Carga cognitiva y esfuerzo mental
durante el cambio de contexto en entornos de realidad aumentada con fines de
aprendizaje procedimental
Cognitive load and mental effort during context switching
in augmented reality environments for procedural learning purposes
Dra. Fernanda
Maradei-García. Profesora de planta. Universidad
Industrial de Santander, Colombia
Dr. Luis Eduardo
Bautista-Rojas. Profesor de planta. Universidad
Industrial de Santander, Colombia
Dr. Gabriel
Pedraza. Profesor de planta. Universidad Industrial
de Santander, Colombia
Recibido:
2022/12/27 Revisado 2023/01/10 Aceptado: : 2023/06/15 Preprint: 2023/07/18 Publicado: 2023/09/01
Cómo citar este artículo:
Maradei-García,
F., Bautista-Rojas, L.E., & Pedraza, G. (2023). Carga cognitiva y esfuerzo
mental durante el cambio de contexto en entornos de realidad aumentada con
fines de aprendizaje procedimental [Cognitive load and mental effort during context
switching in augmented reality environments
for procedural learning purposes]. Pixel-Bit. Revista de
Medios y Educación, 68, 305-340. https://doi.org/10.12795/pixelbit.67479
RESUMEN
La Realidad Aumentada es usada en el aprendizaje procedimental
por su capacidad de mostrar información registrada en el espacio. Sin embargo,
algunos autores argumentan que podría incrementar el esfuerzo mental de los
usuarios, al requerir cambios continuos en el enfoque de atención entre el
contenido real y el contenido virtual. El objetivo es conocer la presencia de
carga cognitiva y esfuerzo mental, cuando se presentan cambios de contexto en
el uso de realidad aumentada en tareas de aprendizaje procedimental. Se ejecutó
un estudio descriptivo-inferencial para evaluar la carga cognitiva subjetiva y
el esfuerzo mental, durante actividades de aprendizaje procedimental de
anatomía de superficie de la rodilla humana. Se combinaron medidas subjetivas
basadas en auto reportes, y medidas objetivas, basadas en pupilometría y rastreo ocular.
Se evaluó la actividad de aprendizaje en treinta y cuatro participantes sin
experiencia en la actividad. Los resultados generales mostraron que la medida
de Carga Cognitiva Subjetiva y las medidas de rastreo ocular, evidencian
diferencias significativas entre los tratamientos. Sin embargo, la medida de pupilometría
no mostró diferencias.
ABSTRACT
Augmented Reality is used in procedural
learning for its ability to display spatially registered information. However,
some authors argue that it could increase users' mental effort by requiring
continuous shifts of attention between real and virtual content. The aim is to
investigate the presence of cognitive load and mental effort when context
changes occur in the use of augmented reality in procedural learning tasks. A
descriptive-inferential study was conducted to assess subjective cognitive load
and mental effort during procedural learning activities related to human knee
surface anatomy. Subjective measures based on self-reports and objective
measures based on pupillometry and eye tracking were combined. Learning
activity was evaluated in thirty-four participants with no prior experience in
the activity. The overall results indicated that the Subjective Cognitive Load
measure and eye tracking measures showed significant differences between the
treatments. However, the pupillometry measure did not show differences.
PALABRAS CLAVES· KEYWORDS
Realidad aumentada, aprendizaje virtual, esfuerzo
mental, tecnología educativa, entorno de aprendizaje
Augmented reality, virtual learning, mental effort,
educational technology, learning environment
1. Introducción
La Realidad Aumentada (RA) es una tecnología que
facilita la integración en tiempo real de información digital con el entorno
físico a través de diversos dispositivos tecnológicos (Li et al.,
2021). Geetha (Geetha & Mala,
2022) sostiene que la realidad
aumentada proporciona experiencias innovadoras destinadas a enriquecer el
proceso de aprendizaje, y Gómez menciona que esto es posible debido a las
mejoras en la percepción del usuario y la interacción con su entorno (Marrahi Gomez &
Belda-Medina, 2023). Además, autores como
Naidu argumentan que la integración de la Realidad Aumentada (RA) en la
educación puede mejorar notablemente la eficiencia y el compromiso de los
estudiantes al ofrecer una experiencia de aprendizaje tridimensional (3D) en
lugar de los medios bidimensionales (2D) tradicionales (Naidu et al.,
2023). Este impacto ha
sido especialmente evidente en el aprendizaje procedimental, como en el campo
de la formación médica (Bailey et al.,
2023), así como en la
industria del mantenimiento y ensamblaje (Saidi et al.,
2022) El aprendizaje
procedimental se refiere a la adquisición y el desarrollo de habilidades y
conocimientos relacionados con la realización de tareas o procedimientos
específicos (Rossi et al.,
2023).
De otro lado, la Teoría de la Carga Cognitiva (CLT por
su sigla en inglés) propuesta por Sweller (2018), se fundamenta en la
capacidad limitada de procesamiento de la memoria de trabajo. Baddeley (2003), define la memoria
de trabajo como un sistema dedicado que mantiene y almacena información a corto
plazo. La sobrecarga en la memoria de trabajo es identificada en los
aprendices, por altos niveles de carga cognitiva, esfuerzo mental y bajo
desempeño. Con base en la limitada capacidad de procesamiento, Mayer propone la
Teoría Cognitiva del Aprendizaje Multimedia (Luis Alejandro
Andrade-Lotero, 2012). Estas teorías
plantean premisas relacionadas con el uso de recursos cognitivos limitados y la
capacidad limitada de un aprendiz al enfrentarse con nueva información,
especialmente durante el aprendizaje procedimental. La Carga Cognitiva tiene
tres tipos: Intrínseca, Extrínseca y Germánica, y el propósito en el
aprendizaje es mantener esta carga dentro del límite para favorecer el
aprendizaje. Según (Henderson, 2011), la Interfaz Gráfica
de usuario se encarga de visualizar información procedimental como:
Instrucciones, etiquetas, advertencias, entre otras. Por tanto, la tecnología
usada para visualizar la información, deberá enfocarse en mantener una carga
baja en la memoria de trabajo (Dankelman
et al., 2005; Lim et al., 2009; Maggio et al., 2015; Melo, 2018;
Melo & Miranda, 2016; Vandewaetere et al., 2015), para evitar alta
carga cognitiva y esfuerzo mental. Esto permite crear condiciones favorables
para el desempeño y aprendizaje, por tanto se debe centrar en cómo diseñar la
tecnología multimedia para facilitar el procesamiento cognitivo (Krüger &
Bodemer, 2022).
De otro lado, autores como Arefin (Arefin et al., 2022) y Eiberger Eiberger et al.
(2019), consideran que en
la Realidad Aumentada que usa dispositivos de visión óptica (Optical
see-through - OST) a menudo a través de una pantalla montada en la cabeza
(Head-Mounted Display HMD), es frecuente que el usuario deba realizar continuos
Cambios de Contexto. Es decir, el cambio de la atención visual y cognitiva
entre la información real y la virtual con el propósito de integrar la
información (Arefin et al.,
2022). Según Bang, estos
cambios de contexto introducen carga cognitiva y esfuerzo mental en el usuario
y podría afectar la capacidad de integrar la información percibida por el
participante (Bang et al.,
2020). Otros autores, como
Drouot
(Drouot et al.,
2021), Arefin (Arefin et al.,
2020), Condino et al. (2019) y Rashid et al. (2011), consideran que
estos cambios de contexto afectan el desempeño visual de los usuarios. Así
mismo, algunos investigadores consideran que el uso de esta tecnología puede
causar esfuerzo mental y carga cognitiva en los usuarios (Buchner et al.,
2021), lo que podría
afectar el aprendizaje. Por ejemplo, (Huckauf et al.,
2010) identificó la
influencia del cambio de contexto evaluado entre dos dispositivos: una pantalla
y un HMD (Head-Mounted Display), al observar imágenes en el laboratorio. Se
identificó que la capacidad perceptiva de integrar información virtual y
real se ve afectada por los cambios en el enfoque, aumentando en promedio el tiempo
de la tarea en un 10%. Otros autores, han estudiado el estudio del cambio de
contexto, Rashid (Rashid et al.,
2012), evaluó
empíricamente los cambios de contexto en pantallas. Los resultados mostraron
que, para tareas de alta complejidad, los participantes fueron más rápidos y
reportaron menor esfuerzo, aunque para tareas simples, el esfuerzo reportado
fue mayor. Sin embargo, Eiberger obtuvo resultados opuestos. En este estudio
evaluó los cambios de contexto en dispositivos vestibles y visualizadas con HMD
(Head-Mounted Display). Se observó un impacto significativo que degrada
el tiempo de la tarea y aumento cantidad de errores. Estos cambios afectaron la
capacidad de integrar la información, debido a la alta carga percibida
por el participante en el Test Nasa-TXL (Task Load Index en inglés) (Eiberger
et al., 2019). De la misma forma, (Condino et al.,
2019), evaluó los cambios
de contexto en Realidad Aumentada con HMD y usadas para guiar la ejecución de
una tarea procedimental. Los resultados no mostraron diferencias significativas
en la carga cognitiva. Sin embargo, como lo evidencia los resultados
contradictorios de los estudios de Dunleavy (Dunleavy
et al., 2009), Bujak (Bujak et al.,
2013) y Lai (Lai et al.,
2019), no existe consenso
sobre el costo cognitivo del cambio de contexto cuando se usa RA y dispositivos
HMD en el aprendizaje (Buchner et al.,
2021). Estos resultados
pudrían presentarse dado que no se distingue entre el tipo de carga cognitiva,
ya que son pocos los estudios que han analizado de forma separada los tipos de
carga cognitiva en aplicaciones de RA (Buchner et al.,
2021). En este sentido,
Peeters (Peeters et al.,
2023) realizó el primer
estudio de la RA en aplicaciones educativas y evaluó la carga cognitiva de
forma separada, encontrando mayor carga cognitiva Intrínseca y Extrínseca en
RA, pero en comparación con medios físicos no digitales. En conclusión, los
estudios encontrados, sugieren un impacto de cambio de contexto en los
resultados de carga cognitiva y esfuerzo mental, pero aún no existe consenso
con respecto. De igual forma, pocos de los estudios realizados, se ejecutaron
con propósitos de educativos o usando métodos cuantitativos como el rastreo
ocular (Buchner et al.,
2021) o distinguiendo
entre los tipos de carga cognitiva.
Por lo anterior, el objetivo de este estudio es conocer el
posible impacto del cambio de contexto, con el uso de dispositivos HMD en tareas
de aprendizaje procedimental; y responder a la pregunta: ¿El cambio de contexto
que se presente en el uso de realidad aumentada en el aprendizaje procedimental
afecta la carga cognitiva y el esfuerzo mental de las personas? Para responder
a esta pregunta, se tienen dos hipótesis: H1: La Carga cognitiva subjetiva
es diferente cuando hay cambio de contexto que cuando no hay cambio de
contexto; y H2: El Esfuerzo Mental es diferente cuando hay cambio de contexto
que cuando no hay cambio de contexto. Para comprobar o descartar estas
hipótesis, se diseñó y ejecutó un estudio
descriptivo-inferencial con treinta y cuatro participantes, quienes
desarrollaron tareas de aprendizaje procedimental con dos tratamientos (Con
cambio y Sin cambio de contexto). A los participantes se les evaluó la carga
cognitiva descrita en sus tres tipos: Carga Cognitiva Intrínseca, Extrínseca y
Germánica, mediante el test de Klepsh (Klepsch &
Seufert, 2020). De igual forma, fue
valuado el esfuerzo mental mediante pupilometría y rastreo ocular, usando
el Delta de dilatación pupilar, y la duración y Cantidad de fijaciones en el
área de Interés (AOI por su sigla en inglés). Los resultados de este estudio
aportan al conocimiento de la Realidad Aumentada y HMD como herramienta de
aprendizaje, especialmente al conocimiento de la carga cognitiva que la
tecnología podría introducir en el proceso. Esta información ayudará a
los expertos en educación a seleccionar tecnologías de aprendizaje conociendo
las ventajas y limitaciones existentes en dicha tecnología.
