ROAMM: A Benchmark Dataset for Multimodal Human Attention Decoding and EEG-to-Text Modeling During Naturalistic Reading
Haorui Sun, Ardyn Vivienne Olszko, Niharika Singh, David C. Jangraw
ICML 2026 主会 · OpenReview
OVERVIEW
论文概览
提供 44 名参与者、约 50 小时自然阅读 EEG 数据，并建立跨被试注意状态与 EEG-to-text 基准。
ABSTRACT
中文摘要
ROAMM 在自然多页阅读过程中同步采集约 50 小时 EEG 与眼动数据，覆盖 44 名参与者，并包含阅读理解得分和片段级走神标注。作者建立留一被试评估的走神检测基准，监督模型最高达到 0.609 AUROC；同时评估阅读片段的 EEG-to-text 解码，发现走神阶段的文本解码性能下降。该数据集可用于自然语言脑解码、跨被试建模以及注意状态对语言表征的影响研究。
RESEARCH RELEVANCE
与你研究的关系
虽然包含眼动，但其核心价值是自然场景 EEG-to-text 与严格跨被试协议，因此保留为 B 级数据资源。
LIMITATIONS
局限与核查重点
眼动和文本位置可能形成强混杂；必须区分模型利用眼动/阅读进度与真正利用 EEG 语言表征。
SOURCE
来源与原文
ICML 2026 主会 · OpenReview
Haorui Sun, Ardyn Vivienne Olszko, Niharika Singh, David C. Jangraw. ROAMM: A Benchmark Dataset for Multimodal Human Attention Decoding and EEG-to-Text Modeling During Naturalistic Reading. ICML 2026 主会 · OpenReview. https://openreview.net/forum?id=zqLPdt09fE