由眼動看見你的個性

編譯／自由撰稿人 葉姝涵

數據蒐集

50位受測者被要求頭戴眼動儀，在 Flinders 大學校園內走動 10 分鐘，並用 5 澳元預算在他們選擇的校園商店中購買任何物品。返回後即取下眼動儀，蒐集眼球追蹤與錄音紀錄，接著填寫個性和好奇心問卷。
透過問卷評估人格特徵已經行之有年，也有一定可信度。本次實驗採用60題新大五人格量表與感知好奇心(perceptual curiosity)問卷，評估受測者，包括神經質 (neuroticism)、外向性 (extraversion)、開放性 (openness)、適應性 (agreeableness)、責任心 (conscientiousness)、感知好奇心 (perceptual curiosity) 和特性好奇心 (trait curiosity) 等七項人格特質。

眼動資料

排除設備問題或與均值差異過大的偏差值後，原始數據依據以下四個面向進行分類與解讀：

1. 凝視時間：反映受試者注意力停留的時間。
2. 凝視熱點：反映受試者注意力停留的區域。
3. 注視、掃視和眨眼：當人們注視感興趣的物體時，眨眼頻率會降低，而瞳孔擴張。研究人員定義「所有小於500毫秒任兩點間的眼球運動」為「掃視」，反映注意力的改變。
4. 眼跳和注視時間：反映受試者注意力停留的時間。

7個人格特質，則分別依據所填問卷的積分，分為低、中、高三種類別。隨後，藉著由100個決策樹組成的隨機森林分類器，判斷哪些眼動特徵與7項人特質最為相關，最終鎖定 15 種。
憑藉這些眼動模式與特徵，AI在神經質、外向、適應性和責任感等四種人格特質的預測上，優於隨機猜測；但是在開放性和特性好奇心的部分，則無差別。

圖一、藍色柱狀圖是這次研究在各人格分類對應眼動特徵所獲得的分數。機器學習在七項人格特質中，有五項表現優於其他方法和隨機猜測的理論值。（來源：S. Hoppe et al, 2018）

非語言資訊

雖然整體預測準確度尚待提升，但至少在神經質、外向性、適應性、責任心和感性好奇心等人格特質上，人類可以透過機器學習的協助，獲得優於隨機猜測的預測，說明人格特質和眼球運動之間的確存在某種關聯。

此外，由於資料來自於真實的大學校園中，離開實驗室場景，更貼近日常生活的真實互動與情境，使得研究結果更具實用價值。假以時日，若由眼動預測使用者人格特質的技術更臻純熟，或可內建於語音助理中，提供AI非語言的社交資訊，更自然地與人互動。

編譯來源

University of South Australia, “Artificial intelligence can predict your personality … simply by tracking your eyes“, Science Daily, 2018.

參考資料

Sabrina Hoppe, Tobias Loetscher, Stephanie A. Morey and Andreas Bulling, “Eye Movements During Everyday Behavior Predict Personality Traits“, Frontiers in Human Neuroscience, 2018.