Według raportu koreańskiego Ministerstwo Zatrudnienia i Pracy, w 2021 r. spośród wszystkich sektorów gospodarki w branży budowlanej doszło do największej liczby wypadków i było najwięcej ofiar śmiertelnych – i z roku na rok jest ich coraz więcej. Aby zaradzić temu wzrostowi, Koreańska Agencja Bezpieczeństwa i Higieny Pracy opracowała szkolenia oparte na rzeczywistości wirtualnej (VR).
Jednak obecne szkolenia oparte na VR mają dwa ograniczenia. Po pierwsze są to ćwiczenia pasywne, podczas których uczniowie postępują zgodnie z jednostronnymi instrukcjami, które nie dostosowują się do ich osądów i decyzji. Po drugie brakuje obiektywnego procesu oceny podczas szkoleń.
Aby stawić czoła tym wyzwaniom, badacze wprowadzili angażujące treści dotyczące bezpieczeństwa budowlanego, mające zwiększyć zaangażowanie pracowników, a także przeprowadzili testy pisemne. Jednak testy te mają ograniczenia pod względem bezpośredniości i obiektywności. Co więcej, cechy poznawcze mogą ulegać zmianom podczas szkolenia.
Chcąc rozwiązać ten problem, zespół pod kierownictwem profesora nadzwyczajnego Choongwana Koo z Wydziału Architektury i Urbanistyki INU zaproponował przewidywanie indywidualnych wyników uczenia się podczas budowlanych szkoleń BHP dzięki wykorzystaniu odpowiedzi biometrycznych w czasie rzeczywistym. Dzięki tej modyfikacji ma wzrosnąć skuteczność nauczania, a co za tym idzie – liczba wypadków powinna zmaleć.
„Chociaż tradycyjne metody oceny efektów uczenia się wykorzystujące testy pisemne mogą nie być obiektywne, odpowiedzi biometryczne w czasie rzeczywistym, zebrane z czujników śledzenia wzroku i elektroencefalogramu (EEG), można wykorzystać do szybkiej i obiektywnej oceny osobistych wyników w nauce” – wyjaśnia dr Koo, który jest jednym z autorów artykułu.
W eksperymentach 30 pracowników budowlanych
W eksperymentach wzięło udział 30 pracowników budowlanych, którzy przeszli szkolenie z zakresu bezpieczeństwa na budowie z wykorzystaniem VR. Podczas szkolenia zbierano w czasie rzeczywistym odpowiedzi biometryczne, zebrane za pomocą śledzenia wzroku i EEG w celu monitorowania aktywności mózgu, aby ocenić reakcje psychologiczne uczestników. Łącząc te dane z ankietami przeprowadzanymi przed szkoleniem i pisemnymi testami po szkoleniu, badacze opracowali modele prognostyczne oparte na uczeniu maszynowym, aby ocenić ogólne wyniki uczestników w zakresie uczenia się podczas szkoleń.
Zespół opracował dwa modele: pełny model prognozy (FM), który wykorzystuje zarówno czynniki demograficzne, jak i odpowiedzi biometryczne jako zmienne niezależne, oraz uproszczony model prognozy (SM), który opiera się wyłącznie na zidentyfikowanych głównych cechach jako zmiennych niezależnych. Chociaż FM wykazywał większą dokładność w przewidywaniu osobistych wyników w nauce niż modele tradycyjne, wykazywał również wysoki poziom nadmiernego dopasowania. Natomiast SM wykazała większą trafność przewidywania niż FM ze względu na mniejszą liczbę zmiennych, co znacznie ograniczyło nadmierne dopasowanie. Zespół doszedł zatem do wniosku, że SM najlepiej nadaje się do praktycznego zastosowania.
Koreański zespół podkreśla potrzebę przyszłych badań w celu uwzględnienia różnych typów wypadków i czynników ryzyka w szkoleniach z zakresu bezpieczeństwa opartych na rzeczywistości wirtualnej.
