Por qué webcam, y qué se pierde al elegirla
Un estudio de atención visual tradicional se corre con un eye-tracker dedicado —cámaras infrarrojas de alta frecuencia, calibración con equipo especializado, un sujeto por sesión, en una sala controlada. Ese método produce datos de altísima precisión, pero impone un costo de reclutamiento y logística que descarta a la mayoría de los estudios de mercado y a buena parte de la investigación académica con presupuesto acotado.
La alternativa —estimar mirada, expresión y tiempo de reacción a partir de la webcam que el participante ya tiene, corriendo enteramente en su navegador— no es una idea nueva: es la premisa detrás de herramientas de investigación de código abierto usadas en ciencia cognitiva desde hace más de una década, y validadas en estudios que replican paradigmas clásicos de laboratorio.
"El seguimiento ocular por webcam produce datos más ruidosos que el hardware de laboratorio — pero replica los mismos efectos, con el mismo signo, en la mayoría de los paradigmas probados."
Esa es la apuesta metodológica completa de Databrain Remote: no pretender la precisión de un laboratorio, sino ser honesto sobre qué tan lejos llega la alternativa sin laboratorio, y diseñar cada métrica alrededor de esa honestidad — filtrando lo que no alcanza calidad mínima en vez de promediarlo igual que el resto.
Estimación de mirada sin hardware dedicado
El principio detrás del seguimiento ocular por webcam es de autocalibración por interacción: en vez de requerir un dispositivo que mida directamente el reflejo corneal, un modelo aprende la relación entre la posición del ojo en la imagen de cámara y el punto de la pantalla que el usuario está mirando, usando los propios movimientos de mouse/click del usuario como señal de entrenamiento implícita durante la calibración inicial.
WebGazer — Papoutsaki et al., 2016[1]
El sistema de referencia de esta familia de métodos reporta un error angular de aproximadamente 4° en condiciones de laboratorio, con una incertidumbre práctica de 100–200 px en pantallas 1920×1080. Suficiente para distinguir a qué región general de la pantalla fue la mirada; no para localizar una fijación con precisión de píxel.
Validación en ciencia cognitiva — Semmelmann & Weigelt, 2018[2]
El primer estudio sistemático de seguimiento ocular por webcam online (fuera de un laboratorio, con el hardware del propio participante) reprodujo tareas básicas de fijación, seguimiento (pursuit) y visión libre — estableciendo que la señal es utilizable fuera de un entorno controlado, con más ruido pero sin sesgo direccional sistemático.
Replicación de efectos clásicos — validación en Behavior Research Methods[3]
Un estudio posterior replicó tres paradigmas robustos de la literatura de seguimiento ocular (efecto cascada, preferencia por la novedad, paradigma del mundo visual) enteramente online. Los tres efectos se replicaron; los tamaños de efecto se redujeron entre 20% y 27% respecto al hardware de laboratorio — la señal es la misma, con más varianza.
Databrain Remote implementa esta misma familia de método (calibración por interacción en el navegador del participante) y hereda exactamente esas dos propiedades: la dirección de la atención es confiable, la precisión de punto no lo es. Por eso el heatmap se presenta como mapa de densidad por zona, y ninguna métrica de la plataforma reporta una fijación puntual como si fuera un dato de precisión milimétrica.
Áreas de interés y su ventana temporal
La práctica de dividir un estímulo en Áreas de Interés (AOI) para cuantificar atención localizada —más allá del mapa de calor global— es un método estándar en la literatura de seguimiento ocular, con métricas convencionales bien establecidas: tiempo de permanencia (dwell time), tasa de impacto (hit ratio) y tiempo hasta la primera fijación (TTFF)[4]. Databrain Remote implementa las tres.
La extensión propia de la plataforma es tratar el AOI de video como un objeto con ciclo de vida temporal, no como una región fija superpuesta a todo el clip: el rectángulo se define por dos o más puntos en el tiempo (keyframes), interpola linealmente su posición entre ellos, y —decisión de diseño central— no existe fuera de la ventana entre su primer y su último keyframe. Un producto que entra en cuadro a los 5s y sale a los 20s no debe contarse como "atendido" a los 2s; el método estándar de sostener la última posición conocida indefinidamente sobreestima sistemáticamente el tiempo de exposición real del objeto.
| Métrica | Definición operacional |
|---|---|
| % atención | Fracción de muestras de mirada dentro del rectángulo del AOI en su posición interpolada al instante t, promediada por participante antes que agregada. |
| Hit ratio | Proporción de participantes elegibles con al menos una muestra dentro del AOI durante su ventana activa. |
| TTFF | Latencia entre el inicio de la ventana activa del AOI y la primera muestra de mirada dentro de él, promediada solo entre quienes lo miraron. |
Emoción facial a partir de geometría, no de píxeles
El reconocimiento de emoción facial de Databrain Remote no clasifica la imagen del rostro directamente: extrae primero una malla de landmarks faciales (puntos de referencia geométricos sobre cejas, ojos, boca, mandíbula) y clasifica la emoción a partir de la configuración relativa de esos puntos. Este enfoque tiene dos raíces científicas independientes que se combinan en la plataforma.
