Aufgaben - Hu

AnalysevonEyetracking-DatenmitR:Aufgaben
1.PsycholinguistischerMethodenworkshop
anderHumboldt-UniversitätzuBerlin
JochenLaubrock
UniversitätPotsdam
8. April2010
DieAufgabensetzenvoraus,dassunserR-Paket eyetrackR installiertist.
Das Paket ist noch in einer frühen Entwicklungsphase und deshalb noch
nicht im Internet verfügbar. Sie müssen es stattdessen aus einem lokalen
Archivinstallieren.Dasgehtamleichtestenwiefolgt:
1. Von http://amor.hu-berlin.de/~metznerp/eyetrackR/ das zur ComputernummerpassendeSkriptundeyetrackR.tar.gzaufdenDesktopherunterladen(rechtsklicken,speichernunter)
2. InR:Datei>R-Codeausführen>EntsprechendesSkriptvonDesktop
wählen
3. Fertig
Vorverarbeitung
MitdemSkript preprocess lassensichEyelink®Eyetracker-Datenvomproprietären.edf-BinärformatinstandardisiertesASCII-Textformatwandeln.Das
SkriptruftdasProgramm edf2asc derHerstellersSR Researchauf,welches
aufdenRechnernimPoolnichtinstalliertist.1
1
edf2asc istnachvorherigerRegistrierungvonderWebseitedesHerstellerszubezie-
hen.
1
2
SiefindenjedochdendurchAnwendungvon preprocess aufdieDatendatei 02.edf produzierten Output in den Dateien 02.msg und 02.dat.
Normalerweiseverarbeitet preprocess(edfdir = '.', edf2ascpath =
'~/bin/') alleedf-Dateienimdurch edfdir spezifiziertenVerzeichnisund
verschiebtsiedannindasUnterverzeichnisprocessed.DieDatenwerden
gefiltertinRohdaten(.dat-DateienimUnterverzeichnisdat)undinformative Botschaften (.msg-Dateien im Unterverzeichnis msg). Die Rohdaten
sindeinfachZeitreihenderMessungen,meistbestehendausZeitstempel,
x-undy-KoordinatedesBlickesundPupillengröße;beibinokulärerMessungfürjedesAugeeineSpalte.Die.msg-Dateienenthaltengrößtenteilsmit
einemZeitstempelverseheneNachrichten,diederProgrammiererderExperimentalsteuerunghataufzeichnenlassen,aberauchInformationenüber
dieQualitätderKalibrierung,überonlinedetektierteFixationenetc.
Aufgaben
1. BetrachtenSiedieDatei02.msg(z.B.mitWordPad®)
2. LesenSiedieDatei02.msginR einundspeichernSiesieinderVariablen`msg'.NutzenSiedazudenBefehl readLines.LassenSiesich
einigeZeilenvonmsganzeigen.
AufbereitenderExperimentalnachrichten
(messagefileparsing)undTextverarbeitung
messagefileparsing
Die Aufgabe beim Aufbereiten der .msg-Dateien besteht darin, die relevantenInformationenzuextrahierenundineinleichterzuverarbeitendes
Formatumzuformen,meistenseineTabelle.
ImfolgendenBeispielsindeinigeZeilenausderDatei02.msgaufgelistet:
# Dateikopf
MSG 1219952 DISPLAY_COORDS 0 0 1023 767
MSG 1219952 RETRACE_INTERVAL 8.32998624833
# pro Satz
MSG 1370977 TRIALID 0
START 1371033 RIGHT EVENTS
# entweder (Trialstart nicht erfogreich)
MSG 314789 -7 trialstart fixation trigger
MSG 318798 0 trialstart fixation not detected, timer
# oder (Trialstart erfolgreich)
MSG 568813 -7 trialstart fixation trigger
3
MSG 569186 Start Recording
MSG 569193 -2 sentence displayed
MSG 569193 -2 !V DRAW_LIST ../../runtime/dataviewer/01/graphics/VC_1.vcl
MSG 569194 -1 !V IAREA FILE ../../runtime/dataviewer/01/aoi/IA_1.ias
MSG 569527 0 sound triggered
MSG 569539 sound presentation started
MSG 570994 0 trialend fixation trigger
MSG 570995 End Recording
END 571013 EVENTS RES
28.28
27.94
MSG 1373804 !V TRIAL_VAR trial_pre 1
[...]
