Bản đồ nhiệt chú ý của FlowDx được tạo ra dựa trên mô hình DeepGaze IIE. Mô hình này được đề xuất bởi Linardos và cộng sự trong bài báo ICLR 2021 "DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling", đến từ Phòng thí nghiệm Thần kinh học Tính toán Bethge Lab thuộc Đại học Tübingen, Đức. Trên bảng xếp hạng MIT/Tilburg Saliency Benchmark, DeepGaze IIE đứng vị trí số một ở nhiều chỉ số, với kết quả dự đoán có độ tương quan trên 0,87 so với dữ liệu theo dõi ánh mắt thực tế của con người.
Màu sắc của bản đồ nhiệt đại diện cho điều gì?
| Màu sắc | Ý nghĩa | Phần trăm chú ý |
|---|---|---|
| Đỏ | Vùng chú ý cao nhất — Người dùng nhìn vào đây đầu tiên | 10% dẫn đầu |
| Vàng cam | Chú ý cao — Ánh mắt sẽ di chuyển nhanh đến đây | 10-30% |
| Xanh lá | Chú ý trung bình — Được nhận thấy trong quá trình lướt xem | 30-60% |
| Xanh dương | Chú ý thấp — Hầu hết người dùng sẽ bỏ qua | 60-90% |
| Màu tối/Không màu | Điểm mù chú ý — Hầu như không ai nhìn thấy | 10% cuối cùng |
Các mô hình bản đồ nhiệt thường gặp
Mô hình 1: Tập trung trung tâm (Lành mạnh)
Vùng màu đỏ tập trung vào thông tin cốt lõi của nội dung (khuôn mặt, tiêu đề, nút CTA). Điều này có nghĩa là phân cấp thị giác rõ ràng, người dùng có thể nhanh chóng hiểu được thông điệp bạn muốn truyền tải.
Mô hình 2: Phân tán (Có vấn đề)
Vùng màu đỏ rải rác ở nhiều vị trí, không có tiêu điểm chính rõ ràng. Điều này cho thấy hình ảnh có quá nhiều yếu tố, khiến sự chú ý bị phân tán. Giải pháp: Giảm số lượng yếu tố, thiết lập một chủ thể thị giác rõ ràng.
Mô hình 3: Lệch vị trí (Vấn đề nghiêm trọng)
Vùng màu đỏ tập trung vào nơi bạn không muốn người dùng nhìn thấy (ví dụ: một yếu tố không liên quan trong nền), trong khi thông tin cốt lõi (tiêu đề, sản phẩm) lại nằm ở vùng màu xanh dương hoặc xanh lá. Đây là kẻ sát nhân đối với CTR.
Mô hình 4: Kiểu rìa (Lãng phí)
Sự chú ý tập trung vào các cạnh của hình ảnh. Điều này thường xảy ra khi chủ thể quá nhỏ hoặc có quá nhiều khoảng trắng. Bộ não sẽ bị thu hút bởi các vùng có độ tương phản cao ở rìa (như ranh giới giữa khung hình và nền).
Đường dẫn thị giác: "Lộ trình đọc" của người dùng
Ngoài bản đồ nhiệt, FlowDx còn tạo ra đường dẫn thị giác — dự đoán mắt người dùng bắt đầu từ đâu và quét hình ảnh theo thứ tự nào. Một đường dẫn thị giác lý tưởng nên:
- Bắt đầu từ điểm neo chú ý mạnh nhất (thường là khuôn mặt hoặc chữ lớn nhất)
- Di chuyển đến thông tin bổ trợ (tiêu đề phụ, hình ảnh sản phẩm)
- Cuối cùng dừng lại ở CTA (Kêu gọi hành động)
Nếu đường dẫn bỏ qua thông tin quan trọng hoặc quẩn quanh ở những vùng không liên quan, điều đó cho thấy việc dẫn dắt thị giác đang gặp vấn đề.
