Verso una valutazione automatica dell’usabilità dei siti web mediante il tracciamento oculare

This study investigates the possibility of assessing the usability of websites by combining eye-tracking data with deep learning techniques. The primary objective is to evaluate web usability automatically from the user’s gaze behavior. An eye tracker was employed to record the gaze behavior of some participants in an experiment while they performed structured tasks on different websites. The collected gaze data were pre-processed to extract visual attention features relevant to users’ interactions with the websites. To analyze these patterns, deep learning methods were applied to identify and classify user interaction behaviors based on gaze dynamics. In addition to gaze-based analysis, participants’ subjective feedback was collected using two standardized questionnaires: the System Usability Scale (SUS) and the Single Ease Question (SEQ). By integrating objective eye-tracking measures with subjective user feedback, this study achieved a holistic understanding of website usability. Deep learning–based analysis successfully identified distinctive attention and interaction patterns, while participants’ self-reported data corroborated the observed usability trends and task difficulty levels (besides providing the ground truth for the training of deep learning models). This comprehensive framework underscores the effectiveness of combining eye tracking, computational modeling, and user-centered evaluation methods, offering a scalable approach for automated usability assessment across diverse website interfaces.

Questo studio indaga la possibilità di valutare l’usabilità dei siti web combinando i dati di eye-tracking con tecniche di deep learning. L’obiettivo principale è valutare l'usabilità del Web in modo automatico a partire dal comportamento oculare dell'utente. . Un eye tracker è stato impiegato per registrare il comportamento visivo di alcuni partecipanti in un esperimento mentre eseguivano compiti strutturati su diversi siti web. I dati di fissazione raccolti sono stati pre-elaborati per estrarre caratteristiche di attenzione visiva pertinenti alle interazioni degli utenti con i siti. Successivamente, sono stati applicati metodi di deep learning per identificare e classificare i comportamenti di interazione in base alle dinamiche dello sguardo. Oltre all’analisi basata sui dati oggettivi di eye-tracking, sono stati raccolti anche i giudizi soggettivi dei partecipanti attraverso due questionari standardizzati: la System Usability Scale (SUS) e la Single Ease Question (SEQ). Integrando misure oggettive di eye-tracking con il feedback soggettivo degli utenti, lo studio ha raggiunto una comprensione globale dell’usabilità dei siti web. L’analisi basata sul deep learning ha permesso di identificare schemi distintivi di attenzione e di interazione, mentre i dati auto-riferiti dei partecipanti hanno confermato le tendenze osservate in termini di usabilità percepita e livelli di difficoltà dei compiti (oltre a fornire la “ground truth) per il training dei modelli di deep learning). Questo quadro complessivo evidenzia l’efficacia della combinazione tra eye tracking, modellazione computazionale e metodi di valutazione centrati sull’utente, offrendo un approccio scalabile per la valutazione automatizzata dell’usabilità di interfacce web diverse.