Seguimiento ocular durante una tarea compleja de aviación para obtener información sobre el procesamiento de la información

El seguimiento ocular es un método no invasivo para sondear el procesamiento de la información. Este artículo describe cómo se puede utilizar el seguimiento ocular para estudiar el comportamiento de la mirada durante una tarea de emergencia de simulación de vuelo en pilotos de tiempo bajo (es decir, <350 horas de vuelo).

El seguimiento ocular se ha utilizado ampliamente como un indicador para obtener información sobre los procesos cognitivos, perceptivos y sensoriomotores que subyacen al rendimiento de las habilidades. Trabajos anteriores han demostrado que las métricas de mirada tradicionales y avanzadas demuestran de manera confiable diferencias sólidas en la experiencia del piloto, la carga cognitiva, la fatiga e incluso la conciencia de la situación (SA).

Este estudio describe la metodología para utilizar un rastreador ocular portátil y un algoritmo de mapeo de mirada que captura los movimientos naturalistas de la cabeza y los ojos (es decir, la mirada) en un simulador de vuelo inmóvil de alta fidelidad. El método descrito en este documento describe los análisis de mirada basados en el área de interés (AOI), que proporciona más contexto relacionado con dónde miran los participantes y la duración del tiempo de permanencia, que indica la eficiencia con la que están procesando la información fijada. El protocolo ilustra la utilidad de un rastreador ocular portátil y un algoritmo de visión por computadora para evaluar los cambios en el comportamiento de la mirada en respuesta a una emergencia inesperada durante el vuelo.

Los resultados representativos demostraron que la mirada se vio significativamente afectada cuando se introdujo el evento de emergencia. Específicamente, la asignación de atención, la dispersión de la mirada y la complejidad de la secuencia de la mirada disminuyeron significativamente y se concentraron mucho en mirar por la ventana frontal y en el medidor de velocidad del aire durante el escenario de emergencia (todos los valores de p < 0,05). Se discute la utilidad y las limitaciones de emplear un rastreador ocular portátil en un entorno de simulación de vuelo inmóvil de alta fidelidad para comprender las características espacio-temporales del comportamiento de la mirada y su relación con el procesamiento de la información en el dominio de la aviación.

Los seres humanos interactúan predominantemente con el mundo que los rodea moviendo primero los ojos y la cabeza para enfocar su línea de visión (es decir, la mirada) hacia un objeto o lugar de interés específico. Esto es particularmente cierto en entornos complejos, como las cabinas de los aviones, donde los pilotos se enfrentan a múltiples estímulos que compiten entre sí. Los movimientos de la mirada permiten la recopilación de información visual de alta resolución que permite a los seres humanos interactuar con su entorno de manera segura y flexible¹, lo cual es de suma importancia en la aviación. Los estudios han demostrado que los movimientos oculares y el comportamiento de la mirada proporcionan información sobre los procesos perceptuales, cognitivos y motores subyacentes en diversas tareas ^1,2,3. Además, el lugar donde miramos tiene una influencia directa en la planificación y ejecución de los movimientos de las extremidades superiores³. Por lo tanto, el análisis del comportamiento de la mirada durante las tareas de aviación proporciona un método objetivo y no invasivo, que podría revelar cómo los patrones de movimiento ocular se relacionan con varios aspectos del procesamiento y el rendimiento de la información.

Varios estudios han demostrado una asociación entre la mirada y el rendimiento de las tareas en varios paradigmas de laboratorio, así como en tareas complejas del mundo real (es decir, operar una aeronave). Por ejemplo, las áreas relevantes para la tarea tienden a fijarse con más frecuencia y durante períodos totales más largos, lo que sugiere que la ubicación de la fijación, la frecuencia y el tiempo de permanencia son indicadores de la asignación de atención en tareas neurocognitivas y de aviación ^4,5,6. Los expertos y los que tienen un desempeño altamente exitoso muestran sesgos de fijación significativos hacia las áreas críticas para la tarea en comparación con los que tienen un desempeño menos exitoso o los novatos ^4,7,8. Los aspectos espacio-temporales de la mirada se capturan a través de cambios en los patrones de tiempo de permanencia en varias áreas de interés (AOI) o medidas de distribución de la fijación (es decir, entropía de la mirada estacionaria: SGE). En el contexto de los paradigmas basados en el laboratorio, la duración media de la fijación, la longitud de la trayectoria de exploración y la complejidad de la secuencia de la mirada (es decir, la entropía de transición de la mirada: GTE) tienden a aumentar debido al aumento del escaneo y el procesamiento necesarios para resolver problemas y elaborar objetivos/soluciones de tareas más desafiantes ^4,7.

Por el contrario, los estudios de aviación han demostrado que la longitud de la ruta de exploración y la complejidad de la secuencia de mirada disminuyen con la complejidad de la tarea y la carga cognitiva. Esta discrepancia pone de manifiesto el hecho de que la comprensión de los componentes de la tarea y las demandas del paradigma que se emplea es fundamental para la interpretación precisa de las métricas de la mirada. En conjunto, la investigación hasta la fecha respalda que las medidas de la mirada proporcionan una visión significativa y objetiva del procesamiento de información específica de la tarea que subyace a las diferencias en la dificultad de la tarea, la carga cognitiva y el rendimiento de la tarea. Con los avances en la tecnología de seguimiento ocular (es decir, la portabilidad, la calibración y el costo), el examen del comportamiento de la mirada en "la naturaleza" es un área emergente de investigación con aplicaciones tangibles hacia el avance de la capacitación ocupacional en los campos de la medicina ^9,10,11 y la aviación 12,13,14.

El trabajo actual tiene como objetivo examinar más a fondo la utilidad del uso de métricas basadas en la mirada para obtener información sobre el procesamiento de la información mediante el empleo específico de un rastreador ocular portátil durante una tarea de simulación de vuelo de emergencia en pilotos de bajo tiempo. Este estudio amplía el trabajo previo que utilizó un rastreador ocular estabilizado por la cabeza (es decir, EyeLink II) para examinar las diferencias en las métricas de comportamiento de la mirada en función de la dificultad de vuelo (es decir, los cambios en las condiciones climáticas)⁵. El trabajo presentado en este manuscrito también se extiende sobre otros trabajos que describieron los enfoques metodológicos y analíticos para el uso del seguimiento ocular en un sistema de realidad virtual¹⁵. Nuestro estudio utilizó un simulador inmóvil de mayor fidelidad e informa de un análisis adicional de los datos de movimiento ocular (es decir, entropía). Este tipo de análisis ha sido reportado en trabajos previos; Sin embargo, una limitación en la literatura actual es la falta de estandarización en el reporte de los pasos analíticos. Por ejemplo, informar sobre cómo se definen las áreas de interés es de vital importancia porque influye directamente en los valores de entropía resultantes¹⁶.

