DOI:
https://doi.org/10.14483/23448350.24601Published:
04/30/2026Issue:
Vol. 53 No. 1 (2026): Vol. 53 No. 1(2026): January-April 2026Section:
Research ArticlesAnalysis of ML Models for the Recognition of 3D Objects Based on Biometric Eye-Tracking Data in the Context of UX and User-Centered Design
Análisis de modelos de ML para el reconocimiento de objetos 3D con base en datos biométricos de eye-tracking en el contexto de la UX y el diseño centrado en el usuario
Keywords:
UCD, eye-tracking, user profile design, machine learning, 3D Objects (en).Keywords:
UCD, seguimiento ocular, diseño de perfiles de usuario, aprendizaje automático, objetos 3D (es).Abstract (en)
Recent advances in the analysis of machine learning (ML) models for accurate prediction have led to new approaches for classifying and clustering variables related to user experience (UX). In this study, however, the focus is not only on modeling variables, but also on capturing the dynamics of visual attention in relation to object properties. We evaluate models such as KNN, SVM, and K-means, which emerge as the most relevant for classifying visual attention patterns. When combined with the principles of user-centered design, this approach enables the construction of user profiles based on their interaction capabilities with the interface. Furthermore, it examines how 3D object properties—such as shape, color, shading, direction of motion, and motion acceleration—influence the information conveyed to users, thus shaping their UX directly. This method aims to enhance UX design and enable more precise representation of target users. In 11 exploration tests, the three ML models analyzed obtained an accuracy of 44, 72, and 65%.
Abstract (es)
Los avances recientes en el análisis de modelos de aprendizaje automático (ML) para la predicción precisa han dado lugar a nuevos enfoques para clasificar y agrupar variables relacionadas con la experiencia de usuario (UX). En este estudio, sin embargo, el enfoque no se limita a modelar variables, sino también a capturar la dinámica de la atención visual en relación con las propiedades de los objetos. Se evalúan modelos como KNN, SVM y K-means, que se perfilan como los más relevantes para la clasificación de patrones de atención visual. Al combinarse con los principios del diseño centrado en el usuario, este enfoque permite la construcción de perfiles de usuario basados en sus capacidades de interacción con la interfaz. Además, se examina cómo las propiedades de los objetos 3D—como la forma, el color, el sombreado, la dirección del movimiento y la aceleración del movimiento—influyen en la información transmitida a los usuarios, configurando así su UX de manera directa. Este método tiene como objetivo mejorar el diseño de la UX y permitir una representación más precisa de los usuarios objetivo. En 11 pruebas exploratorias, los tres modelos de ML analizados obtuvieron precisiones del 44, 72 y 65 %.
References
Albiz, J., Viberg, O., & Matviienko, A. (2023). Guiding visual attention on 2D screens: Effects of gaze cues from avatars and humans [Conference article]. 2023 ACM Symposium on Spatial User Interaction. https://doi.org/10.1145/3607822.3614529
Ali, A., Bin Faheem, Z., Waseem, M., Draz, U., Safdar, Z., Hussain, S., & Yaseen, S. (2020). Systematic review: A state of art ML based clustering algorithms for data mining [Conference article]. 23rd IEEE International Multi-Topic Conference, INMIC 2020. https://doi.org/10.1109/INMIC50486.2020.9318060
Bednarik, R., & Tukiainen, M. (2006). An eye-tracking methodology for characterizing program comprehension processes.
Besl, P. J., & Jain, R. C. (1985). Three-dimensional object recognition. ACM Computing Surveys, 17(1), 430451. https://doi.org/10.1145/4078.4081
Bisley, J. W. (2011). The neural basis of visual attention. The Journal of Physiology, 589(1), 49-57. https://doi.org/10.1113/JPHYSIOL.2010.192666
Bruce, C. D., & Hawes, Z. (2015). The role of 2D and 3D mental rotation in mathematics for young children: what is it? Why does it matter? And what can we do about it? ZDM Mathematics Education, 47(3), 331-343. https://doi.org/10.1007/s11858-014-0637-4
Burgos, J. Manuel. (2017). Historia de la psicología. Palabra.
