在执行监督任务时,任务脱离(attention disengagement)和警觉性下降(vigilance reduction)分别与特定的眼动特征相对应
《Frontiers in Neuroergonomics》:Distinct oculomotor signatures for task disengagement and reduction in vigilance during a supervisory task
【字体:
大
中
小
】
时间:2026年05月15日
来源:Frontiers in Neuroergonomics 1.9
编辑推荐:
**摘要**
人机界面技术的进步逐渐将人类操作员限制在被动监督者的角色中。在这种条件下,由于注意力下降和任务脱离,可能会出现“脱离控制”现象,导致自动化系统意外故障时性能下降。尽管对此进行了数十年的研究,但描述、量化和预测这些性能问题仍然具有挑战性。本研究旨在识别与特定设计的
**摘要**
人机界面技术的进步逐渐将人类操作员限制在被动监督者的角色中。在这种条件下,由于注意力下降和任务脱离,可能会出现“脱离控制”现象,导致自动化系统意外故障时性能下降。尽管对此进行了数十年的研究,但描述、量化和预测这些性能问题仍然具有挑战性。本研究旨在识别与特定设计的监督任务中任务脱离和注意力降低相关的独特眼动特征。参与者观看了一个简化的飞机界面,并被要求监控自动驾驶系统并验证或拒绝其决策。通过改变参与者需要干预前的时间延迟来操纵任务脱离:在某些情况下,响应频率较高,而在其他情况下,参与者则需要等待更长时间才能进行干预。注意力则通过任务持续时间来操纵。结果表明,任务脱离会对参与者的性能产生负面影响(在较少被要求干预时反应时间变慢)。虽然视觉探索在低注意力和低参与度下都会减少,但其他眼动指标(如扫视、注视、眼睑开合和眨眼)可以区分这两种状态。最后,逻辑分类器显示特定的眼动特征能够预测参与者的反应时间,超出随机水平。总之,本研究识别出与注意力下降和任务脱离相关的独特眼动模式,这两种因素都会导致“脱离控制”现象,并且还能预测个体的性能。这些结果不仅对监控驾驶活动具有重要意义,而且有助于理解任务脱离对人类性能的影响。
**引言**
交通和工业领域的技术进步导致了越来越多自动化机器的出现,这些机器提高了任务效率,同时简化了人类操作员的角色(Baxter等人,2012;Cummings等人,2010;Naujoks等人,2016;Parasuraman,1987;Parasuraman和Riley,1997;Wise等人,1994)。然而,用自动化机器替代人类活动绝非简单的操作(参见Dekker和Woods,2002;Woods和Tinapple,1999)。实际上,自动化改变了合作结构,以深刻的方式改变了人类的角色,并为操作员创造了新的问题(Sarter等人,1997)。更具体地说,自动化将操作员的角色从主动控制器转变为高效自动化系统的被动监督者,这些系统很少出错,因此只需要很少但至关重要的干预(“自动化导致的自满”,参见Parasuraman等人,1993)。操作员角色的这种转变影响了他们预测自动化系统决策及其行动后果的能力,最终影响了他们处理新信息的能力(Parasuraman和Wickens,2008)。这些损害被称为“脱离控制”性能问题,可能导致严重的安全问题(Berberian等人,2017;Billings,1991;Endsley,1996;Endsley和Kiris,1995;Kaber和Endsley,2004)。例如,在自动化系统出现故障时,操作员可能难以理解问题根源并选择适当的行动来解决它。这些自动化意外(Sarter等人,1997)有充分的记录(Degani和Heyamann,2000),可能导致严重的性能下降,尤其是在航空领域(Bureau d'Enquête et d'Analyse,2012a,第10页;Bureau d'Enquête et d'Analyse,2016,第44页;Bureau d'Enquête et d'Analyse,2012b,第178页;National Transport Safety Board,1972,第17页)。因此,研究受高度自动化系统交互影响的操作员的感官、认知和运动功能对于提高安全性至关重要。
