Evaluación de Carga Cognitiva en

Videojuegos con Seguimiento

Ocular

TESIS
Que para obtener el grado de

Maestro en Ingeniería de Software

Presenta
Roberto Covarrubias Carrillo

Codirectores de Tesis

Dr. Hugo Arnoldo Mitre Hernández

Dr. Carlos Alberto Lara Álvarez

Zacatecas, Zac., Noviembre de 2016

 Resumen

Se ha comprobado que el diámetro de la pupila es un indicador de la carga

cognitiva que experimenta una persona mientras realiza una actividad. La
medición de carga cognitiva es de interés en situaciones donde un mal
desempeño puede tener consecuencias críticas, como conducir un automóvil o
realizar una operación quirúrgica. En el ámbito de videojuegos, esta medición es
importante debido a que nos permite verificar que los retos en los primeros niveles
producen un menor esfuerzo mental que en los últimos niveles, con el fin de evitar
que el jugador se frustre y termine por abandonar el juego. Para estudios de
seguimiento ocular usualmente se utilizan cámaras de alta velocidad con luces
infrarrojas, estos dispositivos son conocidos como rastreadores oculares. Un
problema al medir el diámetro pupilar con rastreadores oculares de bajo costo, es
que estos dispositivos usan algoritmos que no corrigen el cambio que existe
cuando una persona se aleja o se acerca de la pantalla; por lo tanto, esto
ocasiona una variación en el valor estimado del tamaño de la pupila. Otro
problema en la medición del diámetro de la pupila es el cambio de iluminación en
la pantalla que afecta directamente el tamaño de la pupila. En este trabajo se
propone una manera de realizar la corrección de la estimación del tamaño de la
pupila en rastreadores oculares de bajo costo, además de obtener una medida
fiable del tamaño neutral de la pupila reduciendo al mínimo el impacto de la
iluminación de la pantalla. Para la evaluación de carga cognitiva, se presenta un
experimento donde 18 participantes jugaron dos niveles de dificultad de un
videojuego orientado a enseñar y reforzar el concepto de fracciones. Los
resultados muestran diferencias significativas del tamaño de la pupila y pico de
dilatación entre los niveles.

Palabras clave: carga cognitiva, tamaño de la pupila, dilatación de la pupila,

seguimiento ocular, videojuego educativo.

I
 Abstract

It has been shown that pupil diameter is an indicator of cognitive load experienced
by a person while performing an activity. Measurement of cognitive load is of
interest in situations where poor performance may have critical consequences
such as drive a car or perform a surgery. In the field of video games, this
measurement is important because it allows us to verify that the challenges in the
first levels produce less mental effort than in the last levels, in order to prevent the
player get frustrated and end up leaving the game. For eye-tracking studies usually
are used high-speed cameras with infrared lights, these devices are known as eye
trackers. One problem measuring the pupil diameter with low-cost eye trackers is
that these devices use algorithms that do not correct the change induced by the
motion of the head closer and further away from the screen; so this causes a
change in the estimated pupil size. Another problem measuring the pupil diameter
is the change of display lighting that directly affects the pupil size. This thesis
proposes a way to make the correction of pupil size estimation in low-cost eye
trackers, and get a reliable measure of pupil size baseline minimizing the impact of
lighting on the screen. A study was conducted to evaluate cognitive load where 18
participants played two difficulty levels of an educational video game oriented to
teach and reinforce the concept of fractions. The results show significant
differences in pupil size and peak dilation between levels.

Keywords: cognitive load, pupil size, pupil dilation, eye tracking, educational video
game

II
 Agradecimientos

A mi familia por todo el apoyo que me han brindado durante mis estudios.

A mis amigos y compañeros de la octava generación de la Maestría en Ingeniería

de Software, por su compañerismo.

A los docentes del Centro de Investigación en Matemáticas Unidad Zacatecas,

especialmente a mis codirectores de tesis Dr. Hugo Arnoldo Mitre Hernández y Dr.
Carlos Alberto Lara Álvarez por todos los conocimientos compartidos y por ser una
guía durante todo mi trabajo de investigación.

Finalmente, al Consejo Nacional de Ciencia y Tecnología (CONACYT) por el

financiamiento mediante la beca de posgrado para la realización de estudios. De
igual manera, al Centro de Investigación en Matemáticas por el apoyo otorgado
para mi estancia de investigación.

III
Tabla de Contenido

1. Introducción ....................................................................................................... 1
1.1. Problemas.................................................................................................... 3
1.1.1. Movimientos de la cabeza ..................................................................... 3
1.1.1. Tamaño neutral de la pupila .................................................................. 4
1.2. Motivación.................................................................................................... 4
1.3. Objetivos ...................................................................................................... 5
1.3.1. Objetivo general .................................................................................... 5
1.3.2. Objetivos específicos ............................................................................ 5
1.4. Preguntas de investigación ......................................................................... 6
1.5. Resumen de la propuesta ........................................................................... 6
1.6. Organización del documento ....................................................................... 7
2. Marco teórico ..................................................................................................... 9
2.1. Teorías......................................................................................................... 9
2.1.1. Teoría del flujo de juego ........................................................................ 9
2.1.2. Teoría de carga cognitiva .................................................................... 10
2.2. Seguimiento ocular .................................................................................... 11
2.3. Rastreadores oculares............................................................................... 12
2.4. Medición del tamaño neutral de la pupila .................................................. 14
2.5. Corrección de movimientos ....................................................................... 16
2.6. Trabajos relacionados ............................................................................... 17
2.6.1. Memoria .............................................................................................. 18
2.6.2. Lenguaje.............................................................................................. 19
2.6.3. Razonamiento ..................................................................................... 20
2.6.4. Percepción .......................................................................................... 22
2.6.1. Multitarea cognitiva ............................................................................. 23
3. Método para la medición de carga cognitiva en niveles de videojuegos
(MCOG) .................................................................................................................. 25
3.1. Configuración del espacio de trabajo ........................................................ 26
3.1.1. Iluminación .......................................................................................... 26
3.1.2. Distracciones ....................................................................................... 26
3.1.3. Sillas .................................................................................................... 27

IV
 3.2. Configuración tecnológica ......................................................................... 27
3.2.1. Rastreador ocular ................................................................................ 27
3.2.2. Sensor de distancia y Arduino............................................................. 29
3.2.3. Computadora....................................................................................... 30
3.3. Generación de imagen de línea base de cada reto del videojuego .......... 31
3.4. Práctica del juego ...................................................................................... 33
3.5. Calibración del rastreador ocular ............................................................... 34
3.6. Presentación de retos del videojuego ....................................................... 35
3.7. Transferencia de datos a la herramienta web ........................................... 36
3.7.1. Limpieza de parpadeos y valores atípicos .......................................... 36
3.7.2. Corrección de la estimación del tamaño de la pupila con el modelo de
la cámara estenopeica ..................................................................................... 37
3.7.3. Filtrado de datos.................................................................................. 38
3.7.4. Obtención de métricas ........................................................................ 38
4. Experimentación .............................................................................................. 40
4.1. Plan............................................................................................................ 40
4.2. Ejecución ................................................................................................... 43
4.3. Resultados y discusiones .......................................................................... 43
4.3.1. Corrección de la estimación del tamaño de la pupila .......................... 43
4.3.2. Definición de la imagen de línea base ................................................ 45
4.3.3. Carga cognitiva en videojuego educativo ........................................... 48
5. Conclusiones y trabajos futuros ....................................................................... 52
5.1. Preguntas de investigación ....................................................................... 52
5.2. Trabajos futuros ......................................................................................... 53
5.2.1. Realizar más pruebas de corrección de la estimación del diámetro de
la pupila y del cambio de iluminación al medir el tamaño neutral de la pupila 53
5.2.2. Incluir métricas de seguimiento ocular y eventos del sistema ............ 53
5.2.3. Utilizar un Kinect ................................................................................. 54
6. Bibliografía ....................................................................................................... 55
Apéndice A. Código fuente para medir distancia con Arduino ............................... 59
Apéndice B. Arquitectura de la herramienta de análisis de carga cognitiva........... 60
Apéndice C. Funcionalidad de la herramienta de análisis de carga cognitiva ....... 62
Apéndice D. Autorización de publicación en formato electrónico de tesis ............. 68

V
Lista de Tablas

Tabla 3-1 Características del rastreador ocular Eye Tribe ET-1000 ...................... 28
Tabla 3-2 Características del sensor ultrasónico HC-SR04................................... 29
Tabla 3-3 Listado de técnicas propuestas en esta tesis ........................................ 39
Tabla 4-1 Elementos por reto del videojuego “Refraction 2”.................................. 41
Tabla 4-2 Movimientos mínimos por reto del videojuego “Refraction 2” ................ 42
Tabla 4-3 Piezas del tablero por reto del videojuego “Refraction 2” ...................... 42
Tabla 4-4 Resultados prueba Wilcoxon ................................................................. 48

VI
Lista de Figuras

Figura 1-1 Sistema de coordenadas en tres dimensiones (3D) .............................. 3

Figura 1-2 Evaluación de carga cognitiva en videojuegos, midiendo el tamaño
neutral de la pupila con el método scramble por regiones y utilizando un sensor
ultrasónico para corregir la estimación del diámetro de la pupila............................. 6
Figura 2-1 Canal de flujo de juego propuesto por Jesse Schell ............................ 10
Figura 2-2 Músculos de la pupila ........................................................................... 11
Figura 2-3 Rastreadores oculares montados en la cabeza ................................... 12
Figura 2-4 Rastreadores oculares remotos ........................................................... 13
Figura 2-5 Funcionamiento de la tecnología de detección de la pupila para
seguimiento ocular ................................................................................................. 13
Figura 2-6 Rastreador ocular montado en la cabeza ............................................ 16
Figura 2-7 Descansa barbilla ................................................................................. 17
Figura 2-8 Respuesta pupilar en diferentes tipos de tareas cognitivas ................. 18
Figura 2-9 Carga cognitiva en tareas de memoria auditiva y visual ...................... 19
Figura 2-10 Carga cognitiva en tareas de razonamiento....................................... 21
Figura 2-11 Captura de pantalla de videojuego usado para medir carga cognitiva
................................................................................................................................ 23
Figura 2-12 Simulador de conducción ................................................................... 24
Figura 3-1 Computadora de control colocada en diferente ángulo........................ 26
Figura 3-2 Rastreador ocular Eye Tribe ET-1000.................................................. 28
Figura 3-3 Diagrama de conexión de Arduino Uno con el sensor ultrasónico HC-
SR04 ....................................................................................................................... 30
Figura 3-4 Configuración tecnológica .................................................................... 31
Figura 3-5 Aplicación del método scramble........................................................... 32
Figura 3-6 Aplicación del método scramble por regiones de pantalla en diferentes
retos de un videojuego ........................................................................................... 33
Figura 3-7 Procedimiento de calibración durante el cual el participante debe
observar cada punto en la pantalla. ....................................................................... 34
Figura 3-8 Geometría del modelo de la cámara estenopeica................................ 37
Figura 4-1 Pantalla de un reto del videojuego “Refraction 2 ................................. 41
Figura 4-2 Gráfica de línea de la distancia ............................................................ 44
Figura 4-3 Gráfica de línea del tamaño de la pupila .............................................. 44
Figura 4-4 Gráfica de línea del tamaño de la pupila corregido .............................. 45

VII
Figura 4-5 Imágenes para medición de línea base ............................................... 46
Figura 4-6 Resultados de imágenes para medir línea base de la pupila............... 47
Figura 4-7 Diagrama de cajas MPDC .................................................................... 49
Figura 4-8 Diagrama de cajas pico de dilatación................................................... 49
Figura 4-9 Diagrama de cajas latencia al pico....................................................... 50
Figura 4-10 Diagrama de cajas milisegundos ....................................................... 50
Figura 4-11 Diagrama de cajas número de errores ............................................... 51
Figura B-1 Arquitectura de la aplicación................................................................ 60
Figura C-1 Administración de participantes ........................................................... 62
Figura C-2 Administración de imágenes................................................................ 63
Figura C-3 Carga de datos a la herramienta ......................................................... 64
Figura C-4 Métricas de carga cognitiva ................................................................. 65
Figura C-5 Visualización del comportamiento de la pupila .................................... 66
Figura C-6 Visualizaciones de cada métrica de carga cognitiva ........................... 67

VIII
Lista de Acrónimos

HCI: Interacción Humano-Computadora (Human Computer-Interaction)

UX: Experiencia de Usuario (User Experience)
GUR: Investigador de Usuarios de Videojuegos (Game User Researcher)

IX
1. Introducción

La mayoría de las computadoras estándar envían información a sus operadores

visualmente. Los datos se representan en una pantalla, percibidos por el ojo
humano y transmitidos a continuación al cerebro para su procesamiento. Esta
elegante comunicación entre la pantalla y el ojo ha dado forma al campo de la
Interacción Humano-Computadora (HCI, del inglés Human Computer Interaction)
desde su creación (Romano & Schall, 2014). Las computadoras de hoy en día,
tabletas, dispositivos móviles, estaciones de trabajo, simuladores y la gran
mayoría de los sistemas de usuario estándar serían inoperantes si no fuera por un
enlace óptico.

