注視する：神経発達の学習エッセンスを整える

適応的な学習システムは、パフォーマンス指標に基づいてコンテンツの提供を最適化しますが、アスペルガーや自閉質など、神経異常性のあるリラックスする生徒たちのダイナミックな注視の変動を取り込みません。我々はAttentionGuardフレームワークを開発し、プライバシーを保護しながら行動信号から焦点の状態を検出し、結果的にインターフェース要素をそれに応じて調整します。私たちのアプローチは、ADHDのエフェマリズムに基づいて四つの注視の状態を持っており、二方向のサーケイングパターンの5つの新しいUI修正が実装されています。これは、OULADデータセットで分離モデルに対して87.3%のクラスificaション正解率を達成し、ハイパーラクティックデータセットでのクロス・バリレーションで臨床的なADHDスタイルとの関連性を示しました。アドホックワザの成人11人に実施したテストでは、適切な状況でのCognitive Loadが大幅に減り（NASA-TLX: 47.2 vs 62.8、カオネスのd=1.21、p = 0.008）そして理解度（78.4% vs 61.2%、p = 0.009）。ワザと動画のコントロール者予測の整合性分析は実装可能性を確認し(84%)、このシステムはインタラクティブなデモとして提出されます。観察者は検査することができた注視の状態を観察し、リアルタイムUI の適応を見ることもできます。また自己制御を優先させると自動的判断を比較し、人間がシステム内側でハーモニーを加えることができます。我々は注意に基づくUI パターンを開発しましたそして神経異常性の学習エッセンスに対する行動からの意思決定を意味するように確認しました。

arXiv:2602.07865v1 Announce Type: cross Abstract: Adaptive learning systems optimize content delivery based on performance metrics but ignore the dynamic attention fluctuations that characterize neurodivergent learners. We present AttentionGuard, a framework that detects engagement-attention states from privacy-preserving behavioral signals and adapts interface elements accordingly. Our approach models four attention states derived from ADHD phenomenology and implements five novel UI adaptation patterns including bi-directional scaffolding that responds to both understimulation and overstimulation. We validate our detection model on the OULAD dataset, achieving 87.3% classification accuracy, and demonstrate correlation with clinical ADHD profiles through cross-validation on the HYPERAKTIV dataset. A Wizard-of-Oz study with 11 adults showing ADHD characteristics found significantly reduced cognitive load in the adaptive condition (NASA-TLX: 47.2 vs 62.8, Cohen's d=1.21, p=0.008) and improved comprehension (78.4% vs 61.2%, p=0.009). Concordance analysis showed 84% agreement between wizard decisions and automated classifier predictions, supporting deployment feasibility. The system is presented as an interactive demo where observers can inspect detected attention states, observe real-time UI adaptations, and compare automated decisions with human-in-the-loop overrides. We contribute empirically validated UI patterns for attention-adaptive interfaces and evidence that behavioral attention detection can meaningfully support neurodivergent learning experiences.