尽管进行了数十年的研究,但描述、量化和预测“脱离控制”性能问题的发生仍然具有挑战性,特别是确定具体受到影响的心理过程(Baxter等人,2012)。之前提到的自满行为,在长时间监督过度可靠的自动化系统时尤为明显,可能导致任务脱离。后者指的是分配给当前任务的处理资源减少(Dehais等人,2020;Stephens等人,2018)。此外,注意力(可以理解为保持警觉并持续关注的能力)在长时间监控制造系统任务的过程中也会下降(Amalberti,1999;Maille等人,2022)。因此,任务脱离和注意力被认为是导致“脱离控制”现象的两个可能相互作用的因素(Gouraud等人,2018)。然而,目前尚不清楚是否可以通过客观、可量化的指标来区分这些因素在产生“脱离控制”效应中的贡献(有关综述,请参见Pütz等人,2024)。
任务持续时间(ToT),即执行特定任务所花费的时间,传统上被认为是诱导注意力下降的有效实验操作(Warm等人,2008)。随着ToT的增加,通常会发现眼动行为的变化。例如,在长时间无事件发生的汽车模拟器驾驶过程中,注意力下降与信息处理过程中的眼动行为减少有关(即眨眼和眼部活动减少,Campagne等人,2005)。在注意力研究中,眼睑闭合的百分比也与性能下降有关(Maille等人,2022;Dinges等人,1998)。此外,McIntire等人(2014)发现随着ToT的增加,眨眼频率和持续时间增加,从而降低了注意力和性能。
关于任务脱离,最近很少有研究探讨眼动数据的实用性,因为传统上使用主观和行为测量方法来实现这一目的。Hamachi等人(2022)量化了三种分类为“被动”、“半主动”和“主动”的认知任务中的注视样本率(每秒收集的样本平均数量)和注视速度。作者发现,注视样本率和注视速度的对数有助于估计参与者在被动、半主动和主动任务中的任务参与度。然而,作者操纵了这些任务所假设引发的心理工作负荷,这可能限制了其结果在其他采用不同方法诱导任务脱离的任务参与度研究中的普遍性(如本研究)。同样,Fragueiro等人(2023)使用瞳孔扩张测量来量化神经反馈过程中由心理工作负荷引起的任务脱离。
与这些先前的研究不同,本研究旨在识别更复杂的眼动行为,以区分(并预测)操作员的任务脱离和注意力下降。为此,开发了一个专门的监控任务,要求参与者监控自动驾驶系统并验证或拒绝其决策。为了操纵任务参与度,参与者需要干预的频率不同。在某些情况下,参与者经常被要求验证/拒绝自动驾驶系统的决策,而在其他情况下,他们的干预之前可能会有较长的延迟。这种操纵的理由是,操作员在采取相关行动之前等待的时间越长,脱离发生的可能性就越大(例如,任务退出、心不在焉;参见Dehais等人,2020)。相反,通过重复相同任务来操纵ToT,以操纵注意力。在任务过程中,记录了参与者的反应时间、决策准确性以及眼动行为。
**预期结果**
首先,我们预计当参与者频繁被要求参与时(即高参与度),反应时间和准确性会更高,而当他们需要等待更长时间才能干预时(即低参与度),反应时间和准确性会更低。其次,我们期望观察到与任务脱离相关的特定眼动行为模式。在低参与度条件下,视觉探索会减少:脱离会导致扫视次数减少和注视持续时间增加。这种模式可能与注意力相关模式区分开来。众所周知,注意力下降也会导致视觉探索减少,表现为眼睑开合减少和眨眼次数及持续时间增加(Kuwahara等人,2022;Nguyen等人,2015)。然而,虽然在大多数研究中任务脱离和注意力下降可能相互混淆,但本实验专门设计了分离这两种情况的方法。我们通过试验内的延迟来产生不同程度的任务脱离,并通过重复试验来探讨ToT对注意力的影响。最后,我们探讨了眼动模式是否可以预测个体的性能。这 latter 分析很重要,因为它可以提供关于预示脱离和低性能的眼动特征的见解。