Dada la importancia del ojo en HCI, uno puede ver fácilmente cómo la tecnología
de seguimiento ocular puede ser de gran valor. La posibilidad de grabar e
interpretar el comportamiento visual ofrece una visión sin precedentes en el punto
más básico de contacto entre el usuario y el sistema. Por medio de esta tecnología
es posible evaluar no sólo la posición de los ojos en una interfaz sino también
obtener el diámetro de la pupila.

La pupila es una estructura dinámica que está en constante cambio de acuerdo a

la cantidad de iluminación que recibe, en condiciones con mucha luz la pupila se
contrae y con poca luz se dilata. Además de esto, se ha comprobado por décadas
que el comportamiento de la pupila refleja la actividad en el cerebro (Beatty, 1982).
La dilatación de la pupila es una respuesta simpática del sistema nervioso
autónomo que puede proporcionar índices de atención, interés, o emoción y se
correlaciona con la carga cognitiva y excitación (Iqbal, Zheng, & Bailey, 2004;
William, 2008). Igualmente, existen factores como el consumo de drogas o ciertas
enfermedades oculares que pueden causar que la pupila se dilate.

Recarte et al. (2008) argumentan que la carga cognitiva es el resultado de la

interacción entre las demandas de una tarea y las características del usuario. Del
mismo modo, Sweller (1988) define carga cognitiva como la cantidad de
información que la memoria de trabajo puede manejar al mismo tiempo.

En las personas el diámetro de la pupila puede variar de menos de 1 mm hasta

más de 9 mm, estos valores cambian para los animales (Beatty & Lucero-
Wagoner, 2000). Típicamente, entre mayor sea el cambio en el tamaño de la
pupila mayor carga cognitiva o nivel de excitación tendrá el participante (Bojko,
2013). La interpretación del tamaño de la pupila depende de la tarea que se
realice. Cuando se presenta un estímulo que requiere resolver operaciones

1
aritméticas, de lenguaje, razonamiento o percepción el diámetro de la pupila
indicará carga cognitiva; pero en el caso de presentar imágenes agradables o
contenido para adultos el tamaño de la pupila corresponderá a excitación.

La medición de carga cognitiva es de interés cuando se evalúan diseños que son

usados en situaciones de alta demanda cognitiva y donde un bajo desempeño
puede tener consecuencias criticas; v.g., en transporte (Kun, Palinko, Medenica, &
Heeman, 2013) y cuartos de operaciones (Richstone et al., 2010). Sin embargo,
medir carga cognitiva mientras se trabaja en una computadora puede ayudar a
identificar dónde y en que momento los usuarios tienen la memoria sobrecargada.

Los rastreadores oculares ofrecen información valiosa como: el tiempo que una
persona observa algo (fijaciones), el patrón que sigue, número de parpadeos,
distancia del participante y por supuesto el diámetro de la pupila. Esta información
puede ser utilizada por los desarrolladores para ajustar la interfaz y mejorar la
eficiencia global de interacción.

El campo de los videojuegos es un gran ejemplo de evaluación y mejora de

interfaces, donde los Investigadores de Usuarios de Videojuegos (GUR, del inglés
Game User Researcher) han utilizado diferentes métodos de evaluación para
garantizar una experiencia atractiva y divertida, es decir una mejor Experiencia de
Usuario (UX, del inglés User Experience). El seguimiento ocular ha estado
presente por más de 150 años uno de los primeros autores en utilizar seguimiento
ocular como método de evaluación de UX en videojuegos de computadora fueron
Johansen et al. (2008), ellos evaluaron un videojuego y con la información
recopilada de seguimiento ocular reportaron una variedad de métricas como
duración de la fijación, tiempo de la primera fijación y fijación espacial, además de
generar mapas de calor para identificar las zonas que fueron más vistas y mapas
de fijaciones para observar el orden y dirección que siguieron los participantes.
Los resultados que obtuvieron dan información a los diseñadores del videojuego
acerca de los problemas detectados en las interfaces, con el fin de realizar los
ajustes necesarios para mejorar la experiencia del jugador. En otro estudio similar,
Mat Zain et al. (2011) utilizaron mapas de calor y mapas de fijaciones para
identificar problemas de diseño con las interfaces de un videojuego, además de
proveer directrices para corregir estos problemas.

El presente trabajo se centra en la evaluación de carga cognitiva de los distintos

retos de un videojuego educativo. Para la medición de carga cognitiva se tomó en
cuenta el cambio del diámetro de la pupila con un rastreador ocular de bajo costo.

En esta investigación — así como en algunos trabajos relacionados — los términos

‘carga cognitiva’, ‘carga mental’ y ‘esfuerzo mental’ se usan intercambiablemente.

2
 1.1. Problemas

A lo largo de los años se ha comprobado que la pupila es un excelente y rápido

indicador de la carga cognitiva que experimenta un participante. Pero detalles
como la iluminación o la corrección de la distancia siempre se deben tomar en
cuenta. Los problemas que se deben resolver en esta investigación se presentan
en las siguientes secciones.

1.1.1. Movimientos de la cabeza

Figura 1-1 Sistema de coordenadas en tres dimensiones (3D)

El uso creciente de la tecnología de seguimiento ocular ha generado la integración

cada vez más de dispositivos baratos y pequeños, que han permitido realizar
experimentos fuera de los laboratorios y con varios participantes a la vez. El
inconveniente que existe con estos dispositivos de bajo costo, es que sus
algoritmos no toman en cuenta los movimientos de la cabeza en el eje Z por
lo que la estimación del tamaño de la pupila se ve afectada. El eje Z es
tomado en base al sistema de coordenadas en 3D que se define en relación a la
pantalla de la computadora, el eje X es horizontal y apunta hacia la derecha, el eje
Y apunta hacia abajo y el eje Z es la distancia a la que se encuentra una persona
frente a la pantalla (Fig. 1-1).

3
 1.1.1. Tamaño neutral de la pupila

El tamaño neutral de la pupila se refiere a el diámetro de la pupila en un estado

donde no se presenta ninguna emoción, estado cognitivo o cambio de iluminación
en el participante. Para medir el tamaño neutral de la pupila los investigadores han
utilizado una imagen blanca, gris o negra durante diez segundos antes de
presentar la tarea a evaluar (Iqbal, Adamczyk, Zheng, & Bailey, 2005; Siyuan
Chen, Epps, & Fang Chen, 2013; Szulewski, Fernando, Baylis, & Howes, 2014). El
uso de cualquiera de las propuestas anteriores genera un cambio de tamaño
de la pupila al momento de pasar de la imagen a la tarea a realizar, dando
como resultado un cambio en el diámetro de la pupila muy grande o muy
pequeño.

1.2. Motivación

Debido a la evidencia del uso de los videojuegos en el área de tecnología

educativa (Boyle et al., 2016; Connolly, Boyle, MacArthur, Hainey, & Boyle, 2012),
cada vez se utiliza más el uso de estos para el aprendizaje de nuevas habilidades.
El diseño de tecnologías educativas debe tomar en cuenta las limitaciones de la
memoria de trabajo ya que estas representan un factor importante que influye en
la eficacia del aprendizaje y el rendimiento, especialmente para los aprendices
novatos (Ferdig, 2009).
Dentro de los beneficios que se obtienen al medir la carga cognitiva en
videojuegos es verificar que los retos en los primeros niveles producen un menor
esfuerzo mental que en los últimos niveles, todo esto con el objetivo de mantener
al jugador enfocado en el videojuego. Otro beneficio que se obtiene es entender
cuales son los elementos que generan altas demandas cognitivas permitiendo a
los diseñadores modificar las interfaces para evitar la sobrecarga de memoria del
jugador.

Para la medición del diámetro pupilar es indispensable conocer el tamaño neutral

de la pupila (también conocido como tamaño normal o línea base) de cada
persona, por lo que para esto se han utilizado imágenes con fondo blanco, gris o
negro que son presentadas al usuario antes de la tarea. El uso de este enfoque no
es muy recomendable ya que si la tarea que se presenta cambia mucho de
iluminación, los resultados no reflejarán completamente esfuerzo mental debido a
que el valor neutral de la pupila puede ser muy grande o muy pequeño. Obtener el
tamaño de la pupila en un estado neutral y además minimizar el cambio de

4
iluminación al presentar la tarea permite obtener un valor real de carga cognitiva
evitando mezclar el impacto producido por la iluminación de la pantalla.
La medición de la pupila con rastreadores de bajo costo nos da la posibilidad de
incorporar evaluaciones en aplicaciones comerciales y fuera de ambientes de
laboratorio. Es indispensable contar con valores estimados del tamaño de la pupila
que no se vean afectados por la distancia del participante a la pantalla.

1.3. Objetivos

1.3.1. Objetivo general

El objetivo general de este trabajo de tesis consiste en evaluar la carga cognitiva

que generan los niveles de un videojuego educativo con un rastreador ocular de
bajo costo, obteniendo una medida fiable del tamaño neutral de la pupila y
corrigiendo la estimación del diámetro de la pupila.

1.3.2. Objetivos específicos

1. Analizar las propuestas que existen para: medir carga cognitiva con
rastreadores oculares, obtener el estado neutral de la pupila y contrarrestar
los movimientos de la cabeza.

2. Evaluar las propuestas de medición del tamaño neutral de la pupila y la

corrección de los valores de la pupila afectados por los movimientos de la
cabeza en el eje Z.

3. Construir una herramienta para medir la carga cognitiva de un participante

que realiza una tarea (v.g., cuando interactúa con un videojuego) en la
computadora.

4. Comparar mediante un proceso experimental que los niveles de un

videojuego educativo estén correctamente balanceados, encontrando
diferencias significativas en la carga cognitiva.

5
 1.4. Preguntas de investigación

1. En rastreadores oculares de bajo costo ¿es posible corregir los errores en

la estimación del tamaño de la pupila ocasionados por los movimientos de
la cabeza en el eje Z?

2. ¿Se puede mejorar la estimación del tamaño neutral del la pupila?

3. ¿Es posible realizar la evaluación de carga cognitiva en diferentes desafíos

de videojuegos utilizando el diámetro de la pupila?

1.5. Resumen de la propuesta

Figura 1-2 Evaluación de carga cognitiva en videojuegos, midiendo el tamaño neutral de la pupila con el
método scramble por regiones y utilizando un sensor ultrasónico para corregir la estimación del diámetro de la
pupila

El aumento de popularidad de videojuegos educativos para la adquisición o

práctica de habilidades se puede observar en las tiendas para dispositivos
móviles, donde cada día se incrementa el número de videojuegos con temas que
van desde geografía, español, matemáticas entre otros. Debido a la adopción y a
la evidencia de los impactos positivos de los videojuegos educativos los
desarrolladores deben estar consientes de las demandas cognitivas colocadas en
cada nivel. Una aplicación directa es evaluar videojuegos educativos para verificar
que los retos estén correctamente balanceados evitando que los usuarios se
frustren o decepcionen debido a que encuentran los retos muy difíciles o no
entienden las interfaces (Ebrahimi & Akbarzadeh-T, 2014).

6
Un factor importante al evaluar la pupila es el cambio de iluminación externa e
interna. La iluminación externa viene dada por cambios de luz del ambiente donde
se está realizando el experimento, para esto se deben utilizar cuartos sin ventanas
o cubrir las ventanas para mantener la iluminación; por otro lado, la iluminación
interna es producida por el brillo que genera la pantalla de acuerdo al estímulo
que se quiere evaluar. Con el fin de reducir los efectos producidos por el brillo de
la pantalla tomamos la recomendación de Bojko (2013) en la cual se utiliza una
imagen con un brillo similar al del estímulo utilizando el método ‘scramble’, pero a
diferencia de la autora nosotros dividimos la pantalla en diferentes regiones y a
cada una aplicamos el método ‘scramble’ (Fig. 1-2). La imagen generada de este
método permitirá medir la línea base de la pupila durante un periodo de acomodo
reduciendo el impacto del cambio al presentar los desafíos del videojuego. Dentro
de las ventajas de utilizar rastreadores oculares de bajo costo es que son fáciles
de transportar y dan la posibilidad de comprar múltiples dispositivos por lo que es
posible realizar experimentos con varios participantes a la vez.
En general, para medir carga cognitiva se han utilizado una serie de métodos que
tratan de obtener el nivel de esfuerzo producido por el manejo de las interfaces,
sin embargo existen ventajas y desventajas del uso de cualquier método. Nuestra
propuesta consiste en medir la carga mental que generan los niveles de un
videojuego utilizando un rastreador ocular de bajo costo. Un problema que se
tienen al utilizar rastreadores de bajo costo es que no tienen corrección del
tamaño de la pupila conforme al eje Z, por lo que si un participante se acerca a la
pantalla pareciera que sus pupilas se dilatan, o en caso contrario al alejarse
pareciera que se contraen pero solo es el efecto producido por el acercamiento o
alejamiento de la pantalla. Para contrarrestar los problemas derivados de la
distancia del participante propusimos el uso de un sensor ultrasónico ligado al
rastreador ocular (Fig. 1-1) que permitirá obtener la distancia a la que se
encuentra un participante con respecto al monitor, lo que nos da la posibilidad de
eliminar el efecto ocasionado por acercarse o alejarse de la pantalla.

