“你看到了吗？”在直播过程中，利用眼动追踪技术探讨视觉锚定效应与注意力引导的有效性

《Computers in Human Behavior Reports》：“Did you see it?” Visual anchoring and attentional effectiveness in the context of live-streaming using eye-tracking

　　塞巴斯蒂亚诺·阿卡迪 | 玛格丽塔·齐托 | 文森佐·鲁索
商业法律、经济与消费者行为系
卡洛·A·里恰尔迪
IULM大学

**摘要**
认知和市场营销研究表明，人类面孔对消费者具有强烈的吸引力。然而，沟通效果还取决于空间布局，面孔与广告元素之间的接近程度是一个关键因素。在这方面，社交直播服务（SLSS）平台为研究这些动态提供了有效的环境，因为它们能够延长用户的观看时间，越来越多的公司开始投资于主播赞助，而且主播可以自由地安排屏幕上的元素布局。本研究调查了视频游戏直播内容中品牌空间布局的影响，比较了将品牌放置在主播面部附近与放置在边缘位置的效果，涵盖了电子竞技和单人游戏两种形式。研究采用了混合实验设计，共有52名参与者参与，并使用眼动追踪技术客观量化了注意力分布，同时通过调查来衡量其理性影响。结果表明，放置在主播面部附近的广告横幅比放置在屏幕边缘的广告横幅更能吸引观众的注意力，但这并不一定能直接导致说服效果。因此，与面孔的空间邻近性增强了人们对赞助内容的关注度，这标志着一个早期感知阶段，可能预示着更高级的广告效果，并为优化广告叠加设计提供了依据。这一发现为希望优化广告叠加设计并最大化观众对品牌元素曝光度的公司和内容创作者提供了实用见解。

**1. 引言**
在当今的媒体环境中，可用内容的指数级增长与观众注意力范围的下降并存。这一动态被“有限容量模型下的动机性信息处理”（LC4MP）有效解释，该模型指出个体的认知资源是有限的（Lang, 2006）。因此，并非所有遇到的促销信息都能被观众感知、编码或记住。因此，识别能够减少注意力分散并促进视觉感知的刺激因素变得至关重要。为此，“邻近性原则”（Mayer & Anderson, 1992）为识别能够与日益密集的视频刺激竞争的强烈注意力刺激提供了理论基础。在数字环境中，这一点在社交直播服务（SLSS）中尤为明显，因为观众会接触到多种刺激，如内容、实时聊天互动和叠加广告（Mancini et al., 2022），所有这些都在争夺有限的注意力资源。因此，识别能够优化媒体内容中品牌布局的关键元素变得尤为重要。创作者的存在对消费者对所推广品牌的评价有显著影响（Deska et al., 2022）。特别是，人类面孔的可见性在吸引视觉注意力方面起着核心作用（Shi et al., 2024），同时还能有效地将注意力引导至广告产品或品牌（Adil et al., 2018）。因此，通过利用空间邻近性原则，面孔成为媒体内容中的关键视觉资源（Harrison, 2003）。在快节奏的环境中，这一简单的人类元素可能是提高对赞助元素视觉注意力的关键。尽管有大量关于面孔显著性的证据，但尚不清楚在复杂的媒体环境中（如直播），空间邻近性是否系统地引导视觉注意力。

本研究旨在探讨媒介环境中的注意力机制，重点关注早期感知过程，而非直接评估广告效果。本研究的理论和结构设计旨在利用混合效应模型，研究在用户基数不断增长的现代背景下（如SLSS平台），人类面孔作为引导对赞助品牌注意力的催化剂的作用，以解释个体层面视觉注意力的变化。

**1.1. 面孔作为稳定的视觉锚点**
LC4MP模型提出的认知限制本质表明，识别最有效的线索以引导视觉注意力指向特定元素是一种功能性策略。人类面孔是进化上优先考虑的刺激物，即使在视觉饱和的社交媒体生态系统中也能自动吸引注意力（Palermo & Rhodes, 2007）。科学文献充分证明了人类面孔不仅仅是叙事或装饰性特征，而是一个重要的感知锚点，能够以有意义的方式引导注意力（Kanwisher et al., 1997; Ro et al., 2001; Visconti & Gobbini, 2015; Finzi et al., 2021）。这种在视野中快速识别面孔的效率使得面孔成为促进邻近性原则运作的关键线索。具体来说，当信息在空间上接近时，处理速度更快、更有效（Mayer & Fiorella, 2014），从而减少了将注意力资源分散到不同内容区域的需求（Schroeder & Cenkci, 2018）。这一原则不同于格式塔的邻近性原则（Brunswik & Kamiya, 1953），后者描述了将附近元素视为单一视觉单元的感知倾向。相比之下，邻近性原则认为空间邻近性有助于不同元素的联合处理。

根据这一框架，面孔可以作为自下而上的注意力触发器，使注意力偏向附近的元素，从而促进后续的自愿定向。这一机制得到了进一步的支持，因为有证据表明面孔在专门的神经区域（如梭状面孔区FFA）中被处理（Kanwisher et al., 1997），这些区域与物体处理区域（如外侧枕叶复合体LOC）在功能上有所不同（Grill-Spector, 2003），减少了认知资源的直接竞争。然而，尚不清楚面孔是否能够通过利用空间邻近性原则，有效地引导观众的视线朝向相邻元素。当面孔这一本质上显著且具有社会意义的刺激物能够放大对附近元素的注意力时，这一机制尤为重要。

**1.2. 消费者神经科学中的眼动追踪**
面孔在注意力中的作用以及品牌元素在直播中的整合，使得消费者神经科学方法特别适合探索注意力效果的现象。神经科学方法通过使用工具，能够更全面地研究消费者的隐性反应（Russo et al., 2023），使研究人员能够实时监测隐性过程（Mileti et al., 2016）。这种方法克服了自我报告测量的固有局限性，后者依赖于暴露于目标刺激后的问卷调查（Missaglia et al., 2017）。此外，眼动追踪的研究结果表明，包含面孔的广告横幅比不含面孔的广告横幅具有更长的平均注视时间（Casado-Aranda et al., 2023）。在神经科学工具中，眼动追踪器是最能准确记录认知和注意力反应的工具（dos Santos et al., 2015），尤其是当广告与标志或品牌相关联时（Russo et al., 2023）。在消费者神经科学中，眼动追踪为捕捉精细的注意力动态提供了适当的方法，并探索空间邻近性原则如何反映在眼球运动中。

眼动追踪器提供了量化用户视觉注意力的关键输出指标，包括注视次数（Zhou & Xue, 2021）、重访次数（Ou et al., 2025）以及以毫秒为单位的停留时间（Russo et al., 2023），这些指标表明了在特定兴趣区域（AOIs）内的激活和参与度。此外，AOIs之间的转换矩阵能够客观分析视线转移，揭示观众何时以及如何将注意力从一个区域转移到另一个区域（Burch & Timmermans, 2020）。眼动分析是研究隐性注意力过程的基本方法。与问卷调查不同，眼动追踪器能够实时检查反映在眼球运动中的注意力过程（Wedel & Pieters, 2008）。这种方法对于解码注意力集中的视线至关重要，尤其是在参与者面对视觉复杂刺激时（Seo et al., 2018; Mancini et al., 2022）。眼动追踪器广泛用于研究空间邻近性原则，特别是在学习成果的研究中（Johnson et al., 2012; Makransky et al., 2019; Zhang, 2021）。然而，尽管这一原则起源于学习领域，但在消费者神经科学中的研究仍然有限。通过分析眼球运动，消费者神经科学为选择性注意力的机制提供了宝贵的见解（Resnick & Albert, 2014）。然而，对某一元素的先前关注并不自动意味着其后续的编码或意识感知。从消费者神经科学的角度来看，注意力捕获仅代表信息处理的第一个阶段，必须与记忆巩固和显性评估的后续阶段区分开来（Missaglia et al., 2017）。当刺激涉及虚构或不熟悉的品牌时，这种区分尤为重要（Folkvord et al., 2020）。

