Publication

Using dual eye-tracking to unveil coordination and expertise in collaborative Tetris

Patrick Jermann, Marc-Antoine Nüssli, Weifeng Li
2010
Conference Papers

Résumé

The use of dual eye-tracking is investigated in a collabora- tive game setting. The automatic collection of information about partner’s gaze will eventually serve to build adaptive interfaces. Following this agenda, and in order to identify stable gaze patterns, we investigate the impact of social and task related context upon individual gaze and action during a collaborative Tetris game. Results show that experts as well as novices adapt their playing style when interacting in mixed ability pairs. We also present machine learning results about the prediction of player’s social context.

Source officielle

https://infoscience.epfl.ch/entities/publication/4acd2963-96f8-461c-95b2-f08426c22f6f

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Using dual eye-tracking to unveil coordination and expertise in collaborative Tetris

Chattez avec Graph Search

Exploiting Representation Similarities in Self-Supervised Learning for Vision Tasks

Weighting Pseudo-labels via High-Activation Feature Index Similarity and Object Detection for Semi-supervised Segmentation

Overcoming Distribution Shifts and Imbalance Challenges in Representation Learning for Deep Regression Models