Exploring Cognitive Load and Task Complexity in Dynamic Tracking Tasks: Insights for Construction Workflows
Notice bibliographique
Résumé
Construction tasks involve dynamic and visually demanding activities that require continuous monitoring, tracking, and decision-making.These demands can overwhelm workers' cognitive capacity and increase mental strain and reduce efficiency.This study combines two cognitive load assessment methods: objective cognitive load assessment using wearable eye tracking and task-based performance analysis by calculating performance error.It examines the impact of complexity in dynamic tracking tasks on performance and cognitive load.The metrics include blink rate, fixation rate, saccadic amplitude, saccadic peak velocity, saccadic mean velocity, and tracking error.Saccadic amplitude showed a strong positive correlation (r = 0.891) which reflect the need to scan broader areas for higher visual complexity.In contrast, saccadic peak velocity (r = -0.96),blink rate (r = -0.967),and fixation rate (r = -0.671)demonstrated negative correlations with task complexity, which suggests increased cognitive demands and a prioritization of accuracy over speed.Saccadic mean velocity showed minimal correlation (r = -0.07),which suggests it might not be a sensitive metric for evaluating the impact of task complexity.Performance error was measured as the Euclidean distance between gaze and target, and it revealed a strong positive correlation with task complexity (r = 0.967).It indicates reduced performance as complexity increased.These findings highlight the significant impact of complexity on cognitive and visual performance.This is particularly relevant in construction tasks that require continuous monitoring, tracking, and visual processing.Understanding these relationships helps optimize construction workflows, reducing cognitive strain, improving efficiency, and enhancing safety in visually demanding tasks.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 source (Gemma direct ou Codex distillé), 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 ».