机器学习在眼动数据分析中的应用用于预测消费者偏好:以酸奶包装用可食用生物膜为案例研究
《Food Quality and Preference》:Machine learning application in eye tracking data analysis to predict consumer preference: The case study of edible biofilm as yogurt packaging
【字体:
大
中
小
】
时间:2026年07月29日
来源:Food Quality and Preference 5.9
编辑推荐:
•利用眼动追踪数据预测消费者对可食用酸奶包装的偏好。•将K均值聚类应用于注视坐标,以实现食品包装评估中的自动兴趣区域检测。•基于注视的指标与消费者表达的偏好存在显著相关性。•机器学习模型在偏好预测中能达到80%的准确率,并具有不错的召回率。•研究结果为采用基于注视的分析方法来推动
•利用眼动追踪数据预测消费者对可食用酸奶包装的偏好。•将K均值聚类应用于注视坐标,以实现食品包装评估中的自动兴趣区域检测。•基于注视的指标与消费者表达的偏好存在显著相关性。•机器学习模型在偏好预测中能达到80%的准确率,并具有不错的召回率。•研究结果为采用基于注视的分析方法来推动可持续包装的发展提供了依据。
引言
消费者对新型食品的接受度不仅受感官属性和标签的影响,还取决于产品评估过程中的视觉注意力。了解消费者如何通过视觉方式与食品包装互动,有助于深入理解他们的偏好和决策过程。尽管眼动追踪技术是一种强大的非侵入式方法,可用于测量视觉行为,但在预测实际消费者偏好方面的应用仍较为有限。在本研究中,我们探讨了是否可以利用机器学习技术,根据消费者在查看传统包装或可食用生物膜包装的酸奶样本时的视觉注意力数据来预测其偏好。
眼动追踪是一种非侵入性技术,用于监测和记录眼球运动,从而了解人们将视线聚焦在视觉刺激上的位置及持续时间。大多数现代眼动追踪器采用基于摄像头的系统,通过角膜反射和瞳孔运动来确定眼睛位置(Klaib等人,2021年)。由于能够实时捕捉精细的视觉注意力模式,该技术已被广泛应用于心理学(Mele & Federici,2012年)、人机交互(Ware & Mikaelian,1986年)、市场营销(Wang,2019年)以及用户界面设计(Lim等人,2022年)等领域。根据设备和软件的不同,眼动追踪器会记录原始的注视数据,并提取诸如注视点、扫视动作、瞳孔直径和扫描路径等关键视觉注意力指标,这些指标分别反映了视觉处理和认知参与的不同方面(Andrychowicz-Trojanowska,2018年)。在消费者研究中,有三类指标承担了大部分分析工作。注视点是指视线持续停留在某一区域的时段,它反映了持续的注意力,也是衡量人们对视觉元素认知参与程度的主要指标。扫视动作则是指注视点之间的快速移动,它能体现探索性的扫描行为以及获取视觉信息的过程。瞳孔直径则与自主神经系统的兴奋状态和认知负荷有关,在刺激具有情感或动机意义时,这一指标能提供更多有用信息。这三类指标各自对应视觉处理的不同维度,正因如此,本研究才从三类指标中提取特征,而非仅局限于某一类指标进行分析。
影响消费者对新产品感知和接受度的因素有很多,包括产品本身的感官特性(外观、风味、质地、口感)等内在因素,以及产品价格、相关信息及包装等外在因素(Gunaratne等人,2019年)。眼动追踪技术可用于确定消费者对某种产品或服务的偏好。通常是通过开展测试或用户试验来实现这一目的,参与者在观看产品或服务的不同版本时,眼动追踪器会记录他们的眼球运动。为了优化电子商务平台的设计,人们已经运用机器学习算法对眼动追踪数据进行处理,比如注视次数和位置的概率,以及注视的次数和持续时间等数据(Liu等人,2024年)。此外,还可以通过扫描路径和网络分析方法,对屏幕上不同兴趣区域的数据进行处理,以此研究学生的行为模式(Zhu & Feng,2015年)。还有研究通过分析总访问时长和注视指标,来评估在不同测试条件下,以及对于选定食物与未选定食物之间,消费者的注意力倾向(Peng等人,2021年)。另有研究以注视点和注视时长作为眼动追踪数据,考察了三种不同标签形式——食物表格格式、每日建议摄入量格式以及交通灯格式——在帮助消费者做出更理性食物选择方面的效果(Siegrist等人,2015年)。