综上所述，这些发现强调了面孔在说服性沟通策略中的核心作用，包括三个步骤：首先，面孔作为注意力中介，可能通过注视人类面部特征的次数引发自动的定向反应；其次，围绕面孔的焦点锚点效应可能促进对附近元素的更大视觉关注；最后，由于面孔的注意力线索引发的增加的视觉注意力，广告的可见性可能会提高。在这一系列控制视觉注意力的认知机制中，场景或事件本身的显著性在促进对特定元素的视觉注意力方面起着关键作用（Mancini et al., 2022），尤其是靠近面孔的元素。面孔可以作为自下而上的注意力触发器，通过注视被检测为稳定的视觉锚点。这一线索可能促进自上而下的定向过程，增加对附近对象的关注。当这种注意力转移引发兴趣时，它可能通过更长的停留时间或重访次数来维持参与度，从而抵消习惯化效应并减少广告的忽视。

尽管先前的研究一致表明面孔是强大的注意力锚点，但对于当品牌元素与面孔空间接近时这种偏好的作用机制知之甚少。像Twitch这样的SLSS平台为研究这一机制提供了理想的环境，主播在屏幕上的持续存在使得品牌和创作者可以策略性地利用这种注意力动态，以提高屏幕上赞助元素的沟通效果和注意力效果。

**1.3. 直播叠加：限制与机会**
SLSS平台通过允许用户实时观看各种内容并与社区分享，吸引了大量用户。Twitch.tv是最受欢迎的社交直播平台之一，其内容不仅限于游戏（Sj?blom et al., 2017），还吸引了心理学和商业研究的关注（de Witt et al., 2020; Johnson & Woodcock, 2019a; Pollack et al., 2021）。专业主播通过与中型到大型企业的赞助合作进行直播，经常在直播中展示品牌叠加（Johnson & Woodcock, 2019b）。编辑直播叠加内容使内容创作者能够轻松插入广告（Hamilton et al., 2014）。尽管面孔即使在静态广告中也强烈吸引注意力（Sajjacholapunt & Ball, 2014），但尚不清楚将广告放置在面部摄像头附近是否能在不同类型的内容（如电子竞技或单人游戏）中增强感知效果。为了制定基于证据的有效叠加设计指南，了解用户如何与直播内容互动以及注意力最常指向何处至关重要。直播内容很大程度上取决于游戏或情境，创作者对注意力流动的控制有限（Seo et al., 2018; Mancini et al., 2022）。迄今为止，科学文献主要集中在研究用户观看直播的动机上（Sj?blom & Hamari, 2017; T?rh?nen et al., 2020; Bian & Yang, 2025），而较少关注用户如何关注视觉内容，尤其是品牌元素。最近关于电子竞技游戏的眼动追踪研究表明，广告横幅在显著事件期间会吸引注意力，并影响品牌态度和隐性记忆（Seo et al., 2018; Min et al., 2025）。Mancini et al.（2022）发现，面部摄像头区域比边缘广告横幅获得更多关注，这表明面部邻近性可能提高赞助的可见性。然而，由于他们的研究仅测试了远距离放置和电子竞技游戏，目前尚不清楚与面部的空间接近性是否进一步放大了注意力或品牌感知，或者其他游戏类型是否表现出不同的模式。这是一个关键问题，对于优化叠加式直播广告（OLSA）和确定叠加元素的最佳位置以提高注意力效果至关重要。此外，大多数研究几乎只关注电子竞技游戏，忽视了单人游戏，限制了其对更广泛直播受众的普遍性。

1.4. 研究空白和假设发展
尽管许多研究已经证实了人类面部作为视觉注意力的强大吸引力的作用（Kanwisher等人，1997年；Ro等人，2001年；Visconti & Gobbini，2015年；Finzi等人，2021年），但很少有研究探讨如何战略性地利用这种注意力偏见来在复杂的媒体环境中放置赞助元素（Seo等人，2018年；Mancini等人，2022年；Min等人，2025年）。此外，研究主要集中在电子竞技游戏上，而忽略了单人游戏的重要性，尽管它们在更广泛的直播生态系统中也很重要。我们的研究旨在通过应用消费者神经科学框架中的空间连续性原则来解决这些空白，并检查内容创作者的面部是否作为注意力促进者，引导观众的视觉注意力朝向附近的元素。这通过两个不同的研究核心来探讨。第一个核心通过研究面部作为显著的注意力线索如何隐性地促进视线转移并引导注意力分配到附近的赞助元素上来进行调查，这是通过眼动追踪指标来衡量的（H1-H4）。随后，第二个核心研究连续性原则是否转化为明确的品牌结果，包括记忆、兴趣和购买意图，这是通过自我报告测量来评估的（H5）。

更具体地说，H1测试内容类型如何调节视觉注意力的空间分布（停留时间、注视次数、重访次数），并评估面部作为视觉稳定的锚点。H2测试从面部摄像头到横幅的视线转移是否确认了面部作为朝向附近元素的注意力线索的作用。H3使用相同的指标量化了横幅与面部之间的空间接近性所促进的视觉注意力。H4研究场景显著性如何调节这种接近效应，在情绪激动或与目标相关的时刻增强注意力。最后，H5通过自我报告测量来研究随后的品牌影响阶段（兴趣、购买意图和回忆）（见表1）。

表1. 研究问题和假设的总结，相关方法、刺激和指标。

研究问题（RQ）假设方法相关刺激指标
RQ1：在直播中，观众对游戏内容的视觉探索是否因使用的游戏内摄像头类型（平台游戏 vs. 电子竞技）而有所不同？
H1a：在以中央固定摄像头为特征的平台游戏中，观众的注意力预计主要集中在屏幕的中心区域。
眼动追踪器网格化AOI停留时间（毫秒）
H1b：在采用等轴测视角的电子竞技游戏中，观众的注意力预计会更广泛地分布在周边区域。
眼动追踪器网格化AOI停留时间（毫秒）
H1c：在电子竞技游戏中，观众的注意力预计会更集中在面部摄像头上，而不是平台游戏中。
眼动追踪器面部摄像头注视次数（次数）重访次数（次数）停留时间（毫秒）

RQ2：将赞助横幅放置在靠近面部摄像头的位置是否由于面部的存在而促进了从面部摄像头到横幅的视线转移？
H2：放置在靠近面部摄像头的广告横幅比放置在距离主播面部较远区域的横幅获得更多的视觉转移次数。
眼动追踪器面部摄像头到横幅的转移次数（次数）

RQ3：横幅与面部摄像头的接近性是否显著增加了对它的视觉注意力？
H3：放置在靠近面部摄像头的广告横幅比放置在距离面部摄像头较远位置的横幅获得更多的注视次数、重访次数和总停留时间。
眼动追踪器横幅注视次数（次数）重访次数（次数）停留时间（毫秒）

RQ4：在显著场景中（例如，当主播得分时），横幅与面部摄像头的接近性是否进一步增强了视觉注意力？
H4：放置在靠近面部摄像头的广告横幅在具有显著场景特征的场景中比在非显著场景中获得更多的注视次数、重访次数和停留时间。
眼动追踪器横幅注视次数（次数）重访次数（次数）停留时间（毫秒）