**材料与方法**
十二名健康志愿者(四名男性,平均年龄=28.10岁,标准差=2.42,最小值=24,最大值=31)参与了这项实验。所有参与者视力正常或矫正至正常范围,并且对所研究的假设一无所知。他们在参与实验前都签署了书面知情同意书。本研究符合赫尔辛基宣言的要求,并得到了巴黎城市大学伦理委员会的批准。
**设备**
刺激在CRT LG Flatron 915FT Plus显示器上呈现(刷新率为60 Hz),分辨率为1,024 × 768像素,尺寸为36.5 × 27厘米。刺激呈现和数据收集使用VAPS XT 4.2.1(Presagis)软件完成。眼动数据使用SmartEye Pro 3.0(瑞典哥德堡Smart Eye AB公司)硬件和SmartEye 7.1.0软件记录(瑞典哥德堡Smart Eye AB公司)。该系统包括两个红外照明器和三个摄像头(采样频率为120 Hz),放置在计算机屏幕下方(见图1右面板)。使用SmartEye提供的Gaze Calibration Client进行了注视校准。
**图1**
参与者看到一个简化的飞机界面(左面板)。在整个任务过程中,四个参数动态变化:航向(“Cap”)、速度(“Vitesse”)和高度。右面板:实验过程中参与者的位置,以及SmartEye摄像头记录的眼球运动。
**程序**
参与者看到一个包含四个参数的简化飞机界面:飞机高度、速度、襟翼位置和航向(见图1左面板)。他们的任务是监督自动驾驶系统的活动,并检测自动驾驶系统对飞行参数所做的任何显著变化。显著变化定义为高度、速度和航向的变化超过20个单位,襟翼的变化超过1个单位。每次变化持续3秒。一旦检测到参数的显著变化,参与者将其与他们最近观察到的显著变化进行比较。如果变化的方向与之前的变化相同(无论参数如何),则认为自动驾驶系统的行动是正确的;否则,认为自动驾驶系统的行动是错误的。参与者通过按指定键响应(如果自动驾驶系统遵守任务规则则按向左箭头键,否则按向右箭头键)。
例如,如果在时间“t”高度增加了20个单位,随后在时间“t1”速度又增加了20个单位,参与者就会按“正确操作”键。然而,如果在时间“t1”速度减少了20个单位,参与者则需要报告自动驾驶系统的行动是错误的。时间“t1”的速度变化随后被用作评估时间“t2”另一个参数变化的参考点,依此类推(见图2左面板示例)。
**图2**
左面板:参数随时间变化的示例及相应的响应(红色向左箭头表示正确的自动驾驶系统决策,向右箭头表示错误的自动驾驶系统决策)。右面板:图表显示了任务过程中时间延迟的相对频率,这些延迟是基于指数函数得出的。
为了增加检测参数显著变化的难度,四个参数不是静态的。通过将速度、高度和航向的值范围从-6变化到6,襟翼位置的范围从-0.3变化到0.3来引入背景噪声。这种变化是通过组合两个正弦波实现的:一个频率为0.15 Hz,另一个为0.025 Hz。只有中央显示保持静止,以鼓励参与者进行眼球运动。为了操纵参与者的参与度,我们改变了参数之间显著变化的时间间隔。使用了15种不同时间延迟,范围从8秒到92秒,间隔为6秒。整个任务中每种时间间隔的呈现频率是根据指数函数确定的,其中8秒的间隔出现频率最高。随着时间延迟的增加,频率降低了(见图2右侧面板)。这种操作基于一个基本假设,即更长的时间延迟会导致参与者更多地从监控任务中分散注意力。我们使用了指数函数来控制危险率,该函数描述了在给定事件尚未发生的情况下,事件在特定时间点发生的条件概率。实际上,已有研究表明,更长的前置时间会由于目标呈现的确定性增加而导致反应时间缩短(N??t?nen,1970年)。任务中包含了总共154个参数的变化。在任务中间建议短暂休息一下,因此共收集了152个响应(参与者在实验开始时和对休息后的第一个参数变化没有做出响应)。任务的平均总持续时间为90分钟。
