Performanz in Echtzeit vorhersagen auf Basis von Pupillendaten

Fragestellung

Lässt sich die Performanz von Computer-Arbeitenden anhand der dynamischen Veränderung der Pupillengröße vorhersagen (vgl. Buettner et al. 2015)?

Untersuchungsdesign

In einer Beobachtungsstudie im Labor wurden N = 129 Probanden untersucht. Gemessen wurde primär die kontinuierliche Veränderung der Puppillengröße als Prädiktor für den Erfolg in drei verschiedenen realistischen Aufgaben von computerbezogenen Aufgaben aus einem Wirtschaftskontext.

Ergebnisse

Ein Algorithmus aus dem Maschinellen Lernen (Random Forests) sagte die Performanz überzufällig gut vorher. Dieser Erfolg ist beachtenswert, da die Vorhersage ex-ante verlief: Die Pupillendilation während der Bearbeitung sagte den Erfolg am Ende der Bearbeitungszeit vorher.

Limitationen

Zwar wurden eine Reihe von Störvariablen (z.B. Streulicht) im Labor kontrolliert, aber personengebundene Störvariablen könnten ebenfalls die Vorhersage beeinflusst haben. Das Aufgabenszenario war praxisnah gestaltet, aber die ökologische Validität einer Laborsituation ist eingeschränkt.

Theoretische/Praktische Implikationen

Der Grad von kognitiven Belastung bei Computerarbeit ist ein ausschlaggebender Faktor für die Performanz der Nutzer; Über-, Fehl- aber auch Unterbelastung können die Performanz von Nutzern begrenzen. Der Messung der kognitiven Belastung kommt daher hohe praktische Bedeutung bei Mensch-Maschine-Interaktionen zu. Gelänge es, die kognitive Belastung valide, praktikabel und in Echtzeit zu messen, so könnte die Nutzer-Performanz u.U. gesteigert werden. So könnte z.B. die Fehlerrate bei Fluglotsen verringert werden. Darüber hinaus sind genaue Vorhersagen sind ein Schlüssel zum besseren Verständnis der psycho-physiologischen Abläufe bei kognitiver Belastung.

Relevanz/Beitrag

Bislang liegen nur wenige Studien vor, die anhand einer größeren Stichprobe und in einem praxisnahem Design, Nutzer-Performanz in Echtzeit vorhersagen. Der Nutzen von alternativen prädiktiven Algorithmen wird durch den Vorhersageerfolg in dieser Studie demonstriert; damit ist zu hoffen, dass Maschinelles Lernen in anderen Forschungsgebieten zu verbesserten Vorhersageerfolgen führt.

Literatur

Buettner, Ricardo, Sebastian Sauer, Christian Maier, and Andreas Eckhardt. 2015. “Towards Ex Ante Prediction of User Performance: A Novel Neurois Methodology Based on Real-Time Measurement of Mental Effort.” In System Sciences (Hicss), 2015 48th Hawaii International Conference on, 533–42. IEEE.