مدل‌سازی رفتار بصری مصرف کنندگان با بکارگیری هوش مصنوعی

مقدمه: هدف پژوهش مدل‌سازی رفتار بصری از طریق روش‌های یادگیری ماشین می‌باشد، تجزیه و تحلیل داده‌های بصری به‌منظور افزایش تشخیص و دقت تصمیم‌گیری یکی از جنبه‌های مهم این تحقیق است. مواد و روش‌ها: روش تحقیق از نوع اکتشافی– آزمایشگاهی می‌باشد که با بکارگیری ردیاب چشم صحنه gazepoint داده‌های بصری استخراج شده است و به وسیله الگوریتم شبکه‌های عصبی پرسپترون چندلایه در نرم‌افزار پایتون تحلیل و مدل‌سازی 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. تسک‌ها به منظور انتخاب/ انتخاب‌ها و عدم انتخاب/ عدم انتخاب‌ها طراحی شده است. یافته‌ها: بر اساس ماتریس درهم ریختگی، شاخص کاپا و معیارهای پوشش، نتایج نشان می‌دهد که این مدل پیش‌بینی قوی را برای رفتار بصری کلی در انواع مختلف تصاویر ارائه می‌دهد. بر مبنای ماتریس درهم ریختگی، شاخص کاپا (0/34=k)، و پوشش (66=r)، نتایج نشان می‌دهد که مدل‌سازی رفتار بصری به طور کلی در دسته‌های مختلف تصویر موثر است، با دقت کلی 66/8 درصد. این مدل دقت بالاتری را هنگام پیش‌بینی رفتار بصری برای انواع تصاویر خاص ارائه می‌دهد، که نشان می‌دهد عملکرد مدل زمانی که برای دسته‌های تصویری منفرد تنظیم شود، بهبود می‌یابد (78 ،75 ،68 k: 0/35، 0/53، 0/46، r: accuracy: 67/8، 76/9، 73). نتیجه‌گیری: مدل‌سازی رفتار بصری با پیش‌بینی انتخاب‌ها و عدم انتخاب‌های مصرف‌کننده، رویکردی فعالانه برای محققان علوم رفتاری و کارشناسان طراحی محصول فراهم می‌کند. این توانایی دقت مطالعات را افزایش می‌دهد و امکان تصمیم‌گیری آگاهانه‌تری را فراهم می‌کند. 

modeling of consumers' visual behavior by using artificial intelligence

introduction: the purpose of the research is to model visual behavior through machine learning methods, analyzing visual data to increase recognition and accuracy of decision-making is one of the important aspects of this research. materials and methods: the research method is an exploratory-laboratory type, which has extracted visual data using the gazepoint eye tracker analyzed and modeled by the multi-layer perceptron neural network algorithm in the python environment. the statistical population consists of consumers of a bag brand with natural fiber materials, which is shown to 30 women in the form of three images, the tasks are designed for choice/choices and non-choice/non-choices. results: based on the confusion matrix, kappa index, and recall metrics, the results indicate that the model provides a robust prediction for general visual behavior across various types of images. based on the confusion matrix, kappa index (k=0.34), and recall (r=66), the results suggest that visual behavior modeling is generally effective across different image categories, with an overall accuracy of 66.8%. the model shows higher accuracy when predicting visual behavior for specific image types, indicating that the performance of the model improves when tailored to individual image categories (accuracy: 67.8, 76.9, 73, k= 0.35, 0.53, 0.46, r= 68, 75, 78). conclusion: visual behavior modeling provides behavioral science researchers and product design experts a proactive approach by predicting consumer choices and non-choices. this ability enhances the accuracy of studies and allows for more informed decisions.