语言评估通常以“答对了几题”收尾。然而，即使两个人得分相同，得出答案的过程也可能不同。答错的题目通常只是从分数中扣除，那一刻发生了什么并不会留下记录。
已有报告指出，正常压力脑积水患者在命名任务中存在困难。如果分析患者给出错误应答那一刻的眼动，能否捕捉到仅凭正确率看不到的语言加工特征？
下面来读一篇回答这一问题的论文。
- 标题：Language processing characteristics in normal pressure hydrocephalus: insights from eye-tracking analysis of incorrect responses
- 期刊：Frontiers in Aging Neuroscience
- 年份：2025
- DOI：10.3389/fnagi.2025.1527962
该论文以 CC BY 许可公开发表。本文中的表格摘取了 Kim et al. (2025) 表2、表3、表4中的部分数值并重新整理。
研究团队让正常压力脑积水（Normal Pressure Hydrocephalus, NPH）患者和健康老年人（Healthy Elderly, HE）看图说出名称，并在任务过程中用网络摄像头记录视线。该任务称为词汇提取任务（Lexical Retrieval Task, LRT）。与一般的命名测验不同，LRT 只对第一个反应计分。即使起初答错、随后自行纠正为正确答案，也按错误处理。
本文使用的核心术语如下。
- 眼动追踪（eye-tracking）：记录被试注视屏幕何处、注视多久的方法。
- 注视（fixation）：视线在一个位置停留 70 ms 以上的状态。
- 眼跳（saccade）：两次注视之间视线快速移动的运动。本论文将移动速度超过 30°/s 的运动归为眼跳。
- 正确应答与错误应答：第一个反应正确即为正确应答。无应答、错误回答和自我纠正的回答都属于错误应答。
动机：仅凭正确率看不到 NPH 患者的命名过程
为什么 NPH 的语言加工很重要
论文列出了需要关注 NPH 语言问题的以下理由。
- NPH 是可逆性痴呆之一，早期发现可使症状得到改善。
- NPH 中脑脊液循环受阻，导致脑室扩大。扩大的脑室压迫枕叶、颞叶、额叶和海马，可能因此削弱视知觉、词汇通达、语音编码和语义记忆加工。
- Chung (2018) 回顾了 529 名接受分流手术的 NPH 患者的病历，其中 23.1% 存在语言障碍。在有语言障碍的患者中，约 75% 存在表达性语言缺陷，尤其是物体命名缺陷。
- NPH 与帕金森病（Parkinson’s disease, PD）的主要症状有重叠，因此需要对二者进行鉴别诊断。
物体命名要经过多个阶段：视觉识别、语义加工、词汇通达、语音加工依次进行。神经认知障碍患者往往在词汇、语义和视知觉方面减弱，因而常常出现命名困难。
既往研究未涉及的部分
NPH 患者的命名结果在不同研究中并不一致。在 Kim et al. (2024) 中，NPH 组和 PD 组的命名表现显著差于正常老年人。NPH 组反应也更慢，语义错误和非词错误也更多。相反，Saito et al. (2011) 在特发性 NPH、阿尔茨海默病（Alzheimer’s disease, AD）和正常老年人之间没有发现显著差异。
也有眼动追踪研究。Lehtola et al. (2022) 在快速读出数字的 King-Devick 测验中比较了特发性 NPH、AD 和正常老年人，NPH 组和 AD 组的眼跳幅度都小于正常老年人。Ungrady et al. (2019) 让原发性进行性失语（primary progressive aphasia, PPA）和 AD 患者对 200 张图片进行命名，并同时分析了正确与错误应答。
论文指出的空白如下。
- 结果与过程的区分：有观点认为，NPH 的语言缺陷源于更广泛的认知损害，而非语言系统本身。若如此，困难在加工过程中可能比在最终分数中表现得更明显。既往研究结果不一致，也可能源于任务差异。
- NPH 眼动研究的不足：针对 NPH 的眼动追踪研究很少。
- 以正确应答为主的分析：既往研究主要关注正确应答的数量差异，对正确与错误应答的眼动模式进行质性比较的研究很少。
方法：只对第一个反应计分，并分别比较正确与错误应答的视线
论文的研究目标是组间比较、分数与指标的关系、按正确与错误应答的比较以及视线可视化。本文先介绍被试，再将方法分为五个步骤加以整理。
资料与被试
