Modeling User Preferences via Brain-Computer Interfacing

当前的脑机接口技术可以推断和检测认知和情感状态，但是很少有研究探讨这些信息如何促进依赖于人类认知建模的新应用场景。其中一个可以从各种生理信号中量化的状态是注意力。人类注意力的估计可以用于揭示用户体验的偏好和新颖维度。以往的方法使用了各种行为信号，从停留时间到点击数据，以及计算模型来对这些行为信号进行视觉对应。然而，行为信号只是对用户真实的注意力和情感偏好的粗略估计。事实上，用户可能只是关注某些内容，因为它很显著，而不是因为它真的有趣，或者只是因为它很惊人。本文提出了一个研究议程和使用脑机接口来推断用户偏好、他们对视觉内容的注意力相关性以及他们与情感体验的关联的示例工作。随后，我们将这些与相关应用程序联系起来，例如信息检索、个性化生成模型的控制和群众众包的情感体验估计。

本论文试图使用脑机接口技术推断用户的注意力、情感体验和偏好，以及将其应用于信息检索、个性化生成模型和众包人群情感体验估计等领域。同时，本论文旨在探索使用BCI技术推断人类认知的新应用场景。

本论文的关键思路是使用BCI技术来推断用户的注意力、情感体验和偏好，并将其应用于信息检索、个性化生成模型和众包人群情感体验估计等领域。与以往使用行为信号的方法相比，BCI技术可以更准确地推断用户的注意力和情感体验。

本论文的实验使用了多种数据集和模型，包括眼动仪数据、EEG数据和情感分类模型等。论文提出的方法可以用于个性化推荐和情感分析等领域，同时也为使用BCI技术推断人类认知提供了新的思路。

最近在这个领域中，还有一些相关的研究被进行，例如“Using EEG to Predict Consumers' Future Choice”，“EEG-based Brain-Computer Interfaces: A Novel Tool for Assessing Gaze-Based Attention”，“Real-time EEG-based detection and decoding of attentional bias”等。