数据分析
行为数据
统计分析使用了R 4.4.1(R Core Team,2024)中的brms包实现的层次贝叶斯模型(Bürkner,2017)。我们选择贝叶斯分析是因为它们对收敛问题更为稳健,并且即使数据量有限也能提供稳定的参数估计(Kruschke,2021)。此外,brms中的贝叶斯实现提供了多种概率分布,这些分布特别适合本研究分析的变量类型。准确性(即参与者是否正确报告了自动驾驶仪的动作)是通过贝叶斯逻辑混合效应模型来分析的。反应时间(RTs)是从每个重要参数变化开始测量的。由于RTs呈现出典型的右偏分布,因此使用了贝叶斯ex-Gaussian混合效应模型进行分析。那些参与者没有做出判断的试验被从分析中移除。总共分析了1,533个响应,大约10%的试验没有包含响应。
这项研究的主要目的是考察延迟对准确性和RTs的影响,因为较长的延迟可能会使操作员从监控任务中分散注意力。在这些分析中,延迟被视为一个连续预测因子。模型还包含了Block(10个区块)作为一个额外的连续预测因子。这个变量反映了任务中的不同时间点:第一个区块对应于每个参与者的前15个响应,最后一个区块对应于后15个响应。这个预测因子的加入是为了考虑随时间变化的警觉性效应。为了考虑准确性和RTs之间众所周知的关系,每个模型中都加入了一个额外的预测因子。具体来说,在准确性分析中,RT(作为连续变量)被作为协变量纳入;而在RT分析中,准确性(正确与错误)被作为一个因素纳入。测试了包含按参与者随机斜率和截距的模型。然而,由于参与者数量相对较少,估计随机斜率方差分量具有挑战性,可能会导致模型不稳定或难以识别。在这种情况下,数据提供的信息有限,无法可靠地估计不同参与者之间的斜率差异。因此,这些模型与只包含按参与者随机截距的更简单、更简约的模型进行了比较,使用了留一法交叉验证。比较结果显示,包含延迟和block的随机斜率的模型并没有显著提高预测性能,同时显著增加了模型的复杂性。因此,最终保留用于分析的模型仅包含按参与者随机截距。有关模型和这些比较的更多细节可以在补充材料中找到。
相应地,模型结构如下:rt ~ delay + block + accuracy + (1|subject) 和 accuracy ~ delay + block + rt + (1|subject)。延迟、Block和RTs在参与者之间进行了均值中心化。为了评估效应的存在,当95%可信区间(CrI)排除了零时,参数被分类为显示出效应的强证据。这种启发式方法遵循了(Makowski等人,2019)提出的方向概率解释。对于所有贝叶斯模型,使用R-hat统计量(< 1.01)和有效样本量(ESS)来评估收敛性,并使用后验预测检验来评估整体模型的适用性,以确保拟合模型能够捕捉到经验分布的关键特征。完整的模型总结包含在补充材料中,其中包括参数估计(Estimate, Estimate Error, 下限和上限95%可信区间)、收敛诊断(R-hat, Bulk ESS, Tail ESS)以及每个模型的后验预测检验图。
眼动数据
关于眼动数据,我们特别关注内在驱动的眼动行为以及它与个体表现和参与度(通过干预之间的延迟来操纵)之间的关系。为此,我们提取了从-4秒到0秒的4秒时间段,这些时间段与每个参数变化的开始时间对齐。我们选择这个时间窗口是为了确保采样的时间段总是发生在没有参数变化、只显示背景噪声的时期。这使我们能够分离出由内在驱动而不是由刺激驱动的眼动。实验中两个参数变化之间的最短延迟为8秒,每个参数变化持续3秒,因此在每次试验中都留出了一个一致的5秒间隔,在此期间显示器完全由背景噪声驱动。我们排除了这个间隔的第一秒钟,以避免从前一个参数变化中残留的注意力捕获。这样就得到了一个适合分析内在驱动眼动行为的无刺激窗口,长度为4秒。
