Ментальное внимание отражает нашу способность с усилием сосредоточиться на задаче. Это ограниченный умственный ресурс, который мы постепенно истощаем во время сознательной деятельности. Успешность решения сложных умственных задач зависит как от общих когнитивных способностей, так и от доступного ресурса внимания человека при выполнении этих задач.
Особенно внимание важно для класса задач, связанных с удержанием в уме зрительной информации, например в работе диспетчера в аэропорту или водителя на дороге. Ментальное внимание также необходимо для обучения, когда человеку нужно вовлечь все свое внимание и сосредоточиться на мыслительной задаче. Поэтому важно научиться измерять, как ресурс внимания в зрительных задачах влияет на успешность их выполнения.
Измерение ментального внимания широко изучалось в психологии развития и в образовании. Известно, что показатели ментального внимания сильно коррелируют с общим интеллектом и успеваемостью. Авторы статьи решили впервые применить алгоритмы машинного обучения, чтобы понять, по каким измеряемым данным можно предсказать точность выполнения задачи на внимание. Для предсказания ученые собирали данные о времени реакции и движении глаз.
В эксперименте испытуемые
выполняли задачу на соответствие цветов (Colour Matching Task) в двух вариантах: с воздушными шариками и с клоунами. В каждом из них перед игроком на короткое время появляются изображения с различными цветами. От испытуемого требуется сравнить картинку с предыдущей и ответить, совпадают ли цвета. Это задание имитирует задачи, которые стоят перед врачами-рентгенологами, водителями, диспетчерами в аэропортах и другими специалистами, которым важно удерживать в уме зрительную информацию и быстро учитывать изменения.
У обеих задач есть шесть уровней сложности — в зависимости от количества цветов, которые нужно обработать. Вариант с клоунами всегда немного сложнее варианта с шариками, так как в изображении клоуна больше разных деталей.
Движения глаз испытуемых записывались с помощью специального устройства — айтрекера. Всего были проанализированы данные 57 здоровых взрослых людей, средний возраст которых составлял 23 года.
Затем данные анализировали с использованием моделей машинного обучения. Такие модели позволяют понять, какие данные лучше всего предсказывают успешность выполнения задачи. В эксперименте мерой успешности была точность — процент правильных ответов для каждого испытуемого на каждом уровне сложности.
Модель «регрессор XGBoost» показала лучший результат. Она с точностью 82,8% предсказывала, даст ли участник правильный ответ. Самым эффективным параметром для предсказания успешности участника оказалась скорость ответа. Чем больше она варьировалась, тем меньше правильных ответов давал испытуемый. Это может быть связано с тем, что некоторые испытуемые давали быстрый случайный ответ, если уровень сложности превышал их ресурсы внимания.
Также на результат повлияли, хоть и в меньшей степени, движения глаз. По таким параметрам, как среднее количество фиксаций на каждой картинке и их длительность, число саккад, частота морганий и размер зрачка, можно было частично предсказать успешность испытуемого. Движения глаз могут отражать то усилие, которое испытуемый прилагает для удержания информации в поле внимания.
«Разработанный подход может использоваться как для дальнейшего изучения параметров, которые предсказывают успешность в решении задач, связанных с ресурсами ментального внимания, так и в прикладных целях — для непосредственного предсказания в реальном времени когнитивных способностей специалистов, объем которых может изменяться под влиянием таких факторов, как физическое состояние и усталость», — считает один из авторов статьи, стажер-исследователь Научно-учебной лаборатории нейробиологических основ когнитивного развития Валентина Бачурина.