2. Metodología
Se diseñó y ejecutó un estudio experimental
con 34 usuarios. Así mismo, se implementó un prototipo funcional para el
aprendizaje de anatomía de superficie de rodilla usando RA.
2.1. Consideraciones éticas
El proyecto fue aprobado por el Comité de Ética e
Investigación Científica de la Universidad Industrial de Santander (CEINCI). El
experimento requirió la instrumentación de los participantes con dispositivos
de medición. Sin embargo, no fue invasivo y por lo tanto clasificado como: Sin
Riesgo. Se leyó y firmó el consentimiento informado con cada participante.
Además, la información de los participantes fue codificada para garantizar el
manejo confidencial de los datos.
2.2. Descripción de
los participantes
El grupo de participantes está compuesto por
estudiantes universitarios y profesionales recién egresados de diversas áreas
de conocimiento, sin conocimiento de anatomía de superficie de rodilla y sin
experiencia en el uso de gafas de Realidad Aumentada. Los participantes de la
prueba experimental fueron hombres y mujeres en proporciones similares. El
rango de edad estuvo entre 18 y 28 años, con un promedio de 22,4 años. Del
total de participantes el 23,5 % (n=8) usan gafas para corregir su visión y el
76,4% (n=26) manifestó no usar gafas. En la Tabla 1, se resumen los datos
generales del grupo.
Tabla 1
Descripción de
los Participantes
Edad Uso de Gafas
Frecuencia Porcentaje Promedio (años) SI NO
(n) (%) (n) % (n) %
Sexo Masculino 18 52,9 23,28 4 22,2 14 77,78
Femenino 16 47,1 21,50 4 25,00 12 75,00
TOTAL 34 100% 22,44 8 23,53 26 76,47
2.3. Diseño de
estudio
2.3.1. Hipótesis
Se
propuso las siguientes hipótesis:
H1: La Carga
cognitiva es diferente cuando hay cambio de contexto que cuando no hay cambio
de contexto.
H2: El Esfuerzo Mental es diferente cuando hay cambio
de contexto que cuando no hay cambio de contexto.
2.3.2. Definición de
variables
Con
base en la hipótesis, se utilizó un diseño factorial univariado. El factor de cambio
de contexto (A) influye en la carga cognitiva subjetiva (Y1) y en el esfuerzo
mental (Y2). Las variables dependientes e independientes y la herramienta
utilizada para la recopilación de datos se describen a continuación.
·
Variable independiente – factor A: cambio de context
El factor A, definido como el cambio de contexto
tiene dos categorías:
1. Con cambio de
contexto: Modelo de Rodilla real e interfaz gráfica de usuario virtual.
2. Sin cambio de
contexto: Modelo de Rodilla Virtual e interfaz gráfica de usuario virtual.
Para el tratamiento “Con cambio de contexto” se usó el
modelo físico de rodilla mostrado en la Figura 1 junto al material de
instrucción que mostró el procedimiento para identificar puntos anatómicos y
para localizar la estructura, proyectada en las gafas de realidad aumentada
Hololens2.
Para el tratamiento b) Sin cambio de contexto, se usó
el modelo virtual de rodilla mostrado en la Figura 2 junto al material de
instrucción muestra el procedimiento.
Figura 2. Tratamiento
sin cambio de contexto.
Variables dependientes – carga cognitiva y esfuerzo
mental
La
respuesta (Y1), definida como carga cognitiva. Es definida por Paas (Paas et
al., 2010) como una construcción multidimensional que representa la carga que impone
la realización de una tarea particular en el sistema cognitivo del estudiante.
A su vez, está compuesta por la Carga Cognitiva Intrínseca, es aquella carga
inherente a la complejidad de la tarea y al nivel de experiencia del aprendiz;
la Carga Cognitiva Extrínseca, es aquella carga innecesaria que satura,
contamina y afecta la memoria de trabajo; la Carga Cognitiva Germánica (o
relevante), es la directamente responsable de contribuir al aprendizaje (Luis
Alejandro Andrade-Lotero, 2012). Estos tipos de carga son aditivos y se busca
ampliar la capacidad libre, haciendo una reducción de alguno de los tipos de
carga y evitar que la carga instantánea supere el límite de capacidad cognitiva
del estudiante (Luis Alejandro Andrade-Lotero, 2012).
Figura 3
Carga Cognitiva y sus tipos. Adaptado de (Paas et al., 2010)
Esta variable se estudió en función del auto-reporte realizado
por el participante. Se espera que la carga cognitiva sea mayor en presencia
del estímulo “Con cambio de contexto”, especialmente en la dimensión
Extrínseca, dado que los cambios de contexto introducen esfuerzo mental en el
participante, específicamente originados por la interfaz de usuario y que se
evidencian en valores de ECL mayores.
El Esfuerzo mental (Y2), se analizó con base en
medidas de rastreo ocular: 1) tiempo de fijación en el área de interés (AOI),
2) cantidad de fijaciones en el área de interés (AOI) y 3) Delta de Dilatación
pupilar. Se esperan Duración de fijación en AOI, menores en presencia del
estímulo “Con cambio de contexto”. Ya que la disminución del tiempo de fijación
en AOI, es un indicador de mayor esfuerzo mental, además según Zu (Zu et al.,
2018), es la medida de
rastreo ocular más sensible a la Carga cognitiva extrínseca. Así mismo, para la
Cantidad de fijaciones en el AOI, se espera un valor mayor para el estímulo
“Con cambio de contexto”, dado que esta medida junto al tiempo evidencia
esfuerzo mental, tal como lo menciona Zagerman (Zagermann
et al., 2016), quien afirma que a
mayor cantidad de fijaciones en un AIO, se eleva el esfuerzo mental, al
evidenciar que posiblemente el aprendiz tiene dificultad para comprender el
contenido. Finalmente, para el Delta de dilatación pupilar se espera que en
presencia del estímulo “Con cambio de contexto” esta medida sea mayor, es decir
como lo menciona Jarodzka (Jarodzka
et al., 2015) el aumento de la
dilatación pupilar indica mayor esfuerzo mental.
Duración de fijación en AOI
La Duración
de fijación en AOI 
es la cantidad total de tiempo dedicado a
mirar dentro de un Área de Interés (AOI) y se definió usando la ecuación 1.
Donde 
es el número de todas las fijaciones en el AOI
durante el tratamiento y (Tf) es el
tiempo de cada fijación.
Cantidad de fijaciones en AOI
La cantidad
de fijaciones (
es el número de veces que el participante miró
el área de interés AOI y se definió empleando la ecuación (2). Donde 
es una fijación en el Área de Interés (AOI)
durante el tratamiento y 
el tiempo de duración del tratamiento.
Delta de dilatación pupilar
Integral de
la dilatación de la pupila: la integración de la dilatación de la pupila
demuestra el porcentaje de aumento de la dilatación de la pupila por
tratamiento para el participante, como lo muestra (Majooni et al, 2016). Donde,
PD (3) es la Integral normalizada de la diferencia del diámetro pupilar de cada
participante durante el tratamiento. P es el diámetro pupilar del participante,
T el tiempo.
|
|
(3) |
2.3.3. Herramientas
A continuación, se
describen los equipos y herramientas para la captura los datos.
Cuestionario de Carga Cognitiva de Klepsch: La carga cognitiva
subjetiva reportada fue establecida usando el test de Klepsch (Klepsch &
Seufert, 2020). Este herramienta
tiene un valor alfa de Cronbach: α + = 0.776 para
ICL, α + = 0.798 para ECL y α + = 0.734
para GCL (Krieglstein
et al., 2022). Esto indica alta
fiabilidad, una sólida consistencia interna y confiabilidad para medir la carga
cognitiva. Klepsh usa un auto-reporte de ocho preguntas puntuadas
a partir de una escala de Likert de 7 puntos, se establece la carga cognitiva
diferenciada en tres tipos: carga cognitiva intrínseca (ICL), carga cognitiva
germánica (GCL) y Carga Cognitiva Extrínseca (ECL) de manera separada. Estos
tipos de carga son aditivos. La dimensión ICL, se relaciona con la percepción
de dificultad originada en el desarrollo de la tarea. La Dimensión GCL,
describe la carga positiva que permite el desarrollo del aprendizaje. La
dimensión ECL de la Carca Cognitiva, está directamente relacionada con el
diseño visual del material, por lo que es una medida sensible al diseño y
codificación visual del mismo y permite cuantificar el impacto en la carga
percibida por el participante. Por tanto, es una medida de interés en este
experimento al estar relacionada con la interfaz de usuario.
Gafas SMI: Gafas de seguimiento
ocular (ETG) móvil, producidas por la empresa SensoMotoric Instruments. Con una
tasa de rastreo de 60 Hz y 0, 5º de Precisión. Realiza el rastreo
binocular con compensación Parallax en un campo de visualización de 60º
horizontal y 46º vertical y compensación a cambios de iluminación. Los
datos capturados por las gafas fueron procesados en el software BeGaze 3.7.
Microsoft
Hololens 2: Dispositivo Holográfico autónomo que implementa
Realidad Mixta/Aumentada de la Corporación Microsoft. El dispositivo proyectó
imágenes con lentes holográficas transparentes para reducir la fatiga.
Igualmente, con el software Unity se desarrolló los prototipos que sirvieron
para ejecutar los tratamientos..
2.4.
Procedimiento
La
prueba se inició leyendo el consentimiento informado al participante, para
luego solicitar su participación voluntaria y firma mecánica. Se procedió a
solicitar información demográfica: sexo, edad, nivel educativo, uso de gafas,
entre otros, y el diligenciamiento de la prueba de conocimiento previo. Después
de la evaluación, el participante realizó el tutorial First-Steps de Hololens
para familiarizarse con la tecnología, con una duración de tres minutos.
Después de cinco minutos de descanso, se instrumentó con las gafas SMI, y se
ejecutó la calibración del rastreo ocular con 3 puntos. Una vez obtenido un
nivel de calibración satisfactorio, se procedió a iniciar la captura de datos.
Terminada esta etapa, se procedió a colocar las gafas Hololens2 al
participante. Cuando todo estuvo calibrado, se le solicitó iniciar con el
prototipo, cabe resaltar que primero debía mirar fijamente un punto en la
pared, con el objetivo de establecer el basal de tamaño pupilar antes de
iniciar con el tratamiento. Las tareas ejecutadas por el participante se
repitieron para diez estructuras anatómicas superficiales de la rodilla. Según
el tratamiento asignado, las tareas fueron las siguientes:
Tratamiento
con cambio de contexto:
·
Leer las indicaciones de la estructura anatómica
mostradas en la interfaz de usuario.