眼动追踪技术提供了问卷调查和主观评分量表所无法实现的功能:它能够展现消费者在有意识形成偏好之前的决策前视觉处理过程。这正是其在感官科学与消费科学领域的重要价值所在。注视模式可以显示消费者在评估过程中关注了产品的哪些属性,而注视的持续时间则能反映他们关注的程度(Motoki等人,2021年)。不过,注视行为与最终选择之间的关系并非绝对决定性的。在许多情况下,总注视时长与选择之间存在正相关关系(Bialkova等人,2020年;Gidl?f等人,2017年),但注意力也可能仅仅表明消费者对某些陌生属性感兴趣,并不一定会转化为购买行为(Fenko等人,2018年),而且注视行为与隐性注意力也有可能完全脱节(Orquin & Holmqvist,2017年)。首次注视在驱动消费者选择中的作用仍存在争议,而且总注视时长既受偏好影响,也受决策目标的影响(van der Laan等人,2015年)。这些发现并非该技术价值的矛盾之处,而是其应用时的边界条件。注视数据确实含有预测信号,但这些信号会混杂着个体差异、任务效应以及与评估处理无关的由刺激引发的注意力。传统的统计方法,如对少数预定义指标进行组间均值比较,难以区分这些不同的变异来源。注视数据具有高维度、非线性且因人而异的特点,而这正是机器学习能够大显身手的领域。因此,将眼动追踪与机器学习相结合,并非单纯追求方法上的复杂性,而是针对那种传统分析方法难以处理的数据结构而采取的针对性措施。在感官科学与消费应用领域,基于注视的指标(如注视时长和次数)往往承载着主要的预测信号,因为它们反映了与评估处理相关的持续注意力。而扫视动作和瞳孔指标则起辅助作用:扫视动作能够体现探索性的扫描模式,瞳孔直径则反映由静态包装刺激引发的兴奋状态,这种兴奋状态可能存在,也可能不存在。本研究采用了三类指标,以便全面了解消费者的注视特征,同时预计注视指标将在预测中起主导作用。
为了克服传统事件检测和统计建模方法的局限性,越来越多的研究开始将机器学习方法应用于眼动追踪领域。例如,随机森林分类器这类算法可以直接从原始注视数据中对注视点和扫视动作等眼动事件进行分类,这解决了当前方法中常常需要根据数据质量手动调整参数的问题(Zemblys等人,2017年)。其他研究还表明,利用支持向量机和支持深度学习这类分类器,机器学习能够识别出与特定特征相关的注视模式,比如与年龄相关的差异(Dalrymple等人,2019年)。在消费领域,人们将视觉注意力数据与人工神经网络结合,用于评估人们的饮食选择(Schoning & Berkemeyer,2020年),还可通过自动分析注视行为来优化移动广告的设计(Xie等人,2023年)。机器学习还被用于将问卷调查的回复与与食物相关的注视数据相关联(Sun等人,2022年),或者将情绪生物识别技术与眼动追踪结合,用于食品包装的评估(Fuentes等人,2021年)。
尽管这些研究展示了机器学习在丰富眼动追踪分析方面的潜力,但大多数研究仍然依赖研究人员手动定义的兴趣区域。这种做法可能会引入偏差,限制新视觉模式的发现(Motoki等人,2021年)。此外,许多模型侧重于对视觉行为或参与者特征进行分类,而非预测实际的消费者偏好。
基于上述框架,我们设计了一项实验,旨在评估注视行为是否可以作为预测消费者偏好的可靠依据。参与者观察带有传统塑料膜包装和新型可食用生物膜包装的酸奶包装(Koukoumaki, Gkatzionis等人,2024年;Koukoumaki, Papanikolaou等人,2024年)。我们收集了眼动追踪数据并对其进行处理,随后用这些数据训练多个机器学习模型。
