Esther｜ 撰文
眼睛是心靈的窗戶，可除非是最先進的機器學習算法，能夠解釋眼球運動與人格之間關係，不然你乍一看其實什麼也看不出來。
注：人格包括五大類：開放性、責任心、外傾性、宜人性和神經質或情緒穩定性，而近日出現了一項人工智能能夠準確識別後四種。
近日，澳大利亞南澳大學與德國斯圖加特大學聯合開發了一個項目，即使用人工智能技術，通過蘋果旗下計算機視覺公司SensorMotoric Instruments（SMI）的基於錄像的頭戴式眼球追蹤技術追蹤並監控42名有效測試對象的眼球運動。據瞭解，SMI的這個眼球追蹤技術的刷新率為60Hz，視線預測準確度為0.5°，精準度為0.1°。
在測試中，追蹤器能夠記錄視線數據，而測試對象身上揹著的智能手機能夠錄製高分辨率的現場視頻。隨後，科研人員將蒐集到的數據交叉對比測試對象在後期完成的專業人格調查問卷結果。
測試流程
這個科學實驗的測試對象包括50名澳大利亞弗林德斯大學的學生，包括42名女性和8名男性，平均年齡為21.9歲。
科研人員給測試對象戴上眼球追蹤器後，追蹤器會啟動3點追蹤矯正程序。之後，科研人員會發給測試對象5澳元，要求他們在校園走動10分鐘左右，並從校內商店買一樣喜歡的東西，然後回到實驗室交還測試數據與設備，並填寫性格與好奇心調查問卷。
青亭網瞭解到，測試對象將回答三份自測問卷：第一份是NEO-FFI-3大五人格測試，包含60道問題，評估之前提到的五大人格。第二份是感知性好奇測試，包含16個問題，評估人類面對特殊感官刺激與視覺感官審視的興趣。第三份是CEI-II好奇心和探索精神測試，包含10個問題，評估好奇心強度。
遇到的問題
實驗中除了一名參者因為技術問題丟失數據，其他結果若因檢測不到瞳孔或者視線方向超越150%範圍的結果，都會被標記為錯誤。因此，50名測試者中有6人因為測試樣本中超過50%錯誤率被排除在研究結果外，還有一名參與者因為樣本中38%的視線方位都一樣也被排除在外。
科研人員在處理數據時，使用了滑動窗口算法，這樣既能分離每個時間段的測試結果，也不會忽略平均化效應對眼球活動特徵的影響。不過，這些科研人員預先並不知道滑動窗口算法選用哪種窗口大小最有效，也不知道哪種特徵比較有用，因此他們選擇了名為嵌套交叉驗證的自動匹配法，優化人工智能訓練師使用的開放參數，即窗口大小和特徵的選擇。
在研究中，科研人員使用了三種分數範圍中的F1分數來評估分類器。R範圍的F1分數的定義是精準度（對隨機對象的真實個性分數範圍R預測剛好與實際的R匹配的概率）和召回（對隨機對象的真實個性分數範圍R預測剛好包含在世紀R範圍內的概率）的調和平均數。因為隨機森林分類器的訓練過程本身就有不確定性，因此科研人員使用不同初始隨機狀態，重複進行了了一百次嵌套交叉驗證。
測試結果
圖中顯示了科研人員利用分類器測試出的平均F1分數，對比每個人格基礎。可以看出，高於機會水平的人格F1分數為：神經質40.3%、外傾性48.6%、宜人性45.9%、責任心43.1%、直覺好奇心37.1%。而開放性（30.8%）和好奇心與探索精神（27.2%）的結果低於機會水平。
此外，每個I型標誌代表在平均值周圍的95%可靠區間，而虛線代表分類器為每個參與者隨機挑選一個人格分數範圍計算出的理論機會水平，不受眼球行為影響。
研究報告中表明，這是人類第一次使用眼球運動來識別人格，這項有趣實驗的最終目的是改善未來人與機器之間的互動。
為了評估分類器的可靠性，科研人員將每段錄像、每次參與者進入和離開商店的情況都進行手動備註。然後他們將測試結果與不同的數據自己對比：
- 不受參與者活動支配的數據（錄像分為兩部分：折半）；
- 同一活動中的數據（去商店路上與回到實驗室路上：way I和way II）；
- 兩個活動之間的數據（找商店路上和進入商店：shop和way）。
科研人員將每一個分類器都訓練並評估了一百次，因而計算出100對預測結果，然後他們在調整了相關係數抽樣分佈的偏差值後，利用沒對預測結果之間的平均關係，和費雪轉換法評估了分類器的可靠性。
下方圖表為計算出的皮爾森積差相關係數，範圍從0.39到0.83，顯示出了不同真實環境之間中度到高度緊密的相互關係。
此外，科研人員還按照隨機森林模型計算出隨機森林分類器中所有人格的相對重要性，而每個隨機森林分類器中都包含幾個決策樹。在單一的決策樹種，一個人格的重要性由所有基於該人格做出的決策來定義：參與者做出的決策越多，平均分類誤差就越小，在樹形結構中決策使用的數據就越多，決策基於的人格就越重要。
上圖展示了以人格為中心指定的分類器中最重要的特性，上半部分顯示了每個人格中十大特徵的重要性，並且都按照中位數來排列。下半部分顯示了之前研究數據中，與性格或者好奇心相關的更多特徵。
表格代表從訓練後的100個模型中提取的特徵重要性的分佈，每一個方框的範圍涵蓋了四分位數間距（IQR），而I型標誌代表了嘴笑道最大的範圍，藍色的條形代表了中位數。另外，每個分類其中，沒有使用的特徵，其重要性為零。
南澳大學的Tobias Loetscher表示：“人們不斷需求更完善、更人性化的服務，不過現如今的機器人與電腦並不善於社交，因此不理解非語言線索（如眼神和肢體語言）。有了這項研究，科研人員便可以開發行為更自然、更善於理解人類社交訊號的機器人和電腦。”
通過結果表明，本次實驗具備兩大意義：
1，這是首次證明個人的神經質、內向與外向、環境是應用、責任心、好奇心水平可以通過追蹤眼球運動來預測分析，這個發現對於實驗室的相關研究起到了非常重要的作用。
2，進一步闡明人格特質與眼球運動之間的密切關係，本研究的目的並不是要闡明某些眼部運動特徵在特定性格類型中更為常見的潛在原因。相反，它被專門設計用來探究機器學習是否可以用來區分日常工作中眼睛運動的個性。
閱讀更多 青亭網 的文章
