Op 20 en 21 september jongsteleden was NLR gastheer van de H-WORKLOAD 2018 Conferentie. Deze conferentie was een initiatief van NLR, de Irish Ergonomics Society (IES) en the Dublin Institute of Technology (DIT). Topwetenschappers uit binnen- en buitenland presenteerden hun laatste bevindingen op het gebied van mentale werklast, van het meten van mentale werkbelasting aan de mens in een laboratorium-setting of tijdens een echte operatie, tot het modelleren daarvan in computers. De nadruk lag op mentale werklast in de luchtvaart.

Zo presenteerde NLR een training over omgaan met “Startle and Surprise” bij vliegers. Soms worden vliegers overvallen door een situatie, waardoor ze een schrikreactie vertonen. Zo’n Startle and Surprise-reactie is ongewenst wanneer vliegers een complexe situatie moeten oplossen. Een training kan de Startle and Surprise-reacties dempen, zodat vliegers rationeler en effectiever kunnen reageren.

NLR liet ook een nieuwe feature zien zien voor “Head-Up Displays” (HUDs), die ook steeds meer hun weg vinden naar de cockpit van commerciële vliegtuigen. Het voordeel daarvan is dat vliegers tegelijkertijd naar buiten en naar hun vlieginstrumenten kunnen kijken. Het zou nog effectiever zijn als vliegers die HUDs niet slechts zouden gebruiken om informatie tot zich te nemen, maar ook om inputs aan het vliegtuig te geven. Een voorbeeld is het op het laatste moment selecteren van een andere landingsbaan. Vliegers kunnen dan tijdens het naderen een andere baan selecteren door hun blik op het juiste deel van het HUD te richten. NLR heeft gedemonstreerd dat dit technisch mogelijk. Op termijn kan dit de werklast van vliegers verlagen.

NLR ging ook in op het gebruik van “eye tracking”. Met deze techniek kan men, naast een subjectieve vragenlijst, een objectieve inschatting verkrijgen van de mentale werklast van een vlieger of verkeersleider. Zo kan een eye tracker onbewuste reacties als oogknippergedrag of pupildiameter meten en daarmee continue de mentale werklast van een vlieger of verkeersleider vaststellen.

Tot slot werd ook inzicht gegeven in de stand van zaken ten aanzien van “machine-learning algoritmes”. Deze algoritmes kunnen de psycho-physiologische staat van bijvoorbeeld een operator vaststellen op basis van hersengolven, ofwel ElectroEncefaloGram (EEG) data. Daarmee kan men de prestaties optimaliseren. Met deze aanpak werd succesvol een brein-computer interface voor luchtverkeersleiders gemaakt. De op de EEG-data  ingeschatte mentale staat van de luchtverkeersleider werd gebruikt om te bepalen in welke mate mate hij / zij autonome automatiseringsondersteuning door computers kreeg.

Zie ook: http://www.hworkload.org/2018