data zaznamenává. Výhodou tohoto typu sběru dat je možnost jejich vcelku spolehlivé analýzy, kdy můžeme přesně vyhodnocovat jednotlivé oblasti zájmu a sestavovat například heatmapy vizuální pozornosti uživatele. Zároveň lze spolehlivě porovnávat jednotlivé účastníky výzkumu, a to díky unifikovaným výzkumným scénářům. Druhým typem jsou potom nositelná zařízení (anglicky wearable), které se nejčastěji vyskytují v podobě brýlí, které ma uživatel nasazené před očima a plní úkoly specifikované ve výzkumném šetření. Příkladem takové výzkumu může být například vystavení uživatele nákupnímu scénáři ve fyzickém obchodě, kdy se zkoumají specifika nákupních strategií participanta výzkumu. Nevýhodou této metody je například složitější porovnávání výsledků napříč běhy experimentu a složitější analýza výsledků díky nemožnosti spolehlivě označovat objekty nebo oblasti zájmu (anglicky AOI — area of interest). Na hardware nejméně náročnou variantou je sledování pohybů očí pomocí webových a jiných kamer, pomocí kterých se snažíme přiblížit způsobu zmíněném u prvního typu eye trackingu. Rozpoznávání polohy pohledu uživatele potom funguje na základě rozpoznávání objektu v obraze a očekávaně je tak celkem problematické dosáhnout přesných výsledků jako u ostatních variant. Jako poslední stojí jistě za zmínku relativně nový způsob interakce uživatele s analýzou jeho očních pohybů, a to v prostředí virtuální reality. Tento způsob kombinuje všechny výhody zmíněné u ostatních typů a částečně řeší i některé jejich nedokonalosti a problémové části. Jako výzkumníci máme téměř neomezené možnosti v tvorbě prostředí, které můžeme v rámci výzkumných šetření vytvářet, a které mohou téměř plně odpovídat našim potřebám. Stejně tak analýza výsledných dat může poskytovat rozsáhlé možnosti zkoumání získaných datových sad. Ve výzkumu způsobů, jak s těmito daty nakládat jsme však stále na začátku a cesty teprve hledáme. Do budoucna se však může jednat o jeden ze způsobů eye trackingu s největším potenciálem výtěžnosti datasetů.
Eye tracking si postupem času vybudoval svou pozici mezi metodami používanými při designovém procesu, přičemž narozdíl například od prototypování, rozhovorů nebo tvorby wireframů se však o jeho použitelnosti často diskutovalo. Pokud výzkumník nebo designér dokáže využít jeho výhody a přednosti, jedná se většinou o velmi užitečný nástroj použitelné jako primární nebo i podpůrný zdroj dat. Typickým výstupem eye trackeru mohou být na ploše grafického artefaktu barevnou škálou reflektované shluky pohledových bodů, přičemž každá barva reprezentuje délku strávenou na daném bodě plochy. Tyto výstupu jsou souhrnně označované jako heatmapy a jejich ukázka je znázorněna na obrázku níže. Dalším výstupem jsou například video záznamy s průběhu experimenty obohacené o zvýrazněné body reprezentující pohled participanta, nebo procentuální zastoupení času stráveného pohledem na předem označených objektech, oblastech zájmů nebo částech grafického artefaktu.
Teorie eye trackingu pracuje s dvěma klíčovými pojmy — fixace a sakády. Fixacemi označujeme časové úseky, kdy pohled uživatele neopustil předem stanovený rozptyl koordinát na grafickém artefaktu (tmavé plochy na heatmapě) — Jedná se tak o místa, která typicky nejvíce zaujala pohled uživatele a můžeme je tak považovat v rámci předložené grafické scény za významově signifikantní. Naopak sakády jsou delší přechody mezi jednotlivými pohledovými body. Ty bychom mohli znázornit jako přímé spojnice mezi jednotlivými fixacemi, které nám mohou napovědět například posloupnost událostí, s jakou si uživatel všímá jednotlivých signifikantních bodů a jaký systém směrového čtení obrazu se u něj projevuje. Identifikace fixací a sakád je však v literatuře zastoupena rozdílnými názory o jejich délce, proto je potřeba pečlivě volit způsob, jakým se budeme na výsledná data dívat.
S hardwarem, který pro sběr eye trackingových dat použijeme je třeba volit i odpovídající a spolehlivé softwarové prostředky pro jejich analýzu. Mnoho výrobců jednotlivých zařízení dodává spolu s nimi také programové vybavení pro vyhodnocování a projekci datasetů. Pro základní představu o nasbíraných datech je ve většině případů možné je bez problému použít. Druhou možností je použití externích analytických programů jako je PyGaze, GazePoiner nebo oblíbený open source program Ogama. Všechny se shodují v základních funkcích, které poskytují, je to například přehrání celého záznamu se sběrem dat, označování oblastí zájmu nebo například prolínání jednotlivých běhů experimentu a participantů. Většina hardwaru umí generovat strukturované datově sady, například v podobě tabulkových csv dat. Provádět tak automatické analýzy nad většími datasety je možné například pomocí scriptovacích jazyků typu python.
Obecně lze říci, že pokud víme proč technologii eye trackingu zařadíme do našich výzkumných šetření, můžeme plně využít všech jeho výhod a vytěžit designový výzkum na maximum. Je však třeba mít na paměti všechna specifika této dynamické technologie a především porozumět všem principům, se kterými pracuje.