En resumen, el trabajo actual examinó las métricas tradicionales y dinámicas del comportamiento de la mirada, mientras que la dificultad de la tarea se manipuló mediante la introducción de un escenario de emergencia en vuelo (es decir, una falla total inesperada del motor). Se esperaba que la introducción de un escenario de emergencia en vuelo proporcionara información sobre los cambios en el comportamiento de la mirada que subyacen al procesamiento de la información durante condiciones de tarea más desafiantes. El estudio reportado aquí es parte de un estudio más amplio que examina la utilidad del seguimiento ocular en un simulador de vuelo para informar el entrenamiento de pilotos basado en competencias. Los resultados aquí presentados no han sido publicados previamente.

El siguiente protocolo se puede aplicar a estudios que involucran un rastreador ocular portátil y un simulador de vuelo. El estudio actual involucra datos de seguimiento ocular registrados junto con tareas complejas relacionadas con la aviación en un simulador de vuelo (ver Tabla de Materiales). El simulador se configuró para ser representativo de un Cessna 172 y se utilizó con el panel de instrumentos necesario (configuración de medidor de vapor), un sistema de aviónica/GPS, un panel de audio/luces, un panel de interruptores y una unidad de control de vuelo (FCU) (ver Figura 1). El dispositivo de simulador de vuelo utilizado en este estudio es certificable con fines de entrenamiento y utilizado por la escuela de vuelo local para entrenar las habilidades necesarias para responder a diversos escenarios de emergencia, como fallas de motor, en un entorno de bajo riesgo. Todos los participantes en este estudio tenían licencia; Por lo tanto, experimentaron el escenario del simulador de falla del motor anteriormente en el curso de su capacitación. Este estudio fue aprobado por la Oficina de Ética de la Investigación de la Universidad de Waterloo (43564; Fecha: 17 de noviembre de 2021). Todos los participantes (N = 24; 14 hombres, 10 mujeres; edad media = 22 años; rango de horas de vuelo: 51-280 h) dieron su consentimiento informado por escrito.

Figura 1: Entorno del simulador de vuelo. Una ilustración del entorno del simulador de vuelo. El punto de vista del participante sobre la cabina de mando reprodujo el de un piloto que vuela un Cessna 172, preestablecido para una aproximación a favor del viento hasta la base hasta la final al Aeropuerto Internacional de Waterloo, Breslau, Ontario, CA. Los recuadros naranjas representan las diez principales áreas de interés utilizadas en los análisis de la mirada. Estos incluyen los (1) velocidad del aire, (2) actitud, (3) altímetro, (4) coordinador de giro, (5) rumbo, (6) velocidad vertical y (7) indicadores de encendido, así como las (8) ventanas delanteras, (9) izquierdas y (10) derechas. Esta figura fue modificada a partir de Ayala et ^al.5. Haga clic aquí para ver una versión más grande de esta figura.

1. Selección de participantes y consentimiento informado

1. Evaluar al participante a través de un cuestionario de autoinforme basado en los criterios de inclusión/exclusión ^2,5: posesión de al menos una Licencia de Piloto Privado (PPL), visión normal o corregida a normal, y sin diagnóstico previo de un trastorno neuropsiquiátrico/neurológico o discapacidad de aprendizaje.
2. Informar al participante sobre los objetivos y procedimientos del estudio a través de una sesión informativa detallada manejada por el experimentador y el instructor de vuelo supervisor / técnico del simulador. Revise los riesgos descritos en el documento de consentimiento aprobado por la junta de revisión de ética de la institución. Responda cualquier pregunta sobre los riesgos potenciales. Obtener el consentimiento informado por escrito antes de comenzar cualquier procedimiento del estudio.

2. Requisitos de hardware/software y puesta en marcha

1. Simulador de vuelo (normalmente completado por el técnico del simulador)
   1. Encienda las pantallas del simulador y del proyector. Si uno de los proyectores no se enciende al mismo tiempo que los demás, reinicie el simulador.
   2. En la pantalla de instrucciones, presione la pestaña Preajustes y verifique que los ajustes preestablecidos de posición y/o clima requeridos estén disponibles. Si es necesario, cree un nuevo tipo de ajuste preestablecido; Consulte al técnico para obtener ayuda.
2. Portátil de colección
   1. Encienda la computadora portátil e inicie sesión con las credenciales.
   2. Cuando se le solicite, seleccione un perfil preexistente o cree uno si está probando un nuevo participante. Como alternativa, seleccione la opción Invitado para sobrescribir su última calibración.
      1. Para crear un nuevo perfil, desplácese hasta el final de la lista de perfiles y haga clic en Agregar.
   3. Establezca el ID de perfil en el ID de participante. Este ID de perfil se utilizará para etiquetar la carpeta, que contiene datos de seguimiento ocular una vez completada una grabación.
3. Calibración de gafas
   NOTA: Las gafas deben permanecer conectadas a la computadora portátil para grabar. La calibración con la caja solo debe completarse una vez al inicio de la recopilación de datos.
   1. Abra el estuche del rastreador ocular y saque las gafas.
   2. Conecte el cable USB a micro-USB de la computadora portátil a las gafas. Si se le solicita en la computadora portátil, actualice el firmware.
   3. Ubique la caja de calibración negra dentro de la caja del rastreador ocular.
   4. En el portátil de la colección, en el Centro de seguimiento ocular, elija Herramientas | Calibración de dispositivos.
   5. Coloque las gafas dentro de la caja y presione Inicio en la ventana emergente para comenzar la calibración.
   6. Retire los vasos de la caja una vez que se complete la calibración.
4. Ajuste de la boquilla
   1. Seleccione el revólver.
   2. Indique al participante que se siente en la cabina y se ponga las gafas.
   3. En el Centro de seguimiento ocular, vaya a Archivo | Ajustes | Mago de la nariz.
   4. Comprueba el ajuste de tu caja de gafas en el lado izquierdo de la pantalla. Si el ajuste es excelente, continúe con el siguiente paso. De lo contrario, haga clic en la casilla.
   5. Dígale al participante que siga las instrucciones de recomendación de ajuste que se muestran en la pantalla: coloque la pieza nasal, ajuste las gafas para sentarse cómodamente y mire directamente al frente a la computadora portátil.
   6. Si es necesario, cambie la pieza nasal. Pellizque la pieza nasal por la mitad, deslícela hacia afuera de las gafas y luego deslice otra hacia adentro. Continúa probando los diferentes revólver hasta identificar el que mejor se ajusta al participante.
5. Llamadas de control de tráfico aéreo (ATC)
   NOTA: Si el estudio requiere llamadas ATC, pídale al participante que traiga su propio auricular o que use el auricular de laboratorio. Complete la calibración del globo ocular solo después de que el participante se ponga el auricular, ya que el auricular puede mover las gafas en la cabeza, lo que afecta la precisión de la calibración.
   1. Compruebe que el auricular esté conectado al conector en la parte inferior izquierda del panel de instrumentos.
   2. Indique al participante que se ponga los auriculares. Pídeles que no lo toquen ni que se lo quiten hasta que termine la grabación.
      NOTA: Es necesario volver a calibrar cada vez que se mueve el auricular (y, por lo tanto, las gafas).
   3. Haz una revisión de radio.
6. Calibración del globo ocular
   NOTA: Cada vez que el participante se cambia las gafas en la cabeza, debe repetir la calibración del globo ocular. Pida al participante que no toque las gafas hasta que terminen sus pruebas.
   1. En el Centro de seguimiento ocular, navegue hasta el cuadro de parámetros a la izquierda de la pantalla.
      1. Compruebe el modo de calibración y elija la mirada fija o la cabeza fija según corresponda.
      2. Compruebe que los puntos de calibración sean una cuadrícula de 5 x 5, para un total de 25 puntos.
      3. Verifique el modo de validación y asegúrese de que coincida con el modo de calibración.
      4. Examine los resultados del seguimiento ocular y verifique que todo lo que debe registrarse para el estudio esté marcado con las casillas de verificación.
   2. Haga clic en File | Ajustes | Avanzado y compruebe que la frecuencia de muestreo es de 250 Hz.
   3. Marque la casilla Calibrar su seguimiento ocular en la pantalla con el mouse. Las instrucciones de calibración variarán según el modo. Para seguir el estudio actual, utilice el modo de calibración de mirada fija : indique a los participantes que muevan la cabeza para que el cuadro se superponga con el cuadrado negro y se alineen. Luego, pida al participante que centre su mirada en la cruz en el cuadrado negro y presione la barra espaciadora.
   4. Presione el cuadro Validar su configuración . Las instrucciones serán las mismas que en el paso 2.6.3. Compruebe que la cifra de validación MAE (Error Absoluto Medio) es <1°. Si no es así, repita los pasos 2.6.3 y 2.6.4.
   5. Presione Guardar calibración para guardar la calibración en el perfil cada vez que se completen la calibración y la validación.
7. Uso del iPad
   NOTA: El iPad se encuentra a la izquierda del panel de instrumentos (consulte la Figura 1). Se utiliza para cuestionarios, generalmente después del vuelo.
   1. Encienda el iPad y asegúrese de que esté conectado a Internet.
   2. Abra una ventana en Safari e introduzca el enlace del cuestionario del estudio.

