我们提出了一种新颖的计算模型，采用分层主动推理来模拟阅读和眼动。该模型将语言处理视为对层次生成模型的推理，从音节到句子的多个粒度级别上进行预测和推理。我们的方法结合了大规模语言模型的文本预测能力和主动推理的眼动引导信息，实现了对预测的测试。我们的模型表现出在阅读已知和未知词汇和句子时的熟练程度，并符合阅读双重路径理论中词汇和非词汇路径的区分。总之，我们的模型在理解阅读和眼动中涉及的复杂认知过程方面取得了显著进展，并具有通过模拟适应性推理来理解和解决阅读障碍与诵读障碍相关的潜在启示。它可能为该病症提供有价值的见解，并有助于制定更有效的治疗措施的发展。

Aug, 2023

研究读者通过阅读时眼动观察来推断其身份并估计文本理解水平的问题，通过使用词法特征的个体注视模式（扫描路径）的生成模型，得出基于眼动数据的 Fisher-SVM 的 Fisher 核方法，结果表明 Fisher-SVM 在识别读者身份上表现出色。

Sep, 2018

本文报告了两个眼动追踪语料库和两种语言模型（BERT 和 GPT-2）的实验结果。实验表明，预测自然阅读过程中多种眼动追踪参数时，包含的特征和基于 transformer 的语言模型的架构都发挥了作用。同时通过 SP-LIME，实验分析了不同特征组的相对重要性。

Mar, 2022

本文提出了一种名为 Eyettention 的双序列模型，它可以同时处理词序列和注视序列，通过交叉序列注意机制实现了两个序列的对齐，并在不同的语言数据集上进行了广泛评估和深入分析。结果显示，Eyettention 在预测扫描路径方面表现优于现有模型。

Apr, 2023

本文介绍通过利用三个带有注释的语料库记录的注视信息，使用注视嵌入来改善 NER 模型，用于识别命名实体，展示了借助眼动数据可以提高自然语言处理模型性能的好处

Feb, 2019

我们提出了一种基于离散序列到序列扩散模型的 ScanDL，通过利用预训练的词表示和联合嵌入刺激文本和注视序列，捕捉两个输入之间的多模式交互。我们在数据集内外进行了评估，并证明它明显优于最先进的扫视路径生成方法，最后，我们进行了广泛的心理语言学分析，突出了该模型展示人类阅读行为的能力。

Oct, 2023

本文提出了一种基于 transformer 和回归模型的方法，利用眼动追踪数据预测多语言数据集中人类阅读模式的统计指标，通过模型训练和比较不同的 transformer 模型，我们在 CMCL 2022 共享任务中取得了显著的成果，获得了 SubTask-1 第 4 名和 SubTask-2 第 1 名的好成绩。

Mar, 2022

本文提出了一种使用眼动模式进行生物识别的新框架，利用 fixations 和 saccades 提取特征，并使用 Gaussian Radial Basis Function Network 用于生物认证。使用文本阅读和屏幕上的随机点跟随等两种视觉刺激进行了测试，结果表明眼动模式是一种强大的生物证明模式，该算法已经在 BioEye 2015 数据库上进行了验证，并发现胜过其他所有方法。结合虹膜识别技术使用眼动动力学可能会导致一个牢固的防伪人员身份识别系统。

Jan, 2016

本文阐述在当前数字化和逐渐普及的人工智能技术下，眼动技术在领域专家识别、不同领域的知识迁移以及混乱的时间检测等方面发挥了重要作用，并建立了数字诊断模型以及可能的数字助理培训选择。

Feb, 2022

通过分析母语和英语学习者阅读不同语言时的眼动数据，发现个体阅读行为会影响人类和模型之间的关联性，这需要在未来的研究中被考虑进去。

Oct, 2022