RQ5：在直播内容中将横幅放置在靠近面部摄像头的位置是否提高了品牌回忆和兴趣？
H5a：与放置在靠近面部摄像头位置的横幅相关的品牌比放置在较远位置的品牌的品牌识别度显著更高。
调查品牌品牌识别度
H5b：与放置在靠近面部摄像头位置的横幅相关的品牌比放置在距离面部摄像头较远位置的品牌的品牌兴趣显著更高。
调查品牌品牌兴趣
H5c：与放置在靠近面部摄像头位置的横幅相关的品牌比放置在屏幕较远位置的品牌的购买意图显著更高。
调查品牌广告品牌购买意图

2. 方法
2.1. 样本
样本包括52名参与者（27名男性，25名女性；平均年龄=29.50岁，标准差=8.34岁），年龄在18-49岁之间，反映了Twitch的活跃年龄范围（Statista，2025年）。大多数是游戏玩家（65.4%）和定期观看游戏内容的人（59.6%），其中61.5%报告饮用能量饮料。样本特征见表2。

表2. 最终样本（N=52）的人口统计特征，包括性别、年龄组、游戏习惯和能量饮料消费情况。

人口统计特征变量类别百分比
性别男性2751.9%
女性2548.1%
年龄18 - 24岁1426.9%
25 - 34岁2650.0%
35 - 44岁815.4%
45 - 49岁47.7%
玩视频游戏是3665.4%
不是1834.6%
观看游戏内容是3259.6%
不是2240.4%
饮用能量饮料是3361.5%
不是2138.5%

参与者被随机分配到实验条件。使用年龄作为因变量，2-way ANOVA确认了实验条件之间的分布（F(1, 48) = 1.51, p = .224, η2 = 0.03），性别（F(1, 48) = 0.01, p = .909, η2 = 0.00），以及实验条件×性别的交互作用（F(1, 48) = 0.55, p = .462, η2 = 0.01）。先验功效分析（GPower 3.1；Faul等人，2009年）表明，为了检测中等交互效应（f = 0.25；α = .05；功效 = .80；Cohen，2013年）在重复测量ANOVA中需要34名参与者。样本增加到54名，以考虑潜在的数据丢失，这与之前的直播研究一致（Duhaime等人，2020年；Mancini等人，2022年；Chen等人，2022年，2023年；Baek等人，2025年）。后来有两名参与者因数据质量问题被排除，最终样本为52名。该研究获得了伦理委员会的批准（n. 0033687，2025年4月24日），并按照赫尔辛基宣言和GDPR进行。参与者提供了知情同意。

2.2. 材料
2.2.1. 内容
选择了两款代表不同内容类型的游戏：Crash Bandicoot: N. Sane Trilogy（平台游戏；Swacha，2025年；EA FC 2025年；电子竞技；Jenny等人，2024年）。选择标准：（1）主播参与的真实性，以及（2）情感变化的有限性。平台游戏的第三人称视角和电子竞技的等轴测足球模拟确保了生态有效性。避免了外国联赛团队的国家偏见。游戏特性定义了视频的持续时间，以保持真实性。初步试验显示平台游戏的完成时间为2:50–3:35，选择了3:14的片段，以反映真实的完成时间和节奏。电子竞技的最小半场比赛持续时间（4:00）决定了刺激长度，确保了内容类型之间的生态有效性。

2.2.2. 主播解释
为了在保持实验控制的同时确保生态有效性，一名非主播演员执行了游戏片段，始终表现出一致的非语言行为。演员签署了书面知情同意书和图像发布表格。视频版本使用FaceReader（iMotions）进行分析，以分类情感价值（积极、中性、消极）。在预测试中，九十八名参与者对主播的语气进行了评分（9点量表），确认了两种游戏条件之间的显著差异（平台游戏：F(2,95) = 36.60, p < .001；电子竞技：F(2,95) = 18.00, p < .001）。选择了中性版本，以最小化情感和非语言混淆，并隔离品牌放置效果（Zeelenberg等人，2006年）。详细信息见附录A。

2.2.3. 品牌
选择能量饮料作为品牌赞助，因为它们在直播中很常见（Edwards等人，2022年）。创建了五个虚构品牌，并与45名参与者进行了预测试（Perneger等人，2015年），以确认真实性和类别一致性。Energy Boost和Apex Fuel被一致地识别为能量饮料（p < .001）并被选中。分析了这两个标志的亮度、对比度和色彩度，以确认感知等效性。虚构但可信的品牌允许控制赞助操作，同时不损害与Twitch实践一致的生态真实性（Holden & Vanhuele，1999年；Hsu & Chiu，2025年）。详细信息见附录B。

2.2.4. 实验刺激
严格的开发和验证过程，包括对用于开发和编辑最终刺激的各个元素的预测试，使我们能够保持研究的内部有效性。最终视频刺激在一个自定义平台上编辑，以复制Twitch.tv，以提高生态有效性并模拟平台的内容。观众数量设置为38人，聊天通过电影模式被禁用（Shi等人，2024年）。面部摄像头在所有刺激中都稳定地放置在右上角。根据实验条件，品牌广告被放置在靠近（右上角）或远离（左下角）面部摄像头的位置。这种设计与独立主播的做法和品牌整合平台（如inStreamly（2025a）一致）。横幅的持续时间为25秒，遵循Min等人（2025年）的建议，他们在多品牌电子竞技环境中使用了15秒的展示时间。在平台游戏中，横幅出现了5次（3:14分钟），在电子竞技游戏中出现了6次（4:00分钟），占总持续时间的约56%，每次展示25秒（最后一次插入10秒）。横幅每20秒出现一次，从开始后5秒开始，大小保持不变（X = 29%，Y = 29%），以避免感知偏差。在电子竞技中，GOAL（50秒）和NO-GOAL（75秒）片段允许测试不同场景中的横幅效果。时间和横幅展示时间见表3。所有这些程序都经过精心设计，以在实验控制和生态有效性之间取得平衡，允许系统地操纵高度动态和多变的社交媒体内容。

表3. 不同内容类型的刺激持续时间总结，显示了每个视频的总片段长度、横幅可见时间以及相对展示百分比。
刺激片段持续时间（秒）横幅展示时间（秒）总横幅百分比
目标场景（秒/%）非目标场景（秒/%）
平台游戏19411056.70%
——电子竞技24013556.25%50/20.8%75/31.3%

2.3. 实验设计和条件
采用了2×2混合因子设计：组（接近 vs. 远离）在受试者之间进行操纵，而内容（平台游戏 vs. 电子竞技）在受试者内部进行操纵（图2）。参与者被随机分配到两个实验组条件之一：
●接近（PROXIMITY）：横幅广告直接放置在面部摄像头下方；
●远离（D）：横幅位于屏幕的左下角。

下载：下载高分辨率图片（102KB）
下载：下载全尺寸图片

图1. 研究的概念模型。横幅接近性（视觉锚点）和内容类型（平台游戏 vs. 电子竞技）影响视觉注意力，进而影响品牌影响。

下载：下载高分辨率图片（531KB）
下载：下载全尺寸图片

图2. 实验条件。A）接近 B）远离；1）平台游戏内容；2）电子竞技内容。为了隐私，演员的面部和Twitch个人资料被模糊处理。

参与者被随机分配到组间条件以及品牌呈现的顺序（Energy Boost后跟Apex Fuel，或相反），使用Microsoft Excel（RANDOM函数）在参与者层面进行随机化和平衡，以确保两种可能的品牌顺序的平衡展示。在每个参与者内部，内容顺序（平台游戏和电子竞技视频）由iMotions软件自动随机化，从而防止系统顺序效应。这些程序确保了实验条件的平衡展示和适当的平衡。

2.4. 眼动追踪数据
使用iMotions软件v. 10.0来传递刺激、进行调查并同步眼动追踪数据。原始注视数据以150 Hz的频率使用Tobii Pro Spectrum条形仪（Tobii LLC）记录，使用iMotions的R笔记本默认参数进行处理（iMotions，2022年），并在兴趣区域（AOI）进行分析。

