การประเมินสมรรถนะและความเชี่ยวชาญผ่าน Eye Tracking-based Digital Biomarkers

การประเมินสมรรถนะและความเชี่ยวชาญผ่าน Eye Tracking-based Digital Biomarkers: การวิเคราะห์สภาวะทางปัญญาเชิงปริมาณ

ในการวิจัยเชิงปฏิบัติการและการฝึกอบรมทักษะในสภาพแวดล้อมที่มีความเสี่ยงสูง (High-stakes Environment) การวัดผลเชิงผลลัพธ์ (Outcome-based Assessment) เพียงอย่างเดียวไม่สามารถสะท้อนความเชี่ยวชาญที่แท้จริงได้ การประเมินที่ครอบคลุมจำเป็นต้องพิจารณาถึงการจัดสรร ทรัพยากรทางปัญญา (Cognitive Resources) ในระหว่างกระบวนการตัดสินใจ เทคโนโลยี Digital Biomarkers ของ Somareality จึงถูกพัฒนาขึ้นเพื่อเป็นเครื่องมือตรวจวัดเชิงวัตถุวิสัย (Objective Measurement) ผ่านพฤติกรรมทางสรีรวิทยาของ dวงตาที่สัมพันธ์กับสภาวะการทำงานของระบบประสาทส่วนกลาง

1. การวิเคราะห์ความเชี่ยวชาญผ่านประสิทธิภาพทางปัญญา (Cognitive Efficiency) และความเป็นอัตโนมัติ (Automation)

ความแตกต่างระหว่างผู้ที่มีความเชี่ยวชาญ (Expert) และผู้ฝึกหัด (Novice) สามารถจำแนกได้จากระดับความเป็นอัตโนมัติในการปฏิบัติภารกิจ (Automation levels) ซึ่งสามารถวิเคราะห์เชิงลึกได้ผ่านกลไกทางสรีรวิทยาดังนี้

1.1 Cognitive Load (CL) และระบบชดเชยปัจจัยด้านแสง (Brightness Compensation)

ระบบประเมินภาระทางปัญญาแบบต่อเนื่องโดยอาศัยแบบจำลอง Task-evoked pupil response (TEPR) โดยมีอัลกอริทึมในการควบคุมตัวแปรแทรกซ้อนจากการเปลี่ยนแปลงความสว่างในสภาพแวดล้อมผ่านโมเดล Pupillary Light Reflex (PLR) เพื่อคัดกรองเฉพาะสัญญาณการขยายตัวของรูม่านตาที่เกิดจากกระบวนการทางปัญญา

• Expertise Analysis: ข้อมูลเชิงประจักษ์ระบุว่า ผู้เชี่ยวชาญจะแสดงค่า Cognitive Load ที่เสถียรและต่ำกว่าเมื่อเปรียบเทียบกับผู้ฝึกหัดในภารกิจที่มีระดับความยากเดียวกัน สะท้อนถึงประสิทธิภาพในการประมวลผลข้อมูล (Cognitive Efficiency)

1.2 Extended Gaze Metrics (EGM) และการเคลื่อนที่ของ dวงตา

การวิเคราะห์ข้อมูลดิบ (Raw data) ผ่านข้อมูลการเคลื่อนไหวของ dวงตาช่วยระบุความแตกต่างของระดับทักษะได้ดังนี้:

• Saccadic Efficiency: รูปแบบการกวาดสายตา (Saccadic patterns) ของผู้เชี่ยวชาญจะมีความจำเพาะต่อข้อมูลที่มีความสำคัญต่อภารกิจ (Task-relevant information) สูงกว่า และมีอัตราการกวาดสายตาที่ไร้ทิศทางต่ำกว่าอย่างมีนัยสำคัญ

• Fixation Stability: ระยะเวลาและการจดจ่อที่คงที่สะท้อนถึงคุณภาพในกระบวนการรับรู้และตีความข้อมูล

2. การวิเคราะห์การรับรู้เชิงประจักษ์: Conscious Perception Index (CPI)

ข้อจำกัดของการใช้ Eye Tracking แบบดั้งเดิมคือการไม่สามารถยืนยันสภาวะการรับรู้จริง (Inattentional Blindness) เนื่องจาก "การมอง" ไม่ได้หมายถึง "การจดจ่อเสมอไป"

