Giriş: Canlı yayıncıların yüzü ve göz hareketleri, izleyiciler için sadece estetik değil; karar verme süreçlerinin ve bilinçli yanıltmanın (bluff) izlenmesi açısından da önemli sinyaller içerir. Bu makalede, 1.200 saatlik yayın verisinden elde edilen göz izleri (gaze) ile bakış hızı, karar süresi ve bluff tespiti arasındaki ilişkiyi ayrıntılı olarak inceliyoruz.
Veri Seti ve Ön İşleme
Analiz, çeşitli oyun türlerinden (poker/masa oyunları, FPS, RTS gibi) toplanmış 1.200 saatlik yayın verisini kapsar. Veri seti, yayın görüntüsü, yüz ve göz izleme izleri, olay zaman damgaları (ör. hamle, bahis, ateş etme) ve meta bilgileri içerir.
- Örnekleme oranı: Kaydedilen göz verileri ortalama 30–60 Hz aralığında.
- Toplam örnek sayısı: Yüz milyonlara ulaşan göz örnekleri (saniyeler × örnekleme hızı × yayın süresi).
- Etiketleme: Karar başlangıç/bitiriş zamanları otomatik olay tespiti ve manual doğrulama ile etiketlendi. Bluff etiketleri; bahis/poker bağlamında oyuncu davranışının bağlama göre insan uzmanı tarafından işaretlendi.
Ön işleme adımları: yüz tespiti, göz koordinatlarının normalize edilmesi (ekran boyutu/kameraya göre), eksik veri interpolasyonu, göz kırpma ve dışarı çıkma filtreleri, hareket artefaktlarının çıkarılması ve zaman senkronizasyonu.
Özellik Çıkarımı: Bakış Hızı ve Ötesi
Göz izleri ham veri olarak çok gürültülüdür; bu yüzden anlamlı özellikler çıkarmak gerekir. Kullanılan başlıca özellikler:
- Bakış hızı (gaze velocity): ardışık örnekler arasındaki euclidean hız. Ani değişimler saccade; düşük, stabil hızlar fixation olarak yorumlanır.
- Fixation süresi ve sayısı: Karar anında sabit bakışların yoğunluğu.
- Saccade frekansı ve genliği: Gözün hedef değiştirme sıklığı ve açısal büyüklüğü.
- Pupil büyüklüğü ve değişimi: Yüksek bilişsel yük veya stres ile ilişkili olabilir (kısıtlı veri ile dikkatli yorumlanmalı).
- Blink oranı ve süreleri: Uzun düşünme veya dikkat düşüşü sinyalleri.
- Zaman serisi özellikleri: Hareketin özet istatistikleri (ortalama, std, eğilim, spektral bileşenler) ve kaydırmalı pencere özetleri (ör. karar öncesi 2 s, karar anı, karar sonrası 2 s).
Analitik Yaklaşım ve Modelleme
İki ana hedef belirlendi:
- Bakış hızının karar süresini (reaction/decision latency) nasıl etkilediğini nicel olarak ölçmek.
- Bluff tespitinde göz verisinin katkısını değerlendirmek.
İstatistiksel analizde korelasyon, zaman gecikmeli çapraz korelasyon ve çok değişkenli regresyon kullanıldı. Makine öğrenmesi tarafında ise basit modellerden derin zaman serisi modellere kadar bir dizi yöntem denenmiştir: lojistik regresyon, Random Forest, XGBoost ve LSTM bazlı sıralı modeller.
Eğitim ve Doğrulama Protokolü
Model değerlendirmesinde leave-one-streamer-out çapraz doğrulama tercih edildi. Bu, modelin yeni bir oyuncuya/generele göre performansını gerçekçi gösterir. Ölçütler: AUC, F1-score, precision/recall ve karar süresi tahmini için MAE.
Bulgular
1) Bakış hızı ve karar süresi ilişkisi: Yapılan korelasyon analizleri, bakış hızındaki artışın karar süresinin kısalmasıyla anlamlı şekilde ilişkili olduğunu gösterdi. Ortalama Pearson korelasyonu r ≈ -0.42 (p < 0.001) bulundu; yani daha hızlı hedef değişimleri, çoğu durumda daha hızlı karar ile ilişkilendi.
