ML-Assisted Cognitive Characterization of Human Problem Solving Behaviors through Visuo-Spatial Game
Diese Studie nutzte einen Ensemble-basierten Random-Forest-Klassifikator und -Regressor auf Eye-Tracking-Daten aus einem visuo-spatialen Spiel, um Spieler erfolgreich in distinkte Verhaltensgruppen zu kategorisieren, wobei zwischen Solvern (Experten und persistente Spieler) und Nicht-Solvern (Versuchende und Abbrecher) basierend auf ihren Blick- und Gameplay-Mustern unterschieden wurde.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Der menschliche Geist ist ein Meister der Navigation, der ständig die Welt scannt, um Muster zu finden, Rätsel zu lösen und Ziele zu erreichen. Jahrzehntelang haben Wissenschaftler versucht zu verstehen, wie wir das tun, indem sie beobachten, was wir tun: die Züge, die wir machen, die Entscheidungen, die wir treffen, und die Strategien, die wir anwenden. Doch ein bedeutender Teil dieser geistigen Arbeit findet statt, noch bevor wir handeln. Es geschieht in der Art und Weise, wie sich unsere Augen bewegen, von einem Punkt zum anderen springen, bei Details verweilen oder das Gesamtbild scannen. Diese Augenbewegungen sind nicht zufällig; sie sind ein direktes Fenster in unseren Denkprozess. Wenn wir uns mit einem Problem befassen, offenbaren unsere Augen, ob wir verwirrt sind, ob wir einen Weg nach vorne gefunden haben oder ob wir in einer Schleife aus Versuch und Irrtum feststecken. Durch das Studium dieser visuellen Gewohnheiten können Forscher die unsichtbare Architektur der menschlichen Problemlösung erkennen und unterscheiden, wer kurz vor einem Durchbruch steht und wer lediglich umherwandert.
Ein Team von Forschern am Indian Institute of Technology Kharagpur beschloss, diese Idee mithilfe eines klassischen Rätsels und eines modernen Werkzeugs auf die Probe zu stellen. Sie versammelten eine Gruppe von Erwachsenen und baten sie, ein spezifisches Arten von visuellem Rätsel zu lösen, das als 8-Fliesen-Anordnungspiel bekannt ist. In diesem Spiel ist ein Bild in neun Blöcke unterteilt, wobei ein Block entfernt wurde (speziell die Fliese unten rechts), wodurch eine Lücke entsteht. Der Spieler muss die Bildfliesen in den leeren Raum schieben, um das ursprüngliche Bild zu rekonstruieren. Es klingt einfach, aber der Weg zur Lösung ist selten geradlinig. Die Forscher statteten den Teilnehmern ein Eye-Tracking-Gerät aus, einer Kamera, die genau aufzeichnet, wohin eine Person schaut und wie lange, und dabei tausende von Datenpunkten pro Sekunde erfasst. Während die Spieler die Fliesen bewegten, zeichnete die Maschine ihren Blick auf und erstellte eine detaillierte Karte ihrer Aufmerksamkeit. Das Ziel war nicht nur zu sehen, wer das Rätsel löste, sondern zu verstehen, wie sich ihre Augen unterschiedlich bewegten, je nachdem, ob sie erfolgreich waren, wie lange sie kämpften oder ob sie ganz aufgaben.
Die Forscher nutzten ein leistungsstarkes Computerprogramm, eine Art Machine-Learning-Modell, um die Eye-Tracking-Daten zu analysieren. Sie betrachteten nicht allein das Endergebnis; stattdessen beobachteten sie die Geschichte Zug für Zug. Sie entdeckten, dass die Augen der Spieler eine klare Geschichte erzählten, noch bevor das Rätsel beendet war. Der Computer konnte zwei Hauptgruppen unterscheiden: diejenigen, die das Rätsel schließlich lösten, die sie „Solver“ (Löser) nannten, und diejenigen, die es nicht taten, die sie „Non-solver“ (Nicht-Löser) nannten. Der Unterschied lag nicht darin, wie viele Züge sie machten, sondern im Rhythmus und Muster ihres Blicks. Die Solver zeigten ein distinktes visuelles Verhalten, das der Computer mit hoher Genauigkeit identifizieren konnte, oft schon innerhalb der ersten paar Züge des Spiels. Dies deutet darauf hin, dass die Art und Weise, wie eine Person ein Problem betrachtet, ihre Strategie fast unmittelbar offenbart.