1.6. Organización del documento

La estructura de este trabajo es la siguiente:

• En el capítulo 2 se describen los conceptos fundamentales de la tesis y las

las aportaciones de diferentes autores para medir el tamaño neutral de la
pupila y controlar los movimientos de la cabeza. Además se presentan los
trabajos relacionados en donde se abordan diferentes áreas de
investigación que han utilizado la medición de carga cognitiva midiendo el
cambio del tamaño de la pupila.

7
• El capítulo 3 describe el método para medir carga cognitiva en niveles de
videojuegos corrigiendo los valores de la pupila que fueron afectados por
los movimientos de la cabeza en el eje Z, además de presentar una manera
fiable de medir el tamaño neutral de la pupila minimizando el impacto
causado por el cambio entre la imagen de línea base y el estímulo visual.

• La corrección del diámetro de la pupila, los resultados de cambio de

iluminación entre la medición de línea base y el estímulo visual, y los
resultados de carga cognitiva entre diferentes mundos de un videojuego
educativo se muestran en el capítulo 4.

• Finalmente, en el capítulo 5 se presentan las conclusiones del trabajo

realizado así como los trabajos futuros.

8
2. Marco teórico

En este capítulo se presenta el estudio de los conceptos fundamentales sobre los

cuales se basa esta tesis, además de los trabajos relacionados identificados.

2.1. Teorías

Esta sección presenta las teorías que soportan el trabajo de investigación.

2.1.1. Teoría del flujo de juego

En el ámbito de videojuegos, los desarrolladores tienen por meta crear una

experiencia suficientemente interesante para mantener al jugador enfocado tanto
como sea posible. Cuando algo captura la atención y la imaginación por un largo
periodo, se entra en un estado mental interesante, donde el jugador pierde noción
del tiempo y donde únicamente está enfocado en el videojuego, este estado de
atención permanente, placer y gozo es conocido como “flujo” (Schell, 2013). Flujo
es definido como una sensación de enfoque completo y total energía en una
actividad, con un alto nivel de disfrute y satisfacción (Csikszentmihalyi, 2014). Uno
de los componentes necesarios para mantener el jugador en un estado de flujo es
tener desafíos constantes. Cuando el jugador recién empieza es deseable contar
con un nivel de dificultad bajo, porque sus habilidades son pocas, pero conforme
avanza, los retos deben ser más desafiantes para evitar que se aburra pero no tan
difíciles que termine por abandonar el juego y hacer otra actividad. Mihalyi
Csikszentmihalyi, un reconocido psicólogo creador de la teoría del flujo, dio el
nombre a esto como canal de flujo (2014). Posteriormente Jesse Schell (2013) en
su libro “El arte del diseño de videojuegos”, presentó un enfoque más interesante
en el que el nivel se aumenta y disminuye dentro de los límites del canal (Fig. 2-1)
donde el jugador tiene un ciclo de retos difíciles seguidos por un periodo fácil de
retos.

9
 Figura 2-1 Canal de flujo de juego propuesto por Jesse Schell

De acuerdo a Schell algunos de los componentes clave necesarios para colocar al

jugador en un estado de flujo son:

• Mantener metas claras

• Evitar distracciones
• Retroalimentar al jugador
• Tener retos continuos

2.1.2. Teoría de carga cognitiva

La teoría de carga cognitiva desarrollada por John Sweller se diseñó para

proporcionar directrices destinadas a ayudar en la presentación de la información
de una manera que fomente actividades para el estudiante que optimizan el
rendimiento intelectual. Su premisa es que los aprendices sólo pueden manejar
una cantidad limitada de información en su memoria de trabajo y que si esa
información llega a sobrepasarse, se puede aprender poco o nada (John Sweller,
Ayres, & Kalyuga, 2011). Esta teoría indica que durante el aprendizaje la
información debe ser almacenada en la memoria de trabajo (también conocida
como memoria de corto plazo) hasta que se haya procesado suficiente para
pasarla a la memoria a largo plazo.

La teoría del flujo del juego y la teoría de carga cognitiva en un videojuego

educativo apuntan que, al mantener al jugador en un estado de flujo permitirá
adquirir o practicar sus habilidades por más tiempo. Y entre más tiempo pase
jugando, se reflejará directamente en el aprendizaje, como lo observaron lo

10
autores Kickmeier-Rust et al. (2011) que entre más tiempo jugaban los
participantes, más aprendían.

2.2. Seguimiento ocular

El seguimiento ocular es una metodología que ayuda a los investigadores a

entender la atención visual. Con el seguimiento ocular pueden detectar donde
observan los usuarios en un punto en el tiempo, cuanto tiempo observan algo y la
ruta que siguieron sus ojos (Romano & Schall, 2014). El seguimiento ocular ha
sido aplicado en diferentes áreas que van desde la interacción humano-
computadora, medicina, conducción, videojuegos, psicología entre muchas otras.

La mayoría de los sistemas de seguimiento ocular proveen las medidas del

diámetro de la pupila, es por esto que el estudio de las contracciones y
dilataciones de la pupila puede ser incluido en experimentos de seguimiento
ocular.

La estructura de la pupila, es una de las partes más importantes del ojo ya que
es la encargada de regular la cantidad de luz admitida en el ojo. La pupila esta
rodeada por el iris que es la parte coloreada del ojo y cambia en cada persona, el
iris contiene dos tipos de músculos (Fig. 2-2), los músculos dilatadores que dilatan
la pupila y los músculos esfínter que la contraen (Beatty & Lucero-Wagoner,
2000).

Figura 2-2 Músculos de la pupila

11
En condiciones normales la presentación de una luz brillante contrae la pupila en
un tiempo de 0.2 segundos alcanzando un pico de respuesta entre 0.5 y 1
segundo. En tareas de carga mental la pupila alcanza el pico de dilatación entre 1
y 2 segundos y se contrae gradualmente después de que la tarea es completada
(Beatty, 1982; Beatty & Lucero-Wagoner, 2000).

2.3. Rastreadores oculares

Al estudio de la respuesta pupilar, ya sean las contracciones o dilataciones de la

pupila se le conoce como pupilometría. Uno de los métodos más confiables y no
invasivos en pupilometría consiste en utilizar cámaras de alta velocidad, estos
equipos son mayormente conocidos como rastreadores oculares (Duchowski
Andrew, 2007). Los rastreadores oculares son de dos tipos, montados en la
cabeza (Fig. 2-3) y remotos (Fig. 2-4).

Figura 2-3 Rastreadores oculares montados en la cabeza

12
 Figura 2-4 Rastreadores oculares remotos

Los dispositivos montados en la cabeza son lentes o bandas elásticas con

cámaras que los participantes se deben colocar y les dan libertad de movimiento.
Por otro lado los rastreadores remotos son dispositivos colocados debajo de la
pantalla o en un tablero y utilizan un método llamado reflejo corneal donde el
rastreador ocular emite una luz infrarroja en los ojos la cual es reflejada y
capturada con una cámara, obteniendo muy buena precisión para determinar que
elementos visualiza una persona en la pantalla (Fig. 2-5).

Figura 2-5 Funcionamiento de la tecnología de detección de la pupila para seguimiento ocular

13
El tipo de rastreador ocular que se utilice usualmente depende del tipo de
experimento que se esté realizando, para estudios donde el participante necesita
estar en constante movimiento — como comprar en un supermercado o realizar
una operación quirúrgica — un rastreador montado en la cabeza es lo más
adecuado; sin embargo, si el objetivo es validar la usabilidad de un sitio web o un
videojuego un rastreador remoto es la mejor opción.
Se han desarrollado muchas tecnologías que permiten a los investigadores de UX
realizar estudios remotamente utilizando la cámara web de los participantes (Tullis
& Albert, 2013). A pesar de tener el potencial de poder recolectar información de
un gran número de participantes de diferentes zonas geográficas, el uso de una
cámara web tiene las desventajas de contar con una baja frecuencia y menor
exactitud comparada con un rastreador ocular además de que el participante
puede moverse durante el estudio (Bojko, 2013).

En los primeros estudios de carga cognitiva con dilatación de la pupila todos los
autores utilizaban rastreadores oculares montados en la cabeza, Kligner et al.
(2008) comprobaron que el uso de rastreadores remotos son tan precisos para la
medición de la pupila como los dispositivos montados en la cabeza.

Existen diferentes marcas de rastreadores oculares en el mercado, cada uno con

diferentes características como la frecuencia de muestreo, rango de distancia,
precisión, entre otras. Bartels y Marshall (2012) evaluaron cuatro fabricantes
diferentes de rastreadores oculares para demostrar si eran adecuados para medir
carga cognitiva por medio del diámetro de la pupila. El estudio dio como resultado
que las diferencias mecánicas y computacionales entre los rastreadores oculares
no influyen necesariamente en el cálculo exacto de la métrica de carga cognitiva.

2.4. Medición del tamaño neutral de la pupila

El diámetro de la pupila así como el color, forma y tamaño del ojo varían en cada
persona, estas características están asociadas a la región, descendencia o edad.
Es por esto que al medir el tamaño de la pupila no se debe tomar el diámetro final,
para esto se emplea la evaluación del cambio en el diámetro de la pupila relativo
al diámetro durante el tiempo final de un periodo de acomodo (Beatty & Lucero-
Wagoner, 2000) el cual sirve para conocer el tamaño neutral de la pupila.

El tamaño neutral de la pupila siempre es determinado por la iluminación y las

características mencionadas anteriormente. Por lo cual, siempre se debe obtener

14
el diámetro con condiciones de iluminación similares y antes de presentar el
estímulo visual. Un estímulo visual puede ser cualquier imagen, video, página
web, texto o aplicación que se desea evaluar.

Durante el tiempo de medición del diámetro neutral de la pupila autores como

Iqbal et al. (2005; 2004) colocaron una imagen blanca por un tiempo de 10
segundos tomando en cuenta los valores de la pupila durante el último segundo.
Por otro lado, Klingner, Tversky, & Hanrahan (2011) utilizaron una pantalla negra
para estabilizar el tamaño de la pupila. Debido a que en una imagen de color
blanco la luminosidad es la máxima o en una imagen de color negro es la mínima,
algunos autores han utilizado el color gris (Marquart & de Winter, 2015; Siyuan
Chen et al., 2013) porque ofrece una luminosidad intermedia la cual puede ser
utilizada en la mayoría de los estímulos visuales.

Aunque cualquiera de las propuestas anteriores pueden tener buenos resultados,

todas dependen de que el brillo del estímulo visual sea similar al de la imagen.
Para contrarrestar los efectos de iluminación entre la imagen de medición de línea
base y el estímulo visual la autora Bojko (2013) propuso utilizar el método
“scramble” el cual consiste en tomar una imagen del estímulo a presentar y
cortarla en muchos pedazos del mismo tamaño para después ordenarlos
aleatoriamente. Este método produce una imagen de un brillo similar al del
estímulo, pero no siempre es posible aplicarlo en experimentos con diferente
iluminación.

Pese a que la mayoría de los autores utilizan una imagen para medir el valor
neutral de la pupila, Lin, Imamiya, Hu, & Omata (2007) obtuvieron el periodo de
línea base durante los primeros diez minutos del estímulo visual. La medición del
tamaño neutral de la pupila usando este enfoque no es muy recomendable ya que
se puede generar carga cognitiva inmediatamente después de presentar el
estímulo visual y por lo tanto el valor de la línea base no correspondería al estado
neutral de la pupila.

Debido a que existen muchas propuestas para medir el tamaño neutral de la

pupila, es necesario estudiar el impacto que se genera al momento de pasar de la
imagen para medir la línea base al estímulo visual.

15
 2.5. Corrección de movimientos

Para mejorar la precisión de las mediciones de la pupila y evitar la perdida de

datos derivado de los movimientos de la cabeza del participante, los
investigadores han trabajado con dos soluciones: utilizar rastreadores oculares
montados en la cabeza o colocar un descansa barbillas.

El uso de un dispositivo montado en la cabeza permite movilidad en el participante

(Fig. 2-6) y un cálculo preciso de la pupila. Los problemas de este tipo de
rastreadores es que pueden resultar molestos y esto puede distorsionar algunos
de sus resultados (Marshall, 2002) , además de que no se pueden obtener datos
de la distancia del participante y generalmente solo registran la información de un
solo ojo.

Existen soluciones como las gafas de Tobii o SMI que registran datos de ambos
ojos y que tienen un diseño muy elegante y cómodo pero la desventaja es que
son muy costosas para ser aplicadas en usos comerciales.

Figura 2-6 Rastreador ocular montado en la cabeza

Un descansa barbilla fija la cabeza del sujeto en frente de la pantalla y permite

obtener resultados precisos (Fig. 2-7). Las desventajas de este, es que es
molesto, cansado y no permite obtener análisis de los datos de la distancia del
participante.

16
 Figura 2-7 Descansa barbilla

Actualmente, sólo los rastreadores oculares costosos soportan el movimiento de la

cabeza sin afectar la estimación del tamaño de la pupila. Para realizar estudios
fuera de los laboratorios y con varios participantes a la vez, es importante tener un
valor de la pupila que no se vea alterado por la distancia del participante en
rastreadores oculares de bajo costo.