2.4.1. 信号预处理
使用I-VT（通过速度阈值识别）算法（阈值 = 30°/s；窗口 = 20 ms）来识别注视和扫视，如先前的研究所示（Minen等人，2023年；Sqalli等人，2023年；Lal等人，2024年）。持续时间少于60 ms的注视被排除，相邻注视在0.5°和75 ms内的被合并以防止碎片化。持续时间少于<75 ms的间隙被线性插值以确定眨眼（Wang和Cho，2022年）从样本中排除，导致3.7%的数据丢失。对于剩余的有效参与者（52名），注视数据的平均有效AOI样本率为97.3%。

2.4.2. 兴趣区域（AOI）
为横幅（仅在可见时激活）和面部摄像头（在整个刺激期间激活）定义了动态AOI，允许定量提取可见性和显著性指标（Russo等人，2021年）。附录C展示了每个刺激的AOI的时间线。动态兴趣区域（AOIs）的尺寸和时间转换与横幅屏幕上元素的出现相对应（如实验刺激部分所述，最大尺寸约为320 × 70像素），以及在整个内容播放期间始终开启的面部摄像头（覆盖固定区域360 × 205像素）。由于面部摄像头和横幅区域位于屏幕的不同、不连续的位置，因此动态AOIs之间没有空间重叠。因此，不需要层次化的排序规则来解决AOI重叠问题（图3）。每个刺激还被划分为九个网格化的AOIs（3×3：从下到上分别为左-中-右 × 1-3），以映射整个内容中的空间注视分布（图4）。从实验角度来看，使用动态AOIs是本研究的方法论优势。这种方法不仅保留了生态有效性，再现了实时流媒体环境中叠加内容的瞬变和可变性，还提高了数据质量和可解释性。

下载：下载高分辨率图片（541KB）
下载：下载全尺寸图片

图3. 面部摄像头和横幅的动态兴趣区域（AOIs）：A）接近；B）远离；1）平台游戏内容；2）电子竞技内容。

下载：下载高分辨率图片（322KB）
下载：下载全尺寸图片

图4. 应用于平台游戏和电子竞技内容的3 × 3网格化AOI布局，用于分析视觉注意力的空间分布。

2.4.3. 统计量
为了考虑不同刺激之间的曝光时间差异（平台游戏 = 110秒；电子竞技 = 135秒；有目标 = 50秒；无目标 = 75秒），所有注视指标均使用广义线性混合模型（GLMMs）和线性混合模型（LMMs）进行分析，并包括与横幅可见时间成比例的对数转换偏移量。这种标准化使得不同内容和场景持续时间之间的注意力率可以进行比较。分析的指标包括：
●注视次数：首次注视后在一个AOI内的总注视次数，表示初始的注意力捕获和视觉采样的频率；
●重访次数：在初次视觉接触后返回同一AOI的注视次数，反映了注意力转移后的持续兴趣和重新参与；
●停留时间（毫秒）：参与者在AOI内花费的绝对时间，用于衡量视觉处理和编码的累积深度；
●转换：定义为从面部摄像头AOI内的一个注视点直接跳转到横幅AOI内的下一个注视点的过程，通过iMotions自动提取，表明刺激中的注意力提示的有效性。

采用这些眼动追踪指标可以客观量化具有多个同时出现在屏幕上的元素的实时流媒体环境中的视觉注意力。为了验证假设1-4，这些注视测量方法考察了注意力在内容中的分布情况，并评估面部作为提示是否有助于目标元素的观看。

2.5. 自我报告
参与者在iMotions软件平台内完成了四个经过验证的自我报告量表（附录D）。品牌识别（BR）量表改编自Min等人（2025年），用于评估横幅广告的位置是否影响参与者在一系列干扰项中正确回忆虚构品牌的能力。当参与者选择了之前看到的刺激中显示的品牌时，回答被视为正确。广告侵入性（AI）量表（Li等人，2013年）通过7点李克特量表（1 = 强烈反对到7 = 强烈同意）评估了观看内容时对横幅广告的感知侵入性。广告品牌购买意向（ABPI）量表由Anubha和Jain（2024年）开发，通过3项7点李克特量表，用于评估参与者在游戏环境中购买所展示品牌的意向。品牌兴趣（BI）量表（Machleit等人，1990年）通过4项7点李克特量表，用于衡量参与者对之前未知品牌的好奇心和了解意愿。该量表特别适用于虚构品牌，因为参与者无法表达对他们预先存在的态度。因此，使用传统的品牌态度测量方法在方法论上是不合适的。每个量表都针对游戏内容进行了两次测量。所有测量工具都按照Brislin（1970年）的回译程序翻译成目标语言，确保了语言和概念上的等效性。

使用这些维度可以量化赞助品牌对屏幕的影响。在实验设计中，这些测量结果使我们能够通过考察与面部的接近程度来回答假设5，即这种接近程度如何增加品牌感知。

2.6. 实验方案
参与者被欢迎并引导至实验室，在那里他们收到了研究信息并签署了知情同意书。之后，他们坐在一台23.8英寸的PC显示器（Eizo KK生产的FlexScan EV2451，日本Hakusan）前，与眼动追踪设备保持适当距离。接下来，进行了眼动追踪工具的校准阶段。然后向参与者说明：“一位朋友邀请你观看某个主播的直播。放松并享受节目。”平台游戏和电子竞技视频按随机顺序播放。实验阶段完成后，参与者填写了自我报告问卷。整个过程每位参与者大约需要20分钟。图5显示了分为不同实验条件的实验方案图。

下载：下载高分辨率图片（216KB）
下载：下载全尺寸图片

图5. 实验方案顺序。

下载：下载高分辨率图片（528KB）
下载：下载全尺寸图片

图6. 网格化AOI结果。A）平台游戏；B）电子竞技。红色 = 无显著性，绿色 = 有显著性，黄色 = 两种内容均无显著性。

2.7. 统计分析
鉴于本研究采用重复测量设计，使用GLMM和LMM来考虑受试者内部的依赖性。与重复测量方差分析（ANOVA）相比，选择混合模型是为了纳入随机截距，以模拟视觉注意力的基线个体差异，从而避免因观察值不独立而导致的I型错误膨胀。此外，混合模型的分布灵活性通过适当的分布链接函数对来处理不同类型的因变量（计数和连续测量）。统计分析在RStudio（2025.05.0，Build 496）中使用R包lme4（Bates等人，2015）进行GLMM和LMM分析，以及使用glmmTMB进行零膨胀模型分析。根据结果类型选择分布链接函数对：对于计数变量（注视次数、重访次数、转换），使用glmer()拟合带有对数链接的Poisson GLMM；对于横幅转换，由于零值比例较高，使用glmmTMB()拟合零膨胀Poisson（ZIP）模型；对于连续问卷变量，使用lmer()拟合高斯LMM；对于品牌识别，使用glmer()拟合带有logit链接的二项式GLMM。对于停留时间，由于其右偏分布，数据进行了对数转换，然后使用lmer()拟合高斯LMM。

所有模型都包括内容类型（平台游戏、电子竞技）和广告位置（接近、远离）作为固定因素，以及它们的交互项。最初使用最大模型（1 + 内容 | 受试者）测试随机效应结构，但由于多次分析中出现非收敛和奇异性问题，采用了简化的随机截距结构（1 | 受试者），遵循简约原则（Bates等人，2015）。使用DHARMa系统地评估了模型假设和残差诊断。所有模型均无奇异性警告地收敛。眼动追踪指标的分析包含了刺激暴露时间的偏移项，暴露时间从秒转换为分钟并作为偏移量（LOG(EXPOSURE_TIME）输入。这种方法确保结果以每分钟的暴露率进行解释，从而可以直接比较不同长度的视频。使用Cronbach's alpha（Nunnally，1978）和McDonald's Omega（McDonald，1999）评估了平均问卷项目的内部可靠性（附录D）。使用Shapiro–Wilk检验来评估眼动追踪和自我报告测量的正态性假设。正态性检验的结果和描述性统计表包含在补充材料中。统计显著性阈值设定为α = .05，并应用Holm的顺序校正（Holm，1979）来控制每个因变量家族内的家族错误率。