被试共 26 名。NPH 组为 65 岁以上患者 14 名，HE 组为 12 名。
NPH 组的纳入标准如下。
- 症状隐匿起病。
- 症状持续 3~6 个月以上。
- 没有其他可解释症状或影像学表现的疾病。
- 脑室扩大。
- 存在步态障碍、认知障碍和排尿障碍。
- 脑脊液压力不超过诊断标准范围（70–245 mmH2O）。
- 尚未接受分流手术。
NPH 被试由神经外科医生和神经内科医生协商一致后选定。HE 组选取无感觉、神经及躯体障碍，且韩国版简易精神状态检查第2版（Korean Mini-Mental State Examination-2, K-MMSE2）得分在第16百分位数以上的人。
| 项目 | NPH 组 | HE 组 | 组间差异 |
|---|---|---|---|
| 平均年龄（岁） | 79.14 | 76.33 | p = 0.078 |
| 平均受教育年限（年） | 7.00 | 10.08 | p = 0.126 |
| K-MMSE2 得分 | 19.93 | 26.58 | p = 0.001 |
来源：论文第2.1节
两组在年龄、性别和受教育年限上没有显著差异，只有 K-MMSE2 得分差异显著。
第1步：词汇提取任务的设计与计分
- 输入：Kim et al. (2024) 编制的词表
- 处理：匹配频率、音节数和语义类别，确定 30 个词，只对第一个反应计分
- 输出：每名被试的 LRT 得分、每题的正误标记、错误类型
- 划分词频。按照 Jo (2002) 的标准，频率低于 15 为低频，15 及以上为高频。结果纳入高频词 13 个、低频词 17 个。
- 匹配音节数。2音节 5 个、3音节 13 个、4音节 11 个、5音节 1 个。为提高任务难度，加大了3音节和4音节词的比重。
- 将语义类别分为 15 类并均衡安排，如陆地动物、昆虫、水果、交通工具、乐器、花、工具、鸟等。
- 只对第一个反应计分。即使无应答也不给提示。
- 对错误应答分类。按照 Dell et al. (1997)，分为语义错误、形式错误、混合错误、无关错误和非词错误。这些资料用于辅助解释的补充分析。
研究团队这样选词是为了诱发错误。同一语义类别中相似的词越多，越容易在语义层面选错词；语音越复杂，越容易在提取阶段出错。
第2步：视线记录与预处理
- 输入：任务中记录的视线坐标和时间信息
- 处理：校准、注视与眼跳分类、剔除兴趣区以外的数据
- 输出：兴趣区内的注视列表和眼跳列表
- 布置设备。被试距显示器 55 cm、距麦克风 30 cm。显示器为 Dell E2422HS（1,920 × 1,080 像素），摄像头为每秒 30 帧的 Pengca Webcam 1080p。眼动追踪软件使用 VisualCamp 的 SeeSo，实际采样率约为 28.43 Hz。
- 进行五点校准。被试依次注视屏幕中央和四角的点。只有五个点的视线都在 5 秒内保持在 1.7° 以内，才进入任务。只要有一个点失败，就从头重新校准。
- 分类注视与眼跳。停留 70 ms 以上的视线为注视，超过 30°/s 的移动为眼跳。
- 整理注视段坐标。将一次注视内的所有坐标替换为该注视的第一个坐标。被归为眼跳的中间坐标不纳入分析。
- 确定兴趣区（Area of Interest, AOI）。只分析屏幕中央显示图片的 1,483 × 707 像素区域。为只保留加工图片的视线，该区域以外的视线全部剔除。
第3步：计算眼动指标
- 输入：第2步得到的注视列表和眼跳列表
- 处理：逐题计算六项指标
- 输出：各被试、各应答类型的指标值
研究团队使用的六项指标如下。
| 指标 | 含义 | 单位 |
|---|---|---|
| 注视时间（FD） | 注视时间之和 | ms |
| 注视次数（FC） | 发生注视的次数 | 次 |
| 眼跳次数（SC） | 发生眼跳的次数 | 次 |
| 眼跳时间（SD） | 眼跳时间之和 | ms |
| 眼跳路径总长（SST） | 眼跳移动距离之和 | 像素 |
| 眼跳幅度总和（SAT） | 眼跳角度变化之和 | 度 |
来源：根据 Kim et al. (2025) 表1和表2重新整理（CC BY）
各指标的计算方式如下。
- FD（Fixation Duration）：将每次注视的结束时刻减去开始时刻，再全部相加。只纳入 70 ms 以上的注视。
- SD（Saccade Duration）：将每次眼跳的结束时刻减去开始时刻，再相加。
- SST（Saccade Scanpath Total）：将眼跳起点与终点之间的直线距离全部相加。