2.6. Trabajos relacionados

Existe evidencia presentada a lo largo de los años que indica que los cambios en
la carga cognitiva corresponden a la respuesta del tamaño de la pupila (Bartels &
Marshall, 2011; Beatty, 1982; Rosch & Vogel-Walcutt, 2013; Wang, 2011). Aunque
siempre se deben tomar consideraciones para aislar otros factores que influyen
en la respuesta pupilar como los son cambios en iluminación, dolor, excitación,
frustración, entre otros.

La principal ventaja de medir el diámetro de la pupila es la velocidad de respuesta,

ya que la pupila reacciona de manera inmediata a cualquier cambio de carga
cognitiva por lo que es posible conocer en tiempo real el esfuerzo mental que está
experimentando una persona. Otra ventaja es que es un método poco invasivo
(con un rastreador remoto) debido a que el participante no debe colocarse nada,
simplemente se debe posicionar enfrente de una pantalla.

17
De acuerdo a Ahern y Beatty (1979) existen diferentes tipos de tareas cognitivas
que generan un cambio en el tamaño de la pupila, pero cada una produce
diferente pico de respuesta. Las tareas cognitivas se clasifican en cuatro tipos que
son: memoria, lenguaje, razonamiento y percepción. En la Figura 2-8 se presenta
el pico de dilatación que produce cada tipo de tarea, siendo las tareas de
razonamiento las que producen un mayor pico y las tareas de percepción un
menor pico.

Figura 2-8 Respuesta pupilar en diferentes tipos de tareas cognitivas

A continuación se presentan los trabajos relacionados de cada tipo de tarea

cognitiva que han utilizado la medición de carga cognitiva con el diámetro de la
pupila.

2.6.1. Memoria

Durante tareas de memoria a corto plazo, el diámetro de la pupila ha demostrado

indicar el nivel de carga cognitiva que está experimentando un participante. Uno
de los primeros estudios en demostrar carga cognitiva en tareas de memoria
fueron Kahneman y Beatty (1966), ellos diseñaron una lista de tareas en las
cuales los participantes tenían que recordar una serie de dígitos. En la primera

18
tarea debían recordar tres dígitos, la segunda cuatro dígitos y así hasta llegar a
ocho dígitos. Como se muestra en la Figura 2-9 el diámetro de la pupila fue mucho
mayor conforme los participantes intentaban recordar una mayor cantidad de
dígitos.

Figura 2-9 Carga cognitiva en tareas de memoria auditiva y visual

Recientemente, Klingner et al. (2011) investigaron la influencia en la presentación

de estímulos auditivos y visuales, para esto replicaron el experimento de Ahern y
Beatty el cual solo lo realizaron de manera auditiva. En los resultados que
presentan, se muestra que el diámetro de la pupila es mayor en tareas auditivas
que en las mismas tareas presentadas de manera visual (Fig. 2-9).

2.6.2. Lenguaje

Este tipo de categoría se refiere a la manera en que las personas emplean su

conocimiento para distinguir cualquier palabra o idea. Se han estudiado diferentes
aspectos de procesamiento de lenguaje a través del diámetro de la pupila. Por
parte de los autores Andrew L. Kun et al. (2011) investigaron si pueden usar el
diámetro de la pupila para detectar cambios importantes en la carga cognitiva
durante una tarea verbal, con el objetivo de ayudar el futuro de las interacciones
de interfaces humano-computadora. En el experimento participaba un conductor y

19
otro participante conversando a través de audífonos y micrófono. Durante el
experimento el conductor debía manejar en el carril central de una carretera de
tres carriles, el camino tenía rectas y curvas. Cada conductor tenía que seguir un
vehículo que viajaba a una velocidad de 89 km/h en el carril central. La tarea
hablada era el juego taboo, un juego en el que se le daba una palabra al
participante y 5 palabras relacionadas, el participante tenía que trabajar con el
conductor para que adivinará la palabra en un máximo de un minuto, al terminar el
tiempo se reproducía un sonido que indicaba el fin del juego. Los resultados se
muestran de acuerdo al cambio de la pupila y estos indican los periodos de alta y
baja carga cognitiva del participante, lo que da paso para identificar cuando se
deben mostrar notificaciones al conductor sobre el clima, tráfico, estado del
vehículo, entre otras, ya que estas deben ser durante un estado de carga cognitiva
baja.

2.6.3. Razonamiento

A lo largo de los años, la resolución de operaciones aritméticas se han utilizado

como instancias de problemas de razonamiento. Ahern y Beatty (1979) se
interesaron en reportar las diferencias entre individuos al resolver problemas de
multiplicaciones, encontrando que los individuos más inteligentes reportaban un
cambio mucho menor en el tamaño de la pupila que aquellos participantes que no
dominaban las operaciones aritméticas (Fig. 2-10). Para este estudio se
presentaron tareas de multiplicar en las cuales primero se decía el multiplicando y
2 segundos después el multiplicador. En total se presentaron 32 problemas de
diferente dificultad resultando en una mayor dilatación de la pupila los problemas
difíciles (Fig. 2-10).

20
 Figura 2-10 Carga cognitiva en tareas de razonamiento

Un estudio reciente de Klingner et al. (2011) confirma que la pupila reacciona a la

dificultad de las operaciones matemáticas que se presentan a los usuarios,
además que el contenido de manera auditiva genera una mayor dilatación . Las
conclusiones de este experimento sirven para demostrar que en el diseño de
interfaces es preferible mostrar el contenido de manera visual que de manera
auditiva, para reducir la carga cognitiva. Aunque siempre se debe considerar si el
participante aprende mejor de manera visual, auditiva o kinetésica.

21
Se ha comprobado que la pupila reacciona a tareas cognitivas de razonamiento,
pero aún faltan estudios donde se evalúen este tipo de tareas en aplicaciones
prácticas, como lo es el uso de videojuegos educativos.

2.6.4. Percepción

La percepción esta relacionada a la detección visual y auditiva que puede producir

cualquier interacción humano-máquina. Para este tipo de tareas los investigadores
se han preocupado en evaluar el esfuerzo mental en aplicaciones y videojuegos.

Para evaluar una aplicación web Eszter Józsa (2010) midió la respuesta de la
pupila durante la actividad mental para relacionar el trabajo de un usuario y
verificar si la aplicación brinda una buena UX. Los participantes realizaron cinco
tareas, la primera era navegar hasta un sitio web desde Google y las otras cuatro
tareas se enfocaban en encontrar información en el sitio. El análisis de los
resultados muestra que la pupila se mantiene en niveles elevados de carga
cognitiva mientras se busca en el sitio web y al momento de encontrar la solución
o tener una pista de cómo solucionar la tarea, la pupila se contrae. Los problemas
identificados es que existe una dificultad para encontrar contenidos en el sitio web,
lo que ocasiona que los clientes se frustren o abandonen el sitio. Como
recomendación la optimización de la usabilidad y la carga cognitiva se verá
reflejada en la UX que puede tener impacto en el tiempo que navegan los usuarios
por el sitio, el número de visitas y la cantidad de usuarios.

En el estudio de videojuegos con seguimiento ocular existen muchos trabajos

relacionados que tratan de entender como los usuarios interactúan con las
interfaces (Johansen et al., 2008; Kickmeier-Rust et al., 2011; Kiili, Ketamo, &
Kickmeier-rust, 2014; Mat Zain et al., 2011; Oliveira, 2014) o verifican si los
participantes leen los mensajes de ayuda de los videojuegos (Conati, Jaques, &
Muir, 2013). En cambio el estudio de carga cognitiva con dilatación de la pupila en
videojuegos nunca se ha llevado a cabo. Los únicos autores en utilizar medición
de carga cognitiva con dilatación de la pupila fueron Lin et al. (2007; 2008) que
compararon las respuestas pupilares y la variabilidad del ritmo cardíaco para
evaluar el esfuerzo mental al jugar en un videojuego de computadora orientado a
identificar visualmente los colores de las esferas presentadas, una captura de
pantalla de este videojuego se muestra en la Figura 2-11 . El objetivo del
videojuego es disparar a las esferas que son del mismo color que la que
actualmente tiene el cañón. Si el número de esferas a las que se dispara es más
de dos, el grupo del mismo color se desaparece. El objetivo es destruir todas las
esferas antes de que lleguen al final del camino.

22
 Figura 2-11 Captura de pantalla de videojuego usado para medir carga cognitiva

En este videojuego los participantes fueron requeridos para jugar tres niveles,
principiante, intermedio y experto respectivamente. La dificultad del juego fue
manipulada por la velocidad de las esferas. Los resultados del tamaño de la pupila
no mostraron efectos significativos para la dificultad de la tarea, ni tampoco
mostraban una correlación con los datos del ritmo cardíaco. Lo único que los
autores pudieron obtener son diferencias significativas entre los niveles de
habilidad de cada participante. Los autores concluyen que a pesar de haber
controlado muchas variables en el experimento, las variaciones de iluminación
pudieron afectar el cálculo del cambio de la pupila. Otro punto a destacar es que
en tareas de percepción la respuesta de la pupila es muy poca, por lo que es
mucho más difícil encontrar variación entre distintos niveles.

2.6.1. Multitarea cognitiva

En el área de transporte se ha utilizado la medición del diámetro de la pupila

principalmente en simuladores de conducción, donde tratan de identificar la carga
cognitiva de los participantes mientras conducen y participan en diferentes tipos de
tareas cognitivas (Fig. 2-12).

23
 Figura 2-12 Simulador de conducción

Palinko y Kun (2010) realizaron la estimación de carga cognitiva usando un

rastreador ocular remoto en un simulador de conducción. El objetivo de los autores
fue evaluar la correspondencia entre la capacidad de conducción y medidas de la
pupila para proporcionar una evaluación preliminar de la tasa de cambio del
diámetro de la pupila. En el experimento se realizaron tres tareas, en la primer
tarea el participante debía seguir a un vehículo mientras conducía
responsablemente, el camino consistía de 6 tramos rectos y 6 con curvas,
alternados. En la segunda tarea el conductor tenia que adivinar una palabra que el
copiloto tenia en mente, las únicas respuestas del copiloto eran si o no, las
palabras a adivinar era una lista limitada de elementos del hogar (refrigeradores,
lavadora, secadora, etc.). La tercer tarea fue la de interrupción que consistía en
que el primer participante decía una palabra y el otro participante respondía con
otra palabra que comenzará con la ultima consonante o vocal. Los participantes
tenían 30 segundos para decir tres palabras cada uno. En los resultados analizan
el rendimiento del conductor obteniendo datos del ángulo del volante en los
caminos con curvas y la posición en el carril. Los resultados muestran que en los
periodos de alta carga cognitiva el participante tenía un peor desempeño. Los
autores concluyen que la pupila es un buen indicador del esfuerzo mental del
conductor y que la carga cognitiva alta influye directamente en un mal desempeño
del conductor.

24
3. Método para la medición de carga cognitiva
en niveles de videojuegos (MCOG)

Este capítulo contiene el método para realizar la medición de carga cognitiva en

videojuegos educativos, primero se presenta de manera general el método y los
dispositivos necesarios, después se da una explicación de cada paso.

El método MCOG tiene como objetivo realizar la medición de carga cognitiva por
la actividad de razonamiento en diferentes niveles de videojuegos a través de la
medición del diámetro de la pupila con un rastreador ocular remoto. Este método
presenta dos propuestas importantes, la primera se encarga de corregir las
medidas del tamaño de la pupila ocasionadas por los movimientos de la cabeza en
el eje Z y la segunda proporciona una manera fiable de medir el tamaño de la
pupila evitando que sus valores sean afectados por los cambios de iluminación de
la pantalla. Algunos de los pasos de este método son recomendaciones de la
autora Bojko (2013) y además se utilizan en gran parte de los estudios de
seguimiento ocular para la evaluación de cualquier tipo de estímulo.

El equipo requerido para la medición es un rastreador ocular remoto, un sensor

ultrasónico conectado a un Arduino y una computadora con dos monitores, dos
ratones y dos teclados (Fig. 3-4).

Los pasos del método MCOG son los siguientes:

1. Configuración del espacio de trabajo

2. Configuración tecnológica
3. Generación de imagen de línea base de cada reto
4. Práctica del juego
5. Calibración del rastreador ocular
6. Presentación de retos del videojuego
7. Transferencia de datos a la herramienta web

A continuación se presenta cada paso de manera detallada, donde se abarca

desde la configuración del espacio de trabajo hasta la transferencia de datos a la
herramienta de análisis de carga cognitiva.

25
 3.1. Configuración del espacio de trabajo

Para estudios de medición del diámetro de la pupila es importante seguir algunas

consideraciones con el objetivo de asegurarse de obtener la mejor configuración y
no ver afectado ningún resultado.

3.1.1. Iluminación

En un experimento de seguimiento ocular la iluminación se debe controlar de

manera que sea siempre la misma. Para esto se deben utilizar cuartos sin
ventanas o cubrir las ventanas con cortinas obscuras con el fin de eliminar
interferencias con la luz infrarroja del rastreador ocular y la pupila.