Extracción de landmarks en tiempo real[5]
Los modelos de malla facial de 468 puntos en 3D, entrenados sobre el estándar de referencia del dataset 300W, alcanzan un error de landmark normalizado comparable al estado del arte —superando enfoques clásicos como Dlib— corriendo en tiempo real sobre una sola cámara, sin sensor de profundidad dedicado. Es la capa que hace viable correr esto en el navegador de cualquiera, no en un servidor con GPU dedicada.
Facial Action Coding System — Ekman & Friesen[6]
La correspondencia entre configuración geométrica del rostro y categoría emocional que usa la plataforma (siete emociones básicas: felicidad, tristeza, enojo, miedo, sorpresa, asco, neutral) desciende del Facial Action Coding System y de la evidencia de reconocimiento transcultural de Ekman —incluido el trabajo de campo con la tribu Fore de Papúa Nueva Guinea, con tasas de acuerdo por encima del 80% para miedo, felicidad y tristeza pese a nulo contacto previo con cultura occidental.
La universalidad transcultural de las seis emociones básicas de Ekman es hoy un punto de debate activo en la literatura —la interpretación de una expresión depende del contexto más de lo que el modelo original de los años 70 asumía, y la promesa de detectar microexpresiones como señal de engaño en particular está hoy considerada sobrevendida. Databrain Remote usa la taxonomía de Ekman como categorización operacional (una forma consistente de nombrar y comparar expresiones entre estímulos), no como afirmación de que cada categoría captura un estado interno inequívoco.
Para agregar entre participantes, cada serie individual se remuestrea primero a una grilla temporal común (interpolación lineal dentro del rango de datos real de cada persona) y recién después se promedia — así un participante con detección facial más constante no pesa más en el promedio de grupo que uno con datos más esporádicos.
FTR: velocidad de respuesta como señal implícita
El módulo FTR (Fast Test Response) no mide qué responde el participante sobre el estímulo — mide qué tan rápido lo hace. Esta es la premisa de dos líneas de investigación clásicas en psicología social cognitiva que anteceden por décadas a cualquier herramienta de neuromarketing.
Activación automática de actitudes — Fazio et al., 1986[7]
El paradigma de priming evaluativo estableció que la sola presentación de un objeto de actitud facilita —acelera— la respuesta a una palabra congruente con la evaluación automática de ese objeto, y la enlentece frente a una palabra incongruente. La latencia de respuesta, no la respuesta en sí, es la variable que revela la asociación automática.
Implicit Association Test — Greenwald, McGhee & Schwartz, 1998[8]
El IAT formalizó la medición de asociaciones automáticas a partir de latencias de categorización, específicamente para capturar actitudes que un sujeto puede ser incapaz o reacio a reportar mediante autoinforme directo — la velocidad de respuesta impide que la interferencia consciente edite la respuesta antes de emitirla.
FTR aplica el mismo principio con un diseño más simple que un IAT completo: tras el estímulo, palabras cronometradas con respuesta binaria SI/NO. Se cruzan dos ejes — dirección (SI o NO) y velocidad (rápida o lenta) — en vez de reportar el porcentaje de SI como métrica aislada. Un SI rápido y un SI lento no significan lo mismo: el primero es una asociación automática positiva, el segundo es una aprobación razonada que pudo involucrar duda.
De la muestra al resultado: criterios de agregación
Tres decisiones de agregación se repiten en todos los módulos de la plataforma, y no son incidentales: son la diferencia entre un promedio que refleja al grupo y uno que refleja a quien tuvo mejor cámara.
Por participante, no por muestra
Ninguna métrica combina las muestras crudas de todos los participantes antes de promediar. Cada participante produce primero un número (o una serie remuestreada a una grilla común), y el promedio de grupo se calcula sobre esos números individuales. La alternativa —promediar muestras crudas— deja que quien tuvo más cuadros detectados (mejor luz, mejor cámara, conexión más estable) pese más en el resultado final, sin que eso tenga relación alguna con la señal real que se está midiendo.
Los huecos no se disfrazan de cero
Cuando un participante no tiene dato en un tramo —perdió detección facial, se alejó de cámara, el eje temporal no llega hasta ahí— ese tramo se trata como valor faltante (null), nunca como cero. Confundir "no hay dato" con "no hubo emoción/atención" es un error de medición común en herramientas menos cuidadosas, y sesga cualquier promedio que lo contenga.
La cobertura se filtra, no se promedia igual
Un participante con muy poca señal capturada durante el estímulo (poca cobertura de atención) se excluye del agregado en vez de promediarse con el mismo peso que uno con cobertura completa. La plataforma reporta siempre cuántos quedaron afuera y por qué — nunca baja el número en silencio.
