多任务和驾驶时的眼动追踪

本案例研究考察了“驾驶时的多任务处理：中央瓶颈还是问题状态干扰？”，强调了眼动追踪在理解认知工作量和驾驶员行为中的关键作用。该研究调查了驾驶过程中视觉空间注意力和工作记忆负荷是如何相互作用的，特别是解决了干扰是发生在中央控制资源还是特定任务的信息处理资源上。

之前关于驾驶时多任务处理的研究观察到注意力和工作记忆等认知概念之间的相互作用，这通常归因于与工作记忆使用相关的“中心瓶颈”或“问题状态瓶颈”。为了区分这些假设，Held、Rieger和Borst在ACT-R架构中开发了两个认知模型，实现了每个瓶颈理论。然后，他们对人类参与者进行了一项实验，以验证这些模型，在模拟驾驶任务中改变视觉空间注意力和工作记忆负荷。

多任务和眼动追踪研究方法

人体实验的一个关键组成部分是使用EyeLinkPortableDuo 眼动仪。该技术允许以500Hz的采样率精确测量凝视位置和瞳孔扩张，而不需要头部稳定。研究人员主要通过两种方式利用眼动追踪数据：

1. 评估认知工作量：瞳孔扩张是认知工作量的一个公认指标。该研究分析了瞳孔大小相对于基线的变化，证实了n-back难度（工作记忆负荷的衡量标准）的增加导致瞳孔大小的显著增加。这验证了工作记忆负荷的实验操纵，表明参与者确实经历了更高的认知需求。
2. 监控注意力分配：眼动追踪数据还显示，随着n背水平的增加，对速度计的注视明显减少。这一发现提供了行为证据，表明随着工作记忆任务的要求越来越高，驾驶员对关键驾驶工具的视觉注意力减少，这表明资源从主要驾驶任务中转移了出来。

眼动追踪结果显示认知负荷增加会减少视觉监控

研究发现，与中心瓶颈模型相比，问题状态瓶颈模型更准确地解释了由于工作记忆负荷和视觉空间注意力需求增加导致的驾驶性能下降。眼动追踪结果直接支持了这一结论，表明认知负荷的增加（如瞳孔扩张所示）导致了速度计关键视觉监测的减少。这表明，随着工作记忆负荷的增加，驾驶员执行的控制动作减少，导致驾驶性能下降。

眼动追踪数据为车辆自适应自动化系统的开发提供了宝贵的见解。通过量化不同心理负荷的贡献，此类系统可以潜在地监测驾驶员的认知状态（例如，通过眼动追踪等生理传感器），并在必要时调整驾驶责任以减轻认知工作量。这可以通过确保驾驶员保持专注和参与，并在能力极限时提供帮助，从而大大改善交通安全。通过眼动追踪观察和量化实时注意力转移和认知努力的能力有助于验证模型并推进这一理解。

有关眼动追踪如何帮助您的研究的信息，请查看我们的解决方案和产品页面或联系我们。我们很乐意为您提供帮助！