在这些时间段内,我们提取了几项眼动特征,包括注视次数、总注视持续时间(即所有注视持续时间之和)、眼跳次数、眨眼次数及其总持续时间以及眼睑开合程度。这些特征是由Smart Eye软件直接使用内置的事件分类算法计算得出的。Smart Eye软件还提供了瞳孔扩张和眼睑开合的质量检查措施。由于本实验没有分析瞳孔扩张,我们使用Smart Eye在-4秒到0秒窗口内的测量值来量化眼睑开合信号的质量。所有参与者的信号质量都很高(平均值=0.89,标准差=0.07,范围=0.74–0.99)。所有参与者的有效样本比例为100%,没有试验包含没有有效眼睑开合样本的窗口。为了分析这些特征,我们使用了层次贝叶斯混合模型(见行为数据分析)。与行为分析一样,所有眼动模型都包含了延迟和Block作为连续预测因子,以及按参与者随机的截距,即 eye variable ~ delay + block + (1|subject)。Block的加入是为了控制实验过程中的警觉性或疲劳可能的变化,这些因素已知会影响眼动行为。我们决定只报告包含按参与者随机截距的模型,因为鉴于样本量相对较少,估计随机斜率方差分量具有挑战性,可能会导致模型不稳定或难以识别。然而,在补充材料中,我们也报告了包含随机截距和随机斜率的结果,至少在包含随机斜率没有产生显著采样异常(如路径不一致和能量诊断不佳)的情况下。总体而言,无论是否包含随机斜率,结果都非常相似。
注视次数、眨眼次数和眼跳次数的分布都是正偏的,这对于反映每次试验中离散眼动事件数量的计数数据来说是典型的。这类变量适合使用离散概率分布(如泊松分布或负二项分布)来建模,而不是高斯分布。注视次数显示出接近均匀的分布(方差接近平均值),泊松分布提供了稳定的估计和出色的后验预测拟合。因此,我们使用泊松回归来建模注视次数。眨眼次数显示出许多零次眨眼的试验,以及眨眼次数为1-3次的试验数量迅速减少。尽管总体分散程度适中,但过多的零值需要测试零膨胀问题。一个零膨胀的泊松模型提供了最佳拟合,同时捕捉到了高比例的结构零值和非零眨眼次数的分布。相比之下,眼跳次数的分布显示明显过度分散(方差远大于平均值),且分布高度偏斜。泊松模型无法解释这种变异性,而包含分散参数的负二项分布则提供了更好的拟合和更现实的模拟数据。
注视持续时间、眨眼持续时间和眼睑开合程度是连续的、严格正的变量,显示出轻微的正态偏离。为了稳定方差并提高对称性,这三个指标在分析前都进行了对数转换。然后使用Student-t似然对转换后的变量进行建模,这种模型对异常值更为稳健,并且比高斯或对数正态模型更好地适应了左尾和右尾的偏离。
分类分析
进一步的分析探讨了眼动特征在预测个体表现(特别是反应时间)方面的能力。使用不同的眼动特征训练和测试了逻辑回归分类器,以区分每个参与者在三个不同时间段内的快速和慢速反应时间。慢速和快速反应时间分别定义为比中位反应时间慢和快的响应时间(±1/3的中位绝对偏差)。用于预测反应时间的眼动特征包括:眼跳次数和持续时间、注视次数和持续时间、眨眼次数和持续时间、瞳孔大小以及眼睑开合程度。与上述混合模型不同,我们决定将4秒的时间窗口分成两个独立的时间段,并在该时间窗口之前添加2秒(即从参数变化前的-6秒到-4秒),尽管该时间段可能包含由刺激驱动的眼动活动。因此,眼动特征是为三个不同的时间段计算的:参数变化前的-6秒到-4秒、-4秒到-2秒以及-2秒到0秒。每个特定时间段都训练并测试了一个单独的分类器。值得注意的是,我们还测试了使用单一4秒时间窗口的分类器,该时间窗口与混合效应模型分析中使用的时间窗口相同,得到了相似的结果。分类过程采用了蒙特卡洛交叉验证方法(Dubitzky等人,2007)。值得注意的是,每个分类器都在可用数据集的80%上进行了训练,并在剩余的观测值上进行了测试。这个过程重复了1000次。每次随机选择80%的试验作为训练集,其余的作为测试集。为了避免分类偏差,在每次重复过程中,慢速和快速响应的数量被匹配。通过计算每个时间段内分类器正确识别为快速或慢速的响应比例来估计分类准确性。每次重复过程中,取1000次随机洗牌后的平均分类性能作为该特定参与者和时间段的分类器准确性。为了统计分析,从分类准确性中扣除了机会水平(概率为0.5)。然后使用非参数基于簇的排列检验计算统计显著性(α = 0.05)。除了分类准确性外,我们还计算了接收者操作特征曲线的下面积(AUC),以提供与机会水平(0.5)无关的分类性能度量。平均AUC值与分类准确性一起在结果部分报告,相应的ROC曲线在补充材料中提供。
