Assessing cognitive load through eye metrics in in-motion vs. stationary environments
Notice bibliographique
Résumé
OBJECTIVE: Quantifying cognitive load during whole-body motion is crucial for professions such as aircraft pilots and paramedics. This study incorporates eye metrics to monitor cognitive load changes during aiming tasks with different levels of difficulty (ID) while the participant was either stationary or experiencing whole-body motion (in-motion condition). METHOD: 25 participants completed reciprocal aiming tasks under both in-motion and stationary conditions. The IDs were modified by altering target distances and sizes. Eye metrics, including pupil size, blink rate, fixation dispersion, and eye saccadic movements, were analyzed. RESULTS: Under in-motion conditions, significantly larger pupil dilation was observed by more than 100 %; Blink rate decreased by 27 % for difficult tasks; Participants displayed significantly larger fixation dispersion by 29 %. Participants' eyes frequently overshot targets while scanning between targets, followed by a series of corrective adjustments, for both conditions. CONCLUSIONS: The in-motion condition significantly increased cognitive load, exaggerated pupil dilation, suppressed eye blinks, and intensified fixation dispersion. APPLICATIONS: Eye metrics assess cognitive load in moving environments, offering reliable tools to study the effects of motion. This aids in developing training protocols to minimize negative impacts on individuals working under whole-body motion conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».