在以往研究使用眼動儀進行閱讀歷程分析時，通常會把閱讀材料以分頁(slide by slide)的方式呈現，每一個頁面呈現部分閱讀訊息，並將特定文字或圖片訊息會標記為興趣區(Area of Interest: AOI)，以下圖為例，整個閱讀歷程有4個頁面(Slide1到Slide4)。第4頁有2個AOIs，其中AOI1為文字訊息，AOI2為圖片訊息，每一個頁面中讀者閱讀完一個頁面之後，按下特定鍵或是滑鼠即可移到另一頁面。這樣的配置方式有幾個優點：
1. 適用於小量閱讀訊息的問題。
2. 容易設計，因為AOI在螢幕中的固定位置，因此進行後續眼動分析時不用考慮AOI位置變換的可能性。
3. 分析難度低。
但是相對的也會產生一些問題。
1. 第一個問題是單一頁面空間有限，因此答題區可能需要放置在下一個頁面。在眼動實驗的設計上難度也會提高。
2. 有些評量試題由於需要詳細描述問題情境(尤其是素養導向型的試題)，所以需要超過一頁的空間來放置閱讀素材(如圖Z所示)，採用分頁呈現的方式會影響閱讀的流暢性，降低生態效度。
3. 在後續的眼動分析需要人工標記不同時間的AOI位置(因為AOI位置會不固定)，對於眼動分析會產生相當大的負擔。效率也會嚴重影響。
因此為了讓讀者能以較自然方式來進行素養導向的問題解決，研發動態AOI (Dynamic AOI)的資料分析方式。簡單來說，眼動實驗採取以螢幕錄影方式來記錄答題過程的眼動資訊，允許受試者捲動畫面來閱讀超過一頁的閱讀素材，亦可以讓解題者放大或縮小試題。但這樣的方式會使的原先位置固定的AOI變成，也就是說，AOI的位置會隨著讀者的閱讀過程改變。
因此本研究將開發D-AOI自動標記方式Automatic tagging AOI (AT-AOI)，以提升素養導向評量的眼動分析效能。
基本上AT-AOI是採用電腦視覺(computer vision)(Brownlee, 2019)或人工智慧CNN (Convolutional Neural Networks)(Chauhan, Ghanshala, & Joshi, 2018)網路架構來自動識別螢幕上的AOI，並藉由GPU來提升處理效能，AT-AOI具有2個特點：
a. AOI放大或縮小後，依然能夠被自動識別。這個特點是考量到解題者在進行素養導向評量時，可能會因為需要參照多個資訊來解題，因此可能將AOI縮小。另外，也有可能為了想看清楚AOI的細節，所以將AOI放大。為了要動態標記自然閱讀情境下的AOI，因此將AOI放大縮小列入研發項目。
b. 可識別具有部分雜訊的AOI。由於採用數位解題，因此AOI可能會參雜滑鼠游標或是拼字浮動視窗，因此AT-AOI需具備識別具有雜訊的AOI。
圖1. 分頁序列式(slide by slide)素材呈現方式