- SAT（Saccade Amplitude Total）：用眼跳的纵向变化除以横向变化，对所得值取反正切求出角度，再将角度相加。
论文将时间和频次指标与认知加工联系起来，将空间指标与视知觉能力联系起来。因此，NPH 组若在时间和频次上存在差异，就解释为认知加工异常；若空间指标存在差异，则解释为视知觉缺陷。
第4步：统计分析
- 输入：各被试的 LRT 得分和眼动指标
- 处理：组间比较、相关分析、组别 × 应答类型分析
- 输出：检验统计量和 p 值
- 组间比较：由于数据不满足正态性假设，采用 Mann–Whitney U 检验比较两组的 LRT 得分和眼动指标。
- 相关分析：计算 LRT 得分与各眼动指标之间的 Pearson 相关。
- 应答类型分析：以组别（NPH、HE）和应答类型（正确、错误）为两个因素，进行双因素混合方差分析（two-way mixed ANOVA）。事后比较采用 Bonferroni 校正。
- 检验效能确认：用 G*Power 3.1 计算事后统计检验力。
组别是每个人只属于其中一组的组间因素，应答类型则是同一个人身上正确与错误应答都会出现的组内因素。混合方差分析同时检验两个主效应和交互作用。
第5步：可视化与网格分析
- 输入：正确率高的两道题和错误率高的两道题的注视数据
- 处理：比较热图和扫视路径，计算 10 × 10 网格指标
- 输出：各题、各组的网格指标
研究团队选取正确率超过 90% 的“摩托车”和“茄子”作为正确题目，选取两组错误率均超过 60% 的“木琴”和“自动扶梯”作为错误题目，比较了这四道题的热图（heatmap，用颜色表示视线停留较多之处的图）和扫视路径（scanpath，视线经过的路径）。
为了用数值验证质性比较，研究团队把图片划分为 10 × 10 网格，即 100 个单元格，并计算了以下五项指标。
- 网格熵（grid entropy）：反映注视在各单元格中分布的均匀程度。值越大，视线分布越分散。
- 空间离散度（spatial dispersion）：相邻两次注视之间的平均直线距离。
- 网格占有率（grid occupancy）：至少出现过一次注视的单元格所占比例（0–1）。
- 转移密度（transition density）：在所有可能的单元格间移动中，实际出现的不同移动所占比例。
- 最近邻指数（Nearest Neighbor Index, NNI）：小于 1 表示注视聚集，大于 1 表示注视分散。
举一个网格占有率的计算例子。在木琴题中，NPH 组的占有率为 0.72。共有 100 个单元格，因此表示有 0.72×100=72个单元格出现了注视。HE 组为 0.59，即 0.59×100=59个单元格。
结果：NPH 组的视线差异在错误应答时表现得更明显
词汇提取得分：NPH 组明显偏低
LRT 平均分 NPH 组为 52.14 分（SD = 16.88），HE 组为 84.17 分（SD = 7.26），差异显著（U = 2.500，p = 0.000）。事后统计检验力超过 90%。作者认为应将这一得分差异与眼动结果结合起来解释。
整体眼动指标：六项指标 NPH 组均更大
合并所有应答比较两组，六项指标均存在显著差异。
| 指标 | NPH 平均 | HE 平均 | p |
|---|---|---|---|
| 注视次数（FC） | 22.63 | 12.31 | 0.001 |
| 注视时间（FD, ms） | 6139.76 | 3263.67 | 0.001 |
| 眼跳次数（SC） | 21.65 | 11.31 | 0.001 |
| 眼跳时间（SD, ms） | 4143.48 | 2018.58 | 0.000 |
| 眼跳路径（SST, 像素） | 6064.02 | 2617.30 | 0.000 |
| 眼跳幅度（SAT, 度） | 666.74 | 311.28 | 0.000 |
来源：仅摘取 Kim et al. (2025) 表2中的平均值和 p 值重新整理（CC BY）
作者这样解释结果：注视时间长，可能意味着将注意转向别处的能力较弱；注视次数多，说明浏览图片的效率较低；眼跳时间长、次数多，则可能是将视觉信息分成碎片加工。
作者将其原因归于脑结构受压。额叶参与注意转换，基底节参与眼球运动调控。扩大的脑室压迫这些结构时，视觉信息加工会减弱，也可能影响词汇提取。
