眼动追踪技术作为一种评估在线学习环境中认知负荷的有效工具，正逐渐受到广泛关注。来自Oxford Business College的Hedda Martina ?ol博士及其团队深入探讨了基于人工智能的消费者行为预测眼动追踪技术在优化学习体验中的潜力。该技术通过实时监测学生的注意力分布并提供反馈，为教学改进提供了科学依据。研究选取了两所高等教育机构的在线讲座视频作为分析对象，重点评估了演示文稿设计对认知需求的影响。研究采用了一款基于全球最大神经科学数据库的神经营销AI眼动追踪预测软件，其算法依托海量数据支持，能够精准识别复杂场景中的认知负荷变化。研究结果表明，人工智能驱动的眼动追踪系统能够为教育者提供对学生认知过程的深度洞察，从而优化教学材料设计，提升学习效果。这一发现为在线教育的创新与变革提供了重要支持。
本研究选取乌特勒支大学与牛津商学院的两段在线讲座视频作为分析对象(时长分别为2分25秒与2分24秒)，采用Tobii X2-30眼动仪采集数据，并通过神经科学分析软件Predict (V1.0) 进行眼动追踪建模。该软件整合消费者心理学理论与神经科学工具，依托全球最大规模认知数据库 (覆盖18万名受试者的千亿级数据节点)，可精准识别复杂视觉场景下的品牌元素与目标对象。研究使用R语言进行数据处理，通过独立样本t检验与皮尔逊相关性分析探究注意力焦点(Focus) 与认知需求 (Cognitive Demand) 的关联性，同时控制视频时长、画面构图及教师讲授模式等协变量。乌特勒支大学视频呈现较低注意力水平 (M=23.803) 与中等认知需求 (M=68.82)，而牛津商学院视频则显示中等注意力 (M=43.17) 与高认知需求 (M=83.3)。相关性分析表明，注意力与认知需求存在显著负向关联 (r=-0.62, p<0.05)，提示高注意力可能伴随低认知负荷，反之亦然。值得注意的是，牛津商学院案例中高认知需求组内注意力无显著差异 (t=1.24, p=0.21)，而高注意力组间认知需求差异显著 (t=3.57, p<0.01)，暗示维持中等认知需求水平 (M=65-75) 可能更利于注意力集中。研究结果为优化教学设计提供量化依据，教育者可基于认知需求阈值调整内容复杂度，通过降低冗余视觉信息与分阶段知识呈现，实现注意力资源的高效分配。
尽管使用神经营销消费者行为预测软件具有高效利用时间与资源的优势，但其局限性仍需关注。首先，这类工具尚处于早期发展阶段，仅能识别与品牌相关的兴趣区域(AOIs)，且依赖于算法设置。Predict软件通过卷积神经网络 (CNNs) 和多层感知机等深度学习技术，结合先进的物体检测模型，能够在复杂视觉环境中识别品牌与对象。然而，这些功能在教育媒体 (如在线讲座视频) 中的应用可能受限，导致无法精准测量特定AOIs的注意力投入。眼动追踪指标 (如注视时间) 虽能反映认知与情感过程，但在捕捉情感唤醒与认知负荷等复杂指标时存在不足，需结合多模态方法进行综合评估。未来研究应关注更短时间窗口内的注意力波动，并整合瞳孔测量等指标，以提升对认知过程的全面理解。此外，优化在线教育材料的设计(如增加内容大纲与示例) 有助于提高学习效果。尽管当前工具存在局限性，但其发展为AI眼动追踪技术的进步提供了重要机遇。
本研究结合AI眼动追踪技术与神经营销研究方法，分析了乌特勒支大学与牛津商学院两段在线讲座视频中学生的认知需求 (Cognitive Demand) 与注意力 (Focus) 之间的关系。研究发现，视频内容的复杂度、信息密度及呈现方式显著影响学生的认知负荷与注意力水平。乌特勒支大学的视频由于内容流畅且幻灯片结构设计合理，避免了认知超载，使学生能够有效保持注意力；而牛津商学院的视频则因其独特的呈现风格打破了注意力与认知需求之间的典型负相关关系，表明适中的认知需求水平可能更有助于提升学生的注意力。研究还指出，高信息密度与内容复杂度可能导致认知超载，从而影响学习效果。通过整合AI眼动追踪预测模型，教育者可以优化视频设计，减少冗余信息，进而提高学生的专注度与学习动机。此外，研究还强调了AI技术在教育领域的巨大潜力，包括预测学生表现和优化教学内容，但同时也指出需要关注伦理问题以及对技术理解的全面性。
