Echtzeit-Tracking von kognitiver Belastung

Kognitive Belastung bezieht sich auf den mentalen Aufwand, der benötigt wird, um eine Aufgabe zu erledigen. Sie ist ein wichtiger Faktor dafür, wie Menschen mit Maschinen interagieren und kann Training, Bildung und viele andere Bereiche beeinflussen. Das Verständnis kognitiver Belastung kann helfen, diese Interaktionen zu verbessern und effektiver zu gestalten.

Die Messung kognitiver Belastung in Echtzeit ist wichtig für verschiedene Anwendungen wie Bildung, Automatisierung und Transport. Zum Beispiel kann in Trainingsprogrammen das Wissen darüber, wie viel kognitive Belastung Lernende erleben, helfen, den Inhalt anzupassen, um ihren Bedürfnissen gerecht zu werden. Das kann zu besseren Lernergebnissen führen.

Es gibt verschiedene Möglichkeiten, kognitive Belastung zu bewerten, darunter die Verwendung von Selbstberichten, bei denen die Teilnehmer ihre Belastung nach einer Aufgabe angeben, das Verhalten während der Aufgaben zu untersuchen und physiologische Signale wie Herzfrequenz oder Gehirnaktivität zu analysieren.

#Der Bedarf an neuen Forschungsdaten

Viele bestehende Studien zur kognitiven Belastung basieren auf Daten, die nur nach Abschluss einer Aufgabe gesammelt wurden. Das kann zu Ungenauigkeiten führen, da die Teilnehmer sich möglicherweise nicht genau daran erinnern, wie sie sich während der Aufgabe gefühlt haben. Zudem bieten bestehende Datensätze oft nur einen einzigen Wert über längere Zeiträume, anstatt die sich ändernde kognitive Belastung während einer Aufgabe zu erfassen.

Um diese Probleme anzugehen, haben Forscher einen neuen Datensatz erstellt, der darauf ausgelegt ist, genauere Bewertungen der kognitiven Belastung in Echtzeit zu liefern. Dieser Datensatz umfasst verschiedene Arten von Daten, die von Teilnehmern gesammelt wurden, während sie unterschiedliche Aufgaben ausführen, was ein klareres Bild der kognitiven Belastung während der Aufgabe ermöglicht.

#Überblick über den neuen Datensatz

Der neue Datensatz, genannt CLARE (Cognitive Load Assessment in REaltime), umfasst Daten von 24 Teilnehmern. Während die Teilnehmer Aufgaben abschlossen, die in ihrer Komplexität variierten, wurden ihre physiologischen Signale und Bewertungen der kognitiven Belastung alle 10 Sekunden aufgezeichnet.

Der Datensatz enthält vier Arten von Daten:

1. Elektrokardiografie (EKG): Misst die Herzaktivität.
2. Elektrodermale Aktivität (EDA): Misst die Hautleitfähigkeit, die sich mit der Aktivität der Schweissdrüsen ändert und mit Erregung zusammenhängt.
3. Elektroenzephalogramm (EEG): Misst die elektrische Aktivität des Gehirns.
4. Blickverfolgung: Zeichnet auf, wo und wie lange Teilnehmer bestimmte Bereiche anschauen.

Die Teilnehmer absolvierten vier Sitzungen von jeweils neun Minuten mit einer Software namens MATB-II, die darauf ausgelegt ist, unterschiedliche mentale Aufgaben zu erstellen. Während dieser Aufgaben berichteten sie häufig über ihre empfundene kognitive Belastung.

#Das Experiment und wie es funktioniert

#Aufgaben und Setup

Die Teilnehmer führten eine Reihe von Aufgaben am Computer aus, bei denen sie Systeme überwachen, Objekte verfolgen, auf akustische Signale reagieren und Ressourcen verwalten mussten. Jede Aufgabe variiert in der Komplexität, was es den Forschern ermöglicht zu sehen, wie sich die kognitive Belastung verändert, wenn die Aufgaben schwieriger werden.

Die Teilnehmer durchliefen auch Übungssitzungen, um sich mit den Aufgaben vertraut zu machen, bevor die tatsächliche Aufzeichnung begann. Sie erhielten Anleitungen, wie sie die Sensoren verwenden, die ihre physiologischen Daten sammelten.

#Datensammlung

Während sie die Aufgaben ausführten, wurde die kognitive Belastung der Teilnehmer nicht nur durch Selbstberichte, sondern auch durch die zuvor genannten physiologischen Signale erfasst. Das hilft, eine detailliertere Bewertung davon zu erstellen, wie sich ihre kognitive Belastung während des Experiments ändert.

#Verständnis der kognitiven Belastungswerte

Die Teilnehmer bewerteten ihre kognitive Belastung auf einer Skala von 1 bis 9 in 10-Sekunden-Intervallen. Ein Wert von 1 bedeutet sehr geringen mentalen Aufwand, während ein Wert von 9 sehr hohen mentalen Aufwand anzeigt. Diese Art der Datensammlung ermöglicht eine detailliertere Analyse der kognitiven Belastung während der Aufgaben, und nicht nur am Ende.