3. 结果
3.1. 网格化AOI
使用九个LMM分析了整个内容中的视觉注意力模式，每个网格区域一个模型。DHARMa诊断测试显示C_2的均匀性问题以及C_2和R_2的异常值存在。使用带有对数链接的Gamma分布重新拟合的模型并未改善诊断结果。这些异常可能反映了这些特定区域的高视觉显著性，吸引了不成比例的注视时间，导致偏离预期分布。用于预测在游戏内容上花费时间的模型如下：
网格化区域 ～ 组别 * 内容 + 偏移量（LOG(EXPOSURE_TIME） + (1 | 受试者）
在中间行，平台游戏在C_1上的停留时间更长（exp(β) = 0.55，pholm < .001，95% CI [0.46, 0.64]）和C_2（exp(β) = 0.84，pholm < .001，95% CI [0.78, 0.90]），而电子竞技在C_3上的停留时间更高（exp(β) = 2.36，pholm < .001，95% CI [1.94, 2.87]）。内容的右侧区域显示电子竞技在R_1上的注意力增加（exp(β) = 2.11，pholm = .009，95% CI [1.31, 3.39]），但在R_2（exp(β) = 1.19，pholm = .057，95% CI [1.00, 1.41]）和R_3（exp(β) = 1.41，pholm = .057，95% CI [1.04, 1.92]）上没有这种效果。内容的左侧区域显示电子竞技在L_1（exp(β) = 2.26，pholm = .003，95% CI [1.44, 3.55]）和L_3（exp(β) = 3.17，pholm = < .001，95% CI [2.28, 4.40]）上的注意力增加，而平台游戏在L_2（exp(β) = 0.78，pholm = .009，95% CI [0.66, 0.91]）上的停留时间更长。没有出现组别或组别 × 内容的交互作用。表4报告了内容对网格化AOI内眼动追踪指标的影响。

表4. ESPORTS与PLATFORMER的DWELL_TIME（Log-Normal LMM）效应大小exp(β)。

表4. 内容对九个网格化区域停留时间的影响
AOI 内容 效应 exp(β) 95% CI p(Holm)
下限 上限
C_1 平台游戏 > 电子竞技 0.55 0.46 <.001 ***
C_2 平台游戏 > 电子竞技 0.84 0.78 <.001 ***
C_3 电子竞技 > 平台游戏 2.36 1.94 2.87 <.001 ***
R_1 电子竞技 > 平台游戏 2.11 1.31 3.39 0.009 **
R_2 电子竞技 > 平台游戏 1.19 1.00 1.41 0.057
R_3 电子竞技 > 平台游戏 1.41 1.04 1.92 0.057
L_1 电子竞技 > 平台游戏 2.26 1.44 3.55 0.003 **
L_2 平台游戏 > 电子竞技 0.78 0.66 0.91 0.009 **
L_3 电子竞技 > 平台游戏 3.17 2.28 4.40 <.001 ***
注：exp(β)为电子竞技与平台游戏的效应大小。p_holm值经过Holm校正以消除多重性。*** p < .001，** p < .01，* p < .05

3.2. 面部摄像头
使用GLMM分析了整个内容中的视觉注意力，对计数测量应用Poisson分布，对连续测量应用高斯LMM。在任何DHARMa诊断测试中均未发现违规情况。模型结构如下：
注视次数 / 重访次数 / 停留时间 ～ 组别 * 内容 + 偏移量（LOG(OFFSET_MIN） + (1 | 受试者）
在注视次数方面，内容的固定效应具有统计学意义（IRR = 1.31，SE = 0.06，pholm < .001，95% CI [1.16, 1.48]）。组别效应（IRR = 1.12，SE = 0.17，pholm = 1.000，95% CI [0.81, 1.56]）和组别 × 内容交互作用（IRR = 0.96，SE = 0.08，pholm = 1.000，95% CI [0.81, 1.13]）不显著。边际R2 = 0.04证实了内容的固定效应，而条件R2 = 0.70。对于重访次数，内容的固定效应具有统计学意义（IRR = 1.24，SE = 0.08，pholm = .041，95% CI [1.07, 1.45]）。组别效应（IRR = 1.13，SE = 0.18，pholm = 1.000，95% CI [0.79, 1.61]）和交互作用（IRR = 0.96，SE = 0.10，pholm = 1.000，95% CI [0.78, 1.17]）均不显著。边际R2 = 0.02，而条件R2 = 0.62。对于停留时间（毫秒），内容の固定效应在Holm校正后不具有统计学意义（exp(β) = 1.55，SE = 0.16，pholm = .061，95% CI [1.12, 2.14]），组别效应（exp(β) = 1.18，SE = 0.22，pholm = 1.000，95% CI [0.76, 1.83）和交互作用项（exp(β) = 1.02，SE = 0.23，pholm = 1.000，95% CI [0.65, 1.60）也不显著。边际R2 = 0.08，而条件R2 = 0.53。表5报告了内容对面部摄像头眼动追踪指标的影响。

表5. 内容（电子竞技 vs 平台游戏）对面部摄像头视觉注意力的固定效应。效应大小以重访次数（IRR）和注视次数表示，停留时间（毫秒）以指数化系数（exp β）表示。

表5. 内容对面部摄像头视觉注意力的固定效应。效应大小以发生率比率（IRR）表示重访次数和注视次数，以指数化系数（exp β）表示停留时间（毫秒）。

表5. 内容对面部摄像头视觉注意力的固定效应。3.5. 广告效果
通过高斯线性混合模型（GLMM）分析了整个内容中的视觉注意力，对计数测量使用泊松分布，对连续测量使用高斯线性混合模型（Gaussian LMM）。DHARMa诊断测试揭示了泊松模型在“重访次数”变量上的分布问题。因此，采用了零膨胀泊松（ZIP）模型，该模型成功收敛，并且DHARMa诊断没有发现违规情况。模型结构如下：
注视次数 / 重访次数 / 停留时间 ～ 组别 * 内容 + 偏移量（OFFSET_MIN） + （1 | 受试者）
在注视次数方面，组别效应（IRR = 1.64，SE = 0.16，pholm = .010，95% CI [1.19, 2.25]）和内容效应（IRR = 1.65，SE = 0.10，pholm < .001，95% CI [1.35, 2.00]）具有统计学意义。组别与内容的交互作用没有达到显著性（IRR = 0.81，SE = 0.13，pholm = .135，95% CI [0.63, 1.04]）。边际R2 = 0.17，条件R2 = 0.62。至于重访次数，组别效应（IRR = 2.22，SE = 0.19，pholm < .001，95% CI [1.53, 3.23]）和内容固定效应（IRR = 1.84，SE = 0.17，pholm = .001，95% CI [1.33, 2.55]）是显著的。组别与内容的交互作用没有达到显著性（IRR = 0.69，SE = 0.20，pholm = .135，95% CI [0.47, 1.01]）。边际R2 = 0.10，条件R2 = 0.16。对于停留时间（毫秒），组别固定效应（exp(β) = 3.20，SE = 0.22，pholm < .001，95% CI [2.10, 4.88]）和内容固定效应（exp(β) = 2.64，SE = 0.17，pholm < .001，95% CI [1.88, 3.71]）是显著的。组别与内容的交互作用没有达到显著性（exp(β) = 0.61，SE = 0.24，pholm = .135，95% CI [0.38, 0.98]）。边际R2 = 0.38，条件R2 = 0.60。表7展示了直播期间广告的所有主要效应。