解读这一结果时需要同时考虑两组认知水平的差异。作者认为，NPH 组的认知功能显著低于 HE 组，但并非重度（讨论部分记为 K-MMSE = 20.33）。第2.1节中的 K-MMSE2 平均分为 NPH 19.93、HE 26.58（p = 0.001）。因此笔者判断，眼动指标的差异究竟是 NPH 特有的特征，还是源于整体认知水平的差异，这一设计无法区分。受教育年限平均为 7.00 年和 10.08 年，也存在差异（不显著）。
得分与眼动指标：呈负相关
LRT 得分与六项指标均呈负相关。
- FC：r = −0.569 (p = 0.002)
- FD：r = −0.566 (p = 0.003)
- SC：r = −0.569 (p = 0.002)
- SD：r = −0.554 (p = 0.003)
- SST：r = −0.488 (p = 0.011)
- SAT：r = −0.462 (p = 0.017)
眼动指标值越大的被试，命名得分往往越低。这一结果是相关关系，并未证明眼动导致得分降低的因果关系。作者在讨论部分指出系数主要在 0.400.60 范围内，解释为中等程度的相关。摘要中则写的是系数大多在 0.50 以上，原文内部表述不一致。实际 r 为 −0.462−0.569。事后统计检验力大多超过 80%，但 SAT 为 74% 以上，SST 为 68% 以上，相对较低。对这两项空间指标的相关需要更谨慎地解释。
正确与错误应答：两组在错误应答中指标都增大
各应答类型的平均值如下。
| 指标 | 组别 | 正确 | 错误 |
|---|---|---|---|
| FC | NPH | 14.05 | 34.23 |
| FC | HE | 9.94 | 22.26 |
| FD(ms) | NPH | 3925.58 | 9216.46 |
| FD(ms) | HE | 2634.16 | 5663.05 |
| SD(ms) | NPH | 2249.65 | 6425.71 |
| SD(ms) | HE | 1658.81 | 4152.57 |
| SST(像素) | NPH | 3599.13 | 9484.76 |
| SST(像素) | HE | 2076.57 | 5236.22 |
来源：仅摘取 Kim et al. (2025) 表3中四项指标的平均值重新整理（CC BY）
在双因素混合方差分析中，组别主效应在六项指标上均显著。例如，SD 为 F[1,24] = 13.600（p = 0.001），FD 为 F[1,24] = 8.281（p = 0.008）。应答类型的主效应也全部显著。SD 为 F[1,24] = 94.014，FC 为 F[1,24] = 60.922（均为 p = 0.000）。这说明两组在错误应答中眼动指标都增大。
组别 × 应答类型交互作用仅在 SD 上显著（F[1,24] = 5.981，p = 0.022）。这意味着从正确应答到错误应答时，眼跳时间的增加幅度在 NPH 组更大。计算增加幅度，NPH 组为 6425.71−2249.65=4176.06 ms，HE 组为 4152.57−1658.81=2493.76 ms。按倍数计算，NPH 组为 6425.71÷2249.65≈2.86倍，HE 组为 4152.57÷1658.81≈2.50倍。
对错误类型的补充分析显示，NPH 组中语义错误（例：老虎 → 狮子）最多。正文未给出各错误类型的具体数值。作者据此推论，从物体识别开始的视觉加工缺陷可能阻碍语义层面的词汇提取。这一推论是作者基于未给出数值的补充分析提出的假设。
可视化与网格分析：正确题目中两组的值接近
在热图中，HE 组无论正确题目还是错误题目都注视图片中央。NPH 组在错误题目中视线向边缘分散，这一差异在自动扶梯图片上最明显。
| 题目（应答） | 组别 | 空间离散度 | 网格占有率 |
|---|---|---|---|
| 木琴（错误） | NPH | 5.20 | 0.72 |
| 木琴（错误） | HE | 2.20 | 0.59 |
| 自动扶梯（错误） | NPH | 4.30 | 0.60 |
| 自动扶梯（错误） | HE | 1.35 | 0.38 |
| 摩托车（正确） | NPH | 1.88 | 0.40 |
| 摩托车（正确） | HE | 1.77 | 0.39 |
| 茄子（正确） | NPH | 1.66 | 0.33 |
| 茄子（正确） | HE | 1.51 | 0.29 |
来源：仅摘取 Kim et al. (2025) 表4中的两项指标重新整理（CC BY）