Örnek yorum: Poker oyuncuları için, bir oyuncunun bakış hızında ani artış (daha sık saccade) gözlemlendiğinde, genellikle kısa süreli, refleksif bir yanıt veya ani bir bluff çağrısı geliyordu. Buna karşın uzun stabil fixationlar daha dikkatli, uzun düşünen kararlarla eşleşti.
2) Bluff tespiti: Sadece oyun olay verisi (ör. hamle düzeyi) kullanıldığında elde edilen AUC ≈ 0.71 iken, göz verileri eklendiğinde AUC ≈ 0.81 düzeyine yükseldi. Göz+davranış birleşimi ile en iyi sonuçlar görüldü: AUC ≈ 0.88.
Göz verisi tek başına güçlü bir sinyal; fakat en iyi performans, oyun içi davranış verisi ve göz özelliklerinin birleşimiyle elde ediliyor.
3) Özellik önemleri: SHAP analizi ve ablation çalışmaları gösterdi ki en kritik özellikler şunlar: bakış hızı varyansı, fixasyon süresi ortalaması, saccade genliği ve karar öncesi 500–1500 ms arası penceredeki hız eğimleri.
Pratik Örnekler ve Uygulamalar
Bu bulgular çeşitli uygulamalara dönüşebilir:
- Canlı yayın yorumcuları: Yayın sırasında anlık göz hareketi değişiklikleriyle oyuncunun niyetini işaretleyebilir; izleyici deneyimini zenginleştirir.
- Koçluk ve analiz araçları: Oyuncu başına profil oluşturarak hangi göz örüntülerinin iyi karar/yanlış karar ile ilişkili olduğunu gösterebilir.
- Oyun tasarımı: E-spor eğitim modülleri, göz izleme ile stresli/yanıltıcı durumları simüle edip oyuncuyu bu durumlara alıştırabilir.
Sınırlar, Yanılgılar ve Etik
Bu tip analizlerde dikkat edilmesi gereken noktalar:
- Veri kaynağı çeşitliliği: Farklı kameralar, ışık koşulları ve yayın çözünürlükleri göz verisinin kalitesini etkiler. Model genellemesi için çeşitlilik şarttır.
- Oyuncu bireyselliği: Göz davranışları kişiden kişiye çok farklı olabilir; bu yüzden calibration ve kişiye özgü eşik ayarları önemlidir.
- Etik ve gizlilik: Göz verisi biyometrik veri sayılabilir. Yayıncıların rızası olmadan kullanım hukuki ve etik sorunlar doğurur.
- Yanlış pozitifler: Göz hareketleri stres, yorgunluk veya dikkat dağınıklığı gibi farklı nedenlerle değişebilir; bluff olarak yanlış sınıflandırma riski vardır.
Uygulama ve Teknik Öneriler
Gerçek zamanlı sistem kurmayı düşünenler için pratik öneriler:
- Gerçek zamanlı gürültü filtresi uygulayın (kalman filtresi veya EWMA).
- Kısa pencereli (200–1500 ms) ve uzun pencereli (5–10 s) özellikleri birlikte kullanın.
- Kullanıcı başına adaptif eşikleme uygulayın; başlangıçta few-shot kalibrasyon alın.
- Modelinizi leave-one-player-out ile test edin; overfitting'e dikkat edin.
- Gizlilik politikaları ve açık rıza mekanizmalarını süreçten eksik etmeyin.
Sonuç
1.200 saatlik yayın verisi üzerinde yapılan bu çalışma, bakış hızı ve genel göz hareketi örüntülerinin hem karar süresini anlamlı biçimde etkilediğini hem de bluff tespitine önemli katkı sağladığını gösterdi. Ancak en iyi sonuçlar, göz verisinin oyun içi davranışla birleştirilmesiyle elde ediliyor.
Özetle: Göz izleri, oyuncu niyetini ve bilişsel durumu yakalayabilen güçlü bir kaynak. Uygulamalarda dikkatli veri ön işleme, kişiye yönelik kalibrasyon ve etik çerçeve şart.