• CPI Biomarker: อัลกอริทึมที่คำนวณความน่าจะเป็นของการรับรู้ด้วยสติ (Conscious Perception Score) โดยบูรณาการพฤติกรรมการมองร่วมกับทฤษฎีจิตวิทยาการรู้คิด (Cognitive Psychology) เพื่อประเมินระดับความมั่นใจ (Confidence Score) ในการรับรู้ข้อมูลแบบเฟรมต่อเฟรม

• Engagement Analysis: ระบบสามารถจำแนกความแตกต่างระหว่างการมีส่วนร่วมกับสภาพแวดล้อมภายนอก (External Engagement) และสภาวะที่จิตใจจดจ่ออยู่กับความคิดภายใน (Inward-focused thought) ผ่านการวิเคราะห์รูปแบบการจ้องมอง (Gaze patterns) เพื่อระบุคุณภาพและระดับความเข้มข้นของการปฏิสัมพันธ์กับวัตถุหรือพื้นที่ที่สนใจ (Area of Interest - AOI)

3. การเฝ้าระวังความเหนื่อยล้าทางปัญญา: Cognitive Fatigue (CF)

ในการปฏิบัติภารกิจที่ใช้เวลานาน ความเชี่ยวชาญอาจถูกรบกวนด้วยความเสื่อมถอยของทรัพยากรทางปัญญา

• CF Biomarker: ระบบทำการสร้างแบบจำลองความเหนื่อยล้าแบบต่อเนื่อง (Continuous Fatigue Modeling) เพื่อตรวจวัดการลดลงของความทนทานทางจิตใจ (Mental endurance) ในระหว่างการทำกิจกรรม

• Performance Impact: การวัดค่า CF ช่วยให้นักวิจัยเข้าใจถึงความแปรปรวนของประสิทธิภาพการทำงาน (Performance variability) ซึ่งในระดับที่สูงขึ้นจะส่งผลต่อความปลอดภัยและคุณภาพของการเรียนรู้ แม้ในกลุ่มผู้ที่มีความเชี่ยวชาญสูงก็ตาม

4. การจำแนกรูปแบบสมาธิ: Attention Type Classifier (ATC)

รูปแบบการบริหารจัดการความสนใจมีความเคลื่อนไหวที่เปลี่ยนไปตามความต้องการของภารกิจ โดยระบบสามารถประมวลผลระดับความน่าจะเป็น (Probability) ในการจำแนกประเภทสมาธิในสภาวะ Real-time ได้เป็น 3 รูปแบบหลัก:

1. Sustained Attention: ความสามารถในการรักษาความจดจ่อกับงานหรือสิ่งเร้าใดสิ่งเร้าหนึ่งอย่างต่อเนื่องในระยะยาว เป็นพื้นฐานสำคัญของการทำงานที่ต้องใช้ความระมัดระวังสูง (Vigilance) เช่น การเฝ้าระวังหน้าจอเรดาร์หรือการอ่านข้อมูลทางเทคนิคที่ซับซ้อนต่อเนื่องหลายชั่วโมง โดยระบบจะวัดความสามารถในการรักษาสภาวะการจดจ่อนี้ไม่ให้เสื่อมถอยลงตามเวลา

2. Selective Attention: กระบวนการคัดกรองและเลือกประมวลผลข้อมูลที่สำคัญ (Signal) ในขณะที่ต้องเผชิญกับสิ่งเร้าที่เป็นตัวกวนหรือปัจจัยรบกวนภายนอก (Noise/Distractions) เช่น ความสามารถของศัลยแพทย์ในการรับฟังคำสั่งเฉพาะหน้าในห้องผ่าตัดที่มีเสียงรบกวนหนาแน่น หรือนักกีฬาที่ต้องมองหาเป้าหมายท่ามกลางสิ่งแวดล้อมที่วุ่นวาย

3. Switched Attention: ความคล่องตัวและประสิทธิภาพในการสลับสมาธิระหว่างภารกิจหรือสิ่งเร้าที่แตกต่างกัน (Multi-tasking efficiency) ซึ่งสะท้อนถึงความยืดหยุ่นทางปัญญา (Cognitive flexibility) เช่น การสลับความสนใจระหว่างเครื่องวัดประกอบการบินและการสื่อสารทางวิทยุอย่างเป็นระบบโดยไม่สูญเสียการควบคุมในส่วนใดส่วนหนึ่งไป

