مدل سازی رفتار بصری مصرف کنندگان (CVB) با بکارگیری هوش مصنوعی

هدف پژوهش مدل سازی رفتار بصری از طریق روش های یادگیری ماشین می باشد، تجزیه و تحلیل داده های بصری به منظور افزایش تشخیص و دقت تصمیم گیری یکی از جنبه های مهم این تحقیق است.

روش تحقیق از نوع اکتشافی- آزمایشگاهی می باشد که با بکارگیری ردیاب چشم صحنه GAZEPOINT داده های بصری استخراج شده است و به وسیله الگوریتم شبکه های عصبی پرسپترون چندلایه در نرم افزار پایتون تحلیل و مدل سازی گردیده است. جامعه آماری تشکیل شده است از مصرف کنندگان یک برند کیف با مواد الیاف طبیعی که در قالب سه تصویر به 30 نفر زن نشان داده شده است. تسک ها به منظور انتخاب/ انتخاب ها و عدم انتخاب/ عدم انتخاب ها طراحی شده است.

بر اساس ماتریس درهم ریختگی، شاخص کاپا و معیارهای پوشش، نتایج نشان می دهد که این مدل پیش بینی قوی را برای رفتار بصری کلی در انواع مختلف تصاویر ارائه می دهد. بر مبنای ماتریس درهم ریختگی، شاخص کاپا (0/34=k)، و پوشش (66=R)، نتایج نشان می دهد که مدل سازی رفتار بصری به طور کلی در دسته های مختلف تصویر موثر است، با دقت کلی 66/8 درصد. این مدل دقت بالاتری را هنگام پیش بینی رفتار بصری برای انواع تصاویر خاص ارائه می دهد، که نشان می دهد عملکرد مدل زمانی که برای دسته های تصویری منفرد تنظیم شود، بهبود می یابد (78 ،75 ،68 K: 0/35، 0/53، 0/46، R: Accuracy: 67/8، 76/9، 73).

مدل سازی رفتار بصری با پیش بینی انتخاب ها و عدم انتخاب های مصرف کننده، رویکردی فعالانه برای محققان علوم رفتاری و کارشناسان طراحی محصول فراهم می کند. این توانایی دقت مطالعات را افزایش می دهد و امکان تصمیم گیری آگاهانه تری را فراهم می کند.