3. Recopilación de datos

NOTA: Repita estos pasos para cada prueba. Se recomienda que la computadora portátil se coloque en el banco fuera de la cabina.

1. En la computadora del simulador de vuelo, en la pantalla de instrucciones , presione Ajustes preestablecidos y, a continuación, elija el ajuste preestablecido de posición deseado para simular. Presione el botón Aplicar y observe las pantallas que rodean el simulador para verificar que se produce el cambio.
2. Repita el paso 3.1 para aplicar el ajuste preestablecido Clima .
3. Dé al participante instrucciones específicas sobre la prueba o su trayectoria de vuelo. Esto incluye decirles que cambien cualquier configuración en el panel de instrumentos antes de comenzar.
4. En la pantalla de instrucciones, presione el botón naranja STOP para iniciar la recopilación de datos. El color cambiará a verde y el texto dirá FLYING. Asegúrese de dar una señal verbal al participante para que sepa que puede comenzar a volar la aeronave. La señal recomendada es "3, 2, 1, tienes controles" mientras se presiona el botón naranja de parada .
5. En la computadora portátil de colección, presione Iniciar grabación para que los datos del seguimiento ocular se sincronicen con los datos del simulador de vuelo.
6. Cuando el participante haya completado su circuito y aterrizado, espere a que la aeronave deje de moverse.
   NOTA: Es importante esperar porque durante el postprocesamiento; Los datos se truncan cuando la velocidad de avance se establece en 0. Esto proporciona coherencia para el punto de conexión de todas las pruebas.
7. En la pantalla de instrucciones, presione el botón verde FLYING . El color volverá a ser naranja y el texto dirá STOPPED. Dé una señal verbal durante este paso cuando la recopilación de datos esté a punto de terminar. La señal recomendada es "3, 2, 1, stop".
8. Indique al participante que complete los cuestionarios posteriores al ensayo en el iPad. Actualice la página para la próxima prueba.
   NOTA: El presente estudio utilizó el cuestionario de autoevaluación Situation Awareness Rating Technique (SART) como único cuestionario posterior al ensayo¹⁷.