·
Localizar la estructura anatómica sobre el modelo
físico.
·
Marcar con un rotulador la estructura anatómica sobre
el modelo físico.
·
Presionar el botón “siguiente” para pasar a la próxima
estructura anatómica.
Tratamiento
sin cambio de contexto:
·
Se realizaron las mismas tareas del estímulo anterior,
salvo que se usó un modelo virtual y el marcado se realizó con un control
manual que emuló el rotulador.
·
Al terminar, se le solicitó diligenciar el
Cuestionario de Klepsch.
2.5. Análisis
estadístico
El análisis estadístico se realizó a partir
de un modelo lineal general univariado, con medida repetidas como se presenta
en (4).
|
|
(4) |
Donde Y es
la variable dependiente, X es el factor aleatorio del participante, b el efecto de la
variable independiente y e el error
residual. El modelo se corrió para cada variable dependiente de interés, para
identificar las diferencias significativas de carga cognitiva y esfuerzo mental entre los
tratamientos. Se realizaron análisis
descriptivos para conocer el comportamiento interno de los datos. Finalmente,
se verificó el comportamiento paramétrico mediante la prueba Shapiro-Wilk con
un nivel de significancia del 5% y la homogeneidad de los datos mediante el
estadístico de Levene con un nivel de significancia de 5%. Se realizó una
comparación de medias mediante la prueba T-student,
donde el nivel de significancia se estableció en 5%, por lo que los valores de
p<0,05 se consideraron estadísticamente significativos. Los análisis fueron
realizados en el software SPSS V26.
3. Análisis y resultados
3.1. Carga
Cognitiva
La carga
cognitiva es obtenida mediante auto-reporte usando la escala de Klepsch, en
ella se obtiene el nivel de carga según el tipo, que el participante percibe
durante la ejecución de la actividad. En la Tabla 2, se muestran los
estadísticos descriptivos relacionados con los tipos de carga cognitiva ICL,
GCL, y ECL. La escala tiene un valor para ICL el mínimo es de 2 y el máximo de
14, para la GCL y ECL el mínimo es de 5 el máximo de 21.
Figura 4
Carga Cognitiva por tipos ICL, GCL, y ECL. Por tratamiento
3.1.1. Carga
cognitiva intrínseca (ICL)
Al
analizar descriptivamente la variable en sus tres tipos, se encuentra que la
ICL muestra un promedio superior para el factor sin cambio con 9,67 con SD (±2,41) en comparación
con el factor con cambio con 8,79 y SD (±2,32). Asimismo, el
factor sin cambio presentó una mayor varianza (ver Tabla 2).
Tabla 2
Estadísticos
descriptivos – Carga Cognitiva por tipos
El
test de normalidad a partir de la prueba Shapiro-Wilk con un nivel de
significancia de 5% presenta un p-valor= 0,417 que permite establecer el
comportamiento paramétrico de la variable. La prueba de T-student para muestras
independientes tiene un p-valor de 0,290 y un tamaño de efecto D-cohen= 0,372.
Es decir, que el cambio de contexto no influye en la ICL.
3.1.2. Carga
cognitiva germánica (GCL)
Al analizar la carga cognitiva Germánica, se observa
un promedio similar para los dos niveles del factor. El promedio para con
cambio es de 15,89 con SD (±2,8) y sin cambio de 15,93
con SD (±2,49) (ver Tabla 2).
El test de normalidad aplicado fue la prueba
Shapiro-Wilk, que obtuvo un p-valor igual a 0,506, es decir la variable tiene
comportamiento paramétrico. Asimismo, la muestra es homogénea con una prueba de
homogeneidad de varianzas de Levene con un p-valor de 0,596. En esa medida, se aplicó la prueba de
T-student para muestras independientes obteniendo un p-valor de 0,967 y tamaño
de efecto D-Cohen= 0,015. Es decir, la carga cognitiva germánica no es afectada
por el factor de cambio de contexto.
3.1.3. Carga
cognitiva extrínseca (ECL)
Por último, se analizó la Carga Cognitiva Extrínseca,
observándose un promedio mayor para el nivel sin cambio de contexto con un promedio de 11,73 con
SD (±3,4) en comparación con
el nivel con cambio con 8,37 y SD (±3,6) (ver Tabla 2).
La prueba Shapiro-Wilk mostró un p-valor de 0,225,
estableciendo la normalidad de los datos. Asimismo, la prueba
de homogeneidad de varianzas de Levene obtuvo un p-valor de 0,746, por lo
tanto, se establece la homogeneidad de la variable. Por tanto, al aplicar la
prueba T-student para muestras independientes, se obtuvo un p-valor de 0,011.
Por tanto, el cambio de contexto mostró diferencias estadísticamente
significativas en la carga cognitiva extrínseca. Es decir que el factor influye
en la Carga Cognitiva Extrínseca.
Con base en lo anterior, se calculó el tamaño del
efecto mediante del Delta de Cohen, encontrando que, el efecto es grande con un
valor de 0,938. Lo anterior, reafirma que es la Carga Cognitiva Extrínseca la
que afecta la carga cognitiva subjetiva total.
3.2. Esfuerzo mental
Esta
variable se analizó a partir de tres datos de carga cognitiva objetiva: Delta
de Diámetro pupilar, Duración de fijación en el AOI y cantidad de fijaciones en
el AOI.
3.2.1. Delta de diámetro pupilar
Se analizaron los datos del delta de variación pupilar
para el ojo derecho de los participantes. Se observa un promedio mayor para el
nivel sin cambio con un valor de 0,789 con SD (±0,90) en
comparación con el nivel con cambio
que presentó un valor promedio de 0,550 con SD (±0,94). De igual
forma, la varianza fue mayor para el nivel con cambio de contexto tal como se
observa en la Tabla 3.
La prueba Shapiro-Wilk para establecer la normalidad
para los datos del delta de variación pupilar, mostró un p-valor de 0,134 por
lo que se establece que los datos tienen un comportamiento paramétrico. Para la
homogeneidad mediante la prueba de Levene, el p-valor fue de 0,800, por lo
tanto, se establece la homogeneidad de la variable. Por último, la prueba T-student para muestras independientes, indica un p-valor de
0,461, es decir que, el cambio de contexto no mostró diferencias
estadísticamente significativas en el Delta de diámetro pupilar.
Tabla 3
Estadísticos
descriptivos – Esfuerzo Mental
3.2.2. Duración de fijaciones de AIO
El área de interés se centró en el
espacio de información donde se proyectó las indicaciones del procedimiento. Se
examinó el tiempo total de duración en el área de interés. Se observó que la
duración promedio de la fijación en al área de interés fue mayor para el nivel
con cambio de contexto, con un promedio de 4734,33 ms con SD (±625,51). Así mismo, la varianza también mayor para el
mismo nivel de tratamiento, tal como se observa en la Tabla 3.
Se estableció el comportamiento
paramétrico de la variable mediante el test de Shapiro-wilk (p-valor de 0,673).
El test de homogeneidad de Levene tiene un p-valor de 0,495 por lo que se
establece la homogeneidad de la varianza. Al aplicar la prueba T-student para
muestras independientes, el p-valor es igual a 0,031. Por tanto, el cambio de
contexto mostró diferencias estadísticamente significativas en la duración de
las fijaciones en el AOI. Es decir que el cambio de contexto influye en la
duración de las fijaciones. El cálculo del tamaño del efecto mediante el
Delta de Cohen indica que el efecto es mediano con un valor de 0,781.
3.2.3. Cantidad de fijaciones de AIO
Se analizaron los datos de cantidad
total de fijaciones en el AOI correspondiente al espacio de información. En la
Tabla 3, Se observa que la media de las fijaciones es mayor para el tratamiento
“sin cambio de contexto”, con un valor de 1782,15 con DS (±423,10) en comparación con el tratamiento “con cambio de
contexto”, donde se encontró una media de 1427 con DS (±389,75).
Se realizó un análisis para establecer
la existencia de diferencias significativas entre la cantidad de fijaciones y
el cambio de contexto. Se inició aplicando la prueba de Shapiro-wilk para
establecer la normalidad para los datos de Cantidad de fijaciones en AOI. Se
obtuvo un p-valor de 0,117, por lo que se establece el comportamiento normal de
los datos. El test de homogeneidad de Levene muestra un p-valor de 0,805 por lo
que se establece la homogeneidad de la varianza. Al aplicar la
prueba T-student para muestras independientes, se obtiene un p-valor de 0,017.
Por tanto, el cambio de contexto afecta la cantidad de las fijaciones en el
AOI. El tamaño del efecto mediante el Delta de Cohen es de 0,869 estableciendo
un efecto grande.
4. Discusión
El cambio de contexto se presenta cuando un usuario,
en este caso un aprendiz, varia continuamente su atención entre los objetos
reales y los objetos virtuales, lo que supone un incremento de la carga
cognitiva y el esfuerzo mental. Esta investigación buscó evidencia sobre la
existencia de diferencias significativas en las variables analizadas, en
presencia o no del cambio de contexto, específicamente en actividades de
aprendizaje procedimental. Para esto, evaluó la carga cognitiva y el esfuerzo
mental con treinta y cuatro participantes.
Con respecto a la carga cognitiva, se analizaron los
tipos de forma individual (Intrínseca, Extrínseca y Germánica).
Los resultados de la Carga Intrínseca, relacionada con la dificultad de la
tarea y al nivel de experiencia del aprendiz, muestran que para el tratamiento con cambio
de contexto (media=8,79) fue menor en comparación con el
tratamiento sin cambio de contexto (media=9,67).
Sin embargo, no se evidencia una diferencia estadísticamente significativa en
este tipo de carga. Estos resultados son coherentes, dado que solo se puede
esperar un cambio en el ICL, modificando la complejidad de la tarea o mejorando
el conocimiento previo específico del dominio del alumno (Krieglstein
et al., 2022), sin embargo para este
estudio el nivel de dificultad de la tarea fue el mismo para los dos
tratamientos y se verificó el bajo nivel de conocimiento previo de los
participantes. En contraste, Peeters evidenció diferencias en la ICL(Peeters et al.,
2023). Sin embargo, el
estudio evaluó dos grupos de estudio: sin RA y con RA. Por tanto, no es posible
comparar con el presente estudio, dado que no se presenta el cambio de
contexto. Para la Carga Germánica, relacionada con diseño pedagógico y el
contenido, los datos muestran valores similares. En el tratamiento sin cambio
de contexto (media=15,93) y el e tratamiento con cambio de contexto
(15,89), no se evidenciaron diferencias significativas en la Pruebas T-student (p-valor
0,976). Estos resultados son coherentes con las teorías de la Carga cognitiva.
