专家与非专家级电子竞技选手眼动特征差异：一项系统综述与Meta分析

为解决电子竞技领域中视觉搜索策略与竞技水平关系不明的问题，研究人员对专家与非专家级选手的眼动特征差异进行了系统综述与Meta分析。结果显示：专家选手平均注视持续时间显著更短（SMD = -0.66; P < 0.05），且在兴趣区域（AOI）内表现出更高效的视觉策略。该研究为电竞训练提供了科学依据，对提升选手竞技表现具有重要意义。

　　

在数字时代浪潮的推动下，电子竞技（eSports）作为一种新兴的虚拟竞技运动，正以前所未有的速度风靡全球。这项融合了娱乐性与竞技性的数字活动，不仅吸引了大量青少年群体的参与，也引起了学术界的广泛关注。随着电竞产业的快速发展，科学家们开始深入探索影响电竞选手表现的关键因素，试图揭开高水平竞技表现背后的奥秘。

然而，当前对电竞选手表现机制的理解仍相对有限。作为一种高度依赖视觉信息的竞技活动，电竞选手需要具备卓越的视觉搜索能力。研究表明，视觉搜索效率不仅影响游戏中关键信息的提取速度，还与决策准确性和反应时间密切相关。因此，有效的眼动行为在游戏表现中起着决定性作用，特别是在快节奏、信息密集的电竞场景中。

在这种背景下，研究人员开始关注一个关键问题：不同技能水平的电竞选手在眼动特征上是否存在显著差异？这个问题的重要性在于，通过比较专家与非专家选手的差异，可以帮助我们理解高水平表现的形成机制，从而为电竞训练提供科学指导。然而，现有研究在这个问题上出现了明显的分歧：有些研究发现专家选手在平均注视持续时间等眼动指标上存在显著差异，而另一些研究却未能发现明确差异。

这种分歧可能源于多个因素：大多数研究存在样本量不足和统计效力不够的问题；不同研究涉及的游戏类型存在差异（如MOBA游戏与FPS游戏）；刺激呈现方式也存在差异（真实刺激环境与模拟刺激环境）。为了解决这些问题，采用系统综述和Meta分析方法显得尤为重要。通过整合多个研究的数据，可以减少单个研究的局限性，提供更可靠的结论。

为此，研究团队开展了一项系统性的研究，旨在通过系统综述和Meta分析方法，整合现有研究成果，分析专家与非专家电竞选手之间眼动特征的潜在差异。具体来说，他们重点考察了以下眼动指标：注视持续时间、注视次数以及兴趣区域（Area of Interest, AOI）分析。

研究团队采用了PRISMA指南原则，在PROSPERO平台进行了注册（CRD42024571216）。他们系统检索了PubMed、Scopus和Web of Science三大数据库，检索截止日期为2024年7月20日。使用了包括视觉、眼动、注视、专家、新手、玩家、电竞等关键词的组合检索策略。为确保全面性，还额外进行了Google Scholar的手动检索。

在研究筛选方面，团队基于PECOS框架制定了严格的纳入标准：参与者必须涉及专家和非专家电竞选手；研究需使用眼动追踪技术评估眼动特征；必须包含至少一组专家与非专家的比较；相关结局指标需涉及眼动特征。排除标准包括：使用通用范式（如视觉搜索任务）的研究、Meta分析或综述文章、非同行评审或灰色文献、非英文出版物。

最终，经过严格的筛选流程，从最初检索到的3655条记录中，最终有7项研究被纳入系统综述和Meta分析。这些研究共涉及165名参与者，其中专家电竞选手84人，非专家选手81人。研究发表时间跨度从2016年到2024年，涉及日本、美国、中国、爱尔兰、德国和巴西等多个国家。使用的游戏包括Dota 2、Gran Turismo、FIFA 19、StarCraft、League of Legends、FIFA 21和Assetto Corsa Competizione等。

在质量评估方面，研究团队使用Cochrane非随机研究偏倚风险评估工具（RoBANS）对纳入研究进行了评估。评估结果显示，所有研究在结局评估盲法方面都存在不明确的风险，且有两项研究存在选择性报告结果的高风险。

数据分析采用了Review Manager 5.4进行Meta分析。计算了因变量的均值和标准差，使用标准化均值差（SMD）表示效应大小。根据Cohen的指南，效应大小小于0.2为小效应，0.2-0.8为中等效应，大于0.8为大效应。对每个结局指标计算了加权平均效应大小和95%置信区间（95% CI），以确定效应大小是否与零有显著差异。