การวิเคราะห์รูปแบบความสนใจแบบอัตโนมัตินี้ช่วยให้นักวิจัยเข้าถึงข้อมูลเชิงลึก (Data-driven insights) เพื่อนำไปสู่การเพิ่มประสิทธิภาพการทำงาน (Workflow Optimization) และการออกแบบระบบ Adaptive XR ที่สามารถปรับเปลี่ยนเนื้อหาหรือลดสิ่งเร้าได้ตามสภาวะทางปัญญาของผู้ใช้ในขณะนั้น

5. กรณีศึกษาเชิงประยุกต์ (Applied Use Cases)

กรณีศึกษาที่ 1: การฝึกอบรมนักบิน (Aviation Training)

นักบินต้องเผชิญกับสถานการณ์ที่มีความซับซ้อนสูง (High complexity) และต้องประมวลผลข้อมูลจากเครื่องวัดประกอบการบินสลับกับการสื่อสารในห้องนักบินที่มีการเปลี่ยนแปลงของแสงตลอดเวลา

• การวิเคราะห์: ใช้ CL (Cognitive Load) ผ่านโมเดล Task-evoked pupil response (TEPR) เพื่อวัดภาระทางสมองแบบต่อเนื่องในขณะรับมือกับเหตุการณ์ฉุกเฉิน โดยระบบมีอัลกอริทึม PLR modeling เพื่อชดเชยปัจจัยด้านแสงภายในห้องนักบิน (Illumination effects) ร่วมกับการใช้ CPI (Conscious Perception Index) เพื่อยืนยันว่านักบินมีการรับรู้และประมวลผลสัญญาณเตือนอย่างมีสติ (Active processing) รวมถึงใช้ ATC เพื่อจำแนกประเภทสมาธิระหว่างการจดจ่อที่เครื่องวัดและการสลับความสนใจไปยังการสื่อสาร

• ผลลัพธ์: ข้อมูลเชิงประจักษ์นี้ช่วยให้ผู้ฝึกสอนสามารถจำแนกได้อย่างแม่นยำว่าข้อผิดพลาดที่เกิดขึ้นมีสาเหตุมาจากทักษะการควบคุมทางกายภาพ (Motor skills) หรือเกิดจากความล้มเหลวในกระบวนการประมวลผลข้อมูลทางปัญญา เช่น ภาวะ Inattentional Blindness (มองเห็นแต่ไม่รับรู้) ซึ่งช่วยเพิ่มประสิทธิภาพในการฝึกอบรมและยกระดับความปลอดภัยในการปฏิบัติงานจริง

กรณีศึกษาที่ 2: ศัลยศาสตร์และเทคโนโลยีการแพทย์ (Medical & Surgical Robotics)

การปฏิบัติหน้าที่ในห้องผ่าตัดหรือการควบคุมหุ่นยนต์ช่วยผ่าตัด (Surgical Robotics) เป็นงานที่มีความต้องการทางปัญญาสูงและต่อเนื่อง ซึ่งความผิดพลาดเพียงเล็กน้อยอาจส่งผลกระทบรุนแรง

• การวิเคราะห์: ใช้ CF (Cognitive Fatigue) เพื่อตรวจสอบสภาวะการสะสมของความเหนื่อยล้าทางจิตใจในรูปแบบคะแนนต่อเนื่อง (Continuous score) ซึ่งสามารถตรวจจับการเปลี่ยนแปลงเพียงเล็กน้อยของความทนทานทางจิตใจ (Mental endurance) ได้แบบเรียลไทม์ โดยระบบจะประมวลผลควบคู่กับประสิทธิภาพการทำงานเชิงกล (Execution precision) และความเร็วในการตัดสินใจ เพื่อระบุจุดที่ทรัพยากรทางสมองเริ่มลดลงจนถึงระดับวิกฤต

• ผลลัพธ์: ข้อมูลนี้ทำหน้าที่เป็นดัชนีชี้วัดความพร้อมในการปฏิบัติงาน (Operational Readiness) ช่วยให้โรงพยาบาลสามารถบริหารจัดการตารางการทำงานและช่วงเวลาพักของศัลยแพทย์ได้อย่างมีประสิทธิภาพเพื่อลดความแปรปรวนของประสิทธิภาพ (Performance variability) นอกจากนี้ยังใช้เป็นเครื่องมือประเมินมาตรฐานความพร้อมของบุคลากรฝึกหัดก่อนเริ่มปฏิบัติงานจริง เพื่อยกระดับความปลอดภัยของผู้ป่วยและรักษามาตรฐานคุณภาพการรักษาให้คงที่ตลอดภารกิจ

