۴٫۱٫ مدیریت داده ها و فرضیات
برای بررسی مقادیر دورافتاده و مقادیر پوشش خارج از آستانه های تعریف شده، امتیاز Z برای هر متریک ردیابی چشم محاسبه شد. آنها بر روی انحراف از میانگین تمرکز کردند تا نقاط داده را به طور قابل توجهی از گرایش مرکزی مجموعه داده جدا کنند. تجزیه و تحلیل بیشتر با استفاده از روش محدوده بین چارکی (IQR) انجام شد که انحرافات را به عنوان مقادیر بیش از ۱٫۵ برابر IQR از چارک های پایین یا بالایی تعریف می کند. این رویکرد تضمین می‌کند که تشخیص و رسیدگی به موارد دور از دسترس بوده و دقت تجزیه و تحلیل بعدی را بهبود می‌بخشد.
هدف از بکارگیری آزمون‌های شاپیرو-ویلک و کولموگروف-اسمیرنوف در این پژوهش، بررسی توزیع نرمال متغیرها بود. [۵۹,۶۰]. آزمون Shapiro-Wilk ناچیز را نشان داد پ-ارزش ها (پ < 0.001) برای همه متغیرها، نشان دهنده انحراف معنی دار از نرمال بودن است. به طور مشابه، برای آزمون کولموگروف-اسمیرنوف، تمام پ– مقادیر زیر ۰٫۰۵ سطح آلفای معمولی بودند، به این معنی که هیچ کدام از توزیع نرمال پیروی نمی کنند. در نتیجه، تحلیل‌های بیشتر بر تکنیک‌های ناپارامتریک برای اطمینان از استحکام و دقت یافته‌های حاصل از این مطالعه تکیه می‌کنند.
متعاقباً، ما چند خطی را، به‌ویژه در مورد ویژگی‌های شخصیتی HEXACO به عنوان پیش‌بینی‌کننده، آزمایش کردیم و از عامل تورم واریانس (VIF) برای ارزیابی میزان همبستگی بین متغیرهای مستقل استفاده کردیم. [۶۱]. برای پیش‌بینی‌کننده‌هایی که احساسات را تا صداقت- فروتنی در بر می‌گرفت، ارزش‌های VIF به شرح زیر ثبت شد: عاطفی (VIF = 1.173)، برونگرایی (VIF = 1.081)، توافق‌پذیری (VIF = 1.233)، وظیفه‌شناسی (VIF = 1.276)، باز بودن (VIF = 1.173). VIF = 1.328) و صداقت – فروتنی (VIF = 1.222). این مقادیر به طور قابل توجهی پایین تر از سطوح آستانه هستند (معمولاً به عنوان ۵ یا ۱۰ ذکر می شود)، که نشان دهنده حداقل چند خطی بودن در بین این پیش بینی کننده های ویژگی شخصیتی HEXACO است. [۶۱]. این نشان می‌دهد که این پیش‌بینی‌کننده‌ها استقلال نسبی از یکدیگر را در رابطه با واریانس توضیح‌داده‌شده در متغیرهای وابسته حفظ می‌کنند، بنابراین پتانسیل چند خطی را برای پنهان کردن مشارکت‌های فردی پیش‌بینی‌کننده‌های همبسته در مدل رگرسیون کاهش می‌دهد.
نتایج حاصل از تست‌های بروش-پاگان و وایت هر دو نشان‌دهنده وجود ناهمسانی در داده‌های ما هستند. [۶۲,۶۳,۶۴]. را پ-مقادیر در هر دو آزمون کمتر از آستانه معمول استفاده شده است (پ <0.05)، نشان می دهد که واریانس در باقیمانده ها در تمام سطوح متغیرهای مستقل ثابت نیست و بنابراین، فرض homoscedasticity، که برای مدل های رگرسیون خطی استاندارد تعیین کننده است، نقض می شود. آزمون Levene برای ارزیابی برابری واریانس ها برای معیارهای ردیابی چشم استفاده شد و مقادیر آماری Levene قابل توجهی را نشان داد.پ ۰۰۱/۰<) در تمامی متغیرها، تایید کننده فرض واریانس های نابرابر در بین گروه ها و نشان دهنده ناهمگونی واریانس است. [65,66].