#Bedeutung des Datensatzes

Dieser neue Datensatz hebt sich von bestehenden ab, weil er häufige Aufzeichnungen der kognitiven Belastung während der Aufgaben ermöglicht. Diese kontinuierliche Bewertung kann die Entwicklung von Machine-Learning-Modellen verbessern, die darauf abzielen, die kognitive Belastung basierend auf physiologischen Daten vorherzusagen. Das könnte auch zu einer besseren Unterstützung in Umgebungen führen, in denen das Verständnis der kognitiven Belastung entscheidend ist, wie in Bildungseinrichtungen oder während komplexer Operationen.

#Frühere Arbeiten zur kognitiven Belastung

Frühere Forschungen haben verschiedene Methoden verwendet, um die kognitive Belastung zu bewerten. Einige verwendeten Aufgaben wie Gedächtnistests, visuelle Hinweise und Leseübungen. Im Laufe der Jahre wurden auch verschiedene Datensätze entwickelt, die oft auf ähnliche Weise Daten erfasst haben, jedoch den Echtzeitaspekt vermissen lassen.

Zum Beispiel basierten frühere Datensätze auf längeren Aufgaben ohne häufige Selbstberichte, was ihre Nützlichkeit in Anwendungen mit Echtzeit-Feedback einschränkt. Der CLARE-Datensatz zielt darauf ab, diese Lücke zu schliessen.

#Analyse der kognitiven Belastung

#Datenanalysemethodik

Nachdem die Daten gesammelt wurden, analysierten die Forscher die berichteten Werte der kognitiven Belastung, um zu sehen, wie sie mit der Komplexität der Aufgaben korrelierten. Durch den Vergleich dieser Werte können Einblicke gewonnen werden, wie Menschen unterschiedliche Aufgaben Schwierigkeiten empfinden.

Diese Analyse zeigte, dass die Teilnehmer unterschiedliche kognitive Belastungslevel berichteten, was auf individuelle Unterschiede im Bezug darauf hinweist, wie Aufgaben den mentalen Aufwand beeinflussen.

#Bewertung der Aufgabenkomplexität

Die Forscher erstellten Diagramme, um die Beziehung zwischen Aufgabenkomplexität und den berichteten kognitiven Belastungswerten zu bewerten, um zu prüfen, wie die Komplexität die empfundene Belastung beeinflusst. Die Ergebnisse zeigten, dass mit zunehmender Aufgabenkomplexität die Bewertungen der kognitiven Belastung ebenfalls tendenziell steigen, obwohl dies von Teilnehmer zu Teilnehmer variierte.

#Benchmarking von Machine-Learning-Modellen

Die Forscher bewerteten auch, wie gut verschiedene Machine-Learning-Algorithmen die kognitive Belastung basierend auf den gesammelten physiologischen Daten vorhersagen konnten. Durch die Verwendung verschiedener Klassifikationsmodelle verglichen sie, wie genau diese Modelle die kognitive Belastung als hoch oder niedrig klassifizieren konnten.

#Ansätze im maschinellen Lernen

Die Studie testete eine Reihe von Machine-Learning-Algorithmen, darunter:

• Entscheidungsbäume
• Logistische Regression
• Random Forests
• Support Vector Machines
• Gradient Boosting Machines

Zusätzlich zu diesen klassischen Methoden wendeten sie auch ein Deep-Learning-Modell an, das dafür ausgelegt ist, die Daten aus allen Modalitäten zu verarbeiten.

#Ergebnisse der Klassifikationstests

Die Ergebnisse zeigten, dass verschiedene Algorithmen je nach Ansatz und Art der Dateninputs besser oder schlechter abschnitten. Zum Beispiel übertraf das Convolutional Neural Network (CNN) oft die anderen Modelle in Bezug auf Genauigkeit und Konsistenz. Das zeigt ein grosses Potenzial für die Verwendung von Deep-Learning-Ansätzen bei der Bewertung kognitiver Belastung.

#Einschränkungen und zukünftige Richtungen

Obwohl der Datensatz wertvolle Einblicke bietet, gibt es einige Herausforderungen. Zum Beispiel könnte das Bitten der Teilnehmer, alle 10 Sekunden die kognitive Belastung zu melden, zusätzlichen mentalen Stress erzeugt haben. Zukünftige Forschung könnte sich darauf konzentrieren, ein besseres Gleichgewicht zu finden zwischen der Häufigkeit der Datensammlung und der kognitiven Belastung, die sie den Teilnehmern zumutet.

Es bleibt die Möglichkeit, das Design der Studie und die verwendeten Modelle weiter zu verbessern. Verfeinerte Sensoren, Variationen im Aufgabendesign und grössere Teilnehmerzahlen können das Verständnis und die Anwendbarkeit in realen Szenarien verbessern.

#Fazit

Dieser neue multimodale Datensatz bietet einen bedeutenden Fortschritt im Bereich der Bewertung kognitiver Belastung. Durch die Erfassung detaillierter Daten in Echtzeit und die Möglichkeit zur granularen Analyse eröffnet er neue Wege für Forschung und praktische Anwendungen. Die Erkenntnisse aus diesem Datensatz könnten zu Verbesserungen in Trainingsprogrammen, Automatisierungssystemen und anderen Bereichen führen, in denen kognitive Belastung ein kritischer Faktor ist.

Die Forscher sind gespannt auf die Auswirkungen dieser Ergebnisse und freuen sich darauf, zu sehen, wie dieser Datensatz in zukünftigen Studien genutzt werden kann, um das Verständnis der kognitiven Belastung zu vertiefen und die Interaktionen zwischen Mensch und Maschine zu verbessern.