表7. 广告对视觉注意力的固定效应。效应大小以重访次数的发生率比率（IRR）和停留时间的指数化系数（exp β）表示。
广告 固定效应
变量 效应大小 95% CI p值
注视次数 组别效应（接近 > 远离） 1.64 1.19 2.25 0.010*
注视次数 内容效应（电子竞技 > 平台游戏） 1.65 1.35 2.00 <.001***
注视次数 组别 × 内容 0.81 0.63 1.04 0.135
重访次数 组别效应（接近 > 远离） 2.22 1.53 3.23 <.001***
重访次数 内容效应（电子竞技 > 平台游戏） 1.84 1.33 2.55 0.001**
重访次数 组别 × 内容 0.69 0.47 1.01 0.135
停留时间 组别效应（接近 > 远离） 3.20 2.10 4.88 <.001***
停留时间 内容效应（电子竞技 > 平台游戏） 2.64 1.88 3.71 <.001***
停留时间 组别 × 内容 0.61 0.38 0.98 0.135

注：
效应大小：注视次数（泊松）和重访次数（ZIP）的IRR；停留时间（对数正态LMM）的exp(β)。
p_holm值经过Holm校正以处理多重性。*** p < .001，** p < .01，* p < .05

3.6. 突出场景
使用GLMM分析了整个内容中的视觉注意力，对计数测量使用泊松分布，对连续测量使用高斯线性混合模型（Gaussian LMM）。在任何DHARMa诊断测试中均未发现违规情况。模型结构如下：
注视次数 / 重访次数 / 停留时间 ～ 组别 * 突出场景 + 偏移量（OFFSET_MIN） + （1 | 受试者）
对于注视次数，组别效应（IRR = 1.27，pholm = .705，95% CI [0.92, 1.75]）和突出场景效应（IRR = 1.20，pholm = .705，95% CI [0.94, 1.54]）以及它们的交互作用（组别 × 突出场景：IRR = 1.08，pholm = 1.000，95% CI [0.79, 1.49]）均未达到显著性。边际R2 = .08，条件R2 = .56。对于重访次数，突出场景效应（IRR = 1.72，pholm = .272，95% CI [1.03, 2.89]在校正前具有统计学意义，但在Holm调整后不再显著，仅表明在目标导向场景中重访次数有增加的趋势。组别效应（IRR = 1.56，pholm = .645，95% CI [0.91, 2.67]和交互作用（IRR = 1.39，pholm = .920，95% CI [0.74, 2.63]均未达到显著性。边际R2 = .23，条件R2 = .42。对于停留时间，组别效应（exp(β) = 1.90，pholm = .071，95% CI [1.20, 3.02]和突出场景效应（exp(β) = 1.84，pholm = .090，95% CI [1.16, 2.93]在未校正水平上显著，但在Holm校正后不再显著。组别与突出场景的交互作用不显著（exp(β) = 0.81，pholm = 1.000，95% CI [0.43, 1.52]）。边际R2 = .17，条件R2 = .23。

3.6. 自我报告
为了分析观看刺激后的品牌影响，使用高斯线性混合模型（GLMM）分析了连续测量（AI、ABPI和BI），并使用逻辑链接的二项式GLMM分析了二项式测量（BR）。ABPI和BI的模型显示出单一拟合（ICC = 0），表明受试者之间的变异性可以忽略不计。所有模型都成功收敛，DHARMa残差诊断表明一些自我报告模型（AI、ABPI和BI；ps ≤ .005）存在偏离均匀性和分散性的问题，而品牌识别模型的拟合令人满意（所有ps > .20）。尽管有这些警告，但没有检测到零膨胀或异常值。为了评估结果的稳健性，使用带有对数链接分布的GLMM和非参数测试进行了重复分析。用于预测在突出场景中广告注意力的模型结构如下：
AI / ABPI / BI / BR ～ 组别 * 内容 + （1 | 受试者）
对于广告侵入性，组别固定效应（β = 0.16，SE = 0.28，pholm = 1.000，95% CI [-0.40, 0.71]）、内容固定效应（β = 0.09，SE = 0.14，pholm = 1.000，95% CI [-0.19, 0.37]和组别 × 内容（β = -0.09，SE = 0.20，pholm = 1.000，95% CI [-0.48, 0.29]没有统计学意义。边际R2 = 0.004，条件R2 = 0.761。对于广告品牌购买意图，组别固定效应（β = -0.05，SE = 0.24，pholm = 1.000，95% CI [-0.53, 0.42]、内容固定效应（β = -0.16，SE = 0.25，pholm = 1.000，95% CI [-0.64, 0.32]和组别 × 内容交互作用（β = 0.16，SE = 0.34，pholm = 1.000，95% CI [-0.51, 0.83]没有统计学意义。边际R2 = 0.004，条件R2 = 0.004。对于品牌兴趣，组别固定效应（β = 0.14，SE = 0.29，pholm = 1.000，95% CI [-0.42, 0.71]、内容固定效应（β = -0.39，SE = 0.29，pholm = 1.000，95% CI [-0.97, 0.19]和组别 × 内容交互作用（β = 0.13，SE = 0.41，pholm = 1.000，95% CI [-0.67, 0.93]没有统计学意义。边际R2 = 0.034，条件R2 = 0.034。

4. 讨论
研究结果提供了两个与视觉注意力相关的关键见解，这些见解来自眼动数据，以及一个关于记忆和品牌兴趣的明确自我报告的见解。首先，无论流媒体视频游戏的类型如何，脸摄像头始终吸引视觉注意力。其次，将赞助商放置在靠近脸摄像头的位置显著增加了对品牌的视觉注意力。第三，这种接近性并不自动转化为更高的品牌识别度，表明视觉曝光和品牌回忆之间存在明显区别。这些结果共同表明，靠近主播面部的元素获得了更多的注意力，因为人脸是一个强烈的注意力线索。然而，这种效应并不一定转化为广告效果。表8总结了研究中所有研究假设的响应。