Tal como lo menciona (Krieglstein
et al., 2022) ya que en ambos
tratamientos representan una carga similar, representando el mismo nivel
productivo, es decir, para ambos tratamientos los participantes están
invirtiendo los mismos recursos de la memoria de trabajo. Para la Carga
Extrínseca, que es la carga que satura, contamina
y afecta la memoria de trabajo, y viene determinada por la forma en que se
presentan y organizan los materiales de aprendizaje (Krieglstein
et al., 2022). En este estudio se
obtuvo, que para el tratamiento con
cambio de contexto (media=8,37) la carga fue menor en comparación con el
tratamiento sin cambio de contexto
(media=11,73). Adicionalmente, se presentaron diferencias significativas
(p-valor = 0,011) en la ECL, con un efecto grande (D-Cohen=0,938). Lo anterior
indica, que se presenta niveles mayores de Carga Cognitiva Extrínseca para el
tratamiento sin cambio de contexto,
ya que al no requerir cambios de contexto todo el contenido fue presentado de
forma aumentada, es decir virtual, lo que incrementó la cantidad de elementos
visualizados por el participante. Esto pudo haber aumentado la saturación de
objetos en el Display e indirectamente influir en la carga percibida, tal como
mencionan (Acampora
et al., 2013; Evans et al., 2017). De igual forma,
según la teoría de la carga cognitiva, el mismo material de aprendizaje puede
inducir diferentes cantidades de carga en la memoria de trabajo (Brunken et al.,
2016), ocasionadas por las
variaciones en la visualización o presentación. A la fecha, se han identificado
dos estudios que evaluaron la carga cognitiva multidimensionalmente, de la RA
en el área educativa. El primero conducido por Lai (Lai et al.,
2019), donde se evidenció
una reducción de la ECL en comparación con herramientas multimedia, con
resultados que respaldan el presente estudio. El segundo, fue conducido por Peeters (Peeters et al.,
2023). En tres experimentos
se evaluó la ECL en RA, en uno de ellos se evidenció un
alto nivel de ECL, pero en los otros no se mostró altos niveles de ECL. Por
tanto, el autor considera que no se demostró la presencia de carga Extrínseca
en el estudio. Estos estudios, a pesar de haber sido ejecutados en dispositivos
móviles, son las fuentes mas cercanas de comparación.
Considerando que los tipos de carga cognitiva son
sumativos, y que en la ICL y GCL los valores fueron similares para los dos
tratamientos, los datos sugieren una reducción de la ECL cuando existe cambio
de contexto. Lo anterior, podría evidenciar la reducción de los recursos de
carga instantánea, aumentando la capacidad libre de recursos cognitivos durante
el desarrollo de la tarea. Lo que podría implicar que el uso de RA y HMD en la
tarea procedimental propuesta cuando se presentan cambios de contexto,
requerirá menos recursos cognitivos, presentado posibles reducciones a la carga
cognitiva debido a la disponibilidad de memoria de trabajo. Esto, soporta la Hipótesis
1, mostrando que la carga cognitiva es diferente para los dos tratamiento y
posiblemente menor cuando hay cambio de contexto.
En estudios similares, donde se evaluó la carga
cognitiva unidimensionalmente, como el de Eiberger (Eiberger
et al., 2019) se encontró un alto
nivel de carga cognitiva evaluado con el Cuestionario Nasa TLX. De igual forma
en Dunleavy (Dunleavy
et al., 2009) se evidencio un
incremento en la carga cognitiva. Igualmente, Mark (2008), afirma que hubo un
efecto mayor en la carga cognitiva bajo condiciones de cambio de contexto
(p>0,03) en comparación con la condición sin cambio de contexto.
Posiblemente, porque el cambio de contexto evaluado por Mark, fue de origen
involuntario y sorpresivo, a diferencia del estímulo presentado en esta
investigación, donde el cambio es accionado por el usuario de forma voluntaria.
Esto podría introducir condiciones favorables para el desarrollo de la
actividad de aprendizaje, tal como lo menciona Ogueta (1991), quien afirma que
preparar al usuario para el estímulo, es decir aplicar la predictibilidad del
estímulo, disminuye el costo cognitivo reduciendo el tiempo y facilitando la
ejecución. De igual forma, Huckauf (2010), reporta un costo cognitivo superior
para los cambios de contexto. Sin embargo, según el autor, los cambios de
contexto se ven influenciados por la percepción de profundidad y la ubicación
del estímulo con respecto al usuario. Especialmente por la diferencia en
profundidad entre el objeto y el estímulo, lo que introduce la necesidad de un
ajuste permanente de la acomodación y vergencia del ojo del participante cuando
se usan dispositivos HMD como el Hololens 2. En esta investigación se
presentaron estímulos cuya diferencia en profundidad y percepción entre objeto
y estimulo fue mínima, evitando el efecto acomodación y vergencia reportado por
Huckauf, esto pudo
haber influido en la reducción del costo cognitivo.
En contraste, estudios como Bujak (Bujak et al.,
2013) se evidencia que el
uso de RA en educación reduce la carga cognitiva y en Lai (Lai et al.,
2019) se evidencia una
reducción de la ECL en comparación con herramientas multimedia. Sin embargo, todos
estos estudios han evaluado RA en dispositivos móviles como smartphones y
tablets. También, Condino (2019) estudió con mayor profundidad las condiciones
asociadas al dispositivo y que influyen en el cambio de contexto. Identificó
que para dispositivos HMD como el Hololens1, la rivalidad focal derivada del
cambio de contexto no afecta significativamente la carga cognitiva del usuario
al realizar tareas. Por tanto, según Condino, el cambio de contexto no influye
en la carga cognitiva cuando se usan dispositivos HMD- Optical see-through (OST).
En conclusión, Los resultados de los estudios más
recientes Peeters (Peeters et al.,
2023), (Lai et al.,
2019), (Condino et al.,
2019) aún no muestran
resultados concluyentes, por lo que se considera necesario ampliar la
investigación dado que solo se evaluó el cambio de contexto y pueden ser
múltiples los factores que afecten la carga cognitiva del usuario.
Por otro lado, con respecto al esfuerzo mental medido
en función del Delta de diámetro pupilar, según Jarodzka el
aumento de la dilatación pupilar indica mayor esfuerzo mental (Jarodzka, 2015).
El estudio mostró que, para el
tratamiento sin cambio de contexto,
el Delta de diámetro pupilar fue mayor, lo que podría evidenciar un mayor
esfuerzo mental. A pesar de esto, las diferencias no fueron significativas
(p-valor 0,461). Estos resultados, pudieron haber sido influenciados por los
numerosos cambios de iluminación que introducen ruido en el diámetro pupilar,
afectando los datos finales, especialmente cuando se evalúan factores
cognitivos, tal como lo menciona (Kret, 2019). Hennessy (1976), también afirma,
que los cambios de iluminación podrían afectar potencialmente la acomodación
espacialmente en un entorno de RA, es decir, el cambio del cristalino del ojo
humano cambia para enfocar los objetos. Por esto, es posible que, al introducir
cambios de contexto, necesariamente se requiere un proceso de acomodación que
afecta la medida. En adición, según Plass (2010), la emocionalidad es otro
elemento que puede influir en el diámetro pupilar como medida de esfuerzo
mental. Finalmente, como lo menciona Reid (2018), una situación a ser
considerada cuando se usa diámetro pupilar como media del esfuerzo mental, es
la duración del periodo de medición. Al parecer, los estímulos de corta
duración no son lo suficientemente duraderos para generar dilataciones
pupilares que evidencien la presencia de esfuerzo mental.
Con respecto, al esfuerzo mental en función de la
Duración de las fijaciones en el AOI, tal como lo afirma Jarodzka (2015), la
disminución de la duración de la fijación es un indicador de mayor esfuerzo
mental. Los resultados de este estudio muestran que el tratamiento sin cambio de contexto obtuvo una menor
duración de las fijaciones en el AOI (Media=4274,79) con respecto al
tratamiento con cambio de contexto
(Media=4734,33), mostrando que los participantes percibieron mayor esfuerzo en
el tratamiento sin cambio de contexto. Además, se evidenció una
diferencia significativa (p-valor 0,031) con un efecto grande (D-Cohen=0,78) lo
que podría indicar la presencia de esfuerzo mental para cuando no hay cambios
de contexto en Realidad Aumentada usando HMD. Estudios recientes han tratado de
despejar las dudas sobre la falta de consenso de esta medida. En una reciente
revisión de medidas de rastreo ocular, Tao et al. (2019) afirma que a
duración de la fijación disminuyó a medida que aumentó la demanda mental de la
tarea en tareas de vuelo y conducción simulado. De igual forma, Liu et al. (2022) encontró que, en
tareas de carga perceptiva alta, las fijaciones fueron menores. Resultados que
son coherentes con la teoría de la carga cognitiva, ya que como lo menciona Zu,
la duración de la fijación puede ser analizada como una medida de esfuerzo
mental que afecta la memoria de trabajo, dado que el participante debe al
almacenar en memoria de trabajo las indicaciones, reduciendo la capacidad de la
misma e incrementando el esfuerzo mental (Zu et al.,
2018). Ahora bien, los
estudios de (Zagerman, 2016), sobre el esfuerzo mental en función de la
cantidad de Fijaciones en el AOI, afirman que, a mayor cantidad de fijaciones
en un AIO, se eleva la carga cognitiva, al evidenciar que posiblemente el
aprendiz tiene dificultad para comprender el contenido. Los
resultados mostraron una mayor cantidad de fijaciones para el tratamiento sin cambio de contexto (Media=0,789) en
comparación con el tratamiento Con cambio
de contexto (Media=0,55), adicionalmente
se identificaron diferencias significativas (p-valor=0,017) con un efecto
grande (D-Cohen=0,869). Lo anterior, sugiere que el esfuerzo mental en el
participante es mayor cuando no se presentan cambios de contexto, tal como lo
indica Zagerman. Finalmente, este estudio muestra que existen diferencias
significativas en las medidas de Duración de Fijaciones en AOI y Cantidad de
Fijaciones en AOI, pero no en el Delta de Diámetro pupilar, soportando
parcialmente la Hipótesis 2.
5. Conclusión
En este estudio, se analizó el cambio de contexto
presente en actividades de aprendizaje cuando se usa realidad aumentada. Se
evaluó la presencia de carga cognitiva ECL, ICL y GCL y esfuerzo mental, en
material de instrucción para aprendizaje procedimental anatómico de rodilla
usando realidad aumentada y objetos físicos. Se evidenció que cuando se
presenta cambio de contexto, la carga cognitiva extrínseca ECL es menor, lo que
sugiere el aumento de los recursos cognitivos necesarios para ejecutar la
tarea. Los resultados sugieren, que el cambio de contexto entre los objetos
reales y la información virtualizada, podría no generar un consumo mayor de
recursos cognitivos. Se identificó parcialmente esfuerzo mental en las medidas
de Eye Tracking pero no el Delta de Diámetro Pupilar, en las actividades de
aprendizaje procedimental evaluadas en el espacio peri-personal del
participante. Estos hallazgos respaldan parcialmente la hipótesis de que la
presencia o ausencia de cambios de contexto influye en el esfuerzo mental
percibido por los participantes. Sin embargo, es importante considerar la
complejidad de las medidas y las posibles influencias de otros factores en la
percepción del esfuerzo mental. Estudios futuros pueden profundizar en estas
relaciones y explorar aún más la interacción entre la Realidad Aumentada y la carga
cognitiva
6. Limitaciones del
estudio
Los resultados del estudio pueden tener algunas
limitaciones debidas a la muestra y población de participantes. Si bien, fueron
universitario y profesionales recién egresados, no son expertos en las áreas
médicas. Este factor puede afectar los resultados de cargas cognitivas
intrínsecas, dado que se sabe que este tipo de carga pude verse influenciada no
solo por la complejidad de la tarea, sino también por la experiencia del
aprendiz. Para un novato puede resultar difícil una tarea que es fácil para un
experto (Luis Alejandro Andrade-Lotero, 2012). En ese sentido, los resultados
obtenidos del estudio muestran diferencias entre las medias, pero al
compararlas por medio del estadístico de prueba t-student, se consideran
iguales. El uso de gafas en el 23,53% de los participantes, es otra de las
limitaciones del estudio, dado que se ha encontrado que pueden afectar la
correcta calibración de los equipos de medida eye tracking (Goldberg &
Wichansky, 2003). Así mismo, se
analizó el delta de dilatación para el estímulo, pero no se realizó un análisis
continuo del diámetro pupilar durante el estímulo. Esto podría arrojar
información de picos de dilatación instantánea que no pueden ser percibidos por
el delta de dilatación (Majooni et al.,
2016).