# MSG $TIMESTAMP !V TRIAL_VAR ... (siehe unten)
[...]
MSG 571109 !V TRIAL_VAR rolle f
MSG 571110 TRIAL_RESULT 0
# Botschaften nach TRIAL_VAR
# trial_pre 1
# sentence_pre Sie: "Wie findest du mein Kleid?"
# boundary_pre 5
# sound_pre 1-F-Wie.wav
# rolle_pre f
# calibrationRequested False
# playsound 1
# sprecher m
# group 1
# doIncludePretest 1
# trial 1
# sentence Sie ruft "Hermann..." durch die offene Küchentür.
# boundary 9
# sound 1-M-Herm.wav
# rolle f
DiemeisteninteressantenBotschaftenhabendasFormat MSG Zeitstempel
Botschaft, wobei Botschaft wiederum aus mehreren Feldern bestehen
kann.
Außerdementhältdie.msg-DateinocheinigeBotschaftenüberSakkadenundFixations-Events,generiertdurchSR ResearchOnline-Parser.HierbedeutenSFIX bzw.EFIX Startbzw.EndeeinerFixation;SSACC/ESACC:Start/Ende
einerSakkade;inderOffline-Analyseinteressierennormalerweisenurdie
mit`E' beginnendenBotschaften:
# Format:
# EFIX R t0 t1 dauer xpos
ypos
pupillenDurchmesser
# ESACC R t0 t1 dauer x0pos y0pos x1pos y1pos amplitude spitzenGeschwindigkeit
SFIX R
1374086
EFIX R
1374086 1374513 428
931.6
685.8
1224
SSACC R 1374514
ESACC R 1374514 1374615 102
931.5
687.0
213.6
409.9
26.06
436
Aufgaben
1. ExtrahierenSieausder(indervorigenAufgabeeingelesenen)VariablenmsgdieZeilenmit…
4
a) TRIALID-BotschaftenundspeichernsieimVektor alltrialidMsg.
b) sound triggered-BotschaftenundspeichernsieimVektor
allsoundtriggeredMsg.
c) sound presentation started-Botschaftenundspeichernsieim
Vektor allsoundstartMsg.
d) sentence displayed-BotschaftenundspeichernsieimVektor
alltextonMsg.
e) TRIAL_VAR playsound-BotschaftenundspeichernsieimVektor
allExpPlaysoundMsg.
Hinweis:NutzenSiedenBefehl grep undbeachtenSiedessenParameter value.FallsWarnungenderForm``inputstringisinvalidinthis
locale''auftreten,setzenSie useBytes=TRUE.
2. SchreibenSieeineFunktion`extractMsgTimeStamp',diedenZeitstempelausdenMSG-Zeilenextrahiert.WendenSiedieFunktionauf
allsoundstartMsg an.Hinweis:SiemüssendenR-Befehl function
nutzen;hilfreichsindaußerdemdieR-Befehle [, sapply und strsplit.
3. Extrahieren Sie das Feld hinter `playsound' aus den Botschaften in
allExpPlaysoundMsg undspeichernesimVektor expPlaysound.
4. StudierenSiedieFunktion parse_msg_file_AAA (ImUnterverzeichnisdemovoneyetrackR).
Ein Resultat des message file parsing ist eineTabelle mit InformationenüberdieTrials,miteinerZeileproTrialbzw.Satz.DasBeispielskript
generate_tables_from_msg_files.R zeigt,wiesichdiese(.trialinfo)und
andereTabellen herausschreiben lassen. Das darauf aufbauende Beispiel
generate_list_of_wordinfo.R illustriert,wiemandieZeilenausden.trialinfoDateien`ausrollen'kannzueinerZeileproWort.DiesesFormatbietetsich
an,umCorpusinformationoder(z.B.auspraat-Kodierungenerhaltene)InformationüberdieAussprechdauervonWörternhinzuzufügen.
Textverarbeitung:EigenschaftendesSatzcorpus
OftistineinergesondertenDateiSatzcorpusinformationenüberdieeinzelnengelesenenWörtergespeichert.DieseenthältüblicherweisefürjedesgeleseneWortdieSatznummer,laufendeNummerdesWortesimSatz
5
undzusätzlicheInformationenwieWortlänge,WortfrequenzinderSprache(ausDatenbankabfragen,z.B.CELEX,dlexdb)etc.DiefolgendeAufgabeillustriertdieBerechnungderWortlängeundderAnzahlderWörterim
Satz.
load(sent)
head(sent)
#
#
#
#
[1] Sie: "Wie findest du mein Kleid?"