结果
行为数据
准确性分析的后验估计表明,延迟对准确性没有显著影响[β = ?0.0036, 95% CrI (?0.0099, 0.0026), P (β < 0) = 0.8702],Block对准确性的影响也很小,其可信区间包括零[β = ?0.044, 95% CrI (?0.087, 0.001), P (β > 0) = 0.97],这表明反应时间和准确性之间没有系统性的关系。截距[β = 2.28,95% 罗恩伯格区间(CrI)(1.89, 2.69)反映了任务的高整体准确性(平均值为0.90,标准差为0.30)。图3左侧面板显示了后验均值反应时间与准确性的关系,误差条表示围绕均值的±1后验标准误差。中间面板显示了反应时间(y轴)与延迟(x轴,以参与者为中心)之间的边际后验关系。阴影区域代表围绕均值的±1后验标准误差。右侧面板显示了逻辑分类器的准确性(正确分类的比例),该分类器能够区分快速和慢速反应与眼动特征。该分类器是在参数变化发生之前的眼动特征上训练和测试的。水平黑线对应于随机水平(50%)的准确性,表明选用于分析的三个时间段的分类准确性显著高于随机水平。阴影区域代表自助法得到的95%置信区间。
反应时间分析的后验估计表明,随着延迟时间的增加,RT(反应时间)显著增加[β = 0.0029,95% 罗恩伯格区间(CrI)(0.00086, 0.00494),P(β > 0)= 0.9968],这表明在目标出现之前的间隔时间越长,反应速度越慢(见图3中间面板)。后验估计还表明,RT在各个区块之间略有下降[β = ?0.015,95% 罗恩伯格区间(CrI)(?0.034, 0.002),P(β < 0)= 0.96],尽管可信区间包括了零,这表明这种效应的证据较弱。如果确实存在这种趋势,可能仅反映了随着任务进行而产生的轻微适应。准确性也会影响RT:正确反应比错误反应更慢[β = 0.221,95% 罗恩伯格区间(CrI)(0.032, 0.414),P(β > 0)= 0.9891],这与速度-准确性之间的小trade-off一致,即更为谨慎的反应很可能更正确(见图3左侧面板)。
为了评估从监督任务中脱离和任务持续时间对参与者视觉探索策略的影响,我们首先研究了延迟和区块对扫视次数和注视次数的影响。负二项模型的后验估计显示,随着延迟时间的增加,扫视次数略有减少[β = ?0.0012,95% 罗恩伯格区间(CrI)(?0.0020, ?0.00035),P(β < 0)= 0.9968],表明在目标出现之前的间隔时间越长,扫视频率略有但可靠的减少(见图4左上角面板)。相比之下,没有可信的证据表明区块有显著影响[β = ?0.0030,95% 罗恩伯格区间(CrI)(?0.0106, 0.0045),P(β < 0)= 0.7820],这表明在整个实验过程中扫视次数保持稳定。
泊松模型的后验估计显示,随着延迟时间的增加,注视次数略有减少[β = ?0.0011,95% 罗恩伯格区间(CrI)(?0.00175, ?0.00047),P(β < 0)= 0.9997],表明在目标出现之前的间隔时间越长,注视频率略有但可靠的减少(见图4右上角面板)。同时,注视持续时间表明,在延迟时间较长时注视持续时间略有延长[β = 0.00034,95% 罗恩伯格区间(CrI)(0.00015, 0.00053),P(β > 0)= 0.9999],这反映了在目标出现之前的间隔时间越长,注视持续时间略有但可靠的增加(见图4中间面板)。相比之下,注视持续时间在各个区块之间有所减少[β = ?0.0070,95% 罗恩伯格区间(CrI)(?0.00870, ?0.00537),P(β < 0)= 1],这强烈表明在整个实验过程中注视持续时间逐渐缩短。综合这些发现,随着延迟时间的增加,对界面的视觉探索减少了:在较长的延迟时间内,扫视次数减少,注视次数减少但每次注视时间延长。而在任务持续时间(区块编号)方面观察到了不同的模式,注视持续时间随时间减少,而注视次数和扫视次数保持稳定。