بر اساس آزمون‌های ذکر شده در بالا، ما از روش‌های ناپارامتریک به عنوان جایگزین استفاده کردیم، زیرا آنها بر مفروضات معادلات یا توزیع نرمال باقیمانده‌ها متکی نیستند. [۶۷,۶۸,۶۹]. یکی دیگر از راه‌های خوب برای مقابله با تغییرپذیری داده‌ها بدون کاهش درجه دقت در تجزیه و تحلیل، استفاده از مدل‌های رگرسیون قوی است که می‌تواند در برابر نقض مفروضات معمول مقاومت کند. [۷۰,۷۱,۷۲]. این امر برای حفظ قابلیت اطمینان آماری در حین کار با داده‌های بصری مهم است و به ابزاری انعطاف‌پذیرتر و قوی‌تر برای دستیابی به تفاسیر معنادار در استراتژی‌های تحقیقاتی ردیابی چشم نیاز دارد.
۴٫۳٫ مدل های رگرسیون قوی
مرحله بعدی بررسی روابط بین معیارهای ردیابی چشم و ویژگی های شخصیتی HECAXO بود. برای مقابله با اثر پرت بر مدل رگرسیونی، از یک مدل خطی قوی بر اساس هنجار T هوبر استفاده کردیم. [۷۷,۷۸,۷۹]. این روش با استفاده از وزن‌ها تأثیر باقیمانده‌های ناشی از پرت را کاهش می‌دهد و در نتیجه تحلیل رگرسیون را پایدار می‌کند. در نتیجه، می‌تواند با داده‌های غیرعادی با استفاده از هنجار T هوبر مقابله کند و در برابر مشاهدات غیرعادی مقاوم بماند. این رویکرد اجازه می دهد تا تعادلی بین حساسیت داده ها و مقاومت در برابر موارد پرت ایجاد شود و از قابلیت اطمینان نتایج رگرسیون اطمینان حاصل شود. [۷۰,۷۱,۷۲,۸۰].
مشاهده شد که ویژگی های شخصیتی HEXACO به طور قابل توجهی با معیارهای مختلف ردیابی چشم در مدل رگرسیون خطی قوی با استفاده از هنجار T هوبر مرتبط است.
با توجه به مدت زمان تثبیت، صداقت- فروتنی تنها پیش بینی کننده قابل توجهی بود که رابطه منفی را نشان داد (ضریب = -۱۴٫۲۰، z = -2.43، پ = ۰٫۰۱۵، ۹۵٪ CI [−۲۵٫۶۷, −۲٫۷۳]). این به این معنی است که افراد با سطوح بالاتری از صداقت و فروتنی، مدت زمان تثبیت کوتاه‌تری دارند، که ممکن است نشان‌دهنده وظایف بصری و فرآیندهای تصمیم‌گیری سریع‌تر باشد. همچنین، باز بودن به‌عنوان یک پیش‌بینی‌کننده معنادار در طول تحلیل سقفی مدت زمان ساکاد ظاهر شد (ضریب = ۳۵۸٫۹۸، z = 3.08، پ = ۰٫۰۰۲، ۹۵٪ CI [130.60, −۵۸۷٫۳۶]). از این رو، می توان نتیجه گرفت که افزایش باز بودن با یک الگوی اسکن گسترده همراه است که در آن افراد برای تجربیات جدید باز هستند. برون گرایی به طور قابل توجهی بر دامنه ساکاد مقیاس شده با دامنه ساکاد تأثیر گذاشت (ضریب = ۷٫۳۷، z = 2.49، پ = ۰٫۰۱۳، ۹۵٪ CI [1.57, −۱۳٫۱۸]). نتایج نشان می‌دهد که ارتباط فزاینده‌ای بین برونگرایی و دامنه‌های ساکاد بزرگ‌تر وجود دارد که نشان‌دهنده توانایی اکتشاف بصری بیشتر برای افراد برون‌گرا به دلیل درگیری شدید با محیط است. در نهایت، متریک شمارش تثبیت، باز بودن را به عنوان مهم‌ترین پیش‌بینی‌کننده شناسایی کرد (ضریب = ۱٫۰۲، z = 2.01، پ = ۰٫۰۴۴; ۹۵% CI [0.02, −۲٫۰۲]). این نشان می‌دهد که سوژه‌هایی که نمرات بالاتری در باز بودن دارند، تثبیت‌های بیشتری دارند، که احتمالاً نشان‌دهنده پردازش بصری عمیق‌تر یا علایق گسترده‌تر در میدان دید است. نتایج نشان می‌دهد که چگونه ویژگی‌های شخصیتی خاص با الگوهای توجه ارتباط برقرار می‌کنند، و تأکید می‌کنند که چگونه تفاوت‌های فردی می‌توانند بر محرک‌های بصری و تعامل تأثیر بگذارند. نتایج قابل توجه در جدول ۷ ارائه شده است.