4. Procesamiento y análisis de datos

1. Datos del simulador de vuelo
   NOTA: El archivo .csv copiado del simulador de vuelo contiene más de 1.000 parámetros que se pueden controlar en el simulador. En la Tabla 1 se enumeran y describen las principales medidas de rendimiento de interés.
   1. Para cada participante, calcule la tasa de éxito utilizando la Ec (1) tomando el porcentaje en las condiciones de la tarea. Las pruebas fallidas se identifican mediante criterios predeterminados programados dentro del simulador que finaliza la prueba automáticamente al aterrizar debido a la orientación del avión y la velocidad vertical. Llevar a cabo una verificación posterior al juicio para asegurarse de que este criterio se alineó con las limitaciones reales de la aeronave (es decir, el daño/choque del tren de aterrizaje del Cessna 172 es evidente a velocidades verticales > 700 pies/min [fpm] al aterrizar).
      Tasa de éxito = (1)
      NOTA: Los valores más bajos de la tasa de éxito indican peores resultados, ya que se asocian con una reducción en los intentos de aterrizaje exitosos.
   2. Para cada prueba, calcule el tiempo de finalización en función de la marca de tiempo, que indica que el avión se detuvo en la pista (es decir, velocidad de avance = 0 nudos).
      NOTA: Un tiempo de finalización más corto no siempre equivale a un mejor rendimiento. Se debe tener cuidado para comprender cómo se espera que las condiciones de la tarea (es decir, vientos adicionales, escenarios de emergencia, etc.) afecten el tiempo de finalización.
   3. Para cada prueba, determine la dureza del aterrizaje en función de la velocidad vertical de la aeronave (fpm) en el momento en que la aeronave aterriza inicialmente en la pista. Asegúrese de que este valor se tome en la misma marca de tiempo asociada con el primer cambio en el estado de AircraftOnGround de 0 (en el aire) a 1 (en tierra).
      NOTA: Los valores dentro del rango de -700 fpm a 0 fpm se consideran seguros, y los valores más cercanos a 0 representan aterrizajes más suaves (es decir, mejores). Los valores negativos representan la velocidad vertical descendente; Los valores positivos representan la velocidad vertical ascendente.
   4. Para cada intento, calcule el error de aterrizaje (°) en función de la diferencia entre las coordenadas de aterrizaje y el punto de referencia en la pista (centro de los marcadores de 500 pies). Usando el punto de referencia, calcule el error de aterrizaje usando la Ec (2).
      Diferencia = √((δ latitud)² + (δ longitud)²) (2)
      NOTA: Los valores inferiores a 1° se muestran como normales ^5,15. Los valores grandes indican un error de aterrizaje mayor asociado con los puntos de aterrizaje de las aeronaves que están más lejos de la zona de aterrizaje.
   5. Calcule las medias de todos los participantes para cada variable de resultado de rendimiento para cada condición de la tarea. Notifique estos valores.
2. Datos de conocimiento de la situación
   1. Para cada ensayo, calcule la puntuación de SA en función de las puntuaciones de SART autoinformadas en las 10 dimensiones de SA¹⁷.
      1. Utilice el cuestionario SART¹⁷ para determinar las respuestas subjetivas de los participantes con respecto a la dificultad general de la tarea, así como su impresión de cuántos recursos atencionales tenían disponibles y gastados durante la realización de la tarea.
      2. Usando una escala Likert de 7 puntos, pida a los participantes que califiquen su experiencia percibida en preguntas de sondeo, incluyendo la complejidad de la situación, la división de la atención, la capacidad mental adicional y la cantidad y calidad de la información.
      3. Combine estas escalas en dimensiones más grandes de demandas atencionales (Demanda), oferta atencional (Oferta) y comprensión de la situación (Comprensión).
      4. Utilice estas clasificaciones para calcular una medida de SA basada en la Ec (3):
         SA = Entendimiento - (Oferta-Demanda) (3)
         NOTA: Las puntuaciones más altas en las escalas combinadas para proporcionar una medida de comprensión sugieren que el participante tiene una buena comprensión de la tarea en cuestión. Del mismo modo, las puntuaciones altas en el dominio de la oferta sugieren que el participante tiene una cantidad significativa de recursos atencionales para dedicar a una tarea determinada. Por el contrario, una puntuación de alta demanda sugiere que la tarea requiere una cantidad significativa de recursos atencionales para completarse. Es importante aclarar que estas puntuaciones se interpretan mejor cuando se comparan entre condiciones (es decir, condiciones fáciles frente a condiciones difíciles) en lugar de utilizarse como medidas independientes.
   2. Una vez completada la recopilación de datos, calcule las medias de todos los participantes para cada condición de la tarea (es decir, básica, de emergencia). Notifique estos valores.
3. Datos de seguimiento ocular
   1. Utilice un script por lotes de seguimiento ocular para definir manualmente los AOI para su uso en el mapeo de mirada. El script abrirá una nueva ventana para la selección de fotogramas clave que debería mostrar claramente todos los AOI clave que se analizarán. Desplácese por el video y elija un marco que muestre todos los AOI claramente.
   2. Siguiendo las instrucciones en pantalla, dibuja un rectángulo sobre una región del marco que será visible durante todo el video, único y permanecerá estable.
      NOTA: El propósito de este paso es generar un marco de coordenadas "en pantalla" que se pueda usar en toda la grabación de video, ya que los movimientos de la cabeza hacen que la ubicación de los objetos en el entorno cambie en el transcurso de la grabación de video.
   3. Dibuja un rectángulo para cada AOI de la imagen, uno a la vez. Nómbralos en consecuencia. Haga clic en Agregar más para agregar un nuevo AOI y presione Listo en el último. Si las coordenadas de la mirada durante una fijación determinada aterrizan dentro del espacio del objeto tal como se define en el marco de coordenadas "en pantalla", etiquete esa fijación con la etiqueta AOI respectiva.
      NOTA: El propósito de este paso es generar una biblioteca de coordenadas de objetos que luego se utilizan como referencias al comparar las coordenadas de mirada con las coordenadas en pantalla.
      Por lo general, hay 10 AOI, pero esto depende de cómo esté configurado el simulador de vuelo. El panel de instrumentos puede ser diferente. De acuerdo con el trabajo previo ^5,18, el estudio actual utiliza los siguientes AOI: Velocidad del aire, Actitud, Altímetro, Coordinador de giro, Rubo, Velocidad vertical, Potencia, Ventana frontal, Ventana izquierda y Ventana derecha (ver Figura 1).
   4. Deje que el script comience a procesar los AOI y genere datos de fijación. Genera un gráfico que muestra las sacadas y fijaciones sobre el video.
   5. Se crearán dos nuevos archivos: fixations.csv y aoi_parameters.yaml. El procesador por lotes completará el posprocesamiento de los datos de mirada para cada ensayo y cada participante.
      NOTA: Las principales medidas de interés del seguimiento ocular se enumeran en la Tabla 2 y se calculan para cada AOI de cada ensayo.
   6. Para cada prueba, calcule las métricas de mirada tradicionales ^4,5 para cada AOI en función de los datos generados en el archivo fixation.csv.
      NOTA: Aquí, nos centramos en el tiempo de permanencia (%), que se calcula dividiendo la suma de las fijaciones de un AOI determinado por la suma de todas las fijaciones y multiplicando el cociente por 100 para obtener el porcentaje de tiempo dedicado a un AOI específico. No hay una interpretación negativa/positiva inherente de los tiempos de permanencia calculados. Dan una indicación de dónde se está asignando predominantemente la atención. Las duraciones medias de fijación más largas son indicativas de un aumento de las demandas de procesamiento.
   7. Para cada prueba, calcule la tasa de parpadeo usando la Ec (4):
      Tasa de parpadeo = Tiempo total de parpadeo/finalización (4)
      NOTA: Trabajos anteriores han demostrado que la tasa de parpadeo está inversamente relacionada con la carga cognitiva 2,6,13,19,20.
   8. Para cada ensayo, calcule el SGE utilizando la ecuación (5)²¹:
      (5)
      Donde v es la probabilidad de ver el^i-ésimo AOI y V es el número de AOI.
      NOTA: Los valores más altos de SGE se asocian con una mayor dispersión de la fijación, mientras que los valores más bajos son indicativos de una asignación más focalizada de las fijaciones²².
   9. Para cada prueba, calcule el GTE usando la ecuación (6)²³:
      (6)
      Donde V es la probabilidad de ver el^i-ésimo AOI, y M es la probabilidad de ver el^j-ésimo AOI dada la visualización previa del^i-ésimo AOI.
      NOTA: Los valores de GTE más altos se asocian con rutas de exploración visual más impredecibles y complejas, mientras que los valores de GTE más bajos son indicativos de rutas de exploración visual más predecibles y rutinarias.
   10. Calcule las medias de todos los participantes para cada variable de salida de seguimiento ocular (y AOI cuando se indique) y cada condición de la tarea. Notifique estos valores.

Tabla 1: Variables de resultado del rendimiento del simulador. Variables dependientes del rendimiento de la aeronave y sus definiciones.

Figura 2: Trayectoria de vuelo del escenario de aterrizaje. Esquema de (A) el circuito de aterrizaje completado en todas las pruebas y (B) la pista con los marcadores de 500 pies que se utilizaron como punto de referencia para la zona de aterrizaje (es decir, círculo naranja central). Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Mapeo del área de interés. Ilustración del script por lotes que muestra una ventana para la selección de fotogramas. La selección de un fotograma óptimo implica la elección de un fotograma de vídeo que incluya la mayoría o todas las áreas de interés que se van a cartografiar. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Generación de coordenadas "en pantalla" de mapeo de área de interés. Una ilustración del script por lotes que muestra una ventana para la selección de coordenadas "en pantalla". Este paso implica la selección de una región cuadrada/rectangular que permanezca visible durante toda la grabación, que sea exclusiva de la imagen y que permanezca estática. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: Identificación del área de interés a mapear. Una ilustración de la ventana de script por lotes que permite la selección y el etiquetado de áreas de interés. Abreviatura: AOIs = áreas de interés. Haga clic aquí para ver una versión más grande de esta figura.