3.1.2. Distracciones

Para evitar distracciones del participante únicamente el ratón y teclado deben

permanecer sobre el escritorio, además la computadora desde la cual se controla
todo el experimento debe ser colocada en diferente ángulo para evitar que el
participante pueda observar lo que pasa a su alrededor (Fig. 3-1).

Figura 3-1 Computadora de control colocada en diferente ángulo

26
 3.1.3. Sillas

Las sillas de los participantes deben contar con ajuste de altura para permitir
colocarse frente al monitor y ser correctamente identificado por el rastreador
ocular. La silla ideal para este tipo de estudios es aquella que no tiene ruedas y no
permite girar al participante pero proporciona un ajuste de altura. En caso de no
contar con este tipo de sillas se debe ajustar correctamente el rastreador ocular y
dar indicaciones a los participantes de no moverse mucho.

3.2. Configuración tecnológica

El equipo necesario para realizar la medición de carga cognitiva consiste en un

rastreador ocular remoto, un sensor ultrasónico conectado a un Arduino y una
computadora conectada con dos monitores, dos ratones y dos teclados.

A continuación se presenta los modelos y características del equipo tecnológico

recomendado, cabe destacar que se pueden utilizar diferentes equipos y
configuraciones.

3.2.1. Rastreador ocular

La tecnología de seguimiento ocular ha ido evolucionado a través de los años, con

lo cual algunos fabricantes de este tipo de dispositivos han empezado a producir
dispositivos de bajo costo, por ejemplo el rastreador Gaze Point GP3 con un costo
de $495 dólares estadounidenses (USD, del inglés United States Dollar), Tobii Eye
X con un precio de $139 USD y Eye Tribe ET-1000 con un valor de $99 USD. En
este método el rastreador Tobii Eye X no puede ser utilizado debido a que su
licencia únicamente es para ser empleado como control de entrada en
videojuegos, además de que no se pueden obtener datos de la pupila.

Los dispositivos Eye Tribe son los más populares por su tamaño y precio, cuentan
con frecuencias de 30 y 60Hz y tienen un diseño pequeño y elegante que permite
ser colocado tanto en laptops, tabletas y monitores con los soportes adecuados, la
Figura 3-2 muestra el diseño de este rastreador.

27
 Figura 3-2 Rastreador ocular Eye Tribe ET-1000

Eye Tribe ET-1000 funciona con monitores de hasta 24 pulgadas y con un rango
de entre 45 y 75 cm de distancia, todas las características del rastreador aparecen
en la Tabla 3-1.

Tabla 3-1 Características del rastreador ocular Eye Tribe ET-1000

Frecuencia de muestreo 30 Hz o 60 Hz

Exactitud 0.5° (promedio)

Resolución espacial 0.1° (RMS)

Latencia < 20 ms a 60 Hz

Calibración 5, 9, 12 puntos

Rango de operación 45 cm – 75 cm

Área de rastreo 40 cm × 30 cm a 65 cm de distancia

Tamaño de la pantalla Hasta 24 pulgadas

Salida Datos de ambos ojos

Dimensiones (W/H/D) 20 × 1.9 × 1.9 cm (7.9 × 0.75 × 0.75 pulgadas)

Peso 70 g

Conexión USB 3.0

28
 3.2.2. Sensor de distancia y Arduino

Para permitir movilidad del participante y corregir la estimación del diámetro de la

pupila, en esta tesis se propone el uso de un sensor ultrasónico HC-SR04
conectado a un Arduino Uno. El sensor HC-SR04 es un módulo que incorpora un
par de transductores de ultrasonido que se utilizan de manera conjunta para
determinar la distancia del sensor con un objeto colocado enfrente de este. Todas
las características del sensor ultrasónico aparecen en la Tabla 3-2.

Tabla 3-2 Características del sensor ultrasónico HC-SR04

Alimentación 5V

Interfaz Vcc, Trigger, Echo, GND

Rango de medición 2 cm a 400 cm

Corriente de alimentación 15 mA

Frecuencia de pulso 40 kHz

Apertura de pulso 15º

Dimensiones 45x20x15 mm

Margen de error 0.3 cm

La conexión entre el sensor ultrasónico y el Arduino es muy sencilla, primeramente

se deben conectar los dos pines de alimentación y después asignarle dos pines a
la interfaz (echo y trigger). El diagrama de conexión se muestra en la Figura 3-3.

29
 Figura 3-3 Diagrama de conexión de Arduino Uno con el sensor ultrasónico HC-SR04

El código fuente para obtener la distancia en centímetros con Arduino puede ser
consultado en el Apéndice A.

3.2.3. Computadora

Para realizar el experimento es necesario contar con un equipo de cómputo que

tenga dos monitores, dos teclados y dos ratones o también se puede usar una
laptop con un monitor externo, un teclado y un ratón. No existen restricciones de
resolución de pantalla pero se deben utilizar los tamaños de monitor
recomendados de acuerdo al rastreador ocular a utilizar, para el caso del Eye
Tribe ET-1000 un monitor de 24 pulgadas o menor (es lo recomendado).

Un ejemplo de toda la configuración tecnológica se observa en la Figura 3-4.

30
 Figura 3-4 Configuración tecnológica

3.3. Generación de imagen de línea base de

cada reto del videojuego

Para obtener una medida confiable del tamaño neutral de la pupila durante la
evaluación de videojuegos, una de las mejores propuestas es el método scramble
que brinda una imagen donde la iluminación es muy similar a la pantalla a evaluar.
El método scramble tiene como entrada dos parámetros, el ancho y alto en pixeles
que determinan el tamaño de los rectángulos a tomar en cuenta en la imagen, los
cuales serán reordenados aleatoriamente y darán como resultado un
rompecabezas de bloques, como se muestra en la Figura 3-5. Este método nos
genera una imagen de un brillo similar al del estímulo visual que además impide
imaginar de que se trata el contenido a presentar.

31
 Figura 3-5 Aplicación del método scramble

Para generar este tipo de imágenes existe un filtro de Adobe Photoshop llamado
Scramble que automáticamente reordena los bloques de una imagen
estableciendo el ancho y alto en pixeles. El filtro es gratuito y es compatible desde
la versión CS2 de Adobe Photoshop (“Telegraphics - Scramble Filter”, 2016).

Una de las desventajas del método scramble es que en imágenes donde los
colores cambian mucho para diferentes regiones de pantalla generará diferente
iluminación que la del estímulo visual, esto se debe a que los bloques se
reordenan automáticamente en cualquier parte de la pantalla. Para contrarrestar
este problema propusimos la aplicación del método scramble por regiones de
pantalla con una malla de 8x6, es decir 48 regiones.

La aplicación del método scramble por regiones consiste en dividir la pantalla del
estímulo a presentar para obtener diferentes secciones y a cada una de ellas
aplicar el método scramble. Con esto, nos aseguramos que la iluminación de la
imagen generada sea muy similar y que el estímulo visual no se pueda identificar.
El resultado de está propuesta se observa en la Figura 3-6, que muestra diferentes
pantallas de retos de un videojuego, del lado izquierdo se presenta el reto y del
lado derecho su correspondiente imagen de línea base.

32
 Figura 3-6 Aplicación del método scramble por regiones de pantalla en diferentes retos de un videojuego

3.4. Práctica del juego

Para enseñar a cada jugador en que consiste la dinámica del videojuego, primero
se debe realizar una sesión de entrenamiento en la cual los participantes deben
resolver retos parecidos a los que realmente tendrán. El objetivo de esta sesión es
ayudar a que los participantes se sientan cómodos y comiencen naturalmente el
resto de la sesión.

A partir de esta paso es indispensable solicitar a todos los participantes apagar o

silenciar sus dispositivos móviles, con el fin de no distraerse durante el
experimento.

33
 3.5. Calibración del rastreador ocular

Debido a que las características de los ojos son diferentes en cada persona, antes
de iniciar un experimento de seguimiento ocular siempre se debe realizar un
procedimiento llamado calibración el cual tiene como objetivo identificar las
características del ojo. Durante la calibración se le indica a la persona seguir y
observar una serie de puntos en la pantalla. Típicamente, se utilizan nueve puntos
pero la calibración se puede realizar desde dos puntos con algunos rastreadores
oculares (Fig. 3-7). En el periodo de calibración varias imágenes son colectadas y
analizadas. Debido a que las imágenes del ojo son registradas, el rastreador
ocular es capaz de medir la dilatación de la pupila determinando el número de
pixeles del área pupilar o tratando de ajustar una elipse en la imagen de la pupila
para después calcular la longitud de su eje mayor (Klingner et al., 2011).

Figura 3-7 Procedimiento de calibración durante el cual el participante debe observar cada punto en la
pantalla.

Al terminar la calibración, que usualmente dura diez segundos, el investigador

puede conocer la calidad de la calibración usualmente expresada como grados de
desviación de cada punto X y Y. Desviaciones de menos de un grado son
considerablemente aceptables y con menos de la mitad de un grado son muy
buenas. En el caso del software incluido en el rastreador ocular Eye Tribe, se

34
maneja una calibración de cinco estrellas en la cual con base en la exactitud de la
calibración un algoritmo otorga un número de estrellas. Obtener una calibración de
cuatro o cinco estrellas es lo más recomendable.

La calibración es un paso muy importante en los estudios de seguimiento ocular

ya que si la calibración final no es muy buena, el experimento no debe empezar o
deberá ser omitido. Antes de comenzar la calibración es muy importante ajustar la
inclinación del rastreador ocular para posicionarlo directamente a la cara del
participante. Existen algunas ocasiones que no se puede realizar la calibración
con distintos participantes, esto puede ocurrir por varios factores como el uso de
lentes con anti-reflejante, lentes con una corrección muy grande, lentes con
diferente corrección en cada ojo, demasiados parpadeos o debido a que la
estructura del ojo no la puede detectar el rastreador ocular.

3.6. Presentación de retos del videojuego

Una vez terminada la calibración, se puede comenzar el registro de datos de

seguimiento ocular, para este caso el Eye Tribe cuenta con un kit de desarrollo en
el lenguaje de programación python que permite guardar todos los datos de
seguimiento ocular en un archivo de texto. Después de iniciar la grabación se
coloca durante ocho segundos la imagen de línea base correspondiente al reto a
evaluar, e inmediatamente al finalizar los ocho segundos se debe presentar el
reto. Para obtener mejores resultados es preferible evaluar los retos
aleatoriamente, es decir el orden de cada reto deberá cambiar para cada
participante. Una vez finalizado cada reto se cierra la conexión con el rastreador
ocular y se guardan los datos.

En caso de que no se obtenga acceso a las estadísticas de cada reto del

videojuego, se debe grabar la actividad en la pantalla para posteriormente
contabilizar manualmente el número de errores cometidos por los participantes.

Durante cada sesión es necesario llevar un registro de eventos inusuales, que

puede ser de bastante utilidad durante el análisis de los datos. En este registro se
anotan observaciones si algún ruido distrajo a los participantes, si el rastreador
ocular falló, si algún participante se movió demasiado, entre otras. Al final, todas
estas observaciones ayudarán a encontrar el motivo de porque se perdieron datos
de un participante o para determinar si un reto debe ser excluido.

35
 3.7. Transferencia de datos a la herramienta
web

Para el análisis de los datos de seguimiento ocular, se desarrolló una herramienta

para generar las métricas y mostrar visualizaciones. La herramienta fue
desarrollada bajo el lenguaje de programación python, el framework Django, y
MariaDB como motor de base de datos.

Para el desarrollo de la herramienta se eligió python debido a que es un lenguaje

de programación de alto nivel y propósito general que destaca por la facilidad en
su sintaxis y el soporte de múltiples paradigmas. Como framework se seleccionó
Django, debido a que alienta el desarrollo rápido, limpio y con un diseño
pragmático. MariaDB fue elegido como motor de base de datos debido a su
rendimiento y el manejo de varios motores de almacenamiento.

La arquitectura de la herramienta puede ser consultada en el Apéndice B, y toda la

funcionalidad en el Apéndice C. El código de la herramienta está disponible bajo la
licencia GPL V3 y puede ser accesado desde la siguiente liga
https://github.com/manerMoniar/EyeTracking_AS

A continuación se muestran los pasos necesarios para obtener los resultados de

carga cognitiva de cada reto. Cada paso fue programado dentro de la herramienta.

3.7.1. Limpieza de parpadeos y valores atípicos

Al momento de cargar un archivo con la información de seguimiento ocular, los

datos se inspeccionan para identificar parpadeos o valores atípicos. Los
parpadeos se identifican cuando los registros presentan valores nulos o con cero.
Durante el registro de seguimiento ocular los valores de la pupila son
promediados entre los dos ojos, si no existen valores para el ojo izquierdo, el
valor de la pupila se toma únicamente del ojo derecho o viceversa.

Para restaurar los valores de la pupila y distancia que fueron perdidos, se realiza
interpolación lineal siempre y cuando no se pierdan datos de más de 2 segundos.

La identificación de valores atípicos se realiza con un filtro Hampel, el cual utiliza

la desviación media absoluta para identificar las medidas de la pupila o de
distancia que son distantes del resto de los datos, cuando una medida es
identificada se elimina y después se realiza la interpolación lineal.

