КОМПЛЕКСНА МОДЕЛЬ ОЦІНЮВАННЯ ЕФЕКТИВНОСТІ VR/AR-СИМУЛЯТОРІВ З УРАХУВАННЯМ КОГНІТИВНОГО НАВАНТАЖЕННЯ КОРИСТУВАЧА
DOI:
https://doi.org/10.53920/ITS-2025-1;2-7Ключові слова:
VR/AR, когнітивне навантаження, ефективність симулятора, HCI, k-індекс, машинне навчання, латентністьАнотація
У статті представлено комплексну модель оцінювання ефективності VR/AR-симуляторів, яка поєднує параметри продуктивності системи, когнітивне навантаження користувача та динаміку інтерактивної взаємодії. Актуальність дослідження зумовлена швидким поширенням VR/AR-технологій у навчанні, медицині, промисловості та гейміфікованих тренажерах, де коректне вимірювання ефективності симуляторів є важливим для подальшої оптимізації користувацького досвіду. На відміну від традиційних технікоорієнтованих підходів, запропонована методика включає інтегральний k-індекс ефективності, що поєднує системні параметри (латентність, хаос середовища, складність завдання) із когнітивними характеристиками користувача (швидкість реакції, помилки, втомлюваність).
Модель побудовано на основі аналітичного апарату HCI, експоненційної функції насичення для опису когнітивного навантаження та алгоритмів машинного навчання для прогнозування ключових показників. Реалізовано Python-модуль, який генерує синтетичний датасет, оцінює когнітивне навантаження і прогнозує значення k-індексу в умовах зміни латентності, хаосу та складності завдань. Проведений аналіз часткових похідних показав, що k-індекс найбільш чутливо реагує на латентність і дистрактори середовища, що узгоджується з відомими закономірностями HCI-досліджень.
У роботі також наведено порівняння з базовими моделями прогнозування ефективності VR/AR-систем. Ансамблеві методи, зокрема Gradient Boosting, забезпечили найвищу точність (MAE = 0.002376; R2 = 0.997713), перевершивши базові підходи приблизно на 38% за точністю оцінювання інтегрального показника. Модель продемонструвала здатність масштабуватися для різних типів симуляторів за рахунок гнучкої зміни вагових коефіцієнтів k-індексу. Запропонована методика може бути використана для побудови адаптивних VR/AR-систем, що динамічно підлаштовуються під стан користувача, а також для аналітичної валідації навчальних і тренувальних симуляційних середовищ.