Doch die Geschichte endete nicht nur mit zwei Gruppen. Die Forsntcher fanden heraus, dass innerhalb der Solver zwei sehr unterschiedliche Arten von Denkern existierten. Die erste Gruppe, die „Experten“, näherte sich dem Rätsel mit einem stetigen, strategischen Blick. Ihr Blick war fokussiert und effizient und bewegte sich zielgerichtet auf die Lösung zu. Die zweite Gruppe, die „Persistent players“ (Beharrlichen Spieler), löste das Rätsel ebenfalls, aber ihre Augen erzählten eine andere Geschichte. Sie waren erratisch, sprangen hin und her, kehrten zu Bereichen zurück und zeigten Anzeichen von Verwirrung, bevor sie schließlich ihren Weg fanden. Sie lösten das Problem, aber sie taten dies, indem sie durch die Möglichkeiten wanderten, anstatt den Pfad von Anfang an klar zu sehen. Ähnlich verhielt es sich mit den Non-solvern; sie waren nicht alle gleich. Einige, die „Triers“ (Versuchende), verbrachten viel Zeit damit, das Rätsel zu lösen. Ihre Augen zeigten eine Mischung aus Anstrengung und Exploration; sie suchten nach der Antwort, testeten Ideen und kamen manchmal sogar der Lösung sehr nahe, bevor sie aufgaben. Die andere Gruppe, die „Quitters“ (Aufgeber), zeigte einen Mangel an Engagement. Ihre Blickmuster deuteten darauf hin, dass sie keine wirkliche Absicht hatten, die Lösung zu finden; sie erkundeten nichts, sie warteten einfach nur darauf, dass das Spiel endet.
Eine der frappierendsten Erkenntnisse war, wie früh diese Unterschiede auftraten. Das Computermodell konnte mit großer Gewissheit vorhersagen, ob ein Spieler Erfolg haben oder scheitern würde, indem es nur einen winzigen Bruchteil des Spiels beobachtete. Dieser „Sattelpunkt“, wie die Forscher ihn nannten, ist der Moment, in dem sich das Verhalten eines Spielers in ein klares Muster stabilisiert. Für die Experten geschah dies fast augenblicklich. Für die Triers dauerte es etwas länger, während sie das Spielfeld erkundeten, aber ihr Muster des Versuchens war dennoch deutlich verschieden von den Quitters, die kein solches Muster des Bemühens zeigten. Die Studie untersuchte auch, wie gut der Computer die Zukunft des Spiels vorhersagen konnte. Durch das Beobachten der frühen Augenbewegungen konnte das Modell abschätzen, wie viele weitere Züge ein Spieler benötigen würde, um fertig zu werden, oder wie lange er weiterspielen würde, bevor er aufgab. Die Vorhersagen waren am genauesten, wenn der Computer auf spezifische Typen von Spielern trainiert wurde und die einzigartige „Sprache“ der Experten oder die spezifischen Kämpfe der Triers lernte.
Die Forscher betrachteten auch das Rauschen in den Daten, um den mentalen Zustand der Spieler zu verstehen. Sie fanden heraus, dass die Experten ein sehr klares, stetiges Signal in ihren Augenbewegungen hatten, was auf einen ruhigen und selbstbewussten Geist hindeutete. Die Persistent players hingegen hatten ein viel verrauschteres Signal, mit Augen, die mehr umher sprangen, was die mentale Anstrengung widerspiegelte, die Dinge beim Lernen herauszufinden. Auch die Triers zeigten dieses verrauschte, fluktuierende Muster, was sinnvoll ist, da sie aktiv nach einer Lösung suchten, die sie nicht ganz greifen konnten. Die Quitters hingegen zeigten eine andere Art von Stabilität, eine, die aus Desengagement geboren war und nicht aus Fokus. Diese Forschung legt nahe, dass die Art und Weise, wie wir ein Problem betrachten, ein sensibler Indikator für unsere kognitive Strategie ist. Sie offenbart, ob wir tief nachdenken, ob wir in einer Schleife feststecken oder ob wir das Interesse verloren haben.
Diese Studie bietet eine neue Art, menschliche Intelligenz zu verstehen – nicht dadurch, was Menschen sagen, was sie tun, sondern dadurch, was ihre Augen offenbaren, was sie denken. Sie zeigt, dass Problemlösung keine einzelne Fähigkeit ist, sondern eine Sammlung verschiedener Verhaltensweisen, von der strategischen Klarheit des Experten bis hin zur entschlossenen, aber verwirrten Suche der Triers. Die Fähigkeit, diese Muster so früh in einer Aufgabe zu erkennen, könnte für Pädagogen oder Designer wertvoll sein, die Menschen beim Lernen unterstützen wollen. Wenn ein System erkennen kann, dass ein Schüler ein „Trier“ ist, der kurz vor einer Erkenntnis steht und nur einen kleinen Anstoß braucht, könnte es im richtigen Moment den passenden Hinweis geben, um ihm zum Erfolg zu verhelfen. Umgekehrt könnte es identifizieren, wenn jemand wirklich aufgegeben hat, was eine andere Art der Intervention ermöglicht. Die Arbeit bestätigt, dass unsere Augen nicht nur passive Kameras sind; sie sind aktive Teilnehmer an unserem Denken und kartieren den Weg zu einer Lösung, noch bevor sich unsere Hände bewegen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.