3.2.2 Fixationscluster und Interessengebiete (AOI)

3.2.2 Fixationscluster und Interessengebiete (AOI)
Bei den bisher berechneten und interpretierten Ergebnissen haben sich noch keine eindeutigen Folgerungen für die Unterscheidung von optischen Eindrücken und Bewertungen der sieben Kartographischen Modellformen ergeben. Besonders die nicht einfach zu bewertenden unterschiedlich verteilten Fixationen und Sakkaden und deren zum Teil ungeordnet wirkenden Verbindungen und Verknüpfungen erfordern für weitere Interpretationen Unterstützung durch ordnende Strukturierungen. Besonders relevant ist die Verteilung von Fixationen, die eine unterschiedliche Dauer aufweisen und die im unterschiedlichen räumlichen Umfang an Zielorten auftreten. Zielorte sind in dieser ersten Untersuchung intensiv wirkende Farbflecken, geometrisch komplexe Formen oder Elemente, die in einer Folge von weiteren Elementen besonders stimulierend wirken sowie die sich dann als entsprechende Ausprägung von Fixationsdauer und Fixationsmengen zeigen. Da bei einer zentriert platzierten Anzahl von Fixationen mit auffällig erhöhter Verweildauer auf vermehrte Aufmerksamkeit und erhöhtes Interesse geschlossen werden kann, ist es sinnvoll, diese Zielorte in ihren Umgebungen und mit ihren Fixationsstrukturen visuell und statistisch zu analysieren und damit eine visuelle Interpretation zu unterstützen.
Dazu wurde eine Clusteranalyse mit den Rohdaten (Koordinaten alle 20ms) nach dem DBSCAN-Algorithmus durchgeführt. Der DBSCAN-Algorithmus wurde erstmals von Ester et al. (1996)Ester, M., Kriegel, H.-.P, Sander, J., Xiaowei Xu (1996): A density-based algorithm for discovering clusters in large spatial databases with noise. In: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96), 226–231 veröffentlicht und stützt sich auf dichtebasierte Vorstellungen von Clustern. Cluster werden durch Betrachtung der Punktdichte identifizier. Regionen mit einer hohen Punktdichte stellen die Existenz von Clustern dar, während Regionen mit einer geringen Punktdichte auf Rauschen oder Ausreißer hinweisen. Dieser Algorithmus ist besonders geeignet für große Datensätze, für Rauschen und zur Identifizierung von Clustern verschiedener Größen und Formen. Bei diesem Berechnungsverfahren muss die Variable K definiert werden. K steht für die Anzahl der Punkte, die als nächste Punkte zu jedem Punkt im Datensatz berechnet werden. Diese werden als Wert für die Dichte in der Ergebnistabelle ausgegeben. Es wurden die Varianten K=5, K=6 und K=7 ausprobiert und die Variante K=6 beibehalten. Aufbauend auf den Ergebnissen dieser Analyse wurden Areas of Interest (AOIs) definiert und die Ergebnisse der Blickbewegungsregistrierung für diese AOIs analysiert.
Für die Herstellung der Präsentationen wurden folgende Verfahren gewählt: Berechnung der Cluster in Access-Datenbank; Export der Ergebnisse als TXT-Datei; Auto-it-Skript liest TXT-Datei und Hintergrundbild ein und schreibt SVG-Bild; SVG Bild mit Inkscape in PNG umgewandelt.

Abb.32.6 Clusteranalyse nach dem DBSCAN-Algorithmus (Schattierung) Einfache Clusterdarstellung, bei der die Clusterpunkte, die nicht zum direkten Clusterkern gehören, entfernt sind (Core-Darstellung)
	Mittel der Fixationsdauer in Clustern
Abb.32.7 Clusterbildung mit farbigen, abgestuft großen Cluster (Schattierung)

Bei der Abbildung handelt sich um zusammengehörige, farbig unterschiedene Cluster incl. Density-Darstellung (Maximalwert = 6 Nachbarn): Es sind sämtliche Clusterpunkte enthalten mit sechs verschiedene Kreisgrößen, wobei der größte Kreis bedeutet, dass dieser mit sechs Nachbarpunkten korreliert, was die Existenz eines Clusters an dieser Stelle bestätigt. Die kleinsten Kreise stehen für eine geringe Dichte an benachbarten Clusterpunkten und können als „Rauschen“ interpretiert werden.