平均注视持续时间分析

在7项纳入研究中，有4项提供了平均注视持续时间的数据，包括4个专家组（n=69）和4个非专家组（n=64）。异质性检验显示研究间异质性较低（I2=24%；p>0.1），因此采用固定效应模型进行Meta分析。结果显示，专家电竞选手的平均注视持续时间显著短于非专家选手（p<0.05），两组间的效应大小为中等（SMD = -0.66；95% CI：-1.01，-0.30；p < 0.05）。Egger检验结果显示p=0.123，无统计学意义，表明不存在发表偏倚。

平均注视次数分析

在7项研究中，有4项专门考察了专家与非专家电竞选手的平均注视次数差异。这些研究包括4个专家组（n=69）和4个非专家组（n=64）。异质性检验显示研究间存在显著变异性（I2=78%；p<0.05），表明应采用随机效应模型进行Meta分析。结果显示两组在平均注视次数上无显著差异，效应大小为中等（SMD = -0.22；95% CI：-0.55，-0.99；p=0.58）。Egger检验结果显示p=0.632，无统计学意义，表明不存在发表偏倚。

为进一步考察潜在混杂因素和研究间异质性来源，团队基于研究地区和刺激类型进行了亚组分析。基于研究地区的亚组分析显示亚洲和欧洲之间存在差异：在亚洲，效应大小为SMD=0.58（95% CI：-0.72，1.89；I2=84%），而在欧洲为SMD=-0.21（95% CI：-0.70，0.28；I2=0%）。组间p值为0.27（p>0.05），无显著差异。基于刺激类型的亚组分析显示，两组间存在显著差异（p<0.0001）。值得注意的是，在排除Wang等人（2024）的研究后，I2值从78%显著下降至0%，表明该研究可能是异质性的主要来源。

兴趣区域内的眼动特征

7项纳入研究都提供了兴趣区域（AOI）的眼动追踪数据。但由于使用的游戏类型不同，以及AOI定义和数量的变异性，无法对AOI眼动数据进行Meta分析，因此进行了描述性分析。

结果显示，研究人员平均创建了约8个AOI（M=7.86，SD=5.19，最小值=4，最大值=20）。值得注意的是，有3项研究未明确说明AOI的定义方式。有4项研究报告了AOI内的平均注视持续时间，其中3项报告了在某些AOI中与非专家电竞选手相比存在差异显著性。有3项研究报告了AOI内的注视次数，其中2项发现专家选手在某些AOI中的注视次数显著多于非专家选手（p<0.05），而第三项研究未报告显著差异。此外，有2项报告了每个AOI的注视率百分比。关于注视转换（即从一个AOI切换到另一个AOI），一项研究发现专家与非专家之间存在显著差异（p<0.001），专家比非专家需要更少的同一AOI内重复检查（p<0.001）。

研究发现不同技能水平电竞选手在视觉策略分配上存在多个差异。具体而言，专家电竞选手使用更具针对性的视觉策略。例如，在FIFA和StarCraft等游戏中，专家选手倾向于将更多视觉注意力集中在关键元素上，如小地图和战术重要区域。而且，专家选手表现出更高的注视转换频率和更低的同一AOI内重复注视需求（p<0.001）。然而，并非所有AOI都显示出统计学显著差异。总体而言，专家电竞选手采用了更具针对性的视觉策略，能够更有效地获取关键信息，提高决策表现。

扫视和首次注视持续时间

一项研究报告了扫视特征，但数据不足以进行Meta分析。结果显示专家电竞选手的扫视速度显著高于非专家（p=0.02）。此外，专家比非专家显示出更多的扫视次数（p=0.005）。两组在扫视长度上未发现显著差异。一项研究评估了首次注视持续时间，但数据不足以进行Meta分析。结果显示专家与非专家在首次注视持续时间上存在显著差异（p<0.05）。专家电竞选手表现出更短的首次注视持续时间。尽管当前证据有限，这些发现表明扫视和首次注视持续时间可能作为区分技能水平的关键指标。需要更大样本的进一步研究来确认其普适性。

敏感性分析

研究采用留一法评估每项研究对Meta分析总体结果的影响。结果显示，即使排除单项研究，总体分析的显著性水平基本保持不变，表明本研究的Meta分析结果具有稳健性。

研究结论与讨论部分指出，这是首个关于电竞选手眼动特征的系统综述和Meta分析。研究揭示了三个关键发现：首先，专家电竞选手在整个试验中的平均注视持续时间显著短于非专家；其次，专家与非专家电竞选手在整个试验中的平均注视次数无显著差异；最后，AOI分析显示专家电竞选手在相关AOI上投入了更多时间和注意力。