Figura 6: Procesamiento de scripts por lotes. Una ilustración del script por lotes procesando el video y mapeando las fijaciones realizadas a lo largo del juicio. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 2: Variables de resultado del seguimiento ocular. Variables dependientes del comportamiento de la mirada y sus definiciones.

El impacto de las demandas de las tareas en el rendimiento del vuelo
Los datos se analizaron sobre la base de pruebas de aterrizaje exitosas en condiciones básicas y de emergencia. Todas las medidas se sometieron a una prueba t de muestras pareadas (factor dentro del sujeto: condición de la tarea (básica, emergencia)). Todas las pruebas t se realizaron con un nivel alfa establecido en 0,05. Cuatro participantes se estrellaron durante la prueba de escenarios de emergencia y no se incluyeron en los análisis principales porque los escasos datos no permiten sacar conclusiones significativas. Todas las variables, excepto la tasa de éxito, examinan exclusivamente los ensayos exitosos.

La tasa de éxito (%) produjo un efecto principal de la condición, t(23) = 2,145, p = 0,043. Específicamente, las pruebas de emergencia (media = 83%) resultaron en significativamente más aterrizajes fallidos (es decir, estrellados) que las pruebas básicas (media = 100%) (Figura 7A). El tiempo de finalización (s) produjo un efecto principal de la condición, t(19) = 8.420, p < 0.001. Los ensayos de urgencia se completaron significativamente más rápidamente (media = 121 s, DE = 3,9) que los ensayos básicos (media = 174 s, DE = 5,6) (Figura 7B). El error de aterrizaje produjo un efecto principal de la condición, t(19) = -2.669, p = 0.015, η_p² = 0.242. Específicamente, las pruebas básicas se asociaron con un error de aterrizaje significativamente menor (es decir, mayor precisión de aterrizaje) (media = 0,046 °, DE = 0,010) en comparación con las pruebas de emergencia (media = 0,216 °, DE = 0,070) (Figura 7C), que incluyeron a una persona que aterrizó en el campo junto a la pista. Por último, la dureza de aterrizaje no cambió significativamente entre condiciones (p = 0.062) (Figura 7D).

Figura 7: Medidas de rendimiento de vuelo. Resultados que muestran (A) tasa de éxito (%), (B) tiempo de finalización (s), (C) error de aterrizaje (°) y (D) dureza de aterrizaje (fpm) para condiciones básicas (control) y de emergencia. La tasa de éxito y el tiempo de finalización disminuyeron en la condición de emergencia en relación con la condición básica. Se ha aumentado el error de aterrizaje en la condición de emergencia en relación con la condición básica. La dureza de aterrizaje no fue significativamente diferente entre las condiciones. Prueba estadística utilizada: prueba t de muestras pareadas. Las barras de error representan SEM. *p≤0.05, **p≤0.01, ***p≤0.001. Abreviatura: fpm = pies/min. Haga clic aquí para ver una versión más grande de esta figura.

A medida que aumentaba la dificultad de la tarea, el rendimiento se veía afectado negativamente. Esto fue evidente principalmente a través de la reducción en el aumento del error de aterrizaje, así como la reducción de la SA subjetiva. Tenga en cuenta que la reducción en el tiempo de finalización del aterrizaje fue más una consecuencia de la falta de energía para el motor debido a la falla del motor, lo que resultó en un cambio necesario en la trayectoria de vuelo que redujo significativamente la trayectoria de vuelo para que la aeronave pudiera aterrizar en la pista de manera segura.

El impacto de las demandas de la tarea en el conocimiento de la situación
Las puntuaciones subjetivas del cuestionario SART produjeron una puntuación general de SA, que demostró un efecto principal de la condición, t(19) = 9,148, p < 0,001. En concreto, las puntuaciones subjetivas de AS fueron más bajas para los ensayos de urgencia (media = 11,7, DE = 1,4) en comparación con los ensayos básicos (media = 21,4, DE = 1,2) (Figura 8A). Un examen más detallado de los subcomponentes del cuestionario SART reveló que la oferta de SA, la demanda de SA y la comprensión de SA produjeron un efecto principal de la condición (Figura 8B-D). En concreto, la oferta de AS aumentó significativamente desde la condición básica (media = 18,7, DE = 0,8) hasta la condición de emergencia (media = 21,9, DE = 0,9), t(19) = -4,921, p < 0,001. Del mismo modo, la demanda de AS aumentó significativamente desde la condición básica (media = 8,1, DE = 1,5) hasta la condición de emergencia (media = 19,3, DE = 1,8), t(19) = -10,696, p < 0,001. Por último, la comprensión de la AS disminuyó significativamente desde la condición básica (media = 10,7, DE = 0,4) hasta la condición de emergencia (media = 9,0, DE = 0,6), t(19) = 3,187, p = 0,005.

Figura 8: Puntuaciones de conciencia de la situación. Los resultados muestran (A) conciencia situacional, (B) oferta de SA, (C) demanda de SA y (D) comprensión de condiciones básicas (de control) y de emergencia. El conocimiento de la situación y la comprensión de la AS disminuyeron en la condición de emergencia en relación con la condición básica. La oferta y la demanda de SA aumentaron en la condición de emergencia en relación con la condición básica. Prueba estadística utilizada: prueba t de muestras pareadas. Las barras de error representan SEM. *p≤0.05, **p≤0.01, ***p≤0.001. Haga clic aquí para ver una versión más grande de esta figura.

El impacto de las demandas de la tarea en el comportamiento de la mirada
Métricas de mirada tradicionales
El tiempo de permanencia (%) en varios AOI demostró un efecto principal de la condición (Figura 9). La mayoría de los AOI demostraron una disminución en el tiempo de permanencia desde la condición básica hasta la condición de emergencia, incluyendo, actitud, t(19) = 2.322, p = 0.031, altímetro, t(19) = 2.822, p = 0.011, coordinador de giro, t(19) = 2.698, p = 0.014, rumbo, t(19) = 2.175, p = 0.042, velocidad vertical, t(19) = 2.357, p = 0.029, y medidores de potencia, t(19) = 3.036, p = 0,007. En contraste, el tiempo del indicador de velocidad aerodinámica aumentó de la condición básica a la condición de emergencia, t(19) = -2.376, p = 0.029. Todos los demás AOI no fueron modulados significativamente por la condición (todos los valores de p > 0,165). En el Cuadro 3 se muestran las medias del tiempo de permanencia y las desviaciones estándar para todos los AOI.

Figura 9: Tiempo de permanencia. Las medias de grupo para los cambios porcentuales del tiempo de permanencia (emergencia - básico) se muestran para las 10 áreas de interés. Se ha reducido el tiempo de permanencia para los indicadores de actitud, altímetro, coordinador de giro, rumbo, velocidad vertical y potencia en la condición de emergencia en relación con la condición básica (control). El tiempo de permanencia en el indicador de velocidad aerodinámica aumentó en la condición de emergencia en relación con la condición básica. Prueba estadística utilizada: prueba t de muestras pareadas. Las barras de error representan SEM. *p≤0.05, **p≤0.01, ***p≤0.001. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 3: Valores de tiempo de permanencia (%) por condición de tarea. Estadísticos descriptivos (media, desviación estándar) que indican los valores de tiempo de permanencia (%) para todas las áreas de interés en el escenario de vuelo de control y vuelo de emergencia.