Calderón Ynoñan, P., Prieto Neira, F., & Sialer Rivera, M. (2022). Integración de un enfoque ágil con técnicas de Diseño Centrado en Usuario (DCU) para la mejora de experiencia de usuario (UX) [Undergraduate thesis, Universidad Señor de Sipán]. https://hdl.handle.net/20.500.12802/10085
Chelloug, S. A., Ashfaq, H., Alsuhibany, S. A., Shorfuzzaman, M., Alsufyani, A., Jalal, A., & Park, J. (2022). Real objects understanding using 3D haptic virtual reality for e-learning education. Computers, Materials & Continua, 74(1), 1607-1624. https://doi.org/10.32604/CMC.2023.032245
Chochoiek, N. (2017). Explaining the success of user-centered design – An empirical study across German B2C firms. Junior Management Science, 2(1), 81-116. https://doi.org/10.5282/jums/v2i1pp81-116
Correa Torres, Á. (2021). Factores humanos y ergonomía cognitiva. Universidad de Granada.
del Punta, J. A., Betegón, E., Gasaneo, G., Irurtia, M. J., & de Luis García, R. (2024). Contribuciones del rastreo ocular al test de percepción de diferencias: Un estudio en población universitaria. Psykhe, 33(2), 1-18. https://doi.org/10.7764/PSYKHE.2022.46705
Duchowski, A. (2017). Eye tracking methodology (3rd ed.). Springer Nature. https://doi.org/10.1007/978-3-319-57883-5
Eke, C. I., Norman, A. A., Shuib, L., & Nweke, H. F. (2019). A survey of user profiling: State-of-the-art, challenges, and solutions. IEEE Access, 7, 144907-144924. https://doi.org/10.1109/ACCESS.2019.2944243
Ferreres, A. (2023). Cátedra I de neurofisiología. https://www.psi.uba.ar/academica/carrerasdegrado/psicologia/sitios_catedras/obligatorias/048_neuro1/cursada/bibliografia.pdf
Gorichanaz, T. (2024). Identifying the barriers to human-centered design in the workplace: Perspectives from UX professionals. Proceedings of the ACM on Human-Computer Interaction, 9(2), CSCW110. https://doi.org/10.1145/3711008
Görücü, S., Morais, L. A., & Panagiotidou, G. (2025, April 26). A critical analysis of machine learning eco-feedback tools through the lens of sustainable HCI [Conference article]. Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3706598.3713198
Hernández Salazar, P. (1993). El perfil del usuario de información.
https://ru.iibi.unam.mx/jspui/bitstream/IIBI_UNAM/A435/1/ibi000701502.pdf
Hoffman, J. E., & Subramaniam, B. (1995). The role of visual attention in saccadic eye movements. Perception & Psychophysics, 57(6), 787-795.
Jiménez, J., Colaboradores, S., Turvey, B. S., Ponce, A. C., Strano, M., Enrique, J., Castro, S., Canter, D. V, Youngs, D. E., Luis González Álvarez, J., & Sotoca Plaza, A. (2012). Manual práctico del perfil criminológico: CRIMINAL PROFILING (2a ed.). LEX NOVA.
Kashtalian, A., & Sochor, T. (2021). K-means clustering of honeynet data with unsupervised representation learning [Conference article]. IntelITSIS’2021: 2nd International Workshop on Intelligent Information Technologies and Systems of Information Security. https://ceur-ws.org/Vol-2853/paper48.pdf
Kumar, K., Chen, Y., Hu, B., & Luo, Y. (2024). Assessing human visual attention in retail human robot interaction: A YOLOv8-Nano and eye-tracking approach [Conference article]. 32nd ACM Conference on User Modeling, Adaptation and Personalization. https://doi.org/10.1145/3631700.3665195
Leivi, A. E. (2019). Análisis de la implementación de Machine Learning en el diagnóstico por imágenes. Universidad de San Andrés.