ما ریشه میانگین مربعات خطا (RMSE) را در تجزیه و تحلیل محاسبه کردیم تا یک بعد کمی به یافته‌های رگرسیون قوی اضافه کنیم و بررسی کنیم که مدل با چه دقتی شاخص‌های مختلف ردیابی چشم را پیش‌بینی می‌کند. به طور خاص، مقادیر RMSE برای مدت زمان تثبیت (۱۴۶٫۶۹)، مدت زمان ساکاد (۲۰۶۴٫۶۱)، دامنه ساکاد (۵۱٫۹۶) و تعداد ثابت (۸٫۶۷) نشان دهنده انحرافات معمولی از مقادیر مشاهده شده است که می تواند برای اطلاع از بهبودهای بعدی در دستگاه استفاده شود. مدل یادگیری آنها همچنین برای الگوریتم های یادگیری ماشینی که می خواهند ارزیابی عملکرد مدل بیشتری را بر اساس مقادیر RMSE داده شده در هر متریک بهینه کنند، مفید هستند. بنابراین، مدل‌سازی پیش‌بینی‌کننده باید RMSE را به حداقل برساند، اما به طور همزمان این معیارها را در نظر می‌گیرد و نشان می‌دهد که چگونه حرکات چشم بر الگوهای مشاهده تأثیر بیشتری می‌گذارد. [۸۱]. این نه تنها توانایی توضیحی مدل ها را افزایش می دهد، بلکه درک رابطه بین شخصیت ها و ادراک بصری شرکت کنندگان ما را نیز ممکن می سازد.
۴٫۴٫ اثرات متقابل با مدل های خطی تعمیم یافته (GLM)
مدل‌های خطی تعمیم‌یافته (GLM) بر روی داده‌های معیارهای ردیابی چشم برای بررسی ویژگی‌های شخصیتی HEXACO و اثرات متقابل احساسات با نوع پیام به عنوان متغیرهای مستقل مورد استفاده قرار گرفتند. این روش به ما کمک کرد تا ارزیابی کنیم که تفاوت‌های شخصیتی چگونه بر پاسخ‌های افراد به محرک‌های ارتباطی یا عاطفی در آزمایش‌های ردیابی چشم تأثیر می‌گذارد.