5. Financiación
Los investigadores expresan su
agradecimiento a la Universidad Industrial de Santander y a los grupos de
investigación GEPS e INTERFAZ adscritos a la misma universidad, por el apoyo en
la ejecución de este estudio.
Cognitive load and mental
effort during context switching in augmented reality environments for
procedural learning purposes
1. Introduction
Augmented reality (AR) enables
the real-time integration of digital information into the physical environment
through various technological devices (Li et al., 2021). Geetha (Geetha & Mala, 2022) argues that augmented reality provides innovative experiences aimed at
enriching the learning process, and Gomez mentions that this is possible due to
improvements in user perception and interaction with their environment (Marrahi Gomez & Belda-Medina, 2023). Authors such as Naidu contend that the integration of AR into
education can significantly enhance students' efficiency and engagement by
offering a three-dimensional (3D) learning experience to replace traditional
two-dimensional (2D) media (Naidu et al., 2023). This has been particularly evident in procedural learning, such as in
the field of medical training (Bailey et al., 2023), and in the maintenance and assembly industry (Saidi et al., 2022). Procedural learning is the acquisition and development of skills and
knowledge related to the execution of specific tasks or procedures (Rossi et al., 2023).
Cognitive load theory (CLT),
on the other hand, as proposed by Sweller (2018), is based on the limited processing capacity of working memory. Baddeley (2003), defines working memory as a dedicated system that maintains and stores
information in the short term. The overload in working memory is identified in
learners by high levels of cognitive load, mental effort, and low performance.
Based on the limited processing capacity, Mayer proposes the cognitive theory of
multimedia learning (Luis Alejandro Andrade-Lotero, 2012). These theories put forth premises related to the use of limited
cognitive resources and the learner’s limited capacity when confronted with new
information, especially during procedural learning. Cognitive load consists of
three types: intrinsic, extraneous, and germane, and the goal in learning is to
keep this load within certain limits that promote learning. According to (Henderson, 2011), the user interface is responsible for displaying procedural
information such as instructions, labels, and warnings, among others. Thus, the
technology used to display information should focus on maintaining a low load
on working memory (Dankelman et al., 2005; Lim et al., 2009; Maggio et al.,
2015; Melo, 2018; Melo & Miranda, 2016; Vandewaetere et al., 2015), to avoid high cognitive load and mental effort. This fosters
conditions that are conducive for both performance and learning, highlighting
the need to focus on designing multimedia technology that aids cognitive processing
(Krüger & Bodemer, 2022).
Authors such as Arefin (Arefin et al., 2022) and Eiberger (Eiberger et al. (2019), consider that in Augmented Reality using optical see-through (OST)
devices, often through a head-mounted display (HMD), it is common for the user
to make continuous Context Switches. That is, shifting visual and cognitive
attention between real and virtual information with the purpose of integrating
such information (Arefin et al., 2022). According to Bang, context switching introduces cognitive load and
mental effort for the user and could impact their ability to integrate the
perceived information (Bang et al., 2020). Other authors, such as Drouot (Drouot et al., 2021), Arefin (Arefin et al., 2020), Condino et al. (2019) and Rashid et al. (2011), argue that context
switching affects users' visual performance, while other researchers believe that the use of
this technology can lead to mental effort and cognitive
load in users (Buchner et al., 2021). This would, in turn, impact learning. For instance, (Huckauf et al., 2010) identified the influence of context switching between two devices —a
screen and a an HMD— while observing images in a laboratory setting. They found
that the perceptual ability to integrate virtual and real information is
affected by a shift in focus, increasing the task time, on average, by 10%. Other
authors that have explored context switching, such as Rashid (Rashid et al., 2012) for example, have empirically evaluated context switching on screens.
The results indicated that participants were quicker and reported less effort
while completing highly complex tasks than they were for simple tasks. However,
Eiberger obtained contrasting results. In a study in which he evaluated context
switching on wearable devices, visualizing them using an HMD, there appeared to
be a significant impact, leading to degraded task completion times and an
increased number of errors. These shifts affected the participants’ ability to
integrate information due to the high perceived load measured by the NASA-TXL
(Task Load Index) (Eiberger et al., 2019). Condino et al. (2019), assessed context switching in augmented reality with HMDs used to
guide the execution of a procedural task. The results did not show significant
differences in cognitive load. However, as evinced by the contradictory
findings in studies by Dunleavy (Dunleavy et al., 2009), Bujak (Bujak et al., 2013), and Lai (Lai et al., 2019), there is no consensus regarding the cognitive cost of context
switching when using AR and HMD devices in learning (Buchner et al., 2021). These results could be attributed to the lack of differentiation
between types of cognitive load, as there are few studies that have separately
analyzed the types of cognitive load in AR applications (Buchner et al., 2021). In this regard, Peeters (Peeters et al., 2023) conducted the first study on AR in educational applications and
assessed cognitive load separately, finding higher intrinsic and extraneous
cognitive load in AR compared to non-digital physical media. In conclusion, the
studies reviewed suggest an impact of context switching on cognitive load and
mental effort outcomes, but there is still no consensus on this matter.
Moreover, only a few of the studies conducted were for educational purposes,
employed quantitative methods such as eye tracking (Buchner et al., 2021), or distinguished between types of cognitive load.
Based on the foregoing, the
objective of this study is to investigate the potential impact of context
switching when using HMD devices in procedural learning tasks and to address
the question: Does context switching in the use of AR in procedural learning
affect people's cognitive load and mental effort? To answer this question, two
hypotheses have been formulated: H1: Cognitive load differs when context
switching is present compared to when there is no context switching, and H2:
Mental effort differs when context switching is present compared to when there
is no context switching. To test or reject these hypotheses, a
descriptive-inferential study involving 34 participants was designed and
implemented. These participants engaged in procedural learning tasks under two
conditions (with context switching and without context switching). Cognitive
load was evaluated in all three of its types: intrinsic, extraneous, and
germane, using the Klepsh Questionnaire (Klepsch & Seufert, 2020) while mental effort was assessed using pupillometry and eye tracking,
using pupil dilation, fixation duration and the fixation count within the area
of interest (AOI). The results of this study contribute to the understanding of
AR and HMD as a learning tool, particularly in terms of the cognitive load that
technology may introduce into the learning process. This information will
assist education experts in selecting learning technologies while being aware
of the advantages and limitations inherent in such technology.
2. Methodology
An experimental study
involving 34 users was designed and implemented as well as a functional
prototype for learning about the surface anatomy of the knee using Augmented
Reality (AR).
2.1. Ethical considerations
The project was approved by
the Ethics and Scientific Research Committee at Universidad Industrial de
Santander (CEINCI). The experiment involved fitting participants with
measurement devices. However, this was non-invasive and therefore categorized
as "No Risk." Informed consent was read and signed by each
participant and participant information was coded to ensure the confidential
handling of data.
2.2. Participant
description
The participant group
consisted of university students and recently graduated professionals from
various fields of knowledge, with no prior knowledge relating to the surface
anatomy of the knee and no experience in using AR headsets. The participants in
the experimental test included both men and women in roughly equal proportions.
The age range was between 18 and 28 years, with an average age of 22.4 years.
Out of all participants, 23.5% (n=8) wore glasses for vision correction, while
76.4% (n=26) reported not wearing glasses. Table 1 provides a summary of the
general group data.
Table 1
Participant description
2.3. Study design
2.3.1. Hypothesis
The following hypotheses are
proposed:
·
H1: Cognitive load differs when
context switching is present compared to when there is no context switching.
·
H2: Mental effort differs when
context switching is present compared to when there is no context switching.
2.3.2. Definition of variables
Based on the hypothesis, a
univariate factorial design was employed. The context switching factor (A)
influences cognitive load (Y1) and mental effort (Y2). The dependent and
independent variables, and the data collection tool are described below.
Independent variable – factor
A: context switching
Factor A, defined as context
switching, involves two categories:
·
Switching: Real knee model and
virtual user interface.
·
No-Switching: Virtual knee
model and virtual user interface.
For the "switching"
treatment, the physical knee model shown in Figure 1 was used alongside
instructional materials that guided the procedure for identifying anatomical
points and locating the structure, which was projected onto the Hololens2
augmented reality headset.
With context-switching treatment
For treatment b) “no-switching,”
the virtual knee model shown in Figure 2 was used alongside instructional
materials that demonstrated the procedure.
Figure 2
Without context-switching treatment
Dependent variables –
cognitive load and mental effort
The response (Y1), defined as
cognitive load, is described by Paas (Paas et al., 2010) as a multidimensional
construct representing the load imposed by the performance of a particular task
on the students’ cognitive system. It is composed of intrinsic cognitive load,
which is the load inherent to the complexity of the task and the learner's
level of expertise; extraneous cognitive load, which is unnecessary load that
saturates, contaminates, and affects working memory; and germane (or relevant)
cognitive load, which is directly responsible for contributing to learning
(Luis Alejandro Andrade-Lotero, 2012). These types of loads are additive, and
the aim is to increase the available capacity by reducing one of the load
types, preventing the instantaneous load from exceeding the student's cognitive
capacity limit (Luis Alejandro Andrade-Lotero, 2012).
Figure 3
Cognitive load and its types. Adapted from (Paas et al., 2010)
This variable was studied based
on the participant's self-reporting. Cognitive load is expected to be higher in
the presence of the stimulus "switching", especially in the
extraneous dimension, since context switching introduces mental effort in the
participant, specifically originated by the user interface and evinced by
higher ECL values.
Mental effort (Y2) was
analyzed based on pupillometry and eye-tracking measures: 1) fixation duration
in the area of interest (AOI), 2) fixation count in the area of interest (AOI)
and 3) pupil dilation. AOI fixation durations are expected to be shorter in the
presence of the switching stimulus. Since the decrease in fixation duration in
AOI is an indicator of higher mental effort, as stated by Zu (Zu et al., 2018), it is also the most sensitive eye-tracking measure to extraneous
cognitive load. Similarly, for the quantity of fixations in the AOI, a higher
value is expected for the with switching stimulus. This is because, along with
duration time, this measure indicates mental effort, as mentioned by Zagerman (Zagermann et al., 2016), who suggests that a higher count of fixations in an AOI increases
mental effort, possibly indicating that the learner is struggling to comprehend
the content. Finally, the pupil dilation measure is expected to be greater in
the presence of the switching stimulus. In other words, as Jarodzka (Jarodzka et al., 2015) mentioned, an increase in pupil dilation indicates greater mental
effort.