Er: "Welches?"
[3] Sie: "Das ich anhabe."
Er: "Besonders hübsch."
[5] Sie: "Oder findest du das grüne schöner?"
Er: "Das grüne?"
86 Levels: Aber er antwortet: "Ich möchte jetzt nicht lesen.", und wird langsam unruhig. ...
sent <- as.character(sent)
Aufgaben
GegebendieVariable sent,berechnenSie
1. einenVektor,derfürjedenSatzdieLängeinBuchstabenenthält.
2. einenVektor,derfürjedenSatzdieAnzahlWörterenthält.
3. eine Liste, die für jeden Satz einenVektor mit denWortlängen der
einzelnenWörterenthält,
a) inklusivePunktuation.
b) ohnePunktuation.
FürwelcheWörterunterscheidensich(3a)und(3b)besondersdeutlich?
Hinweis:dieFunktionen nchar, strsplit, sapply und unlist sindhilfreich,beachtenSieauchdieHilfeseitezuregularexpressions.
KonstruktionvonFixationssequenzen
Matching
EineimmerwiederkehrendeAufgabebetrifftdasZusammenfügenvonDatensätzen.Diesesindoftunterschiedlichlang,habenaberkorrespondierendeElemente.EinBeispielistdashinzufügenvonWortfrequenzenausder
Corpusdatei(nWordsZeilen)zuderalltrialinfo-Datei(nWords × nSubjects
Zeilen). Ein weniger triviales Beispiel ist z.B. das Hinzufügen von praatKodierungenfürausgesprocheneWörterzueinerListevonWörtern,von
6
denennureinigeausgesprochenwurden.FürdieseArtvonAufgabebietet
R diesehrkomfortablenOperatoren match und %in%.Zusammenfügenist
einefehleranfälligeOperation,dieSicherheitschecksverdient.
ImfolgendenBeispielwirdanhandsimulierterDatenillustriert,wieder
match-Befehlfunktioniert:
id <- 3:5
word <- 11:14
# simulierte Vp
# simulierte Wörter
simFrq <- 2*10^(5.2*runif(length(word))) # unsinnige Zufallszahlen als simulierte Wortfrequenzen
wordTab <- data.frame(word, simFrq)
# "Corpus": Wort-ID und Wortfrequenz
# Erstellen einer simulierten Trial-Tabelle, "Experiment 1"
idInTrialTab <- rep(id, each=length(word)) # Vp-ID
wordInTrialTab <- rep(word, length(id))
# Wort-ID
trialTab <- data.frame(idInTrialTab, wordInTrialTab) # "Trial-Tabelle": Vp-ID und Wort-ID
names(trialTab) <- c("id", "word")
# Illustration des Match-Befehls
ixWordTabIntoTrialTab <- match(trialTab$word, wordTab$word)
trialTab$frq <- wordTab[ixWordTabIntoTrialTab, "simFrq"]
str(trialTab)
# 'data.frame':
# $ id : int
# $ word: int
# $ frq : num
12 obs. of 3 variables:
3 3 3 3 4 4 4 4 5 5 ...
11 12 13 14 11 12 13 14 11 12 ...
290264.4 31.6 215.7 57859.6 290264.4 ...
# "Experiment 2": verschärfte Version: randomisierte Präsentationsreihenfolge:
wordInTrialTabR <- NULL
for (i in 1:length(id)) {
# sample (Ziehen ohne Zurücklegen) simuliert randomisierte Präsentationsreihenfolge
wordInTrialTabR <- c(wordInTrialTabR, sample(word))
}
trialTab$wordR <- wordInTrialTabR
# match-Befehl hilft auch hier
ixWordTabIntoTrialTabR <- match(trialTab$wordR, wordTab$word)
trialTab$frqR <- wordTab[ixWordTabIntoTrialTabR, "simFrq"]
str(trialTab)
# 'data.frame': 12 obs. of 5 variables:
# $ id
: int 3 3 3 3 4 4 4 4 5 5 ...
