[論文レビュー] The Copenhagen Corpus of Eye Tracking Recordings from Natural Reading of Danish Texts

Nora Hollenstein, Maria Barrett+1 more|arXiv (Cornell University)|Apr 28, 2022

Gaze Tracking and Assistive Technology被引用数 11

ひとこと要約

本論文は、22名の参加者による発話原稿からの1,832文を含む、デンマーク語における自然な読書のための眼動追跡コーパスであるCopCoを紹介する。眼動追跡特徴として、固定時間、飛ばし率、着地位置を提供し、語の長さと頻度が処理に顕著に影響することを示している。これは、言語間で共通するパターンと一致しており、認知的にインスパイアされたNLPおよびデンマーク語の心理言語学的研究にとって貴重なリソースである。

ABSTRACT

Eye movement recordings from reading are one of the richest signals of human language processing. Corpora of eye movements during reading of contextualized running text is a way of making such records available for natural language processing purposes. Such corpora already exist in some languages. We present CopCo, the Copenhagen Corpus of eye tracking recordings from natural reading of Danish texts. It is the first eye tracking corpus of its kind for the Danish language. CopCo includes 1,832 sentences with 34,897 tokens of Danish text extracted from a collection of speech manuscripts. This first release of the corpus contains eye tracking data from 22 participants. It will be extended continuously with more participants and texts from other genres. We assess the data quality of the recorded eye movements and find that the extracted features are in line with related research. The dataset available here: https://osf.io/ud8s5/.

研究の動機と目的

• デンマーク語における大規模かつ生態的妥当性のある自然読書のための眼動追跡コーパスを確立すること。
• 文脈的に豊かな自然なテキストにおけるリアルタイム言語処理の研究を可能にするために、心理言語学的研究を支援すること。
• 認知的プロセッシング効果を反映する眼動追跡特徴を提供することによって、認知的にインスパイアされた自然言語処理を推進すること。
• デンマーク語のような研究がまだ少ない言語においてベンチマークデータセットを提供することで、言語間比較を可能にすること。
• 固定時間や飛ばし率のような gaze-augmented 特徴を通じて、NLPモデルの開発と解釈を支援すること。

提案手法

• コーパスは、発話原稿の文字起こしから構築され、デンマーク語のテキストとして34,897語のトークンを含む1,832文が抽出された。
• 標準化された記録機器を用いて、22名のネイティブ・デンマーク語話者がこれらのテキストを自然に読書する際の眼動追跡データが収集された。
• データ品質を検証するために、最初の固定時間、平均固定時間、総合固定時間、最初のパス時間、および通過時間といった主要な眼動追跡特徴が抽出された。
• 語の長さと頻度を関連付けて、飛ばし率、着地位置、固定時間といった語レベルの特徴をスピアマン順位相関を用いて分析した。
• GECO や ZuCo などの既存コーパスと比較することで、特徴の範囲が他の言語での報告と整合していることを確認した。
• 追加の参加者とテキストジャンル（SNS や Wikipedia コンテンツを含む）を継続的に追加できるように、コーパスは拡張可能に設計されている。

実験結果

リサーチクエスチョン

• RQ1 語の長さと頻度は、デンマーク語の自然な読書における固定行動と飛ばし行動にどのように影響するか？
• RQ2 デンマーク語における眼動追跡パターンは、固定時間と着地位置に関して、言語間の共通する知見とどの程度一致するか？
• RQ3 自然な読書からの眼動追跡特徴は、デンマーク語における認知的プロセッシング効果を信頼性高くモデル化するために使用可能か？
• RQ4 個人差（例：年齢、読解力）は、デンマーク語の読書における眼動追跡パターンにどの程度影響を与えるか？
• RQ5 このコーパスは、デンマーク語における認知的にインスパイアされたNLPモデルの訓練と解釈をどの程度支援できるか？

主な発見

• 語の平均固定回数は1回の出現あたり0.69回（SD = 1.05）であり、固定時間と飛ばし率は、GECO や ZuCo などの類似コーパスで観察された範囲内に収まっている。
• 語の長さが長いほど、固定の可能性が著しく高くなる。語の長さと着地位置インデックスの間には強い正の相関（スピアマンのrho = 0.90、p < 0.0001）が確認された。
• 頻度の高い語はより多く飛ばされる。参加者全体の飛ばし率は0.29から0.58の間であり、高頻度語がより効率的に処理されていることを示している。
• 語の頻度が高くなるほど、語に固定される割合が減少する。これは、頻度がデンマーク語の読書における処理効果に影響を与えることを確認している。
• 語の着地位置は文字頻度と中程度の相関（rho = 0.35、p = 0.069）を示すが、語の長さによって強く予測される。これは、視覚的要因が初期着地を支配していることを示唆している。
• 母音と子音の間で、着地文字の固定時間に有意差はなく、初期固定に強い音声的または正書法的バイアスがないことを示している。