กรณีศึกษาที่ 3: วิทยาศาสตร์การกีฬาและการตัดสินใจ (Sports Science)

ในการแข่งขันกีฬาที่มีความเร็วสูงและสถานการณ์เปลี่ยนผันตลอดเวลา (Dynamic environments) นักกีฬาต้องประมวลผลข้อมูลเชิงพื้นที่และตัดสินใจภายใต้แรงกดดันมหาศาล

• การวิเคราะห์: ใช้การตรวจวัดความเร็วสูงสุดของการกวาดสายตา (Peak Saccadic Velocity) เป็นดัชนีชี้วัดความเร็วในการประมวลผล (Processing speed) ร่วมกับการใช้ ATC เพื่อประเมินความสมดุลระหว่างการจดจ่อคงที่ (Sustained Attention) และการสแกนพื้นที่เพื่อหาโอกาส (Switched Attention) นอกจากนี้ยังมีการประมวลผลดัชนีประสิทธิภาพ (Cognitive Performance) ที่รวมตัวแปรเรื่องความยืดหยุ่นทางจิตใจ (Resilience) และความแม่นยำในการปฏิบัติงาน (Execution precision) เข้าด้วยกัน

• ผลลัพธ์: ข้อมูลเชิงลึกนี้ช่วยให้โค้ชสามารถจัดการวิถีทางปัญญา (Cognitive pathways) ของนักกีฬาได้อย่างมีประสิทธิภาพ การระบุสภาวะ "Overload" หรือ "Mental Exhaustion" ล่วงหน้าช่วยปรับปรุงการตระหนักรู้สถานการณ์ (Situational Awareness) และลดความเสี่ยงของการบาดเจ็บที่ป้องกันได้ (Preventable injuries) เช่น การปะทะที่เกิดจากการตัดสินใจช้าเพียงเสี้ยววินาที หรือการก้าวพลาดที่เกิดจากความล้าสะสมทางปัญญา

กรณีศึกษาที่ 4: การจำแนกระดับทักษะในทางการแพทย์ (Skill Classification in Medical Education)

การประเมินทักษะทางคลินิกมักเป็นเรื่องยากที่จะทำให้เป็นวัตถุวิสัย โดยเฉพาะการแยกแยะระหว่างความสามารถในการจำเนื้อหา (Rote memorization) กับความชำนาญในการวิเคราะห์ (Clinical Intuition)

• การวิเคราะห์: เปรียบเทียบข้อมูลการเคลื่อนไหวของดวงตา (EGM) ระหว่างอาจารย์แพทย์และนักศึกษาแพทย์ในระหว่างการตรวจวินิจฉัย อาจารย์แพทย์จะแสดงรูปแบบการกวาดสายตาที่จำเพาะเจาะจง (Efficient Saccades) และจดจ่อกับจุดที่มีนัยสำคัญทางการแพทย์ได้เร็วกว่า ในขณะที่นักศึกษามีรูปแบบการค้นหาที่กระจัดกระจายและมีภาระทางปัญญา (CL) สูงกว่าอย่างมีนัยสำคัญ

• ผลลัพธ์: อัลกอริทึมสามารถจำแนกระดับความเชี่ยวชาญ (Competency levels) ได้โดยไม่ต้องพึ่งพาการประเมินจากความรู้สึก (Subjective assessment) ช่วยให้สถาบันการแพทย์สามารถติดตามพัฒนาการของผู้เรียน (Learning Curve) และระบุได้ว่าเมื่อใดที่นักศึกษาพร้อมจะก้าวสู่การปฏิบัติงานจริงที่มีความซับซ้อนสูง

บทสรุป

การประยุกต์ใช้ Digital Biomarkers จาก Somareality เป็นการยกระดับการวิเคราะห์มนุษย์สู่มาตรฐานการวิจัยเชิงปริมาณ ด้วยระบบที่รองรับฮาร์ดแวร์หลากหลาย (Hardware-agnostic) และมีความยืดหยุ่นสูงในการเก็บข้อมูลภาคสนาม จึงเป็นเครื่องมือที่มีประสิทธิภาพสำหรับนักวิจัยและผู้ฝึกสอนในการประเมินสมรรถนะของมนุษย์บนฐานข้อมูลทางวิทยาศาสตร์ที่แม่นยำ