به طور خاص، ما از GLM با توابع پیوند ورود به سیستم به عنوان یک مدل مناسب برای این مطالعه استفاده کردیم. داده های ردیابی چشم مانند مدت زمان تثبیت یا دامنه ساکاد به طور معمول توزیع نمی شوند و می توانند با استفاده از GLM برای اصلاح چولگی و کشیدگی مرتبط با چنین داده هایی مدل شوند. [۸۲,۸۳,۸۴]. علاوه بر این، تابع پیوند ورود به سیستم به دلیل مثبت بودن و تداوم داده‌های ردیابی چشم، با ناراحتی در مدل‌سازی سر و کار دارد و تضمین می‌کند که پیش‌بینی‌ها در محدوده‌های واقعی قرار می‌گیرند. [۸۳,۸۵,۸۶,۸۷]. علاوه بر این، گنجاندن متغیرهای طبقه‌بندی و تعاملات آنها در مدل توسط GLM امکان‌پذیر می‌شود و ما را قادر می‌سازد تا اثرات متقابل را مطالعه کنیم و کشف کنیم که چگونه عوامل مختلف بر حرکت چشم تأثیر می‌گذارند. این رویکرد با روندهای فعلی در تحقیقات ردیابی چشمی که در آن از مدل‌های پیچیده برای آشکار کردن پویایی شناخت و رفتار بصری استفاده می‌شود، همسو است. [۵۳,۵۴,۸۸,۸۹]. استفاده از GLM به ما این امکان را می دهد که تأثیرات شخصیت و نوع محرک را به طور دقیق برآورد کنیم.
مدت زمان تثبیت به عنوان متغیر وابسته استفاده شد و یک GLM با تابع پیوند ورود به سیستم برای مطالعه تأثیر متغیرهای احساسی و نوع پیام بر مدت زمان تثبیت استفاده شد. مدل دارای قدرت توضیحی متوسطی بود (R2 = 0.008903). همچنین مشخص شد که هیچ تعامل آماری معناداری بین احساسات مثبت و نوع پیام خود وجود ندارد (۰٫۰۴۱۳ = b، ۰٫۰۵۷ = SE، ۰٫۷۲۳ = z، پ = ۰٫۴۷۰، ۹۵٪ CI [−۰٫۰۷۱, ۰٫۱۵۳]). به طور مشابه، تأثیر اصلی احساسات مثبت به تنهایی ناچیز بود (۰٫۰۲۷۵ = b، ۰٫۰۳۵ = SE، ۰٫۷۹۱ = z، پ = ۰٫۴۲۹، ۹۵% CI [−۰٫۰۴۱, ۰٫۰۹۶]). با این حال، تأثیر اصلی نوع پیام ego تأثیر منفی کوچک اما قابل توجهی بر مدت زمان تثبیت نشان داد (b = -0.0849، SE = 0.042، z = -2.001، پ = ۰٫۰۴۵، ۹۵٪ CI [−۰٫۱۶۸, −۰٫۰۰۲]). از میان تمام ویژگی‌های شخصیتی مورد بررسی، فقط صداقت- فروتنی معنی‌دار بود و نشان داد که سطوح پایین‌تر صداقت- فروتنی با مدت زمان تثبیت کوتاه‌تر همراه است (۰۸۳۵/۰-=b، ۰۲۹/۰=SE، ۸۵۸/۲-=z، پ = ۰٫۰۰۴، ۹۵٪ CI [−۰٫۱۴۱, −۰٫۰۲۶]). سایر ویژگی‌های شخصیتی مانند برونگرایی، توافق‌پذیری، وظیفه‌شناسی، گشاده رویی و احساسی بودن نتایج آماری معنی‌داری نشان ندادند.
متریک مدت ساکاد بخش کوچکی از واریانس را به خود اختصاص داد (R2 = 0.03505). تعامل بین احساسات مثبت و نوع پیام ego از نظر آماری معنی‌دار بود، که نشان می‌دهد مدت زمان ساکاد با این ترکیب از متغیرها افزایش یافته است (b = 0.2222، SE = 0.050، z = 4.478، پ <0.001، 95% فاصله اطمینان (CI). [0.125, 0.319]). با این حال، احساسات مثبت به تنهایی تأثیر قابل توجهی بر مدت زمان ساکاد نداشت (b = -0.0285، SE = 0.028، z = -1.016، پ = ۰٫۳۱۰، ۹۵% CI [−۰٫۰۸۴, ۰٫۰۲۷]). مدت زمان ساکاد به طور منفی تحت تأثیر تأثیر اصلی نوع پیام ego قرار گرفت (b = -0.2729، SE = 0.038، z = -7.156، پ <0.001، 95% فاصله اطمینان (CI). [−0.348, −0.198]). فقط باز بودن ارتباط معنی داری بین مدت زمان ساکاد زیاد طبق نتایج نشان داد و از نظر آماری معنی دار بود (0.0920 = b، 0.031 = SE، 2.932 = z، پ = ۰٫۰۰۳، ۹۵٪ CI [0.031, 0.154]). هیچ اثر آماری معنی داری از سایر عوامل شخصیتی تشخیص داده نشد.