Fixation duration in AOI
Fixation duration (FD) in AOI
is the total amount of time spent looking within an area of interest (AOI) and
was defined using Equation 1. Where n is the fixation duration in the
AOI during the treatment and (Tf) is the fixation time.
|
|
(1) |
Fixation count in AOI
The fixation count (
is the number of times the participant
looked at the area of interest AOI and was defined using equation (2). Where is a fixation in the Area of
Interest (AOI) during the treatment and the treatment duration time.
Pupil Dilation
Pupil dilation (PD)
demonstrates the percentage increase in pupil dilation per treatment for the
participant, as shown by (Majooni et al, 2016). Where, PD (3) is the normalized
integer of the pupil diameter difference for each participant during treatment.
P is the participant's pupil diameter, T is the time.
|
|
(3) |
2.3.3. Tools
The following is a description
of the equipment and tools used to capture the data.
Klepsch Cognitive Load Questionnaire: Cognitive load reported was assessed using the Klepsch Questionnaire (Klepsch & Seufert, 2020). This tool has a Cronbach's alpha value of α + = 0.776
for ICL, α + = 0.798 for ECL, and α + = 0.734
for GCL (Krieglstein et al., 2022), indicating high reliability, strong internal consistency, and
reliability in measuring cognitive load. Klepsch uses a self-report
questionnaire with eight questions scored on a 7-point Likert scale, and it
differentiates cognitive load into three types: intrinsic cognitive load (ICL),
germane cognitive load (GCL), and extraneous cognitive load (ECL) separately.
These types of loads are additive. The ICL dimension is related to the
perception of difficulty arising from the development of the task. The GCL
dimension describes the positive load that allows learning development. The ECL
dimension of cognitive load is directly linked to the visual design of the
material, making it a valuable measure in this experiment as it assesses the
impact of the user interface on the participant's perceived load. This makes it
particularly relevant in the context of this study.
SMI Glasses: Mobile eye-tracking glasses (ETG) produced by SensoMotoric
Instruments. These glasses have a tracking rate of 60 Hz and a precision of
0.5º. They perform binocular tracking with Parallax compensation in a field of
view of 60º horizontally and 46º vertically, with compensation for changes in
lighting. The data captured by the glasses were processed using BeGaze 3.7
software.
Microsoft Hololens2: Standalone holographic headset device implementing mixed/augmented
reality by the Microsoft Corporation. The device projects images with
transparent holographic lenses to reduce fatigue. Unity® software was used to
develop prototypes that were used to execute the treatments.
2.4. Procedure
The test began by reading the
informed consent to participants, and requesting their voluntary participation
and obtaining their signature. Demographic information such as gender, age,
education level, and eyeglass usage, among others, was collected, and
participants completed the pre-knowledge test. After the start with the
treatment, participants completed a three-minute first-steps tutorial for
Hololens2 to familiarize themselves with the technology. Following a
five-minute break, the participants were equipped with the SMI glasses, and
eye-tracking calibration was performed using three points until a satisfactory
calibration level was achieved. Once a satisfactory level of calibration was
obtained, the data capture phase began. After completing this stage, the
Hololens2 headset were placed on the participant. When everything was
calibrated, participants were asked to start with the prototype. It is worth
noting that they were first required to stare at a point on the wall to
establish the baseline pupil size before starting the treatment. The tasks
performed by the participants were repeated for ten surface anatomical
structures of the knee. Depending on the assigned treatment, the tasks were as
follows:
Switching treatment:
·
Read the anatomical structure
indications displayed on the user interface.
·
Locate the anatomical
structure on the physical model.
·
Mark the anatomical structure
on the physical model with a marker pen.
·
Press the "next"
button to move to the next anatomical structure.
No-Switching treatment:
·
The same tasks as the previous
stimulus were performed, except that a virtual model was used and the marking
was performed with a manual control that emulated the marker pen.
·
Once they finished, the
participants were asked to fill out the Klepsch Questionnaire.
2.5. Statistical analysis
The statistical analysis was
performed using a univariate general linear model, with repeated measures as
presented in (4).
|
|
(4) |
Where Y is the dependent variable, X is
the participant random factor, b the effect of the independent
variable and e the residual error. The model
was run for each dependent variable of interest to identify significant
differences in cognitive load and mental effort between treatments. Descriptive analyses were performed to
ascertain the internal behavior of the data. Finally, parametric behavior was
verified using the Shapiro-Wilk test at a 5% significance level and the
homogeneity of the data using Levene's statistic at a 5% significance level. A
comparison of means was performed using the T-student test, where the
significance level was set at 5%, so that values of p<0.05 were considered
statistically significant. The analyses were performed using SPSS V26 software.
3. Analysis and results
3.1. Cognitive Load
Cognitive load is obtained
through self-report using the Klepsch Questionnaire, which assesses the level of
load perceived by the participant during the activity, broken down by type.
Table 2 displays descriptive statistics related to the types of cognitive load:
ICL, GCL, and ECL. The scale ranges from a minimum of 2 to a maximum of 14 for
ICL and from a minimum of 5 to a maximum of 21 for both GCL and ECL.
Figure 4
Cognitive Load by ICL, GCL, and ECL types. By
treatment
3.1.1. Intrinsic cognitive load (ICL)
When analyzing the variable
descriptively across its three types, we found that ICL shows a higher average
for the "no-switching" factor at 9.67 with an SD (±2.41) compared to
the "switching" factor at 8.79 with an SD (±2.32). The
"no-switching" factor exhibited greater variance (see Table 2).
Table 2
Descriptive Statistics - Cognitive Load by Type
The normality test based on
the Shapiro-Wilk test with a significance level of 5% yields a p-value of
0.417, indicating the parametric nature of the variable. The independent
samples T-test has a p-value of 0.290 and an effect size (Cohen's d) of 0.372.
This suggests that switching does not affect ICL.
3.1.2. Germane cognitive load (GCL)
When analyzing the germane
cognitive load, a similar average is observed for both levels of the factor.
The average for with switching is 15.89 with an SD (±2.8) and for no-switching, it
is 15.93 with an SD (±2.49) (see Table 2).
The normality test applied was
the Shapiro-Wilk test, which yielded a p-value of 0.506, indicating that the
variable follows a parametric distribution. Furthermore, the sample is
homogeneous, as evidenced by Levene's test for homogeneity of variances with a
p-value of 0.596. Thus, when applying the independent samples T-test, a p-value
of 0.967 was obtained with a Cohen's D effect size of 0.015. This means that
the germane cognitive load is not affected by the context switching factor.
3.1.3. Extraneous cognitive load (ECL)
Finally, the extraneous
cognitive load was analyzed, showing a higher average for the level
no-switching with an average of 11.73 with SD (±3.4) compared to the level
with switching with 8.37 and SD (±3.6) (see Table 2).
The Shapiro-Wilk test yielded
a p-value of 0.225, indicating data normality. The Levene's test for
homogeneity of variances resulted in a p-value of 0.746, establishing the
homogeneity of the variable. Therefore, when applying the independent samples
T-test, a p-value of 0.011 was obtained. Consequently, the context switch
treatment showed statistically significant differences in extraneous cognitive
load. In other words, the factor influences extraneous cognitive load.
Based on the above, the effect
size was calculated using Cohen's Delta, revealing that the effect is large
with a value of 0.938. This further confirms that it is extraneous cognitive
load that affects the overall subjective cognitive load.
3.2. Mental effort
This variable was analyzed
based on three objective cognitive load data: Pupil dilation, fixation duration
in the AOI, and the fixation count in the AOI.
3.2.1. Pupil Dilation
The data for pupil dilation for
the right eye of the participants were analyzed. A higher average was observed
for the no-switching level with a value of 0.789 with SD (±0,90) compared to the level with switching, which presented an average
value of 0.550 with SD (±0,94). Similarly, the variance
was higher for the context switching level, as observed in Table 3.
The Shapiro-Wilk test for
assessing normality in the pupil dilation data yielded a p-value of 0.134,
indicating that the data conforms to a parametric distribution. To test homogeneity,
the Levene's test yielded a p-value of 0.800, indicating the uniformity of the
variable. Finally, the T-student test for independent samples indicated a
p-value of 0.461, meaning that context switching did not present statistically
significant differences in the pupil dilation data.
Table 3
Descriptive statistics – Mental effort
3.2.2. Fixation duration in AOI
The area of interest focused
on the information space where the procedure instructions were projected. The
fixation duration time within the area of interest was examined. It was
observed that the average fixation duration in the area of interest was higher
for the level with context switching, with an average of 4734.33 ms with a (SD)
of (±625,51). The variance was also higher for the same treatment level, as
seen in Table 3.
The parametric behavior of the
variable was assessed using the Shapiro-Wilk test (p-value of 0.673). The
Levene's homogeneity test yielded a p-value of 0.495, confirming the
homogeneity of variance. When applying the independent samples T-student test,
the p-value was found to be 0.031. Therefore, context switching showed
statistically significant differences in the duration of fixations in the AOI.
In other words, context switching influences fixation duration. The calculation
of effect size using Cohen's Delta indicates a medium-sized effect with a value
of 0.781.
3.2.3. Fixation count in AOI
The data on the total fixation
count in the AOI corresponding to the information space were analyzed. Table 3 illustrates that the mean fixation
count is higher for the no-switching treatment, with a value of 1782.15 with an
SD of (±423,10) in comparison to the switching treatment, where a mean of 1427
with an SD of (±389,75) were found.
An analysis was conducted to
determine the presence of significant differences between the fixation count
and context switching. It began by applying the Shapiro-Wilk test to assess the
normality of the data regarding the fixation count in the AOI. A p-value of
0.117 was obtained, indicating that the data follows a normal distribution. The
Levene's homogeneity test showed a p-value of 0.805, confirming variance
homogeneity. When the independent samples T-student test was applied, a p-value
of 0.017 was obtained. Therefore, it can be concluded that context switching
does indeed impact the number of fixations in the AOI. Furthermore, the
calculation of effect size using Cohen's Delta revealed a large effect, with a
value of 0.869.
4. Discussion
Context switching occurs when
a user, in this case, a learner, continuously shifts their attention between
real and virtual objects, resulting in an increased cognitive load and mental
effort. This research was intended to find evidence of significant differences
in the analyzed variables, in the presence or absence of context switching,
specifically in procedural learning activities. To achieve this, cognitive load
and mental effort were assessed with thirty-four participants.