Inferencia estadística entre estímulos
Comparar dos o más estímulos dentro del mismo estudio usa un diseño pareado (mismo participante en ambas condiciones), que controla por diferencias individuales de forma mucho más eficiente que comparar grupos independientes. Sobre ese diseño se aplican dos correcciones estándar en investigación conductual que, aun siendo bien conocidas, se omiten con frecuencia en herramientas comerciales de analítica.
Corrección por comparaciones múltiples — Benjamini & Hochberg, 1995[9]
Al testear muchas hipótesis a la vez (por ejemplo, siete emociones × varios pares de estímulos), la probabilidad de al menos un falso positivo crece con cada comparación adicional. El procedimiento de tasa de falso descubrimiento (FDR) —uno de los artículos más citados en estadística aplicada de las últimas tres décadas— controla esa inflación sin ser tan conservador como una corrección de Bonferroni clásica, preservando poder estadístico donde de verdad hay señal.
Tamaño de efecto — Cohen, 1988[10]
Un resultado puede cruzar el umbral de significancia estadística y aun así representar una diferencia trivial en términos prácticos, especialmente con tamaños de muestra grandes. La d de Cohen cuantifica la magnitud de la diferencia en unidades de desviación estándar, independiente del tamaño de muestra — con las referencias convencionales de 0.2 (pequeño), 0.5 (mediano) y 0.8 (grande) como vara de comparación entre estudios distintos.
Cada comparación entre estímulos en Databrain Remote requiere un mínimo de tres participantes con datos válidos en ambos lados del par; por debajo de ese umbral, se marca explícitamente como insuficiente en lugar de reportar un p-valor sobre una muestra demasiado pequeña para sostenerlo.
Límites declarados
Un resumen, en un solo lugar, de lo que este método no hace — porque una plataforma de investigación que no puede nombrar sus propios límites no es una plataforma de investigación seria.
- No es fijación de precisión. La mirada estimada por webcam identifica zona de atención, no el punto exacto de fijación como haría un eye-tracker de infrarrojo dedicado.
- No es diagnóstico clínico. El reconocimiento de emoción facial clasifica expresión observable, no estado emocional interno verificado — dos cosas relacionadas pero no idénticas.
- El dispositivo importa. Datos de celular y de escritorio no se mezclan en el mismo agregado de atención por la diferencia de geometría de cámara.
- La n real, no la n nominal. Cada resultado reporta cuántos participantes efectivamente entraron en el cálculo después de los filtros de calidad — no cuántos abrieron el enlace.
- Es tendencia, no verdad individual. Todas las métricas son agregados de grupo pensados para comparar condiciones — ninguna está diseñada para diagnosticar a una persona en particular.
Referencias
- Papoutsaki, A., Sangkloy, P., Laskey, J., Daskalova, N., Huang, J., & Hays, J. (2016). WebGazer: Scalable Webcam Eye Tracking Using User Interactions. Proceedings of IJCAI 2016. ijcai.org/Abstract/16/540
- Semmelmann, K., & Weigelt, S. (2018). Online webcam-based eye tracking in cognitive science: A first look. Behavior Research Methods, 50(2), 451–465. link.springer.com/article/10.3758/s13428-017-0913-7
- Steffan, A. et al. (2023–2024). The validation of online webcam-based eye-tracking: replication of the cascade effect, novelty preference, and the visual world paradigm. Behavior Research Methods. pmc.ncbi.nlm.nih.gov/articles/PMC11289066
- Holmqvist, K., Nyström, M., Andersson, R., Dewhurst, R., Jarodzka, H., & van de Weijer, J. (2011). Eye Tracking: A Comprehensive Guide to Methods and Measures. Oxford University Press.
- Kartynnik, Y., Ablavatski, A., Grishchenko, I., & Grundmann, M. (2019). Real-time Facial Surface Geometry from Monocular Video on Mobile GPUs. CVPR Workshops. — base metodológica de la malla de landmarks faciales usada para extracción geométrica en tiempo real.
- Ekman, P., & Friesen, W. V. (1978). Facial Action Coding System. Consulting Psychologists Press. Ver también Ekman, P. (1992), An argument for basic emotions, Cognition & Emotion, 6(3–4), 169–200.
- Fazio, R. H., Sanbonmatsu, D. M., Powell, M. C., & Kardes, F. R. (1986). On the automatic activation of attitudes. Journal of Personality and Social Psychology, 50(2), 229–238. pubmed.ncbi.nlm.nih.gov/3701576
- Greenwald, A. G., McGhee, D. E., & Schwartz, J. L. K. (1998). Measuring individual differences in implicit cognition: The implicit association test. Journal of Personality and Social Psychology, 74(6), 1464–1480. faculty.washington.edu/agg
- Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: a practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B, 57(1), 289–300. rss.onlinelibrary.wiley.com
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.