如果注视持续时间随任务时间减少,人们可能会预期这会导致扫视次数的增加。然而,这一模式并未观察到。这表明其他眼动因素可能解释了注视持续时间的变化,例如眨眼频率或持续时间的变化,或者眼睑开度的变化,这些特征本身可能反映了实验过程中警觉性的下降。眨眼次数的分析显示,随着延迟时间的增加,眨眼次数略有减少[β = ?0.00225,95% 罗恩伯格区间(CrI)(?0.00420, ?0.00035),P(β < 0)= 0.9893]。相比之下,眨眼频率在各个区块之间有所增加[β = 0.0550,95% 罗恩伯格区间(CrI)(0.0375, 0.0722),P(β > 0)= 1],这强烈表明随着任务的进行,参与者眨眼的频率增加,可能反映了警觉性或警觉性的逐渐下降(见图4左下角面板)。此外,眨眼持续时间在各个区块之间也有所增加[β = 0.0224,95% 罗恩伯格区间(CrI)(0.0115, 0.0336),P(β > 0)= 0.9999],这提供了警觉性或唤醒水平逐渐下降的一致证据(见图4中间面板)。相比之下,我们没有观察到延迟对眨眼持续时间有显著影响[β = ?0.00069,95% 罗恩伯格区间(CrI)(?0.00190, 0.00052),P(β < 0)= 0.8672]。最后,眼睑开度在各个区块之间有所减少[β = ?0.00242,95% 罗恩伯格区间(CrI)(?0.00384,?0.00098),P(β < 0)= 0.9995],这支持了参与者随着任务进行而倾向于缩小眼睑的假设,可能是由于唤醒/警觉性降低或疲劳增加(见图4右下角面板)。然而,没有观察到延迟对眼睑开度变化的显著影响[β = ?0.000056,95% 罗恩伯格区间(CrI)(?0.00021,0.00010),P(β < 0)= 0.7561]。然而,当对眼睑开度建模时,区块的效应变得不确定(见补充材料),这表明该特征存在显著的个体间变异性。
总的来说,这些结果似乎显示了与脱离任务和唤醒水平降低相关的不同眼动特征。这两种情况都会导致对视觉环境的探索减少。然而,脱离任务的特点是扫视次数减少和注视次数减少但每次注视时间延长,而警觉性降低则与眨眼次数增加和每次眨眼时间延长以及眼睑开度减小相关。最后,额外的分析考察了眼动特征在预测个体反应时间方面的能力。分类分析显示,在整个预选时间段内(即参数变化前的?6秒到0秒),我们可以基于反应前的眼动行为预测参与者是会反应缓慢还是快速(见图3右侧面板)。观察到的最高分类准确性为56%。邻域成分分析显示,对分类准确性贡献最大的三个眼动特征是:扫视次数、注视持续时间和眨眼持续时间。每个时间窗口的AUC值如下:?6秒到?4秒窗口的平均AUC = 0.5411;?4秒到?2秒窗口的平均AUC = 0.5776;?2秒到0秒窗口的平均AUC = 0.5679。整个时间段的AUC显著性地小于0.001。总之,ROC分析确认了高于随机水平的分类性能,表明具有适度但可靠的区分度。
值得注意的是,当专注于混合模型分析中使用的4秒时间窗口时,也获得了类似的分类结果(P = 0.0103,平均分类准确性 = 0.549,平均AUC = 0.571,P = 0.0054)。
