Anwendung SEEV

die visuelle Aufmerksamkeitsverteilung von erfahrenen und unerfahrenen Anästhesisten in simulierten und realen Umgebungen zu untersuchen.

• kann die sogenannte "Expectancy Value"-Version des Salience, Effort, Expectancy, Value (SEEV) -Modells die visuelle Aufmerksamkeitsverteilung von Anästhesisten erfassen

• Gibt es Unterschiede zwischen simulierten und realen Fällen und bei unterschiedlicher Erfahrung?

• Die visuelle Aufmerksamkeit von erfahrenen und unerfahrenen Anästhesisten wurde mithilfe von Eye-Tracking-Technologie gemessen in realen und simulierten Fällen gemessen

• Das EV-Modell wurde verwendet, um die erwartete und beobachtete prozentuale Verweildauer zu korrelieren und die Modellanpassung zu bewerten.

• Das Modell wurde darauf getestet, ob es den durchschnittlichen Prozentualen Aufenthaltszeit (PDT) über alle Bedingungen vorhersagen konnte.

1. Patient

2. Monitoring equipment

3. Documents

4. Medication + other equipment

• Die Gesamtmodellanpassung ist gut (vorhergesagte-beobachtete prozentuale Verweildauer-Korrelation von 0,810, R2 = 0,656).

• Der Vergleich zwischen simulierten und realen Fällen stellt jedoch auch die Annahme in Frage, dass Salienz und Aufwand eine untergeordnete Rolle bei der Modellierung der Aufmerksamkeitsverteilung von Experten in realen Situationen spielen könnten.

-> Insgesamt kann das Expectancy-Value-Modell validiert werden. Innerhalb des Kontexts der Anästhesiologie könnte jedoch das vollständige SEEV-Modell benötigt werden, um die große und ablenkende visuelle Arbeitsumgebung von Anästhesisten zu erfassen.

• Simulation ist begrenzt

• Ausreichende Überwachung der vitalen Zeichen des Patienten in realen Umgebungen (?)

• Unterschiede zwischen simulierten und realen Umgebungen hinsichtlich der visuellen Aufmerksamkeitsverteilung

• Die Einbeziehung von Aufwand (und Salienz) verbesserte nicht die Modellanpassung

• Die Anpassung des EV-Modells scheint eine gültige Messgröße für das Situationsbewusstsein (Stufe 1: Wahrnhemung der Umgebung) zu sein

• Das EV-Modell ist nicht umfassend genug, um höhere SA-Stufen/Leistung vorherzusagen

• EV-Modell als Werkzeug zur Bewertung von Technologien

• Situation Awareness Level 2 und 3 waren nicht mit einbezogen

• Vorheriges Wissen nicht erfasst

Insgesamt zielte das Experiment darauf ab, die Effektivität des HEE bei der Vorhersage des visuellen Aufmerksamkeitsverhaltens von Autofahrern zu bewerten und dabei erfahrene Autofahrer und HF-Experten einzubeziehen.

Der Human Efficiency Evaluator (HEE), ein modellbasiertes Aufmerksamkeitsvorhersage-Tool, das modellbasierte und empirische Methoden in einem strukturierten Prozess kombiniert

Es erleichtert den Modellierungsprozess und ermöglicht Domain-Experten ohne Hintergrundwissen in den Human Factors das Modellieren des Überwachungsverhaltens von Autofahrern.

Die Aufmerksamkeitsvorhersagen mit dem HEE werden auf Grundlage eines angepassten SEEV-Modells generiert.

Der HEE führt seine Benutzer durch vier Schritte: (1) die Identifizierung von AOIs, die Bereiche auf einem Bild einer Überwachungssituation sind, die dem Benutzer eine Information vermitteln; (2) die Definition der Aufgabenwichtigkeit jeder Benutzer-Aufgabe, (3) die Erwartung einer AOI, die beschreibt, wie oft neue Informationen erwartet werden können; und (4) die Definition der Relevanz jeder AOI für jede Aufgabe. Nachdem diese Daten gesammelt wurden, kann das Vorhersagemodell generiert werden (5).

• EV-Parameter geschätzt von: 20 erfahrenen Fahrern gegenüber 9 HF-Experten

Empirische Daten

• 20 experienced drivers

• 257 maneuvers in SILAB (WIVW simulation software)

• 16 AOI classes

R1 "Einzelpersonen, erfahrene Autofahrer, sind schlecht darin, die Bereiche zu identifizieren, die sie während eines Überholmanövers betrachten, und auch darin, zu modellieren, wie sie ihre Aufmerksamkeit zwischen diesen Bereichen aufteilen."

R2 "Die Aggregation der Modelle mehrerer erfahrener Autofahrer verbessert die Vorhersageergebnisse zur Aufmerksamkeit im Vergleich zu einem durchschnittlichen individuellen erfahrenen Autofahrer."

R3 "Die Aggregation mehrerer AOIs (Bereiche von Interesse) von erfahrenen Autofahrern und das Mitteln ihrer jeweiligen zugehörigen PDTs (prozentuale Verweildauer) führt zu besseren Vorhersageergebnissen zur Aufmerksamkeit als die, die durch einen durchschnittlichen individuellen Humanfaktorenexperten erzielt werden können."

R4 "Die Aggregation mehrerer AOIs von Humanfaktorenexperten und das Mitteln ihrer entsprechenden PDTs führen zu einer sehr hohen Korrelation im Vergleich zum durchschnittlich gemessenen Überwachungsverhalten."

• 16 AOIs (Bereiche von Interesse)

• Zeiteffiziente Parameterschätzung (15-minütiges Video + 1 Stunde)

• Automatisierte Datenverarbeitung

• Durchschnittliche Modellbewertungen mehrerer Branchenexperten für beste Vorhersagen

Das Experiment wurde im Rahmen eines öffentlichen Sportevents im Zuge des Vienna City Marathon durchgeführt. Ein großflächiges öffentliches Display mit zwei 50-Zoll-Monitoren und einem Tiefenkamerasensor, wurde im Eingangsbereich der Veranstaltung installiert

Skelettgelenkdaten wurden zur Berechnung und Analyse des Verhaltens aufgezeichnet

• Salienz: positiv, konstant (Extremsportvorführungen; hohe und konstante Attraktivität)

• Erwartung: positiv, konstant (öffentliche Displays sind für hohe Informationsbandbreite bekannt)

• Wert: positiv, konstant (Sportmesse; freiwillige Teilnahme)

• Aufwand

1. Bewegungsgeschwindigkeit v(t)

2. Bewegungsrichtung ϕ(t)

3. Kopforientierung σ(t)

4. Oberkörperausrichtung

• (0) Keine Wahrnehmung - Anzeige außerhalb des Sichtfelds

• (1) Selektive Wahrnehmung - Anzeige im peripheren Sichtbereich

• (2) Aufmerksamkeit gewechselt - Anzeige aktiv im umher wandernden Blickbereich

• (3) Fokussierte Aufmerksamkeit - bewusste Wahrnehmung, deutliche Verhaltensänderung

• (4) Anhaltende Aufmerksamkeit - anhaltende Wahrnehmung, grundlegende Verhaltensänderun

• Kein sicherheitskritisches Umfeld

• Keine überwachende Kontrollaufgabe

• Aufwand machte einen Unterschied