Bewertung des Leseverständnisses von Informatikstudierenden bei multimedial verbesserten Texten mithilfe skalierbarer Eye-Tracking-Methoden

Zusammenfassung In dieser Forschung wurde ein Mixed-Method-Ansatz verwendet, um großangelegte Eye-Tracking-Messungen durchzuführen, die traditionell mit hohen Kosten und umfangreichen zeitlichen Verpflichtungen verbunden sind. Durch die Nutzung von Consumer-Webcam in Kombination mit Open-Source-Software wurden Daten von einer umfangreichen Kohorte von Studierenden gesammelt, wodurch die Skalierbarkeit und Kosteneffizienz dieser innovativen Methodik demonstriert wurde. Das Hauptziel dieser Forschung war es, die Unterschiede im Leseverhalten zu erkennen, wenn Studierende standardisierte Texte mit Bildern im Vergleich zu denselben Texten mit hervorgehobenen Schlüsselbegriffen präsentiert wurden. Die Teilnehmer, bestehend aus Erstjahr-Universitätsstudierenden, füllten einen Fragebogen und einen Einführungstest aus, um ihr Wissensniveau festzustellen. Anschließend wurden sie in zwei Gruppen unterteilt und nahmen an zwei Lese-Sitzungen teil, während derer ihre Augenbewegungen aufgezeichnet wurden. Die gesammelten Daten wurden sowohl qualitativ, unterstützt durch Visualisierungen, als auch quantitativ analysiert, unter Verwendung statistischer Maßnahmen auf den Daten und Testergebnissen. Auffällig war, dass kein signifikanter Unterschied in den Blickmustern oder Testergebnissen zwischen den Versuchs- und der Kontrollgruppe beobachtet wurde. Allerdings wurde ein signifikanter Unterschied in den Blickmustern zwischen leistungsstarken Studierenden und solchen, die Schwierigkeiten hatten, identifiziert, wie durch die aus den Daten generierten durchschnittlichen Gesamtheatmaps belegt wird. Die Ergebnisse heben zwei zentrale Punkte hervor. Erstens wird die Durchführbarkeit von großangelegten Eye-Tracking-Experimenten demonstriert. Traditionelle Studien in diesem Bereich verwenden oft kleine Bevölkerungsproben aufgrund der Zeit- und Finanzbeschränkungen, die mit Methoden verbunden sind, die spezialisiertes Eye-Tracking-Hardware nutzen. Im Gegensatz dazu ist unsere Methodik skalierbar, verwendet Low-End-Hardware und ermöglicht es Studierenden, Daten auf ihren persönlichen Geräten aufzuzeichnen. Zweitens, während Eye-Tracking möglicherweise keine wesentlichen Vorteile zur Feinabstimmung von bereits auf Lesbarkeit optimierten Texten bietet, könnte es als wertvolles Werkzeug zur Identifizierung und Unterstützung von Lernenden dienen, die Schwierigkeiten haben. Dieser Mixed-Method-Ansatz hat das Potenzial, die Durchführung und Interpretation von Eye-Tracking-Studien im Bildungsbereich zu revolutionieren.