La tasa de parpadeo demostró un efecto principal de la condición, t(19) = -2,713, p = 0,014 (Figura 10). En concreto, la tasa de parpadeo aumentó significativamente desde la condición básica (media = 0,354 parpadeos/seg, SD = 0,192) hasta la condición de emergencia (media= 0,460 parpadeos/seg; DE= 0,285).

Figura 10: Velocidad de parpadeo durante las condiciones básicas y de emergencia. La tasa de parpadeo aumentó en la condición de emergencia en relación con la condición básica (control). Prueba estadística utilizada: prueba t de muestras pareadas. Las barras de error representan SEM. *p≤0.05, **p≤0.01, ***p≤0.001. Haga clic aquí para ver una versión más grande de esta figura.

Métricas de mirada avanzadas
En la Tabla 4 se informan el SGE, el GTE y las medias y desviaciones estándar normalizadas para todos los AOI en todas las condiciones. SGE y GTE demostraron una reducción significativa entre las condiciones básicas y de tarea de emergencia (Figura 11), t(19) = 4.833 y 4.833, ps < 0.001, respectivamente.

Figura 11: Métricas de entropía. (A) Entropía de mirada estacionaria (SGE) y (B) entropía de transición de mirada (GTE) en las condiciones básicas (control) y de emergencia. Tanto la SGE como la GTE disminuyeron en la condición de emergencia en relación con la condición básica. Prueba estadística utilizada: prueba t de muestras pareadas. Las barras de error representan SEM. *p≤0.05, **p≤0.01, ***p≤0.001. Abreviaturas: SGE = entropía de la mirada estacionaria; GTE = entropía de transición de mirada. Haga clic aquí para ver una versión más grande de esta figura.

Tabla 4: Valores de entropía por condición. Media (desviación estándar) de todos los valores de entropía (bits) en todas las condiciones de la tarea (es decir, básica, de emergencia).

En conjunto, también se informaron cambios significativos en el comportamiento de la mirada en paralelo con las disminuciones observadas en el rendimiento y la AS. Específicamente, la respuesta a la emergencia se asoció con una reducción significativa en la asignación de atención hacia varios AOI, lo que fue evidente a través de la reducción en SGE (es decir, la dispersión de la fijación) y un menor tiempo de permanencia en varios AOI (es decir, actitud, altímetro, coordinador de giro, rumbo, velocidad vertical e indicadores de potencia). Por otro lado, el indicador de velocidad aerodinámica recibió mucha más atención, ya que se convirtió en una fuente principal de información para gestionar las condiciones de aterrizaje de emergencia; Un indicador necesario que ayuda a establecer la velocidad de planeo óptima para evitar que el avión entre en pérdida²⁴. Estos cambios en la asignación de la atención también se asociaron con una reducción de la complejidad de exploración (GTE), lo que indica que los participantes adoptaron una estrategia al cambiar su atención hacia menos AOI de una manera más rutinaria/predecible. Durante escenarios de emergencia, estos cambios en el comportamiento de la mirada son de esperar, ya que el protocolo para manejar un evento de este tipo requiere dirigir la atención principalmente al medidor de velocidad del aire y la pista (es decir, la ventana delantera / izquierda). Estos datos confirman que la manipulación de la tarea fue lo suficientemente difícil como para afectar el rendimiento de la tarea y los mecanismos de procesamiento de información de apoyo. Más importante aún, los hallazgos del comportamiento de la mirada proporcionan evidencia empírica adicional de que el escaneo de información a través de los AOI de la cabina se reduce durante condiciones de tareas desafiantes a costa de dedicar más tiempo a los AOI que tienen mayor relevancia para la toma de decisiones y la resolución de problemas 5,8,25,26 . Este es un hallazgo crítico que puede sugerir que el escenario de emergencia es una tarea bien aprendida, ya que el trabajo previo que utiliza eventos altamente inciertos durante el vuelo resultó en una mayor actividad exploratoria (es decir, un SGE/GTE más alto) cuando las tareas no fueron bien practicadas o entrenadas²⁷. Sin embargo, se requiere más investigación para determinar cómo cambia el comportamiento de la mirada y, por lo tanto, el procesamiento de la información en respuesta a estas manipulaciones de tareas en pilotos novatos o durante intentos de aterrizaje fallidos donde los cambios observados en el comportamiento de la mirada pueden no estar presentes. Tal hallazgo puede indicar que una falta de atención selectiva se asocia con un peor rendimiento de las tareas durante eventos inciertos/inesperados.

El método de seguimiento ocular descrito aquí permite evaluar el procesamiento de la información en un entorno de simulador de vuelo a través de un rastreador ocular portátil. La evaluación de las características espaciales y temporales del comportamiento de la mirada proporciona información sobre el procesamiento de la información humana, que se ha estudiado ampliamente utilizando paradigmas de laboratorio altamente controlados ^4,7,28. El aprovechamiento de los avances recientes en la tecnología permite la generalización de la investigación de seguimiento ocular a paradigmas más realistas con mayor fidelidad, imitando así entornos más naturalistas. El objetivo del presente estudio fue caracterizar los efectos de la dificultad de la tarea sobre el comportamiento de la mirada, el rendimiento de vuelo y la SA durante un escenario de aterrizaje simulado en pilotos de bajo tiempo. Se les pidió a los participantes que realizaran la tarea de aterrizaje en condiciones de reglas de vuelo visual (VFR) de alta visibilidad que incluían un escenario de aterrizaje básico y una manipulación desafiante, que era una introducción inesperada de una emergencia en vuelo (es decir, una falla total del motor). Como se esperaba, la introducción de una emergencia durante el escenario de aterrizaje resultó en notables disminuciones de rendimiento y SA junto con cambios significativos en el comportamiento de la mirada. Estos métodos, resultados y la información obtenida a través del análisis del comportamiento de la mirada sobre el procesamiento de la información, el rendimiento de vuelo y la SA se analizan con más detalle a continuación.

Con respecto a la metodología, hay varios puntos críticos a tener en cuenta, incluidas las modificaciones del protocolo y la importancia del protocolo con respecto a la literatura. Los datos de seguimiento ocular se recopilaron junto con tareas complejas relacionadas con la aviación en un simulador de vuelo ALSIM AL-250, que se considera un simulador de alta fidelidad, pero no un simulador de vuelo completo, ya que no simula movimiento ni vibraciones. Por lo tanto, es posible que el método no sea directamente aplicable a los simuladores de vuelo completos, donde el movimiento y la vibración podrían afectar la calidad del seguimiento ocular. El simulador ALSIM se configuró para ser representativo de un Cessna 172 y se utilizó con el panel de instrumentos necesario (configuración de medidor de vapor), un sistema de aviónica/GPS, un panel de audio/luces, un panel de interruptores y una unidad de control de vuelo (FCU) (ver Figura 1). La aeronave simulada funcionaba a una frecuencia de muestreo de 30 Hz y se controlaba con un yugo, una palanca de aceleración y pedales de timón. En este protocolo, se utilizó un rastreador ocular portátil para evaluar los cambios en el comportamiento de la mirada (es decir, un proxy para el procesamiento de la información) durante el rendimiento del escenario de aterrizaje básico (alta visibilidad [>20 millas], vientos bajos [0 nudos]) y un escenario de aterrizaje de emergencia (alta visibilidad [>20 millas], vientos bajos [0 nudos], falla total inesperada del motor).