Liu, R., Menon, S., Mao, C., Park, D., Stent, S., & Vondrick, C. (2022). Shadows shed light on 3D objects. https://doi.org/10.48550/arXiv.2206.08990
Madi, N. AL. (2025). Identifying eye movement patterns for an adaptive approach to correcting eye tracking data in reading tasks. Proceedings of the ACM on Human-Computer Interaction, 9(3), ETRA13. https://doi.org/10.1145/3725838
Mondal, S., Pratim Das, P., & Bhattacharjee Rudra, T. (2022). Measuring code comprehension effort using code reading pattern. Sādhanā, 47, 117. https://doi.org/10.1007/s12046-022-01876-5
Nagro, S., & Aldekhail, M. (2021). Evaluation of multimedia user interface design method for m-learning (MobLearn): A comparative study. Informatica, 45, 633-641. https://doi.org/10.31449/inf.v45i4.3391
Romanowski, R. (Ed.) (2019). Managing economic innovations – Methods and instruments. Bogucki Wydawnictwo Naukowe. https://doi.org/10.12657/9788379862771
Rueda Cuerva, C. (2021). Educar la atención: con cerebro. Alianza Editorial.
Sun, H., Zhu, F., Li, Y., Zhao, P., Kong, Y., Wang, J., Wan, Y., & Fu, S. (2023). Viewpoint planning with transition management for active object recognition. Frontiers in Neurobiotics, 17, 1093132. https://doi.org/10.3389/fnbot.2023.1093132
Tarazona Evangelista, L., Aguilar Baca, Y., & Rivera Flores, V. (2018). Uso de la teoría del color para mejorar la atención visual en estudiantes del segundo grado de secundaria de la I.E. San Martín de de Socabaya, Arequipa 2017 [Undergraduate thesis, Universidad Nacional San Agustín de Arequipa]. http://repositorio.unsa.edu.pe/handle/UNSA/6504
Téllez Rojas, M. A., Vila Carranza, N. J., Rojas Iturria, F. A., & Jiménez Castillo, R. (2021). Atención visual a las señales de consumo de tabaco: un estudio preliminar empleando el seguimiento ocular. Revista Internacional de Investigación en Adicciones, 7(1), 16-24. https://doi.org/10.28931/riiad.2021.1.03
Thakur, A. (2020). Approaching (almost) any machine learning problem. https://github.com/abhishekkrthakur/approachingalmost
Ustárroz, J., & Grandi, F. (2016). Sobre la memoria de trabajo y la memoria declarativa: propuesta de una clarificación conceptual. Cuadernos de NeuropsicologíaPanamerican Journal of Neuropsychology, 10, 13-31. https://doi.org/10.7714/CNPS/10.3.201
Uusitalo, S., Salovaara, A., Jokela, T., & Salmimaa, M. (2024). “Clay to play with”: Generative AI Tools in UX and industrial design practice [Conference article]. ACM Designing Interactive Systems Conference, DIS 2024. https://doi.org/10.1145/3643834.3661624
Villegas Ortíz, A., Rodríguez López, E., & Álvarez Rodríguez, F. (2024). Modelo para la aplicación del análisis del comportamiento de mirada mediante eyetracking de la interacción usuario-sistema para mejorar la calidad de la UX y mejorar los procesos de desarrollo de software [Master’s thesis, Universidad Autónoma de Aguascalientes]. http://hdl.handle.net/11317/3001
Wu, W., Ghazali, M., & Hazlin Huspi, S. (2024). A review of user profiling based on social networks. IEEE Access, 12, 122642-122670. https://doi.org/10.1109/ACCESS.2024.3430987
How to Cite
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Download Citation
License
Copyright (c) 2026 Angel Eduardo Villegas-Ortíz, Francisco Javier Álvarez-Rodríguez, Eduardo Emmanuel Rodríguez López
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
When submitting their article to the Scientific Journal, the author(s) certifies that their manuscript has not been, nor will it be, presented or published in any other scientific journal.
Within the editorial policies established for the Scientific Journal, costs are not established at any stage of the editorial process, the submission of articles, the editing, publication and subsequent downloading of the contents is free of charge, since the journal is a non-profit academic publication. profit.