36
 3.7.2. Corrección de la estimación del tamaño de
la pupila con el modelo de la cámara estenopeica

Una cámara estenopeica es una cámara fotográfica sin lente, que consiste en una
caja estanca a la luz, un pequeño orificio donde entra la luz y un material
fotosensible. El modelo que utiliza esta cámara describe la relación entre las
coordenadas de un punto 3D y su proyección en un plano de imagen.

En la Figura 3-8 se observa la geometría del modelo de la cámara estenopeica

visto desde arriba, en el cual aparecen dos triángulos similares ambos teniendo
parte de la línea de proyección marcada en color verde.

Figura 3-8 Geometría del modelo de la cámara estenopeica

Los catetos del triángulo de la izquierda se denotan por –y1 y f y los catetos del
triángulo de la derecha por x1 y x3 . Debido a que los triángulos son similares
siguen:
−𝑦! 𝑥!
=
𝑓 𝑥!

o para buscar el valor de –y1:

37
 𝑓𝑥!
−𝑦! =
𝑥!

Donde para corregir la estimación del tamaño de la pupila:

f = tamaño del foco más la distancia

x1 = tamaño estimado de la pupila
x3 = tamaño del foco

3.7.3. Filtrado de datos

Durante cualquier experimento de seguimiento ocular siempre se pierden datos,

ya sea porque el participante parpadea, porque observa el teclado o ratón o
porque se distrae con otra cosa. Debido a estos detalles es posible perder un
pequeño porcentaje de información, por lo que se define un límite de perdida de
datos basado en el porcentaje de muestras válidas por cada reto. Usualmente el
límite se establece en 80% de muestras validas, además de validar que el reto
haya sido resuelto.

3.7.4. Obtención de métricas

Para la evaluación de carga cognitiva con la pupila se han utilizado diferentes

métricas que informan sobre el esfuerzo mental producido por las interfaces. Tres
métricas de interés recomendadas por Beatty y Lucero-Wagoner (2000) son:

Cambio promedio del diámetro de la pupila (MPDC – Mean Pupil Diameter

Change): nos indica el aumento que sufrió la pupila y se calcula restando la línea
base sobre todo el periodo de la tarea.

Pico de dilatación: valor máximo de dilatación en el intervalo de interés y es

calculado obteniendo la línea base del periodo de acomodo menos el valor
máximo en el intervalo de la tarea.

Latencia al pico: cantidad de tiempo transcurrido entre el tiempo de inicio y la

aparición del pico de dilatación.

38
Dentro de las métricas que no corresponden a una respuesta fisiológica pero que
se han utilizado (Chen, Epps, & Chen, 2011; Iqbal et al., 2004) para medir carga
cognitiva encontramos:

Tiempo de completitud: cantidad de tiempo requerida para completar un reto en

particular.

Número de errores: cantidad de sucesos realizados de manera equivocada o

desacertada.

Todas las métricas anteriores son calculadas dentro de la herramienta,

únicamente el número de errores debe ser ingresado manualmente.

El uso de este método para estudios del diámetro de la pupila proporciona una
manera de controlar diferentes factores que pueden cambiar las medidas de la
pupila. Las técnicas propuestas en este método se describen en la Tabla 3-3.

Tabla 3-3 Listado de técnicas propuestas en esta tesis

Gráfico Técnica Descripción

Scramble por Medición del tamaño de
regiones línea base de la pupila
aplicando scramble a
cada región de la
pantalla.

Corrección de la Corrección de la
estimación del estimación del diámetro
diámetro pupilar de la pupila cuando el
participante se acerca o
aleja de la pantalla. Para
esto se mide la distancia
de la cabeza a la pantalla
y se aplica el modelo de
la cámara estenopeica.

39
4. Experimentación

Este capítulo contiene los detalles, diseño y resultados del estudio que se llevó a
cabo para investigar la carga cognitiva generada en diferentes niveles de un
videojuego educativo. También se presentan los resultados de utilizar un sensor
ultrasónico para mejorar la estimación del tamaño de la pupila y los resultados de
iluminación del método scramble por regiones.

La meta del experimento fue verificar si es posible distinguir la carga cognitiva que
generan diferentes retos de un videojuego educativo, asegurándonos que los retos
en los primeros niveles generan una carga cognitiva menor que en los últimos
niveles.

4.1. Plan

Para este experimento se tomó en cuenta el videojuego “Refraction 2”

desarrollado por el Centro para la Ciencia de Videojuegos de la Universidad de
Washington. El objetivo de este videojuego es practicar y reforzar el conocimiento
de fracciones. El videojuego tiene cuatro mundos que son tomados como niveles,
cada mundo tiene distintos retos los cuales incrementan gradualmente de
dificultad. Las tareas en cada reto son dividir, combinar y redirigir los láseres de
potencia a las naves espaciales llenas de animales perdidos. En cada reto pueden
existir una o más naves espaciales y cada nave debe recibir la potencia indicada.
Para redirigir, dividir o combinar un rayo se utilizan las piezas colocadas en un
panel especial, cada pieza tiene un color y una dirección. Las piezas de color azul
únicamente redirigen el rayo hacia donde indica la flecha, las piezas naranjas
dividen el rayo entre el número de flechas que tiene la pieza y las piezas verdes
suman dos o más fuentes de rayos láser y tienen una sola salida.
En la Figura 4-1 se observa un reto de este videojuego en el cual existen cuatro
naves y cada nave necesita 1/4 de potencia para despegar, en el panel de la
derecha se encuentran disponibles cinco piezas, dos azules y tres naranjas.

40
 Figura 4-1 Pantalla de un reto del videojuego “Refraction 2

De acuerdo a Andersen y Dai (2012; 2013) la dificultad del videojuego “Refraction

2” es controlada conforme al número de elementos que aparecen en el
videojuego. Los elementos de este videojuego son las fuentes de origen que son
representadas por los rayos láser, los destinos que son las naves con animales
perdidos, los destinos multiobjetivo que son naves que pueden recibir dos o más
rayos láser y los obstáculos que son todos los elementos que impiden el paso de
cualquier rayo láser.

Para este estudio se tomaron dos retos de dos mundos diferentes, el número de
elementos de cada reto se observa en la Tabla 4-1. El promedio de elementos por
mundo es de 12.5 para el mundo dos y de 15.5 para el mundo cuatro.

Tabla 4-1 Elementos por reto del videojuego “Refraction 2”

Destinos
Mundo: reto Orígenes Destinos Obstáculos TOTAL
multiobjetivo
2:4 1 1 0 10 12
2:5 1 2 0 10 13
4:4 1 2 0 13 16
4:6 3 3 0 9 15

41
Existen otros factores como el número de movimientos mínimos (Tabla 4-2) y el
número de piezas disponibles en el tablero (Tabla 4-3) que aunque no fueron
consideradas por los diseñadores del videojuego para aumentar o disminuir la
dificultad también determinan lo complicado que es un reto. En el caso de los
movimientos entre mayor sea el número de piezas requeridas para completar un
reto, mayor esfuerzo mental será requerido. Y entre más piezas disponibles
existan en el tablero mayor carga cognitiva tendrá el participante para identificar la
que necesita.

Tabla 4-2 Movimientos mínimos por reto del videojuego “Refraction 2”

Mundo: reto Operaciones Redirecciones TOTAL

2:4 3 1 4
2:5 3 0 3
4:4 3 1 4
4:6 3 0 3

Tabla 4-3 Piezas del tablero por reto del videojuego “Refraction 2”

Mundo: reto Azules Naranjas Verdes TOTAL

2:4 3 3 0 6
2:5 3 3 0 6
4:4 3 3 0 6
4:6 3 4 0 7

El promedio de movimientos mínimos y piezas en el tablero es similar para los dos

mundos elegidos. El mundo dos tiene un promedio de 3.5 movimientos mínimos y
6 piezas disponibles y el mundo cuatro un promedio de 3.5 movimientos mínimos
y 6.5 piezas disponibles.

Para cada reto se realizará la obtención de métricas de carga cognitiva MPDC,

pico de dilatación, latencia al pico, tiempo de completitud y número de errores. La
evaluación de carga cognitiva del videojuego será evaluada por nivel debido a que
los retos en un mismo nivel pueden cambiar de dificultad pero siempre
manteniéndose dentro de ciertos límites.

42
 4.2. Ejecución

El experimento se realizó siguiendo el método para la medición de carga cognitiva

en niveles de videojuegos (MCOG) explicado en el capítulo 3. Este estudio fue
completado por 18 estudiantes de posgrado (6 mujeres) de entre las edades de 23
a 31 años. El promedio de edad fue de 27.16 años (SD = 2.60). Los datos de dos
participantes fueron excluidos ya que la mayoría de sus registros se perdieron
debido a que parpadearon mucho. En cada sesión se realizó el experimento a dos
participantes en paralelo. La duración promedio de cada sesión fue de una hora.

4.3. Resultados y discusiones

4.3.1. Corrección de la estimación del tamaño de

la pupila

La corrección de la estimación del tamaño de la pupila se realizó con el modelo de

la cámara estenopeica definido en el capítulo 3.

Para comprobar la efectividad del modelo se grabaron los datos de seguimiento

ocular de un participante mientras se acercaba a la pantalla dentro del rango del
rastreador ocular (45-75cm), esto sin presentar ningún estímulo visual que pudiera
afectar el tamaño de la pupila. La distancia inicial del participante fue de 62 cm y
durante el estudio terminó en 46 cm, por lo cual hubo una diferencia de 16 cm
(Fig. 4-2). En los valores de la pupila el participante inicio con un diámetro pupilar
de 25.49px y terminó con un valor de 33.36px lo que indica un cambio de 7.87px
(Fig. 4-3).

43
 Figura 4-2 Gráfica de línea de la distancia

Figura 4-3 Gráfica de línea del tamaño de la pupila

Una vez aplicado el modelo de la cámara estenopeica para corregir las medidas
de la pupila del participante conforme a la distancia, el valor de la pupila cambio de
39.83px a 38.86px lo que indica un cambio de 0.97px con una desviación estándar
de 1.30px. Los valores de la pupila corregidos se observan en la Figura 4-4.

44
 Figura 4-4 Gráfica de línea del tamaño de la pupila corregido

Los resultados muestran que el uso de un sensor de distancia ligado a un

rastreador ocular permite corregir la estimación del diámetro de la pupila, lo que
habilita al participante mover libremente la cabeza (dentro del rango del sensor) y
obtener una experiencia de juego muy parecida al mundo real. El uso del sensor
de distancia puede ser aplicado en rastreadores oculares de bajo costo los cuales
no cuentan con corrección de sus medidas en el eje Z.

4.3.2. Definición de la imagen de línea base

Durante la medición del tamaño neutral de la pupila se han utilizado diferentes

imágenes, pero cada una tiene diferente iluminación. Para verificar cuál imagen
tiene mejores resultados medimos el cambio en el tamaño de la pupila producido
por la transición de la imagen y el estímulo visual. Para medir el cambio utilizamos
la métrica MPDC que nos da el cambio del tamaño de la pupila en pixeles.

Para esta prueba se realizaron dos sesiones con un solo participante y las
imágenes que se evaluaron fueron con fondo negro, gris, blanco, una imagen con
el método scramble y con el método scramble por regiones (Fig. 4-5). El tiempo
que se mostró la imagen de línea base fue de ocho segundos, y se tomó en
cuenta el último segundo como valor neutral de la pupila. El cambio del tamaño de
la pupila fue comparado durante los primeros dos segundos de la pantalla de un
reto del videojuego “Refraction 2”.

45
 Figura 4-5 Imágenes para medición de línea base

Las propuestas para medición de línea base por parte de otros autores son usar
una pantalla negra, gris, blanca o utilizar el método scramble. Nosotros
propusimos el método scramble por regiones. Para verificar cuál es el tamaño
adecuado de regiones evaluamos cuadrículas de tres tamaños diferentes 8x6,
10x10 y 20x20. Cabe destacar que el número de regiones siempre dependerá de
la resolución de la pantalla, para esta prueba la resolución fue de 1920x1080 y las
regiones tuvieron un tamaño aproximado de 150x150px.

Los resultados del cambio de tamaño de la pupila en pixeles de todas las

imágenes aparece en la Figura 4-6.

46
 Figura 4-6 Resultados de imágenes para medir línea base de la pupila

En la gráfica se observa que el menor cambio de iluminación es con el método

scramble con regiones de 8x6 que genera un cambio de 0.23px. La imagen con
fondo blanco obtuvo un cambio de 3.32px, con fondo negro 4.58px y con fondo
gris 0.56px. Los resultados del método scramble aplicado a toda la pantalla
produce un cambio de 1.07px del tamaño de la pupila. Mientras que el scramble
por regiones de 10x10 produce 0.90px y el scramble de 20x20 genera un cambio
de 1.15px.

Aunque cualquiera de las propuestas para medir el tamaño neutral de la pupila

puede ser buena, todas dependen de que la iluminación del estímulo visual sea
similar al de la imagen.