# $ word : int 11 12 13 14 11 12 13 14 11 12 ...
# $ frq : num 290264.4 31.6 215.7 57859.6 290264.4 ...
# $ wordR: int 14 12 11 13 12 11 13 14 14 11 ...
# $ frqR : num 57859.6 31.6 290264.4 215.7 31.6 ...
Aufgaben
HinzufügenvonKorpusinformationzuTrial-Informationen
frqfile <- "dlexdb-beta-v0_01.csv"
wrdfile <- "wordinfo.rda"
7
frq <- read.table(frqfile, header=TRUE)
load(wrdfile)
# ...
1. FügenSiedieKorpusfrequenzenausderDatei dlexdb-beta-v0_01.csv
(1ZeileproWort)zuderTabelle wrdinfo (1 Zeile proVp × Wort)
ausderDatei wordinfo.rda)hinzuundnutzenSiedabeidieFunktion match.Hinweis:DieKorpusfrequenzenlassensichmit read.csv
einlesen.
2. EinWortfehltinderDatenbank:welches?
3. StellenSiedurchTestsmit stopifnot sicher,dass(a)in wrdinfo tatsächlichfürjedenProbanden1ZeileproWortenthält,und(2)dass
tatsächlichdiepassendenWörteraus frq und wrdfile zusammengefügtwurden.Hinweis:NutzenSiefür(2) gsub('[[:punct:]]', '',
...) und tolower.
HinzufügenvonSakkadeninformationzuFixationsinformation
1. DieDateien02.fixund02.sacenthaltenInformationenüberdiemit
demSR ResearchOnline-ParserdetektiertenFixationenbzw.Sakkaden.ErstellenSieeinen data.frame namens seq,deranalleFixationendieEigenschaftender nachfolgenden Sakkadeanfügt.Hinweis:
NutzenSiedieFunktion match undbeachtenSie,dassderSR Parser
denBeginneinerSakkadestetsmitdemaufdasEndedervorhergehendenFixationfolgendenZeitstempelmarkiert.
2. Einige Fixationen in seq werden nicht von Sakkaden gefolgt. Was
zeichnetdieseFixationenaus?
Sakkadendetektion
Aufgabe
data(trial4)
Die Daten für trial4 stammen aus einem Lifespan-Leseexperiment sind
miteinerAbtastratevon500Hzaufgenommen.FürdieGeschwindigkeitsberechungempfiehltsichstärkereGlättung(TYPE=2 imAufrufvon vecvel).
1. LassenSiesichgrafischdieRohdatenfüreinenTrial(trial4)anzeigen.NutzenSiedazu matplot,umdenVerlaufderVariableninden
Spalten2-7überdieZeit(Spalte1)darzustellen,sieheAbbildung1.
8
2. BerechnenSiemit vecvel diex-GeschwindigkeitundstellenSiexPosition und -Geschwindigkeit grafisch dar. Nutzen Sie dazu zwei
übereinanderangeordnetePanelsinnerhalbeinesGrafikfensters,sieheAbbildung2.BeachtenSie,dassdieFunktion vecvel immerdie
Zeitreihenfürx-undy-Positionbenötigt.
3. DetektierenSieSakkadenmitderFunktion microsacc.Vergleichen
SiedieSakkadendetektion(a)mitund(b)ohneEntfernenvonGlissadenundstellenSiedasErgebnisgrafischdar,sieheAbbildung3.
4. VergleichenSiediemit microsacc und removeGlissades detektierten Sakkaden mit dem vom Online-Parser des Herstellers (SR research) detektierten, sieheAbbildung 4. Nutzen Sie dazu die Datensatz allSeqSR.rda und allSeqPotsdam.rda (DieDatenstammenaus
einem Experiment mit blickkontingenter akustischer Sprachpräsentation). Zum Nachvollziehen: Die Dateien sind mit den R-Skripten
beispiel_sequenz_aus_fix_und_sac_SR.R bzw.
beispiel_sequenz_aus_fix_und_sac_Potsdam.R erzeugtworden.