表8. 该表报告了所有研究假设、相应的因变量测量结果，以及根据模型结果每个假设是得到支持、部分支持还是不支持。
假设 总结 假设描述 因变量 统计结果 是否得到支持
H1a 在平台游戏中，注意力集中在中心区域 停留时间 LMM p < .01 支持
H1b 在电子竞技内容中，注意力分布在边缘区域 停留时间 LMM p < .01 支持
H1c 电子竞技中的脸摄像头比平台游戏获得更多注意力 注视次数、重访次数 LMM和GLMM p < .05 支持
H2 靠近脸摄像头增加了从脸摄像头到广告的转换次数 转换次数 GLMM p = .001 支持
H3 靠近脸摄像头增加了对广告的注意力 注视次数、重访次数、停留时间 LMM和GLMM p < .01 支持
H4 靠近突出场景（目标）增加了广告注意力 注视次数、重访次数、停留时间 LMM和GLMM n.s. 不支持
H5a 接近性提高了品牌识别度 品牌识别度 GLMM n.s. 不支持
H5b 接近性增加了品牌兴趣 品牌兴趣 LMM n.s. 不支持
H5c 接近性增加了购买意图 广告品牌购买意图 LMM n.s. 不支持
游戏内容的类型显著影响了观众的视觉探索。在平台游戏视频中，固定的第三人称视角将注意力集中在屏幕的中心区域。相比之下，电子竞技的等距视图促进了更广泛和更信息驱动的注视分布到边缘区域。脸摄像头区域及其下方的区域没有显著的内容效应，表明这些区域在两种内容类型中获得了相似的视觉注意力。脸摄像头停留时间的非显著内容效应与网格区域分析的结果一致，证实该区域无论内容如何都保持了稳定的注意力。从理论角度来看，这些发现与视觉显著性模型（Itti & Koch, 2001）一致，特别是在动态视觉内容的背景下，运动是注意力分配的主要驱动因素（Mital et al., 2011）。当应用于带有游戏刺激的SLSS背景时，这一框架可以解释等距电子竞技内容如何通过在屏幕上不断移动的动作创造出分散的视觉注意力模式。相比之下，第三人称平台游戏由于游戏玩法集中在屏幕的中心区域而保持集中的注意力。主播的脸部区域始终是一个稳定的注意力焦点，在电子竞技条件下表现出更高的注视和重访率。没有显著的组别或交互作用效应，表明广告位置本身并不影响对脸摄像头的注视分配。这进一步强化了脸摄像头作为流媒体界面中稳定注意力锚点的角色。使用中立且不熟悉的主播的方法消除了与熟悉度或准社会互动相关的潜在混淆（Wulf et al., 2021），突出了脸作为注意力磁铁的作用。虽然大多数先前的研究都集中在玩家在活跃游戏过程中的注视行为（Sundstedt, 2012; Wang et al., 2024; Yang et al., 2025），但当前结果阐明了观众在流媒体游戏内容期间如何分配视觉注意力。此外，先前的研究表明，面部摄像头能够满足观众的社会和真实性需求（Ghosh & Tripathi, 2025），这证实了面部摄像头作为一个感知和固定的注意力参考点，可能会影响观众在场景中的视线分配。在SLSS（流媒体直播服务）中，主播会设计个性化的叠加层，这些叠加层成为他们视觉标识的一部分，其中面部摄像头是最稳定和最具辨识度的元素。它既作为界面的一个恒定特征，也作为观众的感知锚点。在这个框架下，内容类型决定了整体的注意力动态，而靠近面部摄像头的元素会增强其可见性。这种锚定效应为空间连续性提供了必要的基础，解释了为什么靠近面部摄像头的元素会吸引更多的视觉注意力。这些发现支持了H1假设，即注意力模式会根据内容类型而变化，同时保持对面部摄像头区域的稳定关注。

关于面部摄像头和横幅之间的视线转换的研究发现，接近性具有系统性影响。在P条件下，参与者向横幅的视线转换次数显著多于D条件下的参与者。使用虚构品牌可以消除与熟悉度或先前兴趣相关的混淆（Ou et al., 2025），而亮度和对比度分析也确认了刺激物之间的感知差异并不是导致这种效应的原因。从注意力的角度来看，面部摄像头不仅是一个稳定的视觉锚点，还能吸引观众对相邻品牌元素的注意（Sajjacholapunt & Ball, 2014）。这一效应与面部能够牢固引导视觉注意力的证据一致（Kanwisher et al., 1997; Langton et al., 2008; Palermo and Rhodes, 2007），并且空间连续性有助于处理附近的刺激物（Mayer & Fiorella, 2014; Schroeder & Cenkci, 2018）。总体而言，这些发现完全支持H2假设，即靠近主播面部的横幅会显著增加视觉转换次数，证实了面部接近性在引导观众注意力方面的促进作用，反映了所提出机制的第二步。

P条件下的参与者不仅向横幅的视线转换次数显著更多，而且在注视次数、重访次数和停留时间上也表现出更多的视觉关注。这种效应在各个组和内容类型中都是一致的，其中电子竞技内容的注视次数总体更高。这部分可以归因于电子竞技游戏更密集的信息布局，其中也显示了关键的游戏内信息。然而，接近条件下的参与者始终保持着更高的注意力水平，这证实了面部接近性仍然是视线分配的主要驱动因素（Plassmann et al., 2012; Adil et al., 2018; Ma?as-Viniegra et al., 2020）。这表明面部摄像头的注意力吸引力与电子竞技的高强度和竞争性相结合（Qian et al., 2019），进一步将视觉注意力引向叠加的信息。尽管这本身不能被视为广告效果的充分证据，但它代表了认知和评估处理的早期感知阶段。因此，这些发现支持H3假设，即将横幅放置在内容创作者的面部附近会显著增加视觉注意力，有助于确保感知阶段的形成。

然而，研究结果并不支持H4假设，即靠近面部摄像头的横幅会增强视觉注意力。与Mancini等人（2022）的研究相反，结果并未显示在显著场景中观众对横幅的注视次数增加，也没有发现将其放置在面部摄像头附近会显著提高对广告元素的视觉注意力。缺乏一致的注视和重访效应可能表明，观众的注意力主要集中在显著事件本身上，而不是横幅上（Seo et al., 2018）。在考虑停留时间时，尽管经过Holm校正后统计上不显著，但在接近条件下和目标场景中这一指标更高。这一结果不足以得出面部摄像头接近性与显著事件结合会增强视觉注意力的结论。进一步的研究需要结合主播的情绪价值和他们的实时反应，以更深入地了解事件显著性如何与面部摄像头作为注意力线索的使用相互作用。这些发现不支持H4假设，强调了需要进一步研究这一模式。

文献中的矛盾表明，在流媒体直播环境中，注意力动态的复杂性以及空间接近性、场景显著性和内容类型之间的相互作用需要更系统的研究。与眼动追踪结果不同，自我报告测量显示横幅位置或内容类型没有显著影响。广告侵入性结果表明，无论横幅位置远近，观众都不会感到不适，这表明这两种位置都是中性的广告空间，不会干扰观看体验（Li et al., 2013）。在不同条件下，品牌兴趣、购买意向和品牌识别度没有差异，这一模式在理论上与使用虚构品牌是一致的。在没有先前品牌记忆或情感关联的情况下，仅凭曝光不足以预测购买倾向（Folkvord et al., 2020）。虽然面部接近性增强了视觉注意力，但它并不转化为更深层次的记忆编码或品牌兴趣。这种差异反映了消费者神经科学中的隐性和显性区别（Missaglia et al., 2017）。面部会触发隐性的神经生理反应，自动吸引注意力（Harris et al., 2019; Russo et al., 2023），但并不一定意味着显性的品牌回忆。这些发现不支持H5假设。虽然面部摄像头接近性在注意力层面减少了横幅的忽视，但它并没有促进对未知品牌的深度认知处理。

总之，研究结果表明，利用连续性原则，面部在流媒体直播中作为注意力线索，引导视线和注意力朝向相邻元素。然而，问卷数据中缺乏显著结果表明，仅凭注意力效果并不能保证品牌影响力。在流媒体直播环境中，由于视觉动态快、信息密度高和曝光时间短，通过空间接近性吸引注意力仅反映了说服的第一个感知阶段。一旦确定了有效引导观众视线的注意力线索，这并不自动意味着品牌记忆或回忆。如果没有情感参与或有意义的品牌关联，仅凭注意力并不能转化为记忆巩固或态度改变。因此，尽管面部接近性增强了可见性，但它并不能确保广告效果的持久性，这突显了需要结合注意力线索与情感和认知驱动因素的综合性策略。

