GazePlotter: Open-source řešení pro automatické generování scarf plotů z dat eye-trackingu
Přínos
Představuje prohlížečovou platformu bez nutnosti instalace, která automaticky rozpoznává a parsuje surové exporty ze šesti hlavních softwarových nástrojů pro eye-tracking—čímž odstraňuje potřebu vlastních skriptů nebo programátorských znalostí.
Poskytuje plnou podporu dynamických AOI, které v průběhu času mění polohu nebo viditelnost, s vrstvami viditelnosti pro jednotlivé účastníky, čímž přímo řeší mezeru všech existujících open-source nástrojů pro scarf ploty.
Implementuje tři módy časové osy—absolutní (ms), relativní (normalizovaná délka) a ordinální (pořadí segmentů)—umožňující flexibilní časovou interpretaci bez nutnosti nového exportu dat.
Zajišťuje ochranu soukromí prostřednictvím plně klientského zpracování bez přenosu dat, což podporuje využití v klinických, vzdělávacích a institucionálních kontextech, kde musí data pohledu zůstat v důvěryhodném prostředí.
Validuje metriky na úrovni AOI vůči SMI BeGaze a Tobii Pro Lab s tolerancí ±1 ms pro časové míry a přesnou shodou pro počty fixací, čímž potvrzuje kvantitativní spolehlivost vedle průzkumné využitelnosti.
Demonstruje pozitivní uživatelskou zkušenost u 35 účastníků s celkovým skóre UEQ-S v kategorii „Vynikající" a hedonickou kvalitou řadící GazePlotter do 10 % nejlepších v globálním benchmarkovém datasetu.
Detail publikace
Citace
Vojtechovska, M., & Popelka, S. (2026). GazePlotter: An open-source solution for the automatic generation of scarf plots from eye-tracking data. Behavior Research Methods, 58, 85. https://doi.org/10.3758/s13428-026-02959-5
Autoři a autorky
Rok
2026
Časopis
Behavior Research Methods
Language
EN
Abstrakt
Řešené otázky
Q: Co je scarf plot a jaký analytický problém řeší ve výzkumu eye-trackingu?
A: Scarf plot (nebo sekvenční graf) zobrazuje pohled jako barevně kódované segmenty AOI seřazené na společné časové ose a vrstvené podle účastníků. Zavedli jej Richardson a Dale (2005) k překonání omezení heatmap a souhrnných metrik, které stírají chronologickou strukturu pozornosti. Článek rámuje scarf ploty jako nástroje pro prvotní interpretaci—odhalují, kdy účastníci věnují pozornost konkrétním prvkům, kdo tak činí a v jakém pořadí—což je činí zvláště informativními pro procesně orientované studie, kde sekvence a rytmus získávání informací hrají větší roli než kumulativní expozice.
Q: Jak lze vzdálenou studii použitelnosti instrumentovat přímo uvnitř webové aplikace?
A: Článek popisuje vložení kompletního evaluačního protokolu—informovaného souhlasu, deseti úkolových výzev a dotazníku UEQ-S—přímo do aplikace. Úspěšnost a časy plnění úkolů byly zachyceny v reálném čase napojením na pipeline událostí undo/redo, takže každá zaznamenaná akce odpovídala ověřené funkční operaci, nikoliv sebehodnocení. Tento instrumentovaný přístup eliminoval potřebu sdílení obrazovky, externích dotazníkových nástrojů či přítomnosti facilitátora a umožnil nemoderovaný vzdálený sběr behaviorálních i postojových dat v rámci jediné relace.
Q: Proč temporální zploštění v heatmapách zkresluje kognitivní strategii?
A: Heatmapy komprimují celou chronologickou sekvenci pohledu do jediného statického pole hustoty, čímž stírají rozdíl mezi počátečními orientačními fixacemi a pozdními hodnotícími. Prostorové vyhlazování dále maskuje individuální variabilitu—intenzivní zaměření jednoho odlehlého účastníka se může projevit jako zdánlivý skupinový konsensus. Článek argumentuje, že bez temporální dimenze nelze rekonstruovat pořadí, rytmus ani fázovou strukturu pozornosti, tedy právě informaci potřebnou k odvození rozdílů ve strategiích, průběhu učení nebo přechodech mezi rozhodovacími fázemi.
Q: Jak může prohlížečové streamování parsovat vícegibabajtové soubory eye-trackingu bez vyčerpání paměti?
A: Místo načítání celých exportů do paměti článek popisuje pipeline zpracovávající data po blocích, postavený na JavaScript ReadableStream API. Každý blok je parsován, transformován a agregován inkrementálně před načtením dalšího. Parsovací rutiny běží v paralelních Web Workerech, aby neblokovaly hlavní vlákno. Na notebooku střední třídy byl soubor o velikosti 12,76 GB (38 účastníků, 1 320 AOI) rozparsován za necelé čtyři minuty, přičemž využití haldy zůstalo pod 30 MB—to dokládá, že doba zpracování roste s velikostí souboru, zatímco paměť zůstává ohraničená.
Q: Jaká validační strategie může potvrdit, že open-source nástroj pro eye-tracking produkuje metriky ekvivalentní proprietárnímu softwaru?
A: Článek aplikuje čtyřvrstvou validační pipeline: (1) explorativní inspekce surových parsovaných segmentů pro zachycení edge cases specifických pro formát, jako jsou chyby o jedničku nebo překrývající se přiřazení AOI; (2) unit testy formalizující objevené edge cases pro detekci regresí; (3) end-to-end testy napříč prohlížeči ověřující věrnost rozhraní v Chrome, Firefox, Safari a Edge; a (4) benchmarking metrik vůči SMI BeGaze a Tobii Pro Lab s přísnými tolerancemi (±1 ms pro časové metriky, přesná shoda pro počty). Tento vrstvený přístup izoluje chyby od nízkoúrovňového parsování až po vysokoúrovňovou agregaci.
Q: Jak exportovatelné stavy dashboardu podporují reprodukovatelnost v explorativní analýze pohledu?
A: Článek zdůrazňuje, že explorativní no-code nástroje riskují interpretační zkreslení, pokud nejsou analytické konfigurace dokumentovány. GazePlotter to řeší exportem lehkých JSON souborů zachycujících kompletní analytický stav—načtená data, pozice rozložení, nastavení filtrů, parametry vizualizací a verzi softwaru. Spolupracovníci mohou znovu otevřít přesnou konfiguraci na libovolném zařízení bez opětovného zpracování původního datasetu. Článek argumentuje, že tato přenositelnost na úrovni stavu překračuje sdílení statických obrázků směrem k ověřitelné, reprodukovatelné vizuální analýze, a doporučuje výzkumníkům sdílet soubory dashboardů nebo explicitně reportovat konfigurace při publikování výsledků.