El experimento actual requirió que los participantes completaran un total de cinco pruebas de aterrizaje: cuatro pruebas básicas y una prueba de emergencia. La secuencia de estos ensayos se mantuvo igual en todos los participantes para garantizar que la introducción de la emergencia en vuelo no afectara a los comportamientos de mirada natural que se capturaron durante los otros ensayos, que incluían otras manipulaciones que formaban parte de un experimento más amplio². Además de la sesión informativa para los pilotos al comienzo de la sesión, los participantes recibieron dos pruebas de práctica antes de las pruebas experimentales para familiarizarse con la cabina. En el estudio actual se utilizó el rastreador ocular AdHawk MindLink (250 Hz, resolución espacial de <2°, cámara frontal²⁹), pero puede ser reemplazado por cualquier rastreador ocular portátil de alta calidad disponible en el mercado. Sin embargo, el rastreador ocular portátil debe tener una resolución espacial de <2°, una cámara frontal y una frecuencia de muestreo de 120 Hz para identificar correctamente las características de movimiento ocular relacionadas con la detección de eventos de sacádico/fijación³⁰.

Con base en el trabajo previo de Ayala y sus colegas², se requiere que la cámara frontal proporcione grabaciones de video del entorno de la tarea, que luego se utilizan para el mapeo de la mirada mediante la superposición de las coordenadas de la mirada de seguimiento ocular. A continuación, estas coordenadas se comparan con las coordenadas definidas manualmente para los AOI relevantes para la tarea dentro del algoritmo de mapeo de mirada. El simulador de vuelo ALSIM también puede ser reemplazado por otras formas de simulación de vuelo (es decir, simulador de vuelo basado en PC)⁵. Sin embargo, es importante tener en cuenta que el mapeo de los AOI debe ser similar en estos entornos para protegerse contra el riesgo de que el mapeo discordante de AOI se convierta en una variable de confusión en los resultados de la mirada. Además, el mapeo utilizado en el presente trabajo se basó en el conocimiento de que estos espacios predefinidos son contextualmente relevantes para el piloto, quien debe enfocar su mirada en estas fuentes críticas de información para una operación segura y exitosa de la aeronave. Los entornos de simulación y seguimiento ocular seleccionados se eligieron específicamente para este trabajo porque proporcionaron una evaluación precisa del comportamiento de la mirada en un entorno ecológico de alta fidelidad.

En cuanto a los resultados, el trabajo actual muestra la caracterización del comportamiento de la mirada utilizando un rastreador ocular portátil que aprovecha el uso de un algoritmo de visión por computadora para ayudar en el mapeo de la mirada en un entorno de simulación de vuelo inmersivo de alta fidelidad. La aplicación de este método proporciona varias ventajas para la evaluación del comportamiento de la mirada y los cambios generales en el procesamiento de la información en entornos naturalistas, que se describen aquí. En primer lugar, el protocolo va más allá de la evaluación estándar de los movimientos oculares en un entorno de pantalla 2D basado en laboratorio al capturar movimientos combinados de la cabeza y los ojos en un espacio 3D inmersivo ^2,4,5. En segundo lugar, la mayoría de los estudios realizados en el espacio 3D han carecido de la capacidad para realizar análisis de mirada eficientes basados en AOI definidos 10,31,32. Esto es muy pertinente para las tareas específicas de dominio en la vida cotidiana, ya que los análisis basados en AOI realizados aquí proporcionan un contexto crítico que es necesario para la interpretación adecuada de los resultados. El estudio actual recopiló datos de rendimiento conductual, SA subjetivo y datos de seguimiento ocular para proporcionar una evaluación completa de cómo cada flujo de datos se relaciona con las funciones cognitivas subyacentes, como la atención y la toma de decisiones.

Utilizando este tipo de marco de análisis multimodal, varios estudios han demostrado que la cantidad de tiempo durante el cual la mirada se dirige hacia AOI particulares está sesgada hacia regiones críticas para la tarea que requieren más recursos de procesamiento de información, lo que, a su vez, se asocia con el desempeño exitoso de la tarea 4,5,7,33,34 . De manera similar a los hallazgos observados en el trabajo actual, se demostró que las disminuciones en el rendimiento asociadas con aumentos en la dificultad de las tareas neurocognitivas (es decir, mayor tiempo de finalización, mayor tiempo de planificación, disminución de la precisión de la tarea) se asociaron con un aumento significativo en el enfoque de los recursos atencionales (es decir, aumentos específicos en el tiempo de permanencia y la duración de la fijación, y disminución de SGE/GTE) hacia AOIs densamente densos en información que eran importantes para la finalización exitosa de la tarea ^4,7.

Los usuarios también deben tener en cuenta varios elementos críticos del protocolo de seguimiento ocular descrito. En primer lugar, es bien sabido que el seguimiento ocular es un método que examina indirectamente los cambios en el procesamiento de la información a través de cambios evidentes en la atención que son capturados por las métricas de comportamiento de la mirada. Por lo tanto, el método actual es limitado en la medida en que puede identificar y examinar procesos encubiertos que pueden no estar asociados con cambios explícitos en la mirada, pero que pueden ser relevantes para la competencia en el desempeño³⁴. En segundo lugar, el trabajo actual muestra que todavía queda mucho trabajo por hacer para comprender cómo algunas métricas, como la tasa de parpadeo, se relacionan realmente con aspectos de la cognición y la acción humanas. Específicamente, trabajos anteriores han sugerido que la tasa de parpadeo está inversamente correlacionada con la dificultad de la tarea 2,6,13,19,20. Sin embargo, el trabajo actual proporciona evidencia contradictoria para esto, ya que se demostró que la tasa de parpadeo aumenta en el escenario de emergencia (es decir, un aumento en la dificultad de la tarea). Dada la falta de consenso con respecto a la interpretación de los parpadeos como una medida indirecta de la dificultad de la tarea o la carga cognitiva, esta es un área que requiere más investigación para comprender los mecanismos subyacentes a los parpadeos y por qué cambian cuando se alteran las demandas de la tarea. Explorar la frecuencia de parpadeo es importante porque esta señal es relativamente fácil de medir con el seguimiento ocular; Sin embargo, es necesario establecer aún más la utilidad y la aplicación a tareas más complejas del mundo real. Del mismo modo, el tamaño de la pupila suele registrarse mediante dispositivos de seguimiento ocular y podría proporcionar información sobre la carga de trabajo. Sin embargo, el análisis y la interpretación de la dinámica de la pupila pueden ser un desafío porque el tamaño de la pupila se ve afectado por la luminancia y los movimientos oculares. Por lo tanto, se requerirá un procedimiento de calibración adicional y herramientas analíticas para establecer la utilidad de la pupilometría en este contexto. En tercer lugar, el paradigma actual utilizaba un programa de condiciones fijas que daba como resultado que el ensayo de emergencia siempre se completara en último lugar. Esto se debió principalmente a que la recopilación de datos fue parte de un estudio más amplio que examinó los cambios en el procesamiento de la información en diversas condiciones ambientales². El escenario de aterrizaje de emergencia podría haber alterado el comportamiento normal de la mirada durante estas condiciones de vuelo alternativas. Por lo tanto, para evitar cualquier alteración dentro de la sesión en el comportamiento de la mirada debido a la introducción temprana de un evento incierto, el escenario de emergencia se completó al final de la sesión de recolección.

