Khoảng trống trong các mô hình dự báo hành vi thị giác
Trong nhãn khoa và khoa học thị giác, việc hiểu cách con người quét mắt qua môi trường là chìa khóa để giải mã các quá trình ra quyết định. Các mô hình hiện nay thường bị chia cắt bởi hai luồng tư duy: một bên tập trung vào các yếu tố top-down (nhiệm vụ, kiến thức trước đó) và một bên tập trung vào các yếu tố bottom-up (độ nổi bật của kích thích). Tuy nhiên, y văn vẫn thiếu vắng một mô hình mang tính phổ quát, không phụ thuộc vào ngữ cảnh (context-invariant). Hầu hết các mô hình hiện tại đều yêu cầu dữ liệu đầu vào cụ thể về kích thích hoặc nhiệm vụ, khiến chúng không thể áp dụng linh hoạt giữa các tình huống khác nhau như đọc sách, tìm kiếm thị giác hay quan sát cảnh vật.
Bản chất của các ràng buộc vận nhãn
Hành vi thị giác không chỉ là kết quả của sự lựa chọn chủ động mà còn bị giới hạn bởi các ràng buộc sinh học và thần kinh. Các ràng buộc vận nhãn (oculomotor constraints) như cấu trúc mắt, xử lý thần kinh và các thiên kiến hành vi (ví dụ: thiên kiến trung tâm - centre bias, hay ức chế quay lại - inhibition of return) tạo ra những giới hạn mà các yếu tố nhận thức cao cấp phải vận hành trong đó. Nghiên cứu này đặt giả thuyết rằng tồn tại một thành phần cơ bản, ổn định trong hệ thống thị giác, đóng vai trò như một "mô tơ nền" (motor prior) mà các yếu tố khác chỉ đơn thuần là điều biến hoặc chồng lấp lên trên.
Dữ liệu và mô hình dự báo BURRITOS
Tác giả đã xây dựng mô hình BURRITOS (Baseline Using Relative Responses Independent of Task, Observer, and Stimulus) dựa trên phân phối xác suất của các độ dài saccade tương đối. Đây là một mô hình chuỗi Markov tối giản, không sử dụng bản đồ độ nổi bật (saliency map) hay bất kỳ thông tin ngữ cảnh nào. Để kiểm chứng, nghiên cứu đã tổng hợp một kho dữ liệu khổng lồ gồm 36 thí nghiệm với 4.170 người tham gia, thực hiện hơn 84 triệu lần cố định mắt (fixations).
| Chỉ số đánh giá | Mô tả | Kết quả chính |
|---|---|---|
| AUC | Khả năng phân biệt saccade thực tế với nhiễu | BURRITOS vượt trội đáng kể so với mô hình baseline (p < 0.05) |
| NSS | Độ chính xác của vị trí cố định mắt | BURRITOS cho thấy sự căn chỉnh tốt hơn với các vùng có độ nổi bật cao |
| EMD | Độ trung thực của phân phối saccade | BURRITOS có EMD cao hơn (kém hơn) do tính chất ngẫu nhiên của mô hình |
Phân tích chuyên sâu về tính ổn định của hành vi
Kết quả cho thấy BURRITOS, dù cực kỳ đơn giản, vẫn vượt qua mô hình baseline trong việc xếp hạng và định vị các saccade thực tế. Điều này gợi ý rằng một phần đáng kể của động lực học vận nhãn không đến từ các quyết định nhận thức phức tạp mà từ cấu trúc nội tại của hệ thống thị giác.
Một điểm thú vị là hiệu suất của BURRITOS tăng mạnh theo độ dài của chuỗi thử nghiệm (trial length), cho thấy khi có nhiều dữ liệu hơn, các quy luật thống kê cơ bản này càng bộc lộ rõ nét. Tuy nhiên, nhược điểm của mô hình là sự tích lũy sai số trong quá trình lấy mẫu ngẫu nhiên, dẫn đến các dự báo về độ dài saccade đôi khi không thực tế so với dữ liệu thực nghiệm.
Thông điệp cho thực hành lâm sàng và nghiên cứu
- Thay đổi tư duy: Hành vi thị giác không hoàn toàn do nhiệm vụ quyết định; tồn tại một thành phần vận nhãn cơ bản, ổn định có thể dự báo được mà không cần biết bệnh nhân đang làm gì.
- Tiềm năng chẩn đoán: Các sai lệch so với "hạt nhân chuyển tiếp" (transition kernel) chuẩn của BURRITOS có thể trở thành biểu hiện sinh học (biomarker) nhạy bén cho các bệnh thoái hóa thần kinh (như Alzheimer) hoặc các rối loạn phát triển thần kinh (như tự kỷ), nơi kiểm soát vận nhãn thường bị suy giảm sớm.
- Công cụ chuẩn mực: BURRITOS cung cấp một điểm chuẩn (benchmark) tối thiểu cho bất kỳ mô hình thị giác máy tính nào; nếu một mô hình mới không vượt qua được kết quả của BURRITOS, nó chưa thực sự đóng góp thêm giá trị giải thích về hành vi thị giác.
Tài liệu tham khảo:
Fabian, T. (2026). Baseline dynamics in human visual behaviour. Vision Research, 244, 108828. https://doi.org/10.1016/j.visres.2026.108828
(Tệp gốc: Baseline-dynamics-in-human-visual-behaviour_2026_Vision-Research.pdf)