本研究旨在帮助描述任务脱离对人类表现的影响,识别可能导致操作者脱离任务的眼动行为,并将其与与警觉性降低相关的眼动行为区分开来。这里的“参与”定义为调动和分配认知资源以正确响应操作请求的能力。通过改变参数显著变化之间的时间间隔来操纵参与者的参与度,这最终需要参与者的反应。这种操纵基于这样的假设:较长的时间延迟会导致从监控任务中更多的脱离。相反,警觉性被定义为执行任务所花费的时间(即区块的进展)。
研究显示,当参与者频繁被请求时(即参与度较高),他们的反应时间更短;而当他们必须等待更长的延迟后才进行反应时(即参与度较低),他们的反应时间较长。此外,观察到与任务脱离相关的眼动行为模式。在与低参与度条件相比,高参与度条件下,视觉探索程度显著减少,表现为扫视次数减少和注视持续时间延长。重要的是,与脱离任务相关的这种眼动行为模式与警觉性降低相关的模式不同。具体来说,随着任务时间的增加,视觉探索也减少了,但其特征是眼睑开度减小和眨眼次数及持续时间增加,这表明在任务上花费的时间降低了总体唤醒水平(Kuwahara等人,2022年;Nguyen等人,2015年)。后者的结果与Maille等人(2022年)的研究一致,他们发现随着总任务时间(ToT)的增加,眼睑闭合程度增加。然而,需要注意的是,当混合模型包含随机斜率时,区块对眼睑开度减少的影响变得不确定。这表明参与者之间存在较大的变异性。进一步的研究应该巩固这一发现。
有趣的是,注视持续时间在脱离任务和任务持续时间的影响上显示出相反的趋势。随着延迟时间的增加,注视持续时间略有延长,而在区块之间则缩短,这支持了我们可能观察到不同潜在机制的假设。任务相关事件之间的较长延迟可能会鼓励暂时脱离 active 监控。参与者可能会减少视觉扫描,而在给定位置保持更长时间的注视,这可能与在没有刺激的长时间间隔内心神不集中或注意力漂移的情况一致(Gouraud等人,2018年)。相比之下,区块之间注视持续时间的缩短伴随着眨眼频率和持续时间的增加以及眼睑开度的减小,这些都是警觉性和疲劳下降的常见标志。在这种情况下,较短的注视时间可能反映了较弱的视觉处理能力,而不是视觉探索本身的减少。
几种与任务参与度相关的机制可能导致随着延迟时间增加而反应时间增加和眼动探索减少。较长的间隔可能会降低运动准备状态,减慢参与者启动纠正动作的能力。它们还可能损害认知准备状态,因为在长时间没有任务相关刺激的情况下,注意力更容易漂移,使参与者在系统变化发生时更难以察觉和评估。尽管本研究没有隔离我们在任务中诱导的时间脱离的具体机制,但它具有重要的意义:随着时间脱离的增加,操作者需要更多时间来评估自动机的行为,这强调了在人机交互过程中脱离任务的潜在风险。我们还想指出,实验中途提供的休息可能部分恢复了参与者的警觉性,从而减轻了任务持续时间对行为表现的影响。尽管如此,仍然观察到了与任务持续时间相关的眼动模式,这与警觉性逐渐降低一致。尽管如此,鉴于实验的总体持续时间较长(约90分钟),不能排除疲劳或无聊可能对ToT效应的贡献。然而,后验估计表明RT在各个区块之间略有下降。虽然这种效应很小,但可以预期无聊或疲劳会导致相反的效果,即随着任务持续时间的增加,RT会变慢。因此,当前结果是由这些因素引起的概率仍然有限。最后,逻辑分类器显示,眼跳次数、注视持续时间和眨眼持续时间可以预测参与者是会反应缓慢还是迅速,并且他们的表现能够可靠地超出随机水平。这些发现共同表明,心理上的脱离会显著影响人类的表现,并且特定的眼动模式可以作为操作员行为状态的预测指标。除了对监控驾驶活动的相关性外,这些结果还有助于我们更广泛地理解任务脱离如何影响认知功能。然而,所提出的认知任务的生态效度有限,需要未来的研究使用驾驶模拟器来验证当前的发现。本研究的局限性在于样本量相对较小,这可能会限制研究结果的普遍性。此外,所采用的实验室范式无法完全捕捉飞行员在长途飞行中可能经历的警觉性和专注度下降的程度。未来的研究应在更大、更多样化的样本中复制这些效应,包括在飞行模拟中的飞行员,以进一步验证所识别的脱离行为和眼动特征。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号