ارزیابی سطح توجه افراد با استفاده از یادگیری ماشین و تحلیل الگوهای حرکتی چشم و دست در آزمون مسیرسازی

توجه به‌عنوان یکی از فرایندهای شناختی کلیدی، نقش محوری در فعالیت‌های روزمره، یادگیری و تعاملات انسان با محیط ایفا می‌کند. ارزیابی دقیق و عینی سطح توجه افراد، به‌ویژه در موقعیت‌های پویا و واقعی، همواره با چالش‌هایی همراه بوده است. روش‌های سنتی مانند پرسش‌نامه‌های خودگزارشی یا آزمون‌های مبتنی بر کاغذ، اغلب قادر به ثبت تغییرات لحظه‌ای توجه یا تاثیر عوامل محیطی نیستند. در این مطالعه با هدف ارائه روشی دقیق و کارآمد برای ارزیابی میزان توجه، از تحلیل الگوهای حرکتی چشم و دست در چارچوب آزمون مسیرسازی بهره برده است. طی فرایند داده گیری، داده‌های 42 شرکت‌کننده سالم در حین انجام آزمون مسیرسازی ثبت شد. حرکات چشم و دست شرکت کنندگان با استفاده از فناوری‌های ردیابی چشم و ثبت حرکات موشواره به‌دقت اندازه‌گیری شده‌اند و ویژگی‌هایی مانند جهش‌ها، تثبیت‌های چشمی، تعداد پلک‌زدن و سرعت حرکت موشواره استخراج گردیدند. سپس با بهره‌گیری از این ویژگی‌ها، یک مدل جنگل تصادفی برای پیش‌بینی سطح توجه آموزش داده شد. نتایج نشان می‌دهند که مدل مذکور با ضریب تعیین 72 درصد توانسته است میزان توجه را به طور دقیق پیش‌بینی کند. این یافته‌ها موید آن است که الگوهای حرکتی چشم و دست می‌توانند به‌عنوان شاخص‌هایی قابل‌اعتماد برای ارزیابی توجه مورداستفاده قرار گیرند؛ بنابراین استفاده از روش های یادگیری ماشین در تحلیل داده‌های حرکتی چشم و دست روشی قابل‌اعتماد برای ارزیابی سطح توجه در موقعیت‌های واقعی است. این رویکرد، علاوه بر اهمیت علمی و پژوهشی خود، می‌تواند کاربردهای عملی در زمینه‌های مختلف مانند آموزش، روان‌شناسی بالینی و طراحی سیستم‌های تعاملی انسان و کامپیوتر داشته باشد.

assessment of individuals' attention levels using machine learning and analysis of eye and hand movement patterns in the trail-making test

attention، as one of the key cognitive processes، plays a central role in daily activities، learning، and human-environment interactions. accurately and objectively assessing individuals' attention levels، particularly in dynamic and real-world situations، has always been a challenge. traditional methods، such as self-report questionnaires or paper-based tests، often fail to capture momentary attention fluctuations or the impact of environmental factors. this study، aiming to provide a precise and efficient method، utilized the analysis of eye and hand movement patterns within the framework of the trail-making test. data from 42 healthy participants were collected while they performed the test. their eye and hand movements were accurately measured using eye-tracking technology and mouse movement tracking. features such as saccades، fixations، blinks، and mouse movement speed were extracted. a random forest model was then trained using these features to predict attention levels. the results indicate that the model achieved a coefficient of determination r² score of 72%، demonstrating its ability to predict attention levels accurately. these findings confirm that eye and hand movement patterns can serve as reliable indicators for attention assessment. therefore، applying machine learning techniques to analyze eye and hand movement data presents a reliable approach for evaluating attention levels in real-world settings. beyond its scientific and research significance، this approach has practical applications in various fields، including education، clinical psychology، and the design of human-computer interaction systems.