Алгоритм научили предсказывать успешность в задаче на внимание

❋ 4.6

Ученые из НИУ ВШЭ и Сколтеха разработали модель машинного обучения, которая может предсказывать успешность человека в задаче на внимание по времени реакции и движениям глаз.

НИУ ВШЭ

# внимание

# глаза

# движения глаз

# трекер

Алгоритм научили предсказывать успешность в задаче на внимание / ©Getty images / Автор: Анастасия Кожевникова

Статья исследователей опубликована в Decision Support Systems. Исследование проведено при поддержке Российского научного фонда. Ментальное внимание отражает нашу способность с усилием сосредоточиться на задаче. Это ограниченный умственный ресурс, который мы постепенно истощаем во время сознательной деятельности. Успешность решения сложных умственных задач зависит как от общих когнитивных способностей, так и от доступного ресурса внимания человека при выполнении этих задач.

Особенно внимание важно для класса задач, связанных с удержанием в уме зрительной информации, например в работе диспетчера в аэропорту или водителя на дороге. Ментальное внимание также необходимо для обучения, когда человеку нужно вовлечь все свое внимание и сосредоточиться на мыслительной задаче. Поэтому важно научиться измерять, как ресурс внимания в зрительных задачах влияет на успешность их выполнения.

Измерение ментального внимания широко изучалось в психологии развития и в образовании. Известно, что показатели ментального внимания сильно коррелируют с общим интеллектом и успеваемостью. Авторы статьи решили впервые применить алгоритмы машинного обучения, чтобы понять, по каким измеряемым данным можно предсказать точность выполнения задачи на внимание. Для предсказания ученые собирали данные о времени реакции и движении глаз.

В эксперименте испытуемые выполняли задачу на соответствие цветов (Colour Matching Task) в двух вариантах: с воздушными шариками и с клоунами. В каждом из них перед игроком на короткое время появляются изображения с различными цветами. От испытуемого требуется сравнить картинку с предыдущей и ответить, совпадают ли цвета.

Это задание имитирует задачи, которые стоят перед врачами-рентгенологами, водителями, диспетчерами в аэропортах и другими специалистами, которым важно удерживать в уме зрительную информацию и быстро учитывать изменения.

У обеих задач есть шесть уровней сложности — в зависимости от количества цветов, которые нужно обработать. Вариант с клоунами всегда немного сложнее варианта с шариками, так как в изображении клоуна больше разных деталей. Движения глаз испытуемых записывались с помощью специального устройства — айтрекера. Всего были проанализированы данные 57 здоровых взрослых людей, средний возраст которых составлял 23 года.

Затем данные анализировали с использованием моделей машинного обучения. Такие модели позволяют понять, какие данные лучше всего предсказывают успешность выполнения задачи. В эксперименте мерой успешности была точность — процент правильных ответов для каждого испытуемого на каждом уровне сложности.

Модель «регрессор XGBoost» показала лучший результат. Она с точностью 82,8 процента предсказывала, даст ли участник правильный ответ. Самым эффективным параметром для предсказания успешности участника оказалась скорость ответа. Чем больше она варьировалась, тем меньше правильных ответов давал испытуемый. Это может быть связано с тем, что некоторые испытуемые давали быстрый случайный ответ, если уровень сложности превышал их ресурсы внимания.

Также на результат повлияли, хоть и в меньшей степени, движения глаз. По таким параметрам, как среднее количество фиксаций на каждой картинке и их длительность, число саккад, частота морганий и размер зрачка, можно было частично предсказать успешность испытуемого. Движения глаз могут отражать то усилие, которое испытуемый прилагает для удержания информации в поле внимания.

«Разработанный подход может использоваться как для дальнейшего изучения параметров, которые предсказывают успешность в решении задач, связанных с ресурсами ментального внимания, так и в прикладных целях — для непосредственного предсказания в реальном времени когнитивных способностей специалистов, объем которых может изменяться под влиянием таких факторов, как физическое состояние и усталость», — считает один из авторов статьи, стажер-исследователь Научно-учебной лаборатории нейробиологических основ когнитивного развития Валентина Бачурина.

Нашли опечатку? Выделите фрагмент и нажмите Ctrl + Enter.

Национальный исследовательский университет «Высшая школа экономики» — один из крупнейших и самых востребованных вузов России. В университете учится 54 тысячи студентов и работает почти 4,5 тысячи учёных и преподавателей. НИУ ВШЭ ведёт фундаментальные и прикладные исследования в области социально-экономических, гуманитарных, юридических, инженерных, компьютерных, физико-математических наук, а также креативных индустрий. В университете действуют 47 центров превосходства, или международных лабораторий. Вышка объединяет ведущих мировых исследователей в области изучения мозга, нейротехнологий, биоинформатики и искусственного интеллекта. Университет входит в первую группу программы «Приоритет-2030» в направлении «Исследовательское лидерство». Кампусы НИУ ВШЭ расположены в четырех городах — Москве, Санкт-Петербурге, Нижнем Новгороде и Перми, а также в цифровом пространстве — «Вышка Онлайн».