Giải thích chi tiết điểm nhận thức 5 chiều
FlowDx không chỉ đưa ra một tổng điểm, mà đánh giá nội dung của bạn từ năm chiều nhận thức:
- Sự chú ý — Nội dung có thể thu hút ánh nhìn trong vòng 0,3 giây hay không
- Tiêu điểm thị giác — Có phân cấp thị giác và đường dẫn hướng dẫn rõ ràng hay không
- Tác động cảm xúc — Có thể kích hoạt phản ứng cảm xúc (tò mò, phấn khích, đồng cảm) hay không
- Thúc đẩy hành động — Có lời kêu gọi hành động (CTA) rõ ràng hay không
- Cường độ ghi nhớ — Người dùng có thể ghi nhớ nội dung của bạn sau khi xem xong hay không
Mỗi chiều có thang điểm từ 0-100. Trên 70 là xuất sắc, 50-70 cần tối ưu hóa, dưới 50 là có vấn đề nghiêm trọng.
Bắt đầu sử dụng chẩn đoán bản đồ nhiệt
Cách tối ưu hóa nội dung dựa trên báo cáo chẩn đoán
Sau khi nhận được báo cáo chẩn đoán từ FlowDx, hãy xử lý các vấn đề theo thứ tự ưu tiên sau:
Ưu tiên 1: Sửa lỗi "Lệch vị trí" (Các mục chẩn đoán màu đỏ)
Nếu sự chú ý tập trung vào sai vị trí (yếu tố nền, chi tiết không liên quan), đây là vấn đề nghiêm trọng nhất. Giải pháp thường là: giảm trọng số thị giác của các yếu tố gây nhiễu (làm mờ, giảm độ bão hòa), đồng thời tăng cường tính nổi bật của thông tin cốt lõi (phóng to, tăng tương phản, thêm viền).
Ưu tiên 2: Thiết lập đường dẫn thị giác rõ ràng (Các mục chẩn đoán màu cam)
Nếu bản đồ nhiệt cho thấy sự chú ý bị phân tán, bạn cần thiết lập một phân cấp thị giác rõ ràng. Sử dụng tương phản kích thước (yếu tố quan trọng nhất phải lớn nhất), tương phản màu sắc (thông tin cốt lõi dùng màu có độ bão hòa cao), dẫn dắt không gian (mũi tên, đường kẻ, hướng nhìn của nhân vật) để hướng ánh mắt người dùng di chuyển theo lộ trình bạn đã định sẵn.
Ưu tiên 3: Nâng cao điểm nhận thức tổng thể (Các gợi ý màu vàng)
Các chiều có điểm dưới 60 trong thang điểm 5 chiều cần được chú trọng. Các phương pháp cải thiện thường gặp:
| Chiều điểm thấp | Nguyên nhân có thể | Hướng cải thiện |
|---|---|---|
| Sự chú ý < 60 | Hình ảnh quá mờ nhạt, thiếu tính nổi bật | Tăng độ tương phản, thêm khuôn mặt, sử dụng màu sắc bão hòa cao |
| Tiêu điểm thị giác < 60 | Quá nhiều yếu tố lộn xộn | Giảm số lượng yếu tố, thiết lập phân cấp chính phụ |
| Tác động cảm xúc < 60 | Nội dung thiếu kích thích cảm xúc | Sử dụng biểu cảm cảm xúc, tạo sự tương phản, kể chuyện |
| Thúc đẩy hành động < 60 | Thiếu CTA hoặc gợi ý hành động | Thêm mũi tên, nút bấm, các từ kích hoạt như "Ngay bây giờ", "Giới hạn thời gian" |
| Cường độ ghi nhớ < 60 | Nội dung quá bình thường, thiếu tính độc đáo | Xây dựng biểu tượng thương hiệu, sử dụng phối màu độc đáo, tạo điểm nhấn ghi nhớ thị giác |
Hạn chế của phân tích bản đồ nhiệt
Bản đồ nhiệt chú ý là một công cụ mạnh mẽ, nhưng nó cũng có những hạn chế. Hiểu rõ những ranh giới này sẽ giúp bạn sử dụng nó tốt hơn:
- Dự đoán về "người dùng trung bình" — Bản đồ nhiệt phản ánh sự phân bổ ánh nhìn trung bình của một nhóm, lộ trình ánh mắt của từng cá nhân có thể khác nhau
- Không trực tiếp tương đương với tỷ lệ nhấp — Sự chú ý cao không nhất thiết chuyển hóa thành lượt nhấp chuột cao. Người dùng có thể chú ý nhưng chọn không nhấp (ví dụ: nội dung trông không đủ thú vị)
- Phụ thuộc vào chất lượng hình ảnh — Hình ảnh có độ phân giải thấp hoặc bị nén nghiêm trọng có thể ảnh hưởng đến độ chính xác của dự đoán
- Sự khác biệt văn hóa — Người dùng từ các nền văn hóa khác nhau có thể có sự phân bổ chú ý khác nhau đối với màu sắc, khuôn mặt và biểu tượng
Điểm nhận thức 5 chiều của FlowDx chính là để bù đắp cho những thiếu sót của việc chỉ phân tích bản đồ nhiệt đơn thuần — nó xem xét tổng hợp nhiều khía cạnh như sự chú ý, cảm xúc, trí nhớ để đưa ra chẩn đoán nội dung toàn diện hơn.
