研究信息寻求者的行为方式以及与检索系统的互动一直是信息检索领域的重要课题之一。先前,国内外学者在信息检索研究中已获得大量成果,然而传统信息检索领域大多使用访谈、问卷调查等事后间接测量的方法,在时间维度上降低了结果的准确性,且无法得知用户是如何浏览检索结果。近年来,眼动追踪技术以其客观性、实时性等特点受到交互式信息检索研究者的青睐。通过眼动追踪技术可以实时记录用户的行为过程,反映用户的认知情况,客观地再现用户在进行浏览、检索等行为时的视觉行为过程,为信息检索研究领域寻求突破带来了转机。因此,通过眼动追踪技术探究用户的深层次信息检索行为,进而提升用户信息检索效率是亟待研究的重要课题。为了弥补这方面的研究不足,本文一方面通过运用眼动追踪技术,全面、清晰地分析了用户在进行学术信息检索时的行为、认知方面的变化;另一方面通过设计了一种改进的基于注意力机制的眼动数据分类算法提升了模型对用户信息检索行为预测的准确率。研究主要内容如下:1、本文设计了基于眼动追踪的学术检索行为研究实验,运用神经科学与计算机科学多领域知识,比较被试在不同的检索系统与完成不同类型任务时的行为、认知差异。经分析发现,被试在谷歌学术与微软学术系统中的行为在统计学中并无显著差异,被试注视情况总体相似,检索系统并不是导致被试检索行为差异的主要原因。被试在检索任务类型方面的注视数据有显著差异,学术文献类任务中被试的注视次数与时间显著少于学术实体类与学术探索类任务。学术探索类任务中的被试注视数据更多,也更为复杂,任务类型是影响被试检索成功或失败的显著原因。2、为了提高信息检索意图预测的精度,本文设计了一种改进的基于注意力机制的眼动数据分类算法（CNN-BLSTM-f-a）。该算法不仅引入focal loss损失函数加强了对难例样本的学习,还在网络结构中加入注意力模块完成了对重要特征的加强。通过这些改进,提高了模型的分类能力。将改进后的算法与传统机器学习算法中的支持向量机、朴素贝叶斯、随机森林以及逻辑回归方法进行性能比较,实验结果表明经改进后的算法的预测准确率要高于传统分类预测算法。图 [17] 表 [13] 参 [102]