2
0
-2
scale(trial4[, 2:7])
4
xl
yl
pl
xr
yr
pr
0
500
1000
1500
2000
2500
3000
t [ms]
Abbildung 1:BeispiellösungAufgabe1
BerechnungaggregierterMaßeaus
Fixationssequenzen
MeistwerdenineinemweiterenSchrittderVorverabeitungdieFixationen
ausdenFixationssequenzengemäßbestimmterEigenschaftenklassifiziert
xl
200
600
1000
9
0
500
1000
1500
2000
2500
3000
2000
2500
3000
5000
-5000
0
vxl
t [ms]
0
500
1000
1500
t [ms]
Abbildung 2:BeispiellösungAufgabe2
0
200
ooo
oooo
oo
oooo
oo
oo
2000
-2000
o
oo oooooo
o oo
o oo
oo
o
oo
oo
o
oooo
o
oo
oo
oo
o
oooo
x position
6000
removeGlissades=FALSE
ooo
oo
oo
oo
o
oo
o oo
oo
o
oooo ooo
-6000
2000
-2000
-6000
velocity
6000
velocity
ooo
oo
oo
oo
o
oo
o oo
oo
o
oooo ooo
400
600
800
0
o
oo oooooo
o oo
o oo
oo
o
oo
oo
o
200
time [ms]
0
ooo
ooooo
oo
oo
2000
x position
ooo
oooo
-2000
oooo
o
oo
oo
oo
o oo
oooo
ooo
oo
oo
oo
o
oo
o oo
oo
o
ooooo oooo
400
time [ms]
600
800
600
800
o
oo oooooooo
o oo
o oo
oooo
o
oo
oo
oo
o oo
oooo
ooo
oooo
ooo
ooooo
oo
oo
oo
o
oo
oo
o
-6000
6000
2000
x position
6000
200
400
oo
oooo
oo
oo
removeGlissades=FALSE, after binsacc
oo
o
oo
oo
o
-6000
-2000
o
oo oooooooo
o oo
o oo
ooo
oooo
time [ms]
removeGlissades=TRUE
ooo
oo
oo
oo
o
oo
o oo
oo
o
ooooo oooo
oooo
o
oo
oo
oo
o
oooo
0
200
400
600
time [ms]
Abbildung 3:BeispiellösungAufgabe3
800
10
1500
500
0
Frequency
Fixation durations, Toronto saccade parser
(SR research)
0
200
400
600
fixation duration [ms]
1500
500
0
Frequency
Fixation durations, Potsdam parser
(microsacc, removeGlissades)
0
200
400
600
fixation duration [ms]
Abbildung 4:VergleichSakkadendetektionmicrosacc/removeGlissadesvs.
SR onlineparser
undweiteraggregiert.InderLeseforschungistinsbesonderedieUnterscheidungzwischenFirstpass-FixationenundFixationenimzweitenundinweiterenDurchgängenwichtig.BeispielsweiseisteinhäufigzurBeschreibung
kognitiverVerarbeitungbeimLesenverwendetesaggregiertesMaßdiesogenannte gazeduration,definiertalsSummeallerFirstpass-Fixationsdauern
aufeinemWort.
Aufgaben
KlassifizierenvonFirstpass-Fixationen
data(a)
str(a)
# 'data.frame': 4749 obs. of 91 variables:
# ...
ashrt <- a[order(a$id, a$sn), c("id", "sn", "wn", "nw")]
str(ashrt)
# 'data.frame': 4749 obs. of 4 variables:
# $ id: int 1 1 1 1 1 1 1 1 1 1 ...
# $ sn: int 1 1 1 1 1 1 1 1 1 1 ...
# $ wn: int 1 2 3 4 5 4 6 7 9 10 ...
# $ nw: int 10 10 10 10 10 10 10 10 10 10 ...
11
DerDatensatzin a enthältdieDateneinigerProbandeneinesLeseexperimentesim`distributedprocessing'-Format.BerechnenSiedurchNutzung
derFunktion firstpass dieVariable fpf (bzw. fpf1),dieangibt,obeine
FixationzumerstenoderzueinemderweiterenDurchgängengehört.Sie
müssendazu firstpass proVpundSatzanwenden.
• LangeVersion: Berechnen Sie fpf durcheineSchleifeüber unique
Wertevon a$id und a$sn.
• KurzeVersion:BerechnenSie fpf1 mitHilfevon tapply und unlist,
indemSiezunächsteinengeeignetenIndexerstellen.
• StellenSiemit identical oder all.equal sicher,dassfpf1undfpf
identischsind
BerechnungderBlickdauer(`gazeduration')alsSummederFirstpassFixationsdauerndurations,Hinzufügenzu a
data(a)
ashrt <- a[order(a$id, a$sn), c("id", "sn", "wn", "nw", "dur")]
• GegebendieDatenin ashrt unddieobenberechneteIndikatorvariable fpf, berechnen Sie dieVariable gd,diegenausolangistwie
ashrt$dur. DerVektor gd solljeweilsfürdieersteFixationimfirst
passeinesWortesdieBlickdauer(alsodieSummeallerfirstpass-Fixationsdauern)
enthaltenundfüralleanderenFixationenaufNA gesetztsein.BeiRefixationen wird hier also die Blickdauer der ersten Fixation der Sequenzzugewiesen.Hinweis:NutzenSiedieFunktion parseq.