Una de las características que debe cumplir una imagen de línea base es
distorsionar por completo el estímulo visual para no permitir al usuario ver de que
se trata, por lo que la imagen con el método scramble de 20x20 no es muy
recomendable debido a que es muy parecida al estímulo visual.

El uso del método scramble con regiones de 8x6 minimiza los efectos producidos
por el cambio de iluminación de la pantalla, y presenta muy poca variación la cual
no afectará las mediciones de la pupila.

47
 4.3.3. Carga cognitiva en videojuego educativo

Para verificar si existen diferencias significativas entre los diferentes mundos del
videojuego “Refraction 2”, se realizó una prueba Wilcoxon con todas las métricas
de carga cognitiva mencionadas en el capítulo 3. Los resultados de la prueba se
muestran en la Tabla 4.4.

Latencia al
MPDC Pico de dilatación Milisegundos Errores
pico
Significancia .033 .027 .003 .001 .003

Tabla 4-4 Resultados prueba Wilcoxon

Los resultados muestran que existe diferencia significativa entre los retos del
mundo dos y del mundo cuatro. Como se puede observar en los diagramas de
cajas en las Figuras 4-7, 4-8, 4-9, 4-10 y 4-11 las tareas de razonamiento son más
difíciles en el mundo cuatro que en el mundo dos.

El tiempo de completitud de los retos muestra una diferencia significativa (p<.05)

entre los niveles (Fig. 4-10), esto también fue observado por Chen et al. (2011)
donde las tareas con mayor dificultad tomaban más tiempo para resolverse. Sin
embargo un mayor tiempo en resolver una tarea puede ser simplemente un
indicador de que una tarea requiere más tiempo y no necesariamente es más
difícil. Para validar que una tarea es más difícil debemos tomar en cuenta el
cambio pupilar u otras respuestas fisiológicas que nos indiquen el esfuerzo mental
de un reto o tarea.

El número de errores entre los mundos muestra una diferencia significativa de

p<0.05, lo que indica que los jugadores cometen más errores cuando se producen
altas demandas cognitivas (Fig. 4-11).

48
 Figura 4-7 Diagrama de cajas MPDC

Figura 4-8 Diagrama de cajas pico de dilatación

49
Figura 4-9 Diagrama de cajas latencia al pico

Figura 4-10 Diagrama de cajas milisegundos

50
 Figura 4-11 Diagrama de cajas número de errores

En el videojuego “Refraction 2” el ajuste de dificultad viene establecido para cada

reto por lo cual la dificultad es la misma para todos los jugadores. Actualmente
existen algunos videojuegos que balancean la dificultad automáticamente
conforme a las habilidades de cada participante (Cechanowicz, Gutwin, Bateman,
Mandryk, & Stavness, 2014), por lo cual los retos más difíciles se presentan a los
jugadores con mejores habilidades y viceversa. El ajuste dinámico de dificultad
también puede ser verificado con el diámetro de la pupila, obteniendo valores
pupilares más grandes conforme avanza el jugador dentro del videojuego.

51
5. Conclusiones y trabajos futuros

El uso de seguimiento ocular como una metodología de investigación ha

proporcionado un enfoque muy eficaz para la evaluación de interfaces mediante la
comprensión de lo que el usuario ve y los procesos cognitivos que experimenta.
La validación de utilizar rastreadores oculares remotos con bajas tasas de
muestreo nos da la posibilidad de incorporar distintas métricas pupilares para
entender a detalle los procesos cognitivos de los usuarios. En esta tesis nos
enfocamos en validar si es posible corregir la estimación del tamaño de la pupila
cuando un participante se acerca o se aleja de la pantalla, y en obtener una
medida fiable del tamaño neutral de la pupila con el control de los cambios de
iluminación. Todo este trabajo fue aplicado para medir carga cognitiva en
videojuegos a través del diámetro de la pupila, los resultados muestran que
existen diferencias en el tamaño de la pupila en cada nivel de videojuego.

5.1. Preguntas de investigación

A continuación se describen las respuestas a las preguntas de investigación

formuladas en esta tesis.

Pregunta 1. En rastreadores oculares de bajo costo, ¿es posible corregir los

errores en la estimación del tamaño de la pupila ocasionados por los movimientos
de la cabeza en el eje Z?
Medir la distancia de la cabeza del participante a la pantalla con un sensor
ultrasónico y posteriormente aplicar el modelo de la cámara estenopeica ayuda a
corregir el cálculo del diámetro de la pupila ocasionado por los movimientos de
acercare o alejarse de la pantalla proporcionando una medida fiable que puede ser
utilizada para observar el cambio de la pupila.

Pregunta 2. ¿Se puede mejorar la estimación del tamaño neutral del la pupila?
La imagen con el método scramble aplicado por regiones puede mejorar la forma
de medir el valor neutral de la pupila, reduciendo el cambio de iluminación entre la
imagen de línea base y el estímulo visual a evaluar. Nuestros resultados muestran
que al utilizar una imagen con cuadros de 150px y aplicar el método scramble a
cada polígono proporciona un cambio de tamaño de la pupila de 0.23px a

52
comparación de otras propuestas como la de usar fondo negro que produce
4.58px, fondo blanco 3.32px o fondo gris 0.56px.

Pregunta 3. ¿Es posible realizar la evaluación de carga cognitiva en diferentes

desafíos de videojuegos utilizando el diámetro de la pupila?
Nuestro experimento muestra que la pupila reacciona al nivel de dificultad de un
videojuego por lo cual se puede utilizar el diámetro de la pupila para medir el
esfuerzo mental producido en videojuegos que no cambien mucho de iluminación,
como es el caso de los videojuegos educativos. Los resultados mostraron
diferencias significativas para medir carga cognitiva con las siguientes variables:
MPDC, pico de dilatación, latencia al pico, tiempo de completitud y número de
errores.

5.2. Trabajos futuros

5.2.1. Realizar más pruebas de corrección de la

estimación del diámetro de la pupila y del cambio
de iluminación al medir el tamaño neutral de la
pupila

Las pruebas de la corrección de la estimación del diámetro de la pupila fueron

realizadas con un participante, es necesario realizar pruebas con más
participantes a fin de observar el correcto funcionamiento del modelo de la cámara
estenopeica. De igual manera es importante evaluar con más participantes cada
una de las propuestas de medición del tamaño neutral de la pupila, con el objetivo
de tener datos certeros de cual es la propuesta que produce un menor cambio de
iluminación al momento de pasar de la imagen al estímulo visual.

5.2.2. Incluir métricas de seguimiento ocular y

eventos del sistema

Es importante en un futuro realizar un análisis incluyendo métricas de seguimiento

ocular como lo son las fijaciones, saltos de un punto a otro, parpadeos, distancia y
eventos del sistema además de las presentadas en este trabajo las cuales nos

53
permitirán obtener información de toda la interacción de los participantes con los
videojuegos, por lo cual será posible entender diferentes aspectos de la
experiencia de usuario o identificar problemas con las interfaces. Con las
fijaciones es posible saber que observan los participantes y por cuanto tiempo
dando la posibilidad de mejorar los elementos visuales que no fueron observados
o identificar los elementos que llamaron demasiado la atención que terminaron por
distraer al jugador (Zammitto & Steiner, 2014). Los saltos de un punto a otro nos
indican la ruta que siguieron los ojos de los participantes, con esta información es
posible medir el cansancio basado en la velocidad y distancia de cada salto
(Zammitto & Steiner, 2014). La duración y frecuencia de parpadeo han
demostrado que disminuyen durante el aumento de dificultad de una tarea por lo
que es posible medir el esfuerzo mental (Marquart, Cabrall, & de Winter, 2015). La
distancia de la cabeza del participante a la pantalla proporciona una indicación
aproximada de la postura del usuario, la cual se ha demostrado que es un
predictor del compromiso o aburrimiento de los usuarios con una tarea (D’Mello &
Graesser, 2007; Jaques, Conati, Harley, & Azevedo, 2014). Por último los eventos
del sistema como los clics y las teclas presionadas muestran como interactúa una
persona con una interfaz por lo cual es posible predecir confusión (Lallé, Conati, &
Carenini, 2015).

5.2.3. Utilizar un Kinect

Kinect es un dispositivo inicialmente pensado como un simple controlador de

juego, que gracias a los componentes que lo integran: sensor de profundidad,
cámara RGB, micrófonos y sensor de infrarrojos (emisor y receptor), es capaz de
capturar el esqueleto humano, reconocerlo y posicionarlo en un plano. La
integración de este dispositivo para estudios de seguimiento ocular nos daría más
información que un rastreador ocular, ya que se pueden obtener datos de todos
los movimientos del cuerpo humano, además de evaluar videojuegos donde el
jugador está regularmente parado.

54
6. Bibliografía
Ahern, S., & Beatty, J. (1979). Pupillary responses during information processing vary with
Scholastic Aptitude Test scores. Science, 205(4412), 1289–1292.
http://doi.org/10.1126/science.472746
Andersen, E. (2012). Optimizing adaptivity in educational games. In Proceedings of the
International Conference on the Foundations of Digital Games - FDG ’12 (p. 279).
New York, New York, USA: ACM Press. http://doi.org/10.1145/2282338.2282398
Bartels, M., & Marshall, S. P. (2011). Eye Tracking and Universal Access: Three
Applications and Practical Examples. In Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics) (Vol. 6766 LNCS, pp. 525–534). http://doi.org/10.1007/978-3-642-
21663-3_57
Bartels, M., & Marshall, S. P. (2012). Measuring cognitive workload across different eye
tracking hardware platforms. In Proceedings of the Symposium on Eye Tracking
Research and Applications - ETRA ’12 (p. 161). New York, New York, USA: ACM
Press. http://doi.org/10.1145/2168556.2168582
Beatty, J. (1982). Task-evoked pupillary responses, processing load, and the structure of
processing resources. Psychological Bulletin, 91(2), 276–292.
http://doi.org/10.1037/0033-2909.91.2.276
Beatty, J., & Lucero-Wagoner, B. (2000). The pupillary system. In Handbook of
psychophysiology (pp. 142–162).
Bojko, A. (2013). Eye tracking the user experience. Eye. Retrieved from
http://rosenfeldmedia.com/books/eye-tracking-the-user-experience/
Boyle, E. A., Hainey, T., Connolly, T. M., Gray, G., Earp, J., Ott, M., … Pereira, J. (2016).
An update to the systematic literature review of empirical evidence of the impacts and
outcomes of computer games and serious games. Computers & Education, 94, 178–
192. http://doi.org/10.1016/j.compedu.2015.11.003
Cechanowicz, J. E., Gutwin, C., Bateman, S., Mandryk, R., & Stavness, I. (2014).
Improving player balancing in racing games. Proceedings of the First ACM SIGCHI
Annual Symposium on Computer-Human Interaction in Play - CHI PLAY ’14, 47–56.
http://doi.org/10.1145/2658537.2658701
Chen, S., Epps, J., & Chen, F. (2011). A comparison of four methods for cognitive load
measurement. In Proceedings of the 23rd Australian Computer-Human Interaction
Conference on - OzCHI ’11 (pp. 76–79). New York, New York, USA: ACM Press.
http://doi.org/10.1145/2071536.2071547
Conati, C., Jaques, N., & Muir, M. (2013). Understanding Attention to Adaptive Hints in
Educational Games: An Eye-Tracking Study. International Journal of Artificial
Intelligence in Education, 23(1–4), 136–161. http://doi.org/10.1007/s40593-013-0002-
8
Connolly, T. M., Boyle, E. A., MacArthur, E., Hainey, T., & Boyle, J. M. (2012). A
systematic literature review of empirical evidence on computer games and serious
games. Computers & Education, 59(2), 661–686.
http://doi.org/10.1016/j.compedu.2012.03.004
Csikszentmihalyi, M. (2014). The Systems Model of Creativity. Dordrecht: Springer

