解读眼动的12个误区

常常会说“我要一张关于xxx的热区图”，而不去考虑背后的各种限制因素。同样的不幸也会降临在“轨迹图”身上。

眼动热区图

按关注点次数按关注时间长度

这并不能怪读报告的人，只因为通常为了更直观的理解和展现结果，报告中常会出现这两种图。实际上，每一个项目都可以从不同的侧面和角度来分析、阐述用户的认知行为，而每一种角度和衡量指标都会带来对用户浏览和认知行为的理解。因此，配合恰当眼动指标的热区图/轨迹图更容易让读者把握问题之所在。

3 “眼动的红点就是人们看的确切位置。”

无论是查看眼动视频还是轨迹图时，有人会以为红点／十字点100%就是用户看到的地方。实际情况并非全是这样。

首先，目前常见的商用非接触式眼动仪的数据采样率并没有我们想像的那么高，所以显示出的注视点可能会与用户实际看到的点有些偏差。而且，当用户在测试过程中变换了相对屏幕的位置，记录眼动数据的摄像头就非常有可能“记偏了”用户的眼动情况。当数据叠加在测试素材上时，就会发生眼动轨迹的“漂移”。

（眼动轨迹漂移：轨迹显示读者正在阅读文字，但区域不符。）

其次，大体上人眼的视觉分为高清晰度的视觉区（中央窝视觉：foveal vision）和低清晰度视觉区（边缘视觉：peripheral vision）。而对应在屏幕上的高清晰度区域，通常大于红点显示出来的关注点（fixation）。

例如，当我们看电脑屏幕的时，可见的高清区域差不多有两个指甲盖那么大。

人眼在看较熟悉或较大的物体时，依然可以注意到较为模糊的影像区域（parafoveal& peripheral vision）。

如下图所示，尽管用户没有直接看广告中的相机和皮包，但是用户注意到相机和皮包的的可能性

很高。

因此，我们不能说用户人们没有看到什么，而只能说他们没有直接看到什么东西上去。

4 “眼动数据很容易解释。”

“我想知道用户会看什么地方”——经常听到的这句话一般会成为研究目的。

说这句话的人好像心里十分清楚一个情况：假如我知道用户在看什么，那我就知道这个东西怎么改了。实际上最终当我们把浏览顺序、用户看的热区图拿出来之后，有时候可能我们自己也懵住了。某些地方热区图很红，就说明用户很喜欢看这个地方吗？还是说这个地方用户根本没有看懂是什么意思？

看到眼动结果后，对方可能会问：

“那又怎么样呢？”

“基于眼动的结果，你有什么修改的建议？”

……

其实，眼动只能回答你“看了什么”，却不能告诉“为什么看了”。

举个例子：从一款App横、竖版的眼动热区图分布来看，横版设计中红色的区域较多，用户似乎更

青睐横版。仅凭眼动数据很难解释清楚。测试内容的影响、用户个人浏览习惯等因素，可能会导致用户看横版更多，也有可能是用户在横版中需要花费更多时间来提取信息。

单凭眼动的数据，很难作出合理和全面的解释。

5 “所有的可用性测试都能从眼动中受益。”

一种对眼动的常见理解是：如果可用性测试加上眼动的话，效果和结果会更利于找出问题。但从每个项目所拥有的时间和人力资源上看，眼动测试在后期分析中会占用过多成本进行区域划分、场景切片分析等工作，而最后得出的结论可能仅仅是浏览轨迹和关注度，更多的具体原因仍需要深度访问才能得知。相比之下，传统的可用性测试这种低成本-高效率的分析显得更适宜。

在正式的可用性测试中，眼动数据带来的结论在整体结论中的占比会较小。以网站测试为例，如果想知道网页的某个功能入口用户是否会注意，而进入更多的网站后用户对网站的整体影响如何，指示性的文字是否容易理解。在这种情况下，眼动只能告诉你他/她看过，但具体的理解无法从眼动数据中解读，这时眼动的价值就显得较低。

相比之下，眼动更适合解答传统可用性测试中无法解释的具体疑问。（比如在确认在线支付前，用户在这个页面上纠结什么）倘若后台数据显示某些链接的点击率和页面跳出率很高，眼动可以告诉你用户真正在找什么。

6 “学会操作就可以做眼动测试。”

目前市场上各类眼动仪在功能上大同小异，最终可供的分析数据也相差不大。看起来只要学会了眼动测试的操作，从大家都用的角度来分析就可以做眼动了。但是，会使用眼动仪并不意味着你就可以做眼动了。有效的眼动数据才是研究的前提，而这不仅仅是点两下鼠标就能完成了。

大至人眼工作的模式、视觉认知和信息加工的过程、研究方法论、数据眼动的处理和统计等，小至项目的流程设计、分析的参数、甚至提示语的修改等都需要提前心中有数。等眼动项目结束后，才

能从整体上看到热区图、轨迹图以及看似毫无规律的眼动数据结合起来，发现用户的浏览习惯和产品的问题。

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 “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。