Câu hỏi thường gặp (FAQ)
Vùng màu đỏ trên bản đồ nhiệt có phải là tốt nhất không?
Không hẳn. Màu đỏ cho biết vùng người dùng nhìn vào đầu tiên, nhưng điều quan trọng là vùng màu đỏ có nằm đúng vào thông tin bạn muốn truyền tải nhất hay không. Nếu màu đỏ nằm ở phần nền không liên quan, điều đó lại cho thấy có vấn đề. Trạng thái lý tưởng là: màu đỏ bao phủ thông tin cốt lõi (sản phẩm, khuôn mặt, tiêu đề), màu xanh dương bao phủ các vùng phụ.
Đường dẫn thị giác có bao nhiêu điểm cố định là tốt?
Đối với ảnh thu nhỏ (thumbnail) và ảnh bìa, 3-5 điểm cố định là phạm vi tối ưu. Quá ít (1-2 điểm) cho thấy nội dung nghèo nàn thông tin, quá nhiều (6+) cho thấy sự chú ý quá phân tán. Lộ trình lý tưởng: Tiêu điểm chính → Thông tin bổ trợ → CTA, tạo thành một tuyến tự sự rõ ràng.
Tại sao bản đồ nhiệt của tôi lại khác với kết quả phân tích cùng một bức ảnh của người khác?
FlowDx sử dụng mô hình xác định (DeepGaze IIE), kết quả phân tích cho cùng một bức ảnh là hoàn toàn nhất quán. Nếu thấy kết quả khác nhau, có thể là do độ phân giải ảnh, cách cắt cúp hoặc mức độ nén tệp khác nhau. Khuyến nghị sử dụng ảnh có độ phân giải gốc để phân tích.
Bản đồ nhiệt của video và ảnh tĩnh có gì khác nhau?
Trong nội dung video, sự phân bổ chú ý thay đổi theo thời gian. FlowDx thực hiện phân tích từng khung hình cho video, mỗi khung hình đều có bản đồ nhiệt độc lập. Video có thêm một chiều so với ảnh tĩnh — các yếu tố động (vật thể chuyển động, chuyển cảnh) sẽ thu hút sự chú ý mạnh mẽ. Chìa khóa của phân tích video là tìm ra những khung hình có sự chú ý yếu nhất, vì đó là lúc người dùng dễ lướt qua nhất.
Bắt đầu sử dụng chẩn đoán bản đồ nhiệt
Tải nội dung của bạn lên FlowDx để nhận bản đồ nhiệt chú ý, đường dẫn thị giác và điểm số 5 chiều. Hãy xem điều gì thực sự xảy ra trong não bộ người dùng khi họ xem nội dung của bạn.
Tham khảo
- Linardos, A. et al. (2021). DeepGaze IIE: Calibrated prediction in and out-of-domain for state-of-the-art saliency modeling. ICLR 2021.
- Borji, A., & Itti, L. (2013). State-of-the-art in visual attention modeling. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1), 185-207.
- Bylinskii, Z. et al. (2019). What do different evaluation metrics tell us about saliency models? IEEE TPAMI, 41(3), 740-757.