在错误题目中，NPH 组的空间离散度大于 HE 组；在正确题目中，两组的值接近。不过，正文表4只给出了四道题的组水平数值，没有给出检验统计量（详见附录5）。网格熵也呈现类似趋势：错误题目木琴为 5.58 和 5.45，正确题目摩托车为 4.95 和 4.86。
扫视路径也显示出差异。HE 组在错误题目中路径变得复杂。NPH 组在正确题目中路径就已经较为多样，在错误题目中则更加复杂。也有例外：患者 P04 答错木琴时，路径却非常简单。这类被试在 NPH 组内的命名成绩也偏低。作者解释说，错误应答中出现的简单路径反映的可能不是高效，而是“不活跃”的加工。
意义与局限
带来了什么变化
- 错误应答的分析：没有舍弃错误应答，而是将其作为眼动数据加以分析。组别 × 应答类型交互作用在 SD 上显著，四道题的描述性比较也显示，错误题目中的组间差异更大。
- 严格计分：只对第一个反应计分，自我纠正也按错误处理。针对的不是最终是否成功，而是提取过程中的缺陷。
- 量化：用五项网格指标将热图的质性印象数值化。
- 与其他疾病的对照：作者在讨论部分写道，Ungrady et al. (2019) 中的 PD、PPA 患者在错误应答时注视次数较少，而本论文的 NPH 组在错误应答时注视更多。作者将这一差异区分为 PD 的“注视本身”的困难与 NPH 的“注视低效”，并提出可作为鉴别诊断的候选指标。不过，同一研究的比较对象在引言中写作 PPA 和 AD，在讨论部分写作 PD 和 PPA，原文内部表述不一致。
对实践者的用处
作者在结论中提出的建议如下。
- 评估题目：评估 NPH 患者的词汇提取缺陷时，使用多音节低频词。
- 辅助指标：由于得分与眼动指标存在相关，作者提出视线效率分析有可能成为更敏感的指标。不过，本研究并未进行敏感性比较。可将其视为值得作为辅助指标加以探索的方向。
- 分阶段干预：对于命名困难且眼动模式不典型的患者，在以准确命名为目标之前，先设置简化眼动模式的中间阶段。
- 促进探索：作者认为，答错同时视线路径过于简单的患者可能是缺陷最严重的情况。对这类患者，作者建议在提取训练之前采用视觉搜索策略可能有所帮助。这一解释是从 P04 等个案观察中得出的假设，干预效果在本研究中并未得到验证。
对研究者的用处
本论文提供了一种将“结果”与“过程”分开考察的设计。把正确与错误应答设为组内因素，就可以通过交互作用检验组间差异在哪种条件下变大。
研究团队没有使用专用设备，而是用网络摄像头、笔记本电脑和商用软件记录视线。本研究将时间和频次指标与认知加工相联系，将空间指标与视知觉相联系来进行解释。论文强调，应结合任务和情境来解释眼动模式。这一解释框架能否用于其他疾病，值得结合任务和情境加以考察（笔者意见）。
论文自述的局限
论文自述的局限有三点。
- 样本量：样本较小，需要用更大的群体提高结果的可靠性。
- 对照组：需要开展将 NPH 与难以鉴别诊断的 PD、AD 组进行比较的研究。
- 术后变化：NPH 在手术后可能好转，因此需要追踪术后词汇提取和视觉加工的变化。
笔者看到的适用条件
以下并非论文中的内容，而是笔者补充的条件。认知水平差异的影响已在前面的结果部分讨论。
- 视线记录的精度：基于网络摄像头的记录精度约为 1.7°，采样率约为 28.43 Hz。对于需要精细区分短眼跳的用途，同样的条件可能并不适用。
- 可视化范围：可视化和网格分析只是四道题的组水平数值，且未给出检验统计量，难以直接用作个体诊断标准。
- 解释的依据：作者将 SD 交互作用解释为两组在正确应答中的 SD 没有差异。但描述统计中正确应答的 SD 为 2249.65 ms 和 1658.81 ms，相应的事后比较数值正文中并未给出。
- 数值核对：正文与表格中有部分数值不一致。K-MMSE2 平均分在第2.1节为 19.93，在讨论部分为 20.33。SD 的 U 值在正文中为 20.000，在表2中为 10.000。引用时请直接核对原文。
可以马上尝试的事
- 只对第一个反应重新计分。在已有的命名记录中，将无应答和自我纠正重新归为错误应答。把原有得分与新得分并列，查看哪些被试的排名发生了变化。
- 分别计算正确与错误应答的平均值。如果有视线记录，按组别对每种应答类型分别计算 FC、FD、SC、SD 的平均值。按组计算两种应答类型之间的增加幅度，就能在交互作用分析之前先确认趋势。
- 计算网格占有率。各选一道正确率高和正确率低的题目，将图片划分为 10 × 10 网格，按组计算至少出现过一次注视的单元格所占比例。