Aunque se podría argumentar que la falta de aleatorización en la secuencia de ensayos podría resultar en un efecto en la práctica, los resultados descritos en el presente trabajo muestran que este no es claramente el caso, ya que el rendimiento y la AS disminuyeron, mientras que los cambios significativos en la mirada se hicieron evidentes solo en el último ensayo de emergencia y no en los cuatro ensayos básicos anteriores. Por último, la falta de sincronicidad precisa entre los dispositivos de recolección (es decir, el rastreador ocular y el simulador de vuelo) es un problema persistente con respecto a la alineación de los flujos de datos para el rendimiento del vuelo y los datos de seguimiento ocular. Aunque el trabajo actual intentó tener sincronización entre los dos dispositivos presionando los botones de inicio/grabación al mismo tiempo, siempre existía la posibilidad de que el error humano y la variabilidad normal del control del motor en las pulsaciones de botones se convirtieran en fuentes de errores de sincronización que debían tenerse en cuenta. Esto limitó el grado en que las contingencias temporales entre movimientos y acciones oculares específicas podrían examinarse con el método actual y es un déficit tecnológico que requiere un mayor desarrollo.

Las aplicaciones típicas de los métodos de seguimiento ocular han relacionado los cambios en el procesamiento de la información con varios trastornos de salud (es decir, lesión cerebral traumática, esquizofrenia, enfermedad de Parkinson)7,32,35,36 y han utilizado el comportamiento de la mirada para arrojar información sobre el desarrollo de métodos de evaluación y entrenamiento. Estas últimas aplicaciones tienen como objetivo utilizar el seguimiento ocular para mejorar el tipo de retroalimentación recibida por los aprendices en varios dominios (por ejemplo, medicina y aviación)^2,10. La capacidad mejorada de los rastreadores oculares portátiles y los análisis basados en AOI mejora la información contextual proporcionada tanto a los investigadores como a las aplicaciones de la industria. Por ejemplo, en entornos de alta fidelidad, el análisis mejorado permite la identificación precisa de lo que los individuos están atendiendo abiertamente, cuándo y con qué eficacia se está procesando la información ^2,15. Sin embargo, la utilidad de utilizar el método como un medio para identificar la competencia o el nivel de experiencia en entornos naturales aún no se ha explorado ampliamente. Por lo tanto, los métodos de comportamiento de la mirada presentados en el presente manuscrito podrían adoptarse en futuros estudios que evalúen el rendimiento durante otros escenarios implementados en un simulador de vuelo inmóvil, por ejemplo, la gestión de las comunicaciones con el control de tráfico aéreo, la recuperación de paradas de apagado, incendio de motor, situación de giro). Es probable que la capacidad de desempeñarse bien en estos escenarios se asocie con un comportamiento eficiente de la mirada, que puede proporcionar una medida objetiva del procesamiento de la información.

Una limitación significativa para las aplicaciones de entrenamiento y evaluación es la necesidad de estudios a mayor escala en varios niveles de experiencia de vuelo para establecer la confiabilidad y los rangos normativos, como se ha hecho con movimientos oculares más simples en experimentos de laboratorio altamente controlados para la función neurológica y cognitiva básica^37,38. Además, las aplicaciones de capacitación y evaluación de la industria se beneficiarían de una mejor comprensión de cómo se distribuye la mirada a través del entorno de la tarea y cómo cambia durante el desempeño de la tarea, particularmente en los artistas de desempeño superior. Una perspectiva interesante es combinar el seguimiento ocular con sistemas de captura de movimiento, que se pueden utilizar para cuantificar las acciones motoras generadas durante una tarea determinada. Por ejemplo, se ha demostrado que la variabilidad del movimiento es un indicador del desarrollo de habilidades³⁹. La alineación de los datos de control motor con los datos de seguimiento ocular puede proporcionar un mayor apoyo para la evaluación de la competencia de habilidades a lo largo del entrenamiento. Como tal, esto brinda una oportunidad única para desarrollar un método analítico integral para evaluar y obtener información sobre las interacciones dinámicas entre los procesos perceptivos, cognitivos y motores que subyacen al rendimiento y el aprendizaje humanos.

En conclusión, este estudio investigó la utilidad de un rastreador ocular portátil y un algoritmo de mapeo de mirada para caracterizar el comportamiento de la mirada durante una tarea de vuelo simulada. La industria de la aviación ha sido líder en el uso de la formación en simulación durante más de cuatro décadas. La simulación es un componente imperativo de la formación aeronáutica porque permite a los pilotos practicar en un entorno seguro y controlado sin ponerse en peligro. La Organización de Aviación Civil Internacional (OACI), un organismo de las Naciones Unidas que coordina la navegación aérea internacional y el transporte aéreo, proporciona directrices para el uso de dispositivos de simulación para la formación de pilotos, que se utilizan habitualmente en la formación de aviación desde el nivel ab initio hasta los pilotos comerciales. A medida que se acumulan las pruebas de investigación, el seguimiento ocular y otros dispositivos biométricos podrían incorporarse a los entornos de simulación de vuelo para mejorar la eficacia del entrenamiento. Específicamente, el método de seguimiento ocular presentado aquí fue útil para cuantificar los cambios en el comportamiento de la mirada, lo que proporcionó información sobre los cambios en el procesamiento de la información asociados con la respuesta y la gestión de una emergencia en vuelo. Las medidas de la mirada indicaron un cambio distintivo en la asignación de atención. Específicamente, el tiempo de permanencia, SGE y GTE demostraron un enfoque de atención hacia menos AOI con mayor relevancia del problema. En particular, el algoritmo de mapeo de mirada y el rastreador ocular portátil son una tecnología relativamente incipiente y, por lo tanto, deben usarse y desarrollarse más en trabajos futuros, dadas las limitaciones conocidas en la sincronización entre múltiples dispositivos de recopilación de hardware.

No existen intereses financieros contrapuestos.

Este trabajo está financiado en parte por la Beca Canadiense de Posgrado (CGS) del Consejo de Investigación en Ciencias Naturales e Ingeniería (NSERC) de Canadá, y la Beca de Exploración (00753) del Fondo de Investigación de Nuevas Fronteras. Todas las opiniones, hallazgos, conclusiones o recomendaciones expresadas en este material son del autor o autores y no reflejan necesariamente las de los patrocinadores.