面部摄像头不仅作为一个注意力吸引器，还作为一个注意力催化剂，引导观众的视线朝向附近的叠加元素。过渡的IRR效应证实了空间接近性增强了视觉注意力，强调了面部摄像头作为认知锚点的角色。鉴于主播在叠加层设计上的灵活性（Hamilton et al., 2014），将如OLSA这样的叠加元素放置在面部摄像头附近可能会提供明显的注意力优势，这可能是后续品牌识别过程的先决条件（Phua et al., 2023）。与平台游戏内容相比，电子竞技内容在注视次数、重访次数和停留时间上的效应更大，这突显了竞争性游戏的情感强度和观众对主播实时反应的好奇心如何进一步增强了面部摄像头的注意力价值。从应用角度来看，这些发现可能支持动态叠加层的设计，例如事件触发或语音激活的横幅（inStreamly, 2025b），这些横幅可以与游戏中的显著时刻同步显示。将品牌线索与内容驱动的触发器结合，可能有助于将静态放置方式发展为更互动的形式，使赞助与情感高峰相一致，并提高主播面部附近高关注区域的感知价值。总之，这些发现初步表明，主播对其观众视觉注意力模式的了解可能在品牌合作谈判中提供潜在优势，因为他们可以展示叠加层位置如何影响观众对赞助元素的视线方向。相应地，品牌在考虑与主播的合作投资时，可能会将这种基于证据的放置策略视为一个因素，尽管注意力捕获转化为下游营销结果的程度仍有待确定。

这项研究的几个局限性值得考虑，并为消费者神经科学研究指明了新的方向。研究结果提供了关于流媒体直播中叠加元素期间视觉注意力分布的明确证据；然而，这些结果仅涉及早期感知过程，未涉及记忆编码或说服过程。后续研究可以在此基础上进一步探讨流媒体直播环境中的说服机制。平台游戏和电子竞技视频在剪辑长度和横幅插入方面的轻微不对称性反映了游戏生态的真实性，但通过曝光时间偏移进行了统计控制；尽管如此，未来的研究应使用平衡的刺激物、更大的样本和真实品牌来复制这些发现，以增强统计功效和稳健性，特别是对于那些在生态上有效但需要在更受控条件下验证的微弱转换。使用虚构品牌使得可以将注意力机制与先前的熟悉度分离，尽管这限制了外部有效性。未来的研究应包含真实品牌，并招募具有不同品牌熟悉度的参与者，以考察先验知识如何影响注意力分配、记忆和情感处理。此外，主播中立且情绪克制的表演减少了准社会效应，但降低了生态真实性。后续研究应探索不同表达风格、参与程度或具有固定观众群体的真实影响者如何影响注意力和情感反应，以及品牌-内容-主播的一致性。此外，使用Twitch的“电影模式”排除了聊天互动，确保了内部有效性，但降低了生态真实性。未来的研究应在包含社交和准社会线索的互动环境中测试叠加广告，以评估注意力和说服效果。

面部摄像头不仅作为一个注意力吸引器，还作为一个注意力催化剂，引导观众的视线朝向附近的叠加元素。过渡的IRR效应证实了空间接近性增强了视觉注意力，强调了面部摄像头作为认知锚点的角色。鉴于主播在叠加层设计上的灵活性（Hamilton et al., 2014），将如OLSA这样的叠加元素放置在面部摄像头附近可能会提供明显的注意力优势，这可能是后续品牌识别过程的先决条件（Phua et al., 2023）。与平台游戏内容相比，电子竞技内容在注视次数、重访次数和停留时间上的更强效应表明，竞争性游戏的情感强度和观众对主播实时反应的好奇心进一步增强了面部摄像头的注意力价值。从应用角度来看，这些发现可能支持动态叠加层的设计，例如事件触发或语音激活的横幅（inStreamly, 2025b），这些横幅可以与游戏中的显著时刻同步显示广告。将品牌线索与内容驱动的触发器结合，可能有助于将静态放置方式发展为更互动的形式，使赞助与情感高峰相一致，并提高主播面部附近高关注区域的感知价值。总之，这些发现初步表明，主播对其观众视觉注意力模式的了解可能在品牌合作谈判中提供潜在优势，因为他们可以展示叠加层位置如何影响观众对赞助元素的视线方向。相应地，品牌在考虑与主播的合作投资时，可能会将这种基于证据的放置策略视为一个因素，尽管注意力捕获转化为下游营销结果的程度仍有待确定。

这项研究的几个局限性值得考虑，并为消费者神经科学研究指明了新的方向。研究结果提供了关于流媒体直播中叠加元素期间视觉注意力分布的明确证据；然而，这些结果仅涉及早期感知过程，未涉及记忆编码或说服过程。后续研究可以在此基础上进一步探讨流媒体直播环境中的说服机制。平台游戏和电子竞技视频在剪辑长度和横幅插入方面的轻微不对称性反映了游戏的生态真实性，但通过曝光时间偏移进行了统计控制；尽管如此，未来的研究应使用平衡的刺激物、更大的样本和真实品牌来复制这些发现，以增强统计功效和稳健性。使用虚构品牌使得可以将注意力机制与先前的熟悉度分离，尽管这限制了外部有效性。未来的研究应包含真实品牌，并招募具有不同品牌熟悉度的参与者，以考察先验知识如何影响注意力分配、记忆和情感处理。同样，主播中立且情绪克制的表演减少了准社会效应，但降低了生态真实性。后续研究应探索不同表达风格、参与程度或具有固定观众群体的真实影响者如何影响注意力和情感反应，以及品牌-内容-主播的一致性。此外，使用Twitch的“电影模式”排除了聊天互动，确保了内部有效性，但降低了生态真实性。未来的研究应在包含社交和准社会线索的互动环境中测试叠加广告，以评估注意力和说服效果。

总之，该研究通过在真实的流媒体直播模拟中进行的严格控制的实验设计，证明了在内容创作者面部附近战略性地放置叠加元素（如OLSA赞助内容）会显著影响观众的视线行为。在流媒体直播环境中，主播的面部作为一个稳定的视觉锚点，通过空间连续性原则引导注意力朝向相邻元素，从而提高了注意力效率。这一效应代表了信息处理的早期感知阶段，促进了视觉曝光，但不一定意味着说服或态度改变，这些取决于更高层次的认知和情感机制。从理论上讲，这些发现加深了我们对面部作为注意力催化剂的理解，它能够引导注意力朝向空间上接近的元素，并将这一机制扩展到娱乐流媒体直播平台这一未充分探索的领域。虽然这项研究并不旨在提供解决横幅忽视问题的具体方案，但它识别了SLSS中的自然特征，特别是面部摄像头，可以减少对叠加广告的感知忽视。因此，这项研究为未来研究提供了基础，从媒体内容中面部的感知注意力基础出发。实际上，这些结果为品牌和内容创作者提供了可操作的见解。了解哪些叠加区域最有效地吸引注意力，有助于更明智地协商赞助空间和数据驱动的赞助布局优化。公司可以根据内容类型和观众的注意力模式，战略性地决定在哪里放置品牌元素以及与谁合作。总体而言，这些见解有助于以更基于证据的方法设计和整合流媒体直播中的品牌内容。塞巴斯蒂亚诺·阿卡迪（Sebastiano Accardi）：写作——审稿与编辑、写作——初稿撰写、可视化、验证、监督、软件使用、资源获取、项目管理、方法论、调查研究、形式分析、数据整理、概念化
未引用的参考文献：
Electronic Arts，无日期；Esports World Cup Foundation；iMotions，2022年；inStreamly；Jenny等人，2024年；Johnson和Mayer，2012年；Salinas Ruíz等人，2023年；Santos等人，2015年；Schielzeth等人，2020年；Statista，无日期；Swacha，2025年；Visconti di Oleggio Castello和Gobbini，2015年；Wang等人，2025年；De Wit等人，2020年。

数据可用性
支持本研究结果的数据将在收到相应作者的合理请求后提供。

关于写作过程中生成式AI和AI辅助技术的声明
在准备本研究的过程中，作者使用了Claude工具来提升手稿的可读性和语言表达。使用该工具后，我们对内容进行了必要的审阅和编辑，并对出版物的内容负全责。

资金声明
本研究未获得公共部门、商业部门或非营利组织任何资助机构的特定资助。