据我们所知,这是首项在食品包装评估领域,同时结合自动兴趣区域检测、多变量注视特征以及机器学习分类器的研究。此外,我们还运用传统的感官评估工具,包括问卷调查和偏好测试,对眼动追踪分析结果进行补充,以此检验视觉行为与消费者表达的偏好之间的一致性。本研究的核心目标是判断仅通过视觉注意力,是否就能够可靠地预测消费者对这种新型可食用包装材料的偏好。
材料与方法
本研究是在Koukoumaki, Gkatzionis等人(2024年)先前发表的一项感官实验基础上开展的,那项研究详细介绍了酸奶包装膜、实验流程以及原始数据的收集情况。在本研究中,我们重点开发并评估了一种利用机器学习方法,根据眼动追踪数据预测消费者偏好的技术。
注视数据的聚类与描述性分析
我们对控制组包装膜图像和可食用生物膜图像的注视坐标分别应用了K均值聚类算法。对于控制组包装膜图像,通过轮廓系数确定的最佳聚类数为6,轮廓值为0.53。作为对比,可食用生物膜图像也采用了相同的聚类数(6),其轮廓值为0.52。这样的处理方式确保了每个聚类都对应一个独立的兴趣区域。
讨论
本研究表明,将机器学习应用于眼动追踪数据,能够为了解消费者对新型食品包装的偏好提供有力见解。通过结合自动兴趣区域检测、详细的注视指标以及分类模型,我们在最佳配置下,能够以80%的准确率预测消费者对可食用酸奶包装膜的偏好,且在不同偏好群体中的召回率也较为均衡(若要提高准确率至83%,则需以降低少数群体的预测准确率为代价)。
结论
本文介绍的这套分析流程能够从眼动追踪数据中得出可重复的注意力区域以及针对每个参与者的偏好预测结果,在保留的测试集上,分类准确率为80%。在类别先验比例为70%和30%的二选一强制选择任务中,这一准确率比没有额外信息的基准情况高出约10个百分点——以目前的样本量来看,这是一个相当可观的提升,但在解读其实际意义时,也需要考虑到这一提升的幅度。
CRediT作者贡献声明
Georgios Anthimopoulos:撰写——初稿,软件使用,方法论,正式分析。
Malamatenia Panagiotou:撰写——审阅与编辑,撰写——初稿,方法论。
Danai Ioanna Koukoumaki:撰写——审阅与编辑,研究实施。
Konstantinos Gkatzionis:撰写——审阅与编辑,资源提供,概念构思。
Dimitris Sarris:撰写——审阅与编辑,资源提供。
Efstathios Kaloudis:撰写——审阅与编辑,监督指导,概念构思。
伦理声明
整个研究过程遵循了欧洲市场与意见研究协会(ESOMAR,2015年)制定的伦理准则,并获得了爱琴海大学食品科学与营养系伦理委员会的批准(方案编号:43099)。这包括在所有参与者参与研究之前,获得他们知情且明确的同意,同时确保个人数据得到保护。所有参与者都充分了解了调研的目的以及数据的使用方式。
关于生成式人工智能及人工智能辅助技术在写作过程中的声明
在完成本研究的最终编辑工作时,我们使用了ChatGPT来进一步提升语言表达的流畅性和可读性,同时确保内容保持不变。在使用该工具之后,作者们对内容进行了必要的审阅和修改,并对最终发表的内容负全责。
利益冲突声明
作者们声明,他们不存在任何可能影响本研究结果的已知财务利益或个人关系。
Georgios Anthimopoulos|Malamatenia Panagiotou|Danai Ioanna Koukoumaki|Konstantinos Gkatzionis|Dimitris Sarris|Efstathios Kaloudis
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号