55
 Netherlands. http://doi.org/10.1007/978-94-017-9085-7
D’Mello, S., & Graesser, A. (2007). Mind and Body: Dialogue and Posture for Affect
Detection in Learning Environments. Artificial Intelligence in Education, 158, 161–168.
Dai, X. (2013). Processing and Manipulation of Data Collected from the Educational On-
Line Game Refreaction. Utah State University. Retrieved from
http://digitalcommons.usu.edu/gradreports/320
Duchowski Andrew. (2007). Eye Tracking Methodology. London: Springer London.
http://doi.org/10.1007/978-1-84628-609-4
Ebrahimi, A., & Akbarzadeh-T, M. R. (2014). Dynamic difficulty adjustment in games by
using an interactive self-organizing architecture. 2014 Iranian Conference on
Intelligent Systems, ICIS 2014. http://doi.org/10.1109/IranianCIS.2014.6802557
Ferdig, R. E. (2009). Handbook of Research on Effective Electronic Gaming in Education.
(R. E. Ferdig, Ed.) (Vol. II). IGI Global. http://doi.org/10.4018/978-1-59904-808-6
Iqbal, S. T., Adamczyk, P. D., Zheng, X. S., & Bailey, B. P. (2005). Towards an index of
opportunity. In Proceedings of the SIGCHI conference on Human factors in
computing systems - CHI ’05 (p. 311). New York, New York, USA: ACM Press.
http://doi.org/10.1145/1054972.1055016
Iqbal, S. T., Zheng, X. S., & Bailey, B. P. (2004). Task-evoked pupillary response to mental
workload in human-computer interaction. Extended Abstracts of the 2004 Conference
on Human Factors and Computing Systems CHI 04, 1477.
http://doi.org/10.1145/985921.986094
Jaques, N., Conati, C., Harley, J. M., & Azevedo, R. (2014). Predicting Affect from Gaze
Data during Interaction with an Intelligent Tutoring System (pp. 29–38).
http://doi.org/10.1007/978-3-319-07221-0_4
Johansen, S. a., Nørgaard, M., & Rau, J. (2008). Can eye tracking boost usability
evaluation of computer games? CHI 2008, Evaluating User Experiences in Games, 4.
Józsa, E. (2010). A potential application of pupillometry in web-usability research.
Periodica Polytechnica, Social and Management Sciences, 18, 113–119.
http://doi.org/10.3311/pp.so.2010-2.06
Kahneman, D., & Beatty, J. (1966). Pupil Diameter and Load on Memory. Science,
154(3756), 1583–1585. http://doi.org/10.1126/science.154.3756.1583
Kickmeier-Rust, M. D., Hillemann, E., & Albert, D. (2011). Tracking the UFO’s paths: Using
eye-tracking for the evaluation of serious games. Lecture Notes in Computer Science
(Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics), 6773 LNCS(PART 1), 315–324. http://doi.org/10.1007/978-3-642-
22021-0_35
Kiili, K., Ketamo, H., & Kickmeier-rust, M. D. (2014). Eye Tracking in Game-based
Learning Research and Game Design, 1(2).
Klingner, J., Kumar, R., & Hanrahan, P. (2008). Measuring the task-evoked pupillary
response with a remote eye tracker. In Proceedings of the 2008 symposium on Eye
tracking research & applications - ETRA ’08 (Vol. 1, p. 69). New York, New York,
USA: ACM Press. http://doi.org/10.1145/1344471.1344489
Klingner, J., Tversky, B., & Hanrahan, P. (2011). Effects of visual and verbal presentation
on cognitive load in vigilance, memory, and arithmetic tasks. Psychophysiology,
48(3), 323–332. http://doi.org/10.1111/j.1469-8986.2010.01069.x

56
Kun, A. L., Medenica, Z., Palinko, O., & Heeman, P. a. (2011). Utilizing Pupil Diameter to
Estimate Cognitive Load Changes During Human Dialogue: A Preliminary Study,
138–141.
Kun, A. L., Palinko, O., Medenica, Z., & Heeman, P. A. (2013). On the Feasibility of Using
Pupil Diameter to Estimate Cognitive Load Changes for In - Vehicle Spoken
Dialogues Center for Spoken Language Understanding , OHSU , Beaverton , OR ,
USA. Interspeech, (August), 3766–3770.
Lallé, S., Conati, C., & Carenini, G. (2015). Predicting Confusion in Information
Visualization from Eye Tracking and Interaction Data, 2529–2535.
Lin, T., Imamiya, A., Hu, W., & Omata, M. (2007). Combined user physical, physiological
and subjective measures for assessing user cost. Lecture Notes in Computer Science
(Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics), 4397 LNCS, 304–316. Retrieved from
http://www.scopus.com/inward/record.url?eid=2-s2.0-
38149041568&partnerID=tZOtx3y1
Lin, T., Imamiya, A., & Mao, X. (2008). Using multiple data sources to get closer insights
into user cost and task performance. Interacting with Computers, 20(3), 364–374.
http://doi.org/10.1016/j.intcom.2007.12.002
Marquart, G., Cabrall, C., & de Winter, J. (2015). Review of Eye-related Measures of
Drivers’ Mental Workload. Procedia Manufacturing, 3(Ahfe), 2854–2861.
http://doi.org/10.1016/j.promfg.2015.07.783
Marquart, G., & de Winter, J. (2015). Workload assessment for mental arithmetic tasks
using the task-evoked pupillary response. PeerJ Computer Science, 1, e16.
http://doi.org/10.7717/peerj-cs.16
Marshall, S. P. (2002). The Index of Cognitive Activity: measuring cognitive workload.
Proceedings of the IEEE 7th Conference on Human Factors and Power Plants, 5–9.
http://doi.org/10.1109/HFPP.2002.1042860
Mat Zain, N. H., Abdul Razak, F. H., Jaafar, A., & Zulkipli, M. F. (2011). Eye Tracking in
Educational Games Environment: Evaluating User Interface Design through Eye
Tracking Patterns. In Lecture Notes in Computer Science (including subseries
Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 7067
LNCS, pp. 64–73). http://doi.org/10.1007/978-3-642-25200-6_7
Oliveira, J. (2014). Eye tracking in mobile games as a tool to improve the Game User
Experience : a case study. In XIII SBGames.
Palinko, O., Kun, A. L., Shyrokov, A., & Heeman, P. (2010). Estimating cognitive load
using remote eye tracking in a driving simulator. In Proceedings of the 2010
Symposium on Eye-Tracking Research & Applications - ETRA ’10 (p. 141). New
York, New York, USA: ACM Press. http://doi.org/10.1145/1743666.1743701
Recarte, M. A., Pérez, E., Conchillo, A., & Nunes, L. M. (2008). Mental workload and
visual impairment: differences between pupil, blink, and subjective rating. The
Spanish Journal of Psychology, 11(2), 374–385.
http://doi.org/10.1017/S1138741600004406
Richstone, L., Schwartz, M. J., Seideman, C., Cadeddu, J., Marshall, S., & Kavoussi, L. R.
(2010). Eye metrics as an objective assessment of surgical skill. Annals of Surgery,
252(1), 177–182. http://doi.org/10.1097/SLA.0b013e3181e464fb
Romano, J., & Schall, A. J. (2014). Eye Tracking in User Experience Design. Eye Tracking

57
 in User Experience Design. Morgan Kaufmann.
Rosch, J. L., & Vogel-Walcutt, J. J. (2013). A review of eye-tracking applications as tools
for training. Cognition, Technology & Work, 15(3), 313–327.
http://doi.org/10.1007/s10111-012-0234-7
Schell, J. (2013). Summary for Policymakers. In Intergovernmental Panel on Climate
Change (Ed.), Climate Change 2013 - The Physical Science Basis (Vol. 53, pp. 1–
30). Cambridge: Cambridge University Press.
http://doi.org/10.1017/CBO9781107415324.004
Siyuan Chen, Epps, J., & Fang Chen. (2013). An investigation of pupil-based cognitive
load measurement with low cost infrared webcam under light reflex interference. In
2013 35th Annual International Conference of the IEEE Engineering in Medicine and
Biology Society (EMBC) (Vol. 2013, pp. 3202–3205). IEEE.
http://doi.org/10.1109/EMBC.2013.6610222
Sweller, J. (1988). Cognitive load during problem solving: Effects on learning. Cognitive
Science, 12(2), 257–285. http://doi.org/10.1016/0364-0213(88)90023-7
Sweller, J., Ayres, P., & Kalyuga, S. (2011). Cognitive Load Theory. Media. New York, NY:
Springer New York. http://doi.org/10.1007/978-1-4419-8126-4
Szulewski, A., Fernando, S. M., Baylis, J., & Howes, D. (2014). Increasing Pupil Size Is
Associated with Increasing Cognitive Processing Demands: A Pilot Study Using a
Mobile Eye-Tracking Device. Open Journal of Emergency Medicine, 2(1), 8–11.
http://doi.org/10.4236/ojem.2014.21002
Telegraphics - Scramble Filter. (2016). Retrieved June 20, 2008, from
http://telegraphics.com.au/sw/product/Scramble
Tullis, T., & Albert, B. (2013). Measuring the user experience. Collecting, analyzing, and
presenting usability metrics.
Wang, J. T. (2011). Pupil Dilation and Eye-Tracking. A Handbook of Process Tracing
Methods for Decision Research: A Critical Review and User’s Guide, 185–204.
William, A. T. T. (2008). MeasuringThe User Experience: Collecting, Analyzing, and
Presenting Usability Metrics. Vasa. http://doi.org/10.1016/B978-0-12-373558-
4.00012-1
Zammitto, V., & Steiner, K. (2014). 11 - Gaming. In Eye Tracking in User Experience
Design (pp. 291–310). http://doi.org/http://dx.doi.org/10.1016/B978-0-12-408138-
3.00011-X

58
Apéndice A. Código fuente para medir
distancia con Arduino
A continuación se muestra el código fuente utilizado para medir distancia con el
sensor ultrasónico HC-SR04 conectado a un Arduino Uno.

/*
HC-SR04 conexiones:
VCC al Arduino 5v
GND al Arduino GND
Echo al Arduino pin 11
Trig al Arduino pin 12
*/

float duracion, distancia;

void setup() {
Serial.begin (9600); // inicializa el puerto seria a 9600 baudios
pinMode(Pecho, INPUT); // define el pin 11 como entrada (echo)
pinMode(Ptrig, OUTPUT); // define el pin 12 como salida (trigger)
}

void loop() {

digitalWrite(Ptrig, LOW);
delayMicroseconds(2);
digitalWrite(Ptrig, HIGH); // genera el pulso de trigger por 10ms
delayMicroseconds(10);
digitalWrite(Ptrig, LOW);

duracion = pulseIn(Pecho, HIGH);

distancia = (duracion/2) / 29; // calcula la distancia en centímetros

if (distancia >= 500 || distancia <= 0){ // si la distancia es mayor a 500cm o menor a 0cm
Serial.println(distancia); // envía el valor de la distancia por el puerto serial
}

59
Apéndice B. Arquitectura de la herramienta de
análisis de carga cognitiva

La Figura B-1 muestra la arquitectura de la herramienta de análisis de carga

cognitiva. La herramienta tiene como finalidad analizar los datos de seguimiento
ocular para verificar el nivel de esfuerzo mental generado en cada tarea.

Figura B-1 Arquitectura de la aplicación

60
La arquitectura de la herramienta consiste de un servidor web y una computadora
o dispositivo móvil para ingresar a la aplicación. El servidor web se encarga de
atender las peticiones de un cliente y devolverle una respuesta en concordancia,
en este servidor se encuentra el servicio web Ngnix que es encargado de resolver
las peticiones HTTP y un servicio de base de datos con MariaDB encargado de
almacenar, recuperar y administrar la información. El sistema operativo del
servidor web es Ubuntu y toda la herramienta está desarrollada con el lenguaje de
programación python y el framework Django.

61
Apéndice C. Funcionalidad de la herramienta
de análisis de carga cognitiva

A continuación se muestra la funcionalidad de la herramienta web desarrollada.

Administración de participantes del experimento

La herramienta posibilita llevar un registro de todos los participantes del

experimento. La información de cada participante consiste en nombre completo,
sexo, edad, y comentarios. Las principales funciones en esta sección son agregar,
actualizar y eliminar participantes además de calcular automáticamente el número
de hombres y mujeres, el promedio de edad y la desviación estándar (Fig. C-1).

Figura C-1 Administración de participantes

62
Administración de imágenes

Esta sección permite subir una imagen que representa una captura de pantalla del
reto o tarea a evaluar. Las imágenes servirán de referencia al momento de cargar
los datos en la plataforma. Las funciones de esta sección son agregar, actualizar y
eliminar imágenes además de poder visualizarlas en tamaño completo (Fig. C-2).

Figura C-2 Administración de imágenes

63
Carga de datos de seguimiento ocular y distancia

Una vez finalizado cada reto se genera un archivo separado por tabuladores (tsv
tab-separated values) que contiene la información de seguimiento ocular y la
distancia de un participante. La herramienta permite subir los archivos de cada
reto los cuales automáticamente ligarán al participante y al reto correspondiente.

Por cada reto la herramienta verifica si existe el 80% de muestras validas y si el

reto fue resuelto, si las dos condiciones anteriores se cumplen el registro se
muestra en color verde, en caso de que una condición no se cumpla se muestra
en color rojo como se observa en la Figura C-3.

Figura C-3 Carga de datos a la herramienta

64
Generación de métricas de carga cognitiva

Al finalizar de cargar los datos en la plataforma y después de realizar la limpieza,

recuperación y filtrado de estos, automáticamente se calculan las métricas de
cada reto por participante. Los resultados de cada métrica se muestran en una
tabla como se observa en la Figura C-4.

Figura C-4 Métricas de carga cognitiva

65
Visualización del comportamiento de la pupila

La herramienta permite observar el comportamiento de la pupila a través del

tiempo mediante una gráfica de línea. La gráfica de línea muestra los datos crudos
de la pupila en color azul y los datos después de aplicar limpieza en color naranja
(Fig. C-5).

Figura C-5 Visualización del comportamiento de la pupila

66
Generación de gráficos de cada métrica de carga cognitiva

En la sección de visualización la herramienta muestra cada métrica en un gráfico

de barras donde cada color representa un nivel, los datos pueden ser filtrados por
participante o con todos los participantes (Fig. C-6).

Figura C-6 Visualizaciones de cada métrica de carga cognitiva

67
Apéndice D. Autorización de publicación en
formato electrónico de tesis

68