Abb. 32.8 Schattierung: Verteilung von „Interessengebieten“ – Areas of Interest (AOI’s)

Ein Problem in der Eyetracking-Forschung ist die Auswahl und Berechnung von Interessengebieten (AOIs): Es werden häufig unterschiedliche AOIs für ähnliche Stimuli verwendet, was Vergleiche zwischen Studien schwierig oder sogar unmöglich macht. Subjektive Entscheidungen bei der Auswahl von AOIs führen zu Unterschieden in Form, Größe und Position der AOI. Andererseits sind nicht viele Richtlinien für die Erstellung von AOIs oder Vergleiche zwischen AOI-Produktionsmethoden verfügbar.
3.2.2.1 Graphischer Vergleich der Clusterberechnungen
Mit den bisher gezeigten Messwerten und den Werten zur Clusteranalyse, einschließlich der konstruierten Interessengebiete (AOIs), liegt die Gesamtanzahl der in dieser Arbeit berechneten Auswertungsgrößen für die Blickbewegungsanalyse vor (Tab. 32.1). Ihr Umfang kann allerdings zu der Frage führen, ob der damit verbundene Aufwand im angemessenen Verhältnis zu den sich daraus ergebenden Ergebnissen steht. Es lassen sich dazu mehrere Bewertungsaspekte unterscheiden, die aus forschungsmethodischen Erwägungen diskutiert werden sollen.
	Tab. 32.1 Statischer Gesamtvergleich der Clusterberechnungen
Abb. 32.9 Vergleich der Clusterberechnungen

Wird das Ergebnis der Clusterberechnung der einzelnen Modellformen miteinander verglichen, fällt auf, dass bei Choroplethen und Gestuften Gittersignaturen Cluster mit einer Fixationssumme von über 100 auftreten. Bei Choroplethen liegen 33,18% aller Fixationen in einem Cluster. Im Gegensatz dazu liegen bei den Flächendiagrammen nur 34 Fixationen, also 7,93% der Gesamtfixationen innerhalb eines Clusters. Dies könnte wiederum ein Maß für den Entropiegrad der Karte sein. Außerdem liegen bei den Choroplethen im Durchschnitt 18,21 Fixationen in einem Cluster, bei den Flächendiagrammen nur 10,46 Fixationen.
3.2.2.2 Vergleich der AOI-Berechnungen
Den einzelnen, in einem Tabellenzusammenhang und im Textverlauf präsentierten Größen, kommt ein unterschiedlicher Stellenwert für die Interpretation des Blickverlaufs zu. Besonders gilt dies für die als Cluster zusammengefassten Werte, deren lagegerechte Zuordnung zur Struktur der wahrgenommenen Vorlage nicht in jedem Fall möglich ist. Als Interpretationshilfe können die konstruierten AOIs gesehen werden, mit deren Hilfe einmal die Grenzen zwischen in der Nachbarschaft liegenden Fixationshäufungen und zum anderen eine eindeutige Ansprache mit der entsprechenden Zuordnung von Clustermerkmalen möglich wird. Dabei ist zu berücksichtigen, dass der Berechnungsalgorithmus nicht in jedem Fall eine Flächenbildung der AOIs anbietet, die dem Blickverlauf folgt. Dies macht gleichfalls die eingeschränkte Funktion der AOIs für kartographische Vorlagen und Interpretationen deutlich. Sie können nicht etwa die Abgrenzung der Lageverteilung von Fixationen und Sakkaden ersetzen und ergänzen, wie es in anderen Anwendungsbereichen eher der Fall ist, etwa der Gesichtserkennung oder bei manuell konstruierten AOIs der Werbung oder Raumanalyse (vgl. Hessels et al. 2016Hessels, R.S.; Kemner , Ch.; Boomen, C, van den, TC Hooge, I. (2016): The area-of-interest problem in eyetracking research: A noise-robust solution for face and sparse stimuli. Behav Res 48, 1694 – 1712	Tab 32.2 Verwertete Blickbewegungsdaten


Choroplethen Gestufte Gittersignaturen

Stetige Niveauflächen Flächendiagramme

Isarithmen Diskrete Niveauflächen

Schattierung





Es ist immer wieder festzuhalten, ob aus konkret gemessenen Blickverläufen, die in kartographischen Szenerien erfolgen, visuell/gedankliche Prozesse nachvollziehbar und überprüfbar abgeleitet werden können. Dies gilt vor allem für die aktuelle Untersuchung und Fragestellung, bei denen keine Direktiven für die Versuchspersonen vorgegeben sind und bei denen sich gezeigt hat, dass der Verlauf des Fokusblicks auffallend durch parafoveale und periphere Einflüsse mitgeprägt wird. Dies zeigt sich bei den im Wesentlichen unbearbeiteten Daten (Abb. 32.10), bei denen ein nicht allein auf die jeweilige Struktur der graphischen Szene zu beziehender Blickverlauf zu beobachten ist. Die Abbildung macht außerdem den Stellenwert der verwendeten analytischer Verfahren und Abbildungen deutlich (Tab.32.2), ohne deren Hilfe eine Interpretation der vorliegenden Messdaten kaum möglich ist.	Abb. 32.10 Beispiel: originale Messdaten

3.2.2 Fixationscluster und Interessengebiete (AOI)

3.2.2.1 Graphischer Vergleich der Clusterberechnungen

3.2.2.2 Vergleich der AOI-Berechnungen