The three types of cognitive
load (intrinsic, extraneous, and germane) were analyzed individually. The
results show that intrinsic load, related to task difficulty and learner
experience level, was lower for the with switching treatment (mean=8.79) than
for the no-switching treatment (mean=9.67). However, there is no statistically
significant difference for this type of load. These results are consistent
because a change in ICL can only be expected by modifying the task complexity
or improving the learner's specific prior knowledge in the domain (Krieglstein et al., 2022). However, for this study, the level
of task difficulty was the same for both treatments, and the participants' low
prior knowledge level was verified. Peeters, in contrast, did find differences in ICL (Peeters et al., 2023) but his study evaluated two study groups: with and without AR. It
therefore cannot be compared with the present study since context switching is
not presented. For germane load, related to pedagogical design and content, the
data show similar values. No significant differences were observed in the
T-student test (p-value 0.976) between the no-switching treatment (mean =
15.93) and the switching treatment (mean = 15.89). These results are consistent
with the cognitive load theory, as mentioned by (Krieglstein et al., 2022) given that there is a similar load both treatments, representing the
same level of workload. In other words, participants are investing the same
working memory resources for both treatments. For the extraneous load, which is
the load that saturates, contaminates, and affects working memory, and is
determined by how learning materials are presented and organized (Krieglstein et al., 2022), this study found that for the with switching treatment (mean=8.37),
the load was lower than for the no-switching treatment (mean=11.73).
Additionally, significant differences (p-value = 0.011) were found in ECL, with
a large effect (Cohen's D = 0.938). This indicates that higher levels of
extraneous cognitive load are present for the no-switching treatment, as not
requiring context switching means that all content was presented in an
augmented, virtual manner, increasing the number of elements visualized by the
participant. This may have elevated object saturation on the display and
indirectly influenced the perceived load, as mentioned by (Acampora et al., 2013; Evans et al., 2017). Also according to the cognitive load theory, the same learning
material can induce different amounts of load on working memory (Brunken et al., 2016), caused by variations in visualization or presentation. To date, two
studies have been identified that evaluated multidimensional cognitive load in
AR in the educational field. The first was conducted by Lai (Lai et al., 2019), and showed a reduction in ECL compared to multimedia tools, supporting
the findings of the present study. The second was conducted by Peeters (Peeters et al., 2023). ECL was evaluated in AR in three experiments, with one of them showing
a high level of ECL and the others not presenting high levels of ECL. The
author therefore considers that the presence of extraneous cognitive load was
not demonstrated in the study. Despite being conducted on mobile devices, these
studies are the closest sources of comparison.
Considering that the types of
cognitive load are additive, and that the values for ICL and GCL were similar
for both treatments, the data suggest a reduction in ECL when there is context
switching. This may indicate a reduction in the resources of instant load,
increasing the available free cognitive resources during the task. This could
imply that the use of AR and HMD in the proposed procedural task, when context
switching is present, will require fewer cognitive resources, potentially
leading to a reduction in cognitive load due to the availability of working
memory. This supports Hypothesis 1, indicating that cognitive load varies
between the two treatments, potentially being lower in the context-switching
condition.
In similar studies where
cognitive load was assessed unidimensional, such as Eiberger's study (Eiberger et al., 2019) a high level of cognitive load was found, as evaluated with the NASA
TLX questionnaire. Similarly, Dunleavy's study (Dunleavy et al., 2009) also evinced an increase in cognitive load. Mark (2008) states that
there was a greater effect on cognitive load under conditions with context
switching (p>0.03) compared to the condition no-switching. This could have
occurred because the context switching evaluated by Mark was involuntary and
surprising, unlike the stimulus presented in this research, where the user
voluntarily triggers the shift. This could introduce favorable conditions for
the development of the learning activity, as mentioned by Ogueta (1991), who
states that preparing the user for the stimulus, i.e., applying predictability
to the stimulus, reduces cognitive cost by reducing time and facilitating
execution. Huckauf (2010) too, reported a higher cognitive cost for context
switching. However, according to the author, context switching is influenced by
depth perception and the location of the stimulus relative to the user,
especially by the difference in depth between the object and the stimulus,
which introduces the need for constant adjustment of the participant's eye accommodation
and vergence when using HMD devices like the Hololens2. In this research,
stimuli were presented with minimal differences in depth and perception between
the object and stimulus, avoiding the accommodation and vergence effect
reported by Huckauf, which may have influenced the reduction of cognitive cost.
In contrast, studies such as
Bujak (Bujak et al., 2013) show that the use of AR in education reduces cognitive load and Lai (Lai et al., 2019) shows a reduction in ECL compared to multimedia tools. However, all
these studies have evaluated AR on mobile devices such as smartphones and
tablets. Condino (2019) delved deeper into the conditions associated with the
device and their influence on context switching. He identified that for HMD
devices like Hololens 1, the focal rivalry resulting from context switching
does not have a significant effect on the user's cognitive load when performing
tasks and that, therefore, context switching does not influence cognitive load
when HMD-optical see-through (OST) devices are used. In conclusion, the results of the most recent
studies by Peeters (Peeters et al., 2023), (Lai et al., 2019), (Condino et al., 2019) still do not provide conclusive results. The research should therefore
be extended as only context switching was evaluated and there may be multiple
factors that affect the cognitive load of the user.
On the other hand, according
to Jarodzka concerning mental effort measured based on pupil dilation, an
increase in pupil dilation indicates greater mental effort (Jarodzka, 2015).
The study showed that for the no-switching treatment, pupil dilation was
higher, possibly indicating greater mental effort. However, these differences
were not significant (p-value 0.461). These results may have been influenced by
numerous changes in lighting that introduce noise into pupillary diameter,
affecting the final data, especially when assessing cognitive factors, as
mentioned by (Kret, 2019). Hennessy (1976) also states that changes in lighting
could potentially affect spatial accommodation in an AR environment; that is,
the human eye lens changes to focus on objects. Therefore, introducing context
switching may necessarily require an accommodation process that affects the
measurement. According to Plass (2010), emotional factors constitute another
element capable of affecting pupillary diameter as an indicator of mental
effort. Meanwhile, as mentioned by Reid (2018), one aspect to take into account
when utilizing pupillary diameter as an indicator of mental effort is the
duration of the measurement period. It appears that short-duration stimuli may
not persist long enough to induce pupil dilations that accurately reflect the
presence of mental effort.
Concerning mental effort
assessed through fixation duration in the AOI, in line with Jarodzka (2015), a
reduction in fixation duration signifies increased mental effort. The findings
of this study reveal that the no-switching treatment resulted in shorter
fixation durations in the AOI (Mean = 4274.79) in comparison to the with
context-switching treatment (Mean = 4734.33), suggesting that participants
perceived higher mental effort in the no-switching treatment. Additionally, a
notable difference was identified (p-value 0.031) with a substantial effect
size (Cohen's D = 0.78), potentially indicating the existence of mental effort
in scenarios without context switching in AR using HMDs. Recent research
endeavors have aimed to elucidate the existing lack of consensus regarding this
measurement. In a recent review of eye-tracking measures, Tao et al. (2019) reported that fixation duration decreased as the mental demands of
tasks increased in simulated flight and driving scenarios. Likewise, Liu et al. (2022) discovered that tasks with high perceptual loads were associated with
shorter fixations durations. These findings align with cognitive load theory,
as highlighted by Zu, where fixation duration can be regarded as a measure of
mental effort that affects working memory. Participants need to store
instructions in working memory, reducing its capacity and increasing mental
effort (Zu et al., 2018). Furthermore, the study by Zagerman (2016) on mental effort in relation
to the fixation count in the AOI states that a higher fixation count in an AOI
increases cognitive load, as it suggests that the learner may have difficulty
understanding the content. The results revealed a higher fixation count for the
"no-switching" treatment (Mean = 0.789) compared to the
"switching" treatment (Mean = 0.55), and significant differences were
identified (p-value = 0.017) with a large effect size (Cohen's D = 0.869). This
suggests that participants' mental effort is higher when there is no context
switching, as indicated by Zagerman. Finally, this study demonstrates
significant differences in the measures of fixation duration in AOI and
fixation count in AOI, but not in pupil dilation, partially supporting
Hypothesis 2.
5. Conclusion
In this study, we examined the
phenomenon of context switching within learning activities that employ
augmented reality. We assessed the presence of cognitive load in its different
forms (extraneous, intrinsic, and germane cognitive load) and measured mental
effort in instructional materials designed for the procedural anatomical
learning of the knee. These materials encompassed both augmented reality and
physical objects. The results suggested that the introduction of context
switching led to a reduction in extraneous cognitive load (ECL), indicating a
decreased demand on cognitive resources for task performance. These findings
imply that transitioning between real and virtualized objects through context
switching may not necessarily result in a higher cognitive resource
consumption. Mental effort was partially detected through eye-tracking measures
but not through pupil dilation in procedural learning activities conducted
within the participants' peri-personal space. These findings provide partial
support for the hypothesis that the presence or absence of context switching
impacts participants' perception of mental effort. Nonetheless, it's essential
to take into account the intricacies of these measurements and the potential
influence of other factors on the perception of mental effort. Future research
can delve deeper into these relationships and further investigate the interplay
between AR and cognitive load.
6. Limitations of the study
The study's results may be
subject to certain limitations related to the participant sample and the
population studied. While the participants consisted of university students and
recent graduates, they did not possess expertise in medical areas. This factor
could potentially impact the results concerning intrinsic cognitive load, as it
is well-established that this type of load can be influenced not only by the
complexity of the task but also by the learner's level of experience. A task
that may be easy for an expert could prove challenging for a novice (Luis
Alejandro Andrade-Lotero, 2012). In this regard, the study's results reveal
disparities in the means; however, when subjected to statistical analysis using
the t-student test, they are deemed equivalent. Another limitation of the study
is the use of glasses by 23.53% of the participants, which could potentially
impact the accurate calibration of the eye-tracking measurement equipment, as
has been previously observed (Goldberg & Wichansky, 2003). Similarly, the pupil dilation was examined concerning the stimulus,
but a continuous analysis of pupil dilation throughout the stimulus was not
conducted. Such an analysis could provide insights into instantaneous dilation
peaks that may not be captured by the pupil dilation measure alone (Majooni et al., 2016).
7. Acknowledgment
The researchers are grateful
to Universidad Industrial de Santander and to the GEPS and INTERFAZ research
groups attached to the same university for their support in the execution of
this study.
References
Acampora, G., Cook, D. J., Rashidi, P., & Vasilakos, A.
V. (2013). A survey on ambient
intelligence in healthcare. Proceedings of the IEEE, 101(12),
2470-2494. https://doi.org/10.1109/JPROC.2013.2262913
Arefin, M. S., Phillips, N., Plopski, A., Gabbard, J. L., & Swan, J. E. (2020).
Impact of AR Display Context Switching and Focal Distance Switching on Human
Performance: Replication on an AR Haploscope. Proceedings
- 2020 IEEE Conference on Virtual Reality and 3D User Interfaces, VRW 2020,
571-572. https://doi.org/10.1109/VRW50115.2020.00137
Arefin, M. S., Phillips, N., Plopski, A., Gabbard, J. L., & Swan, J. E. (2022). The
Effect of Context Switching, Focal Switching Distance, Binocular and Monocular
Viewing, and Transient Focal Blur on Human Performance in Optical See-Through
Augmented Reality. IEEE Transactions on Visualization and Computer Graphics,
28(5), 2014-2025. https://doi.org/10.1109/TVCG.2022.3150503
Baddeley, A. (2003). Working
memory: Looking back and looking forward. Nature Reviews Neuroscience, 4(10),
829-839. https://doi.org/10.1038/nrn1201
Bailey, S. K. T., Lewis, J.