با دامنه ساکاد به عنوان متغیر وابسته مدل (R2 = 0.009116)، تعامل بین احساسات مثبت و نوع پیام خود از نظر آماری معنی دار نبود (۰٫۰۳۱۲- = b، ۰٫۰۲۴ = SE، ۳۰۰-۱٫ = z، پ = ۰٫۱۹۴، ۹۵% CI [−۰٫۰۷۸, ۰٫۰۱۶]). علاوه بر این، تأثیر اصلی احساسات مثبت به تنهایی تأثیر معنی‌داری بر دامنه ساکاد نداشت (۰۲۱۱/۰ = b، ۰۱۵/۰ = SE، ۴۰۶/۱ = z، پ = ۰٫۱۶۰، ۹۵٪ CI [−۰٫۰۰۸, ۰٫۰۵۱]). تأثیر اصلی نوع پیام ego تأثیر غیر قابل توجهی بر دامنه ساکاد داشت (b = -0.0120، SE = 0.017، z = -0.692، پ = ۰٫۴۸۹، ۹۵٪ CI [−۰٫۰۴۶, ۰٫۰۲۲]). با این حال، تنها برونگرایی از نظر آماری معنی‌دار بود که سطوح بالاتر برونگرایی با دامنه‌های ساکد طولانی‌تر همراه بود (b = 0.0419، SE = 0.016، z = 2.543، پ = ۰٫۰۱۱، ۹۵٪ CI [0.010, 0.074]).
برای تعداد تثبیت، مدل قدرت توضیحی متوسطی را نشان داد (شبه R2 = 0.08631). یک تعامل آماری معنی‌دار بین احساسات مثبت و نوع پیام خود وجود دارد که نشان می‌دهد این ترکیب تعداد تثبیت را کاهش می‌دهد (b = -0.3627، SE = 0.053، z = 6.842، پ <0.001، 95% فاصله اطمینان (CI). [−0.467, −0.259]). احساسات مثبت به تنهایی بیشترین تأثیر را بر تعداد تثبیت داشتند (b = 0.1070، SE = 0.040، z = 2.700، پ = ۰٫۰۰۷، ۹۵٪ CI [0.029, 0.185]) در حالی که تأثیر اصلی نوع پیام ego نیز به طور مثبت با تعداد تثبیت مرتبط بود (b = 0.4911، SE = 0.036، z = 13.516، پ <0.001، 95% فاصله اطمینان (CI). [0.420–0.562]). فقط باز بودن یک اثر آماری معنی‌دار را نشان می‌دهد، که نشان می‌دهد سطوح بالاتر باز بودن با تعداد تثبیت‌های بالاتر مرتبط است (b = 0.0797؛ SE = 0.037؛ z = 2.156. پ = ۰٫۰۳۱; CI = [0.007, 0.152]). در جدول ۸، نتایج قابل توجهی را از مدل‌های خطی تعمیم یافته ارائه می‌کنیم که اثرات نوع پیام، محتوای عاطفی و ویژگی‌های شخصیتی را بر معیارهای مختلف ردیابی چشم تحلیل می‌کنند.
مثال‌های بصری برای تعاملات آماری تعداد تثبیت در شکل ۲ و شکل ۳ ارائه شده است. با توجه به اینکه نتایج ما باز بودن را از نظر آماری معنی‌دار از نظر تعامل مشخص می‌کند، در شکل ۴، ما یک نمایش بصری از نحوه تعامل باز بودن با احساسات مختلف ارائه می‌کنیم. تثبیت در طول احساسات مختلف پاسخ دهندگان اهمیت دارد.
منبع: https://www.mdpi.com/2673-2688/5/2/34
