解读眼动研究误区（下）
解读眼动研究误区（下）
7
7、眼动就是等用户看完后分析数据。
通常在眼动研究项目过程中，用户研究员在旁边观察、记录，同时防止测试过程中各种风险（程序意外退出、电脑死机等）的出现。测试开始后，研究员的工作似乎就变成了看稀奇一样查看用户浏览时眼睛的关注点、移动轨迹等情况，直至测试顺利结束。
用户眼动的情况是实时展现给研究员／产品相关同事的，所以大家脑海中会随时出现诸如此类的问题：
“哦，她／他原来是这样看的啊！”
“ 怪不得这里没有去点击……”。
若不及时进行有效地记录，或根本不知道应该记些什么的话，则会错失用户的操作习惯和犯错缘由。事后再看眼动数据时也无从解释。
这类通过对用户眼动轨迹的发现和疑惑，应当立即记录下来，待测试结束后针对用户浏览时的表现，询问用户的理解和操作行为。有需要时，播放眼动的轨迹录像让用户重温操作场景，借助有声思维（think alound）反馈问题。这种方式通常会暴露问题的根源、挖掘到用户的真实需求。
总而言之，不要让用户带着疑问离开了你的眼动测试项目。
8
8、眼动可以通过看轨迹视频来分析。
在提倡敏捷用研的节奏下，快速从测试中输出结论是眼动价值所在。而最快的方法是在测试中实时观看用户的眼动轨迹，或测试后回放眼动轨迹的录像。有人认为不需要做正式的分析，通过看视频也可以得出眼动的结论，同时配上几张热区图便能解释用户的浏览习惯。
然而，我们的眼球每秒进行多次的注视，每分钟可以产生200-300个眼动的数据点。仅仅通过看眼动视频，单凭我们的记忆是无法记住和处理这么大的数据 量。就更不用说看眼动轨迹的视频来分析用户习惯（个体／人群）和眼动数据了。更糟糕的是，我们可能会带着个人的偏好来看视频。因为我们已经知道项目研究的目的，所以可能会过分强调用户浏览的顺序、在兴趣区域上停留的时间等等。
注：视频中反映了用户眼动注视点的变化情况,但实际上产生的眼动数据会多于视频中的注视点。
眼动轨迹视频
眼动轨迹可视化数据
眼动轨迹视频适用于结论例证，而非数据分析。
9
9、所有的眼动测试都可以通用一个样本量。
“30！30就够了。”
我们常听别人说眼动测试不需要很多人，30个样本量就可以了。这似乎已成为眼动的标准样本量。其实眼动的样本量取决于测试的目的和实验的设计，30并非全部适用于所有的测试。
在决定眼动测试的样本量前，研究员心里应该清楚“我是要通过眼动来了解一个“总体情况”还是“比较不同设计之间的差异”。 如果有不同的设计方案，希望通过 眼动来生成一个“总体情况”的话：比较被试组内差异（within-subjects），30样本就够了；比较被试组间差异（between- subjects），这时眼动结果很容易受到个体差异的影响，30样本很显然已经不够了。
假如想配合眼动找出产品可用性方面的问题，8-10个样本已经可以发现70-80%的问题。而此时30个样本的眼动数据足以说明可用性方面的问题了。
10
10、眼动数据分析参数的适用于所有案例。
常见的眼动报告中，总少不了用户视线的浏览轨迹、停留时间等方面的比较，似乎眼动的价值在这里就画上句号了。分析数据时，我们容易受到其他案例分析角度的 影响，导致最终的分析更像是一份眼动数据报表。除了自己，没人能从中读懂用户的浏览习惯和其中反映的问题。数据分析取决于你想透过哪些眼动相关的数据，来 佐证可用性的问题、不同设计之间的浏览差异等。因此并非用了一些别人通用的分析参数，就可以有效地说明问题。
从常见的停留时间、视线访问次数、视线轨迹等，到较少使用的瞳孔大小、眼球运动速度、扫视路径等参数，丰富的眼动指标使得描述用户浏览行为维度具有时空的 立体性。配合定性和定量数据分析，会让你的眼动结果更容易理解，也能更真实的还原用户的认知和操作行为。
比如让用户完成“在订票页面上购买一张机票”的任务。
时间上: 订票页面的注意力的时间分布（注视时长、注视次数、首次注视时长等）；
空间上: 最吸引用户注意力的区域（兴趣区域上的时间和空间分布、首次注视区域、视线访问区域和次数等）、订票过程中的浏览轨迹等；
信息检索效率：总体的注视次数（次数越低，效率越高）;
决策效率：首次注视到首次鼠标点击的时耗;
内容布局：订票相关的信息和功能区之间眼跳次数、浏览顺序
任务的成功率、完成率、完成时耗、满意度等。
通过上面的一个小例子尝试说明，没有一套公式化的参数供所有的项目分析。
真正重要的是，你希望通过眼动数据向观众讲述一个怎样的故事，基于此来选择合适的数据进行分析。
独立存在的眼动数据不具有说服力。
11
11、所有人的眼动数据都可以拿来分析。
通常在大样本数据中需要清洗一部分不符合逻辑／数据缺失的样本，而一般小样本的眼动测试，人们容易忽视测试过程中眼动数据采集的质量。最常见的数据质量问题是由于个体差异导致的——测试时眼睛位置的偏差、摄像头没有很好的记录眼动数据、个人原因导致看了很长时间等情况。个别用户不正常的眼动数据（与其他 用户平均眼动数据有显著差异）、眼动数据采样率较低的数据也应考虑清洗掉。
如果仅仅从数字上，很难判断这些“问题数据”的产生原因。也许是因为用户的眼球运动没有被捕捉到，也许只是用户的个人习惯，还有可能是用户在测试时忘记 了当时的任务。配合眼动轨迹的回放录像 ，我们可以确定这些数据是否应该从总体样本中去除。在数据分析时，这些质量较差的数据会造成浏览行为的错误解读。
12
12、眼动结果的可视化结果是可靠的。
热区图/轨迹图已成为眼动数据可视化的一种标准输出形式，人们甚至会认为没有看到这种图的话，就不算是一个眼动分析。眼动数据的可视化使人们即使没有相关知识，也能很快速地了解用户关注点和浏览次序。
眼动轨迹图
（左）自由浏览网页的眼动轨迹
（右）在网页上查找特定信息的眼动轨迹
通常我们看到这些可视化结果时，较少会考虑到这是什么情况下生成的图片。同一个网页，让用户自由浏览和找一个感兴趣的新闻，最终得到的眼动结果会截然不同。在适当的情景下产生的数据和眼动结果才会有意义。
所以当下次看到热区图/其他形式的眼动可视化结论时，要记得问清楚是在什么时间范围内、做什么事情时的眼动结果。
来源：Tencent CDC Blog
声明：部分文章和信息来源于互联网，如转载内容涉及版权等问题，请立即与小编联系，我们将迅速采取适当的措施。
感谢您抽出
更多精彩请点击下列分类文章
↓↓↓
心理动力学的核心假设：一个个体的童年体验与他的遗传特征一起，塑造了成年人。