E., Ciccone, B. A., Friedland, R. L., & Reiner, C. C. (2023). Assessing
Usability of Untethered Head-Mounted Displays for Medical Education: A
Within-Person Randomized Trial. Simulation in Healthcare, 18(1),
58-63. https://doi.org/10.1097/SIH.0000000000000637
Bang, S., Lee, H., & Woo,
W. (2020). Effects of Augmented Content’s Placement and Size on User’s Search
Experience in Extended Displays. 184-188. https://doi.org/10.1109/ismar-adjunct51615.2020.00056
Brunken, R., Plass, J. L.,
Leutner, D., Brünken, R., & Plass, J. L. (2016). Direct
Measurement of Cognitive Load in Multimedia Learning Direct Measurement of
Cognitive Load in Multimedia Learning. 1520(July), 37-41. https://doi.org/10.1207/S15326985EP3801
Buchner, J., Buntins, K.,
& Kerres, M. (2021). A systematic map of research
characteristics in studies on augmented reality and cognitive load. Computers
and Education Open, 2(November 2020), 100036. https://doi.org/10.1016/j.caeo.2021.100036
Bujak, K. R., Radu, I.,
Catrambone, R., Macintyre, B., Zheng, R., & Golubski, G. (2013). A
psychological perspective on augmented reality in the mathematics classroom. Computers
& Education, 68, 536-544.
Condino, S., Carbone, M.,
Piazza, R., Ferrari, M., & Ferrari, V. (2019). Perceptual Limits of Optical
See-Through Visors for Augmented Reality Guidance of Manual Tasks. IEEE
Transactions on Biomedical Engineering, 67(2), 411-419. https://doi.org/10.1109/TBME.2019.2914517
Dankelman, J., Chmarra, M. K., Verdaasdonk, E. G. G., Stassen, L. P. S., & Grimbergen, C. A. (2005). Fundamental aspects of learning
minimally invasive surgical skills. Minimally Invasive Therapy & Allied
Technologies, 14(4-5), 247-256. https://doi.org/10.1080/13645700500272413
Drouot, M., Le Bigot, N., De Bougrenet,
J. L., & Nourrit, V. (2021). Effect of context
and distance switching on visual performances in augmented reality. Proceedings
- 2021 IEEE Conference on Virtual Reality and 3D User Interfaces Abstracts and
Workshops, VRW 2021, 476-477. https://doi.org/10.1109/VRW52623.2021.00120
Dunleavy, M., Dede, C., &
Mitchell, R. (2009). Affordances and limitations of immersive participatory
augmented reality simulations for teaching and learning. Journal of Science
Education and Technology, 18(1), 7-22. https://doi.org/10.1007/s10956-008-9119-1
Eiberger, A., Kristensson, P.
O., Mayr, S., Kranz, M., & Grubert, J. (2019). Effects of Depth Layer
Switching between an Optical See-Through Head-Mounted Display and a
Body-Proximate Display. Symposium on Spatial User Interaction, 1-9. https://doi.org/10.1145/3357251.3357588
Evans, G., Miller, J., Iglesias
Pena, M., MacAllister, A., & Winer, E. (2017). Evaluating the Microsoft
HoloLens through an augmented reality assembly application. 10197,
101970V. https://doi.org/10.1117/12.2262626
Geetha, A. V., & Mala, T.
(2022). AREL – Augmented Reality–based enriched learning experience. Acta
IMEKO, 11(3), 1-5. https://doi.org/10.21014/acta_imeko.v11i3.1273
Goldberg, J. H., & Wichansky, A. M. (2003). Eye Tracking in Usability
Evaluation. A Practitioner’s Guide. The Mind’s Eye: Cognitive and Applied
Aspects of Eye Movement Research, January 2003, 493-516. https://doi.org/10.1016/B978-044451020-4/50027-X
Henderson, S. J. (2011).
Augmented Reality Interfaces for Procedural Tasks. Dissertation.
Huckauf, A., Urbina, M. H., Böckelmann,
I., Schega, L., Mecke, R., Grubert, J., Doil, F.,
& Tümler, J. (2010). Perceptual issues in
optical-see-through displays. Proceedings - APGV 2010: Symposium on Applied
Perception in Graphics and Visualization, 1(212), 41-48. https://doi.org/10.1145/1836248.1836255
Jarodzka, H., Janssen, N., Kirschner, P. A., & Erkens, G.
(2015). Avoiding split attention in computer-based testing: Is neglecting
additional information facilitative? British Journal of Educational
Technology, 46(4), 803-817. https://doi.org/10.1111/bjet.12174
Klepsch, M., & Seufert, T.
(2020). Understanding instructional design effects by differentiated
measurement of intrinsic, extraneous, and germane cognitive load. En Instructional
Science (Vol. 48, Número 1). Springer
Netherlands. https://doi.org/10.1007/s11251-020-09502-9
Krieglstein, F., Beege, M., Rey, G. D.,
Ginns, P., Krell, M., & Schneider, S. (2022). A Systematic Meta-analysis of
the Reliability and Validity of Subjective Cognitive Load Questionnaires in
Experimental Multimedia Learning Research. En Educational Psychology Review
(Vol. 34, Número 4). Springer US. https://doi.org/10.1007/s10648-022-09683-4
Krüger, J. M., & Bodemer,
D. (2022). Application and Investigation of Multimedia Design Principles in
Augmented Reality Learning Environments. Information (Switzerland), 13(2).
https://doi.org/10.3390/info13020074
Lai, A. F., Chen, C. H., &
Lee, G. Y. (2019). An augmented reality-based learning approach to enhancing
students’ science reading performances from the perspective of the cognitive
load theory. British Journal of Educational Technology, 50(1),
232-247. https://doi.org/10.1111/bjet.12716
Li, H., Chen, X., Yao, F.,
Gao, F., Li, J., Yang, K., & Jin, Z. (2021). Augmented Reality
Technology Key Technologies Research BT - Application of Intelligent Systems
in Multi-modal Information Analytics (V. Sugumaran, Z. Xu, & H. Zhou
(eds.); pp. 487-493). Springer International Publishing.
Lim, J., Reiser, R. A., &
Olina, Z. (2009). The effects of part-task and whole-task instructional
approaches on acquisition and transfer of a complex cognitive skill. Educational
Technology Research and Development, 57(1), 61-77. https://doi.org/10.1007/s11423-007-9085-y
Liu, J. C., Li, K. A., Yeh, S.
L., & Chien, S. Y. (2022). Assessing Perceptual Load and Cognitive Load by
Fixation-Related Information of Eye Movements. Sensors, 22(3). https://doi.org/10.3390/s22031187
Luis Alejandro
Andrade-Lotero. (2012). Teoría de la carga
cognitiva, diseño multimedia y aprendizaje: un
estado del arte. Magis. Revista
Internacional de Investigación en Educación, 5, 75-92.
Maggio, L. A., Cate, O. Ten, Irby,
D. M., & O’Brien, B. C. (2015). Designing
evidence-based medicine training to optimize the transfer of skills from the
classroom to clinical practice: Applying the four component
instructional design model. Academic Medicine, 90(11), 1457-1461.
https://doi.org/10.1097/ACM.0000000000000769
Majooni, A., Masood, M., & Akhavan, A. (2016). An eye
tracking experiment on strategies to minimize the redundancy and split
attention effects in scientific graphs and diagrams. Advances in Intelligent
Systems and Computing, 500, 529-540. https://doi.org/10.1007/978-3-319-41962-6_47
Marrahi Gomez, V., & Belda-Medina, J. (2023). The
Integration of Augmented Reality (AR) in Education. Advances in Social
Sciences Research Journal, 9(12), 475-487. https://doi.org/10.14738/assrj.912.13689
Melo, M. (2018). The
4C/ID-Model in Physics Education: Instructional Design of a Digital Learning
Environment to Teach Electrical Circuits. International Journal of
Instruction, 11(1), 103-122. https://doi.org/10.12973/iji.2018.1118a
Melo, M., & Miranda, G. L.
(2016). Efeito do modelo 4C/ID sobre a aquisição e transferência de aprendizagem: Revisão de
literatura com meta-análise.
RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, 18,
114-130. https://doi.org/10.17013/risti.18.114-130
Naidu, K. J., Sharma, S., Rai,
V., & Baghela, V. S. (2023). AR in Education
as Crystal Concept. 3-10. https://doi.org/10.4108/eai.24-3-2022.2319027
Paas, F., Tuovinen, J., Tabbers, H., & Van Gerven, P. W. M. (2010). Cognitive Load Measurement as a Means to Advance Cognitive Load Theory. Educational
Psychologist, 1520(38), 43-52. https://doi.org/10.1207/S15326985EP3801
Peeters, H., Habig, S., &
Fechner, S. (2023). Does Augmented Reality Help to Understand Chemical
Phenomena during Hands-On Experiments?–Implications for
Cognitive Load and Learning. Multimodal Technologies and Interaction, 7(2).
https://doi.org/10.3390/mti7020009
Rashid, U., Kauko, J., Häkkilä, J., & Quigley, A. (2011). Proximal and distal
selection of widgets: Designing distributed UI for mobile interaction with
large display. Mobile HCI 2011 - 13th International Conference on
Human-Computer Interaction with Mobile Devices and Services, 495-498. https://doi.org/10.1145/2037373.2037446
Rashid, U., Nacenta, M. A., & Quigley, A.
(2012). Factors influencing visual
attention switch in multi-display user interfaces. Proceedings of the 2012
International Symposium on Pervasive Displays - PerDis
’12, 1-6. https://doi.org/10.1145/2307798.2307799
Rossi, L. de L., Berto, L. M., Rohmer, E., Costa, P. P., Gudwin,
R. R., Colombini, E. L., & Simoes,
A. da S. (2023). Incremental procedural and
sensorimotor learning in cognitive humanoid robots. 1-14. http://arxiv.org/abs/2305.00597
Saidi, H., Carreteros,
L., Rey, S., Miloudi, Y., Truscello, L., & Bortolaso,
C. (2022). BL . MixedR : Adapter les procédures de
maintenance traditionnelles pour une
utilisation en environnements immersifs. 33ème
conférence internationale
francophone sur l’Interaction Humain-Machine.
Sweller, J. (2018). Measuring cognitive load. 1-2. https://doi.org/10.1007/s40037-017-0395-4
Tao, D., Tan, H., Wang, H.,
Zhang, X., Qu, X., & Zhang, T. (2019). A systematic review of physiological
measures of mental workload. International Journal of Environmental Research
and Public Health, 16(15), 1-23. https://doi.org/10.3390/ijerph16152716
Vandewaetere, M., Manhaeve, D., Aertgeerts, B., Clarebout, G.,
Van Merriënboer, J. J. G., & Roex, A. (2015).
4C/ID in medical education: How to design an educational program based on
whole-task learning: AMEE Guide No. 93. Medical Teacher, 37(1),
4-20. https://doi.org/10.3109/0142159X.2014.928407
Zagermann, J., Pfeil, U., & Reiterer,
H. (2016). Measuring cognitive load using eye tracking technology in visual
computing. ACM International Conference Proceeding Series, 24-October,
78-85. https://doi.org/10.1145/2993901.2993908
Zu, T., Hutson, J., Loschky, L. C., & Sanjay Rebello, N. (2018). Use of
eye-tracking techno