与两项关于传统运动员眼动特征的Meta分析进行比较后，发现了一些差异。2022年的一项Meta分析考察了传统运动中专家与非专家运动员视觉搜索策略的差异，结果显示在平均注视持续时间和平均注视次数上无显著差异。另一项Meta分析考察了格斗运动员中专家与非专家的视觉搜索策略差异，结果显示专家运动员的平均注视次数低于非专家运动员，而平均注视持续时间无显著差异。与上述研究相比，本研究在电竞背景下发现了不同的结果。这种差异可能反映了电竞与传统运动在眼动特征上的不同。这些差异可能源于以下因素：传统运动发生在真实环境中，要求运动员在复杂且通常不可预测的环境中进行动态视觉搜索；而电竞局限于二维屏幕环境，要求玩家保持高度注意力集中处理屏幕上显示的信息。其次，纳入研究论文在研究设计和测量指标上的差异可能影响了结果的可比性。

研究发现专家电竞选手表现出更短的平均注视持续时间，这可归因于不同水平的感知认知专业知识，快速获取视觉信息的能力被认为对高水平表现至关重要。更有效的视觉搜索策略使专家选手能够快速捕捉屏幕上的重要信息，而无需长时间注视单个对象。相比之下，非专家选手通常难以快速定位和利用视觉刺激中的信息，导致更长的注视持续时间和较低的信息处理效率。这一解释也得到了现有研究的支持。

令人惊讶的是，专家与非专家电竞选手在平均注视次数上无显著差异。由于更高的视觉搜索效率，专家通常预期有更少的注视次数。然而，需要注意的是，视频游戏通常具有非常动态和复杂的场景，要求玩家不断适应变化的环境。先前研究表明，视觉杂乱会对性能产生负面影响，并改变游戏场景中视觉搜索时的视觉行为。在高杂乱条件下，专家实际上表现出增加的注视次数。同时，非专业玩家难以识别相关信息，导致注视混乱。这些因素可能在一定程度上减弱了专家与非专家选手在注视次数上的差异，从而有助于解释本研究的发现。

研究还观察到较高的异质性（I2=78%）。这种高异质性可能源于不同研究使用的刺激类型差异。在眼动追踪实验中，刺激材料的类型和复杂性显著影响注视行为。如果刺激在视觉或认知因素上存在未控制的差异，眼动数据可能会受到这些变量的混淆。相关研究也证实了静态刺激和动态场景刺激在视觉搜索中产生不同的注视模式，进一步强调了刺激类型对研究结果一致性的潜在影响。

研究结果还显示，不同技能水平电竞选手在兴趣区域（AOIs）的注视持续时间和注视次数上存在差异。专家选手倾向于更多地关注某些AOIs。这表明专家更擅长选择性分配注意力以识别和优先处理游戏中的关键区域，这在电竞中至关重要。信息减少假说为解释这一现象提供了理论框架。该理论认为，专家选手有能力过滤掉无关信息，只关注直接影响当前任务或决策的数据。这种能力使专家选手能够更有效地使用有限的认知资源，使其在快速变化的游戏环境中能够快速准确地响应。

本Meta分析结果具有实际意义。首先，通过使用系统综述和Meta分析方法，总结了多项研究的结果，从而增加了结论的可靠性和有效性。其次，本研究可为优化电竞训练方法提供科学依据。虽然现有研究考察了可能影响电竞表现的各种因素，但游戏表现的关键决定因素仍不清楚。我们的研究还确定了与高水平游戏表现相关的特定眼动特征，为优化游戏表现提供了见解。最后，本研究还为电竞选手的选拔和评估提供了新的指标。传统的选拔和评估方法主要基于选手的表现和经验，但这些方法可能无法完全捕捉选手的潜力和真实能力。通过将眼动特征纳入分析，可以更客观地评估选手的视觉认知能力和反应时间，从而提高职业电竞选手选拔的科学性和精确性。

然而，本研究存在几个局限性。首先，潜在的选择偏倚可能导致结果偏倚，因为本研究只纳入了英文发表的同行评审文章，忽略了一些有价值的非英文和灰色文献。其次，研究结果的普适性可能受到实验设计变异的限制，特别是缺乏刺激呈现和游戏类型选择的标准化方案。第三，纳入研究缺乏盲法可能导致观察者偏倚或检测偏倚。最后，未来研究可考虑采用纵向或重复测量设计，进一步探索眼动特征如何随着训练而演变。

总之，这项系统综述和Meta分析全面比较了职业与非职业电竞选手的眼动特征，为电竞训练和表现提升提供了实证支持。随着电竞产业的持续发展，对选手视觉行为的更深入理解将在提高竞技表现方面发挥关键作用。