• BerechnenSiefürjedenvalidenEintragin gd dieAnzahlderFixationenimgazeundfügenSiedieVariable ngz zu ashrt hinzu.
AnalyseimlinearmixedmodelAnsatz
Wennendlichallesvorbereitetist,kannderSpaßbeginnen.Linearmixed
modelshabenimVergleichzurklassischenANOVA,inderSubjekt-und
Itemanalyse(F1undF2)zukonfligierendenErgebnissenkommenkönnen,
u.a. denVorteil eindeutiger interpretierbarer Aussagen. Mit dem R-Paket
lme4 lassensichsolcheAnalysen komfortabel durchführen. Gute EinführungenbietenBaayen(2008)oderKliegl(2007),sieheauch
http://supp.apa.org/psycarticles/supplemental/xge_136_3_530/xge_136_3_530_supp.html.
12
EchteDaten
DasR-PaketeyetrackR enthälteinigeHilfsroutinen,diebeiderVorverarbeitungvoneyetracker-DatennützlichsindsowieeineReihevonDemos,die
alsVorlagefüreigeneAnalysengenutztwerdenkönnen(demosliegennach
InstallationvoneyetrackR in file.path(.libPaths()[1], ëyetrackR",
"demo")).DiefolgendenSchrittefallenüblicherweisebeiderVorverarbeitungderDatenan:
1. Hilfsroutinen
• preprocess oderedf2asc:UmwandelnderEyelink-Binärdateien
inText(ASCII)
• readSubjects:LeseneinerListevonVp-CodesauseinerDatei
undTestaufVorhandenseinderkorrespondierendenDatensätze
• parseq:allgemeineHilfsroutine,DetektionvonStart,Endeund
LängevonSequenzen
• firstpass:Klassifikationvonfirstpassvs.Rest
• vecvel:GeschwindigkeitdesAugesberechnen
• microsacc:Sakkadendetektion
• removeGlissades:EntfernungvonGlissaden(over-/undershoot)
• binsacc:implementiertbinokuläresSakkadenkriterium,detektiertundkombiniertaußerdemSakkadencluster
• saccpar:berechnetundkombiniertParameterfürbinokuläreSakkaden
• wordLetterPos:konvertiertFixationsposition[Pixel]inWort-und
Buchstabenposition(nimmtz.Zt.FontmitfesterLaufweiteund
bekannterBreiteinPixelan)
• probdur1:BerechnungaggregierterMaßeausFixationssequenz
füreinenSatz
2. Demos
• xallsac_EXP: Daten-Management, ruft preprocessing für jede
VpaufundakkumuliertErgebnisse;Output:Fixationssequenz
• parse_msg_file_EXP:parseeyetrackermessagefiles
• xSetup1_EXP: Fixationssequenzen aufbereiten zur Analyse im
verteilten Format, d.h. unter Analyse von Maßen des fixierten
13
WortesunterBerücksichtigungderEigenschaftenbenachbarter
oderauchunmittelbarvorherbzw.anschließendfixierterWörter
• xIndex_fix_EXP_logical.R: Erstellen einiger nützlicher Indizes,z.B.fürvalidefirst-passFixationen
• xSetup2_EXP: Zentrieren undTransformieren von Prädiktoren;
Fallauswahl für weitereAnalyse (z.B. Beschränkung auf valide
Firstpass-Fixationen,auf(n-1,n,n+1)-Fixationstripletsetc.)
• xProbdur_EXP:ErzeugendeskriptiverStatistikenüberWahrscheinlichkeiten,Fixationsdauernund-Positionenfürfirst-passundsecondpassLesen
DieüblicheReihenfolgebeiderAnalyseist
1. preprocess
2. xallsac_EXP, parse_msg_file_EXP,AnpassenderParameterdatei
3. xSetup1_EXP
4. xIndex_fix_EXP_logical
5. xSetup2_EXP,ggf.auch xProbdur_EXP
6. Analysemitlinearmixedmodels