En Corea, los riesgos laborales, especialmente en el sector de la construcción, están en aumento, según un informe del Ministerio de Empleo y Trabajo de Corea sobre la «Situación de los Accidentes Laborales» en 2021. Este sector registró la mayor cantidad de accidentes y muertes entre todos los sectores. La Agencia Coreana de Seguridad y Salud en el Trabajo ha respondido proporcionando contenido de seguridad en construcción basado en realidad virtual (RV) como parte de las iniciativas educativas.
No obstante, los métodos actuales de formación en RV enfrentan dos limitaciones. Primero, son ejercicios pasivos donde los trabajadores siguen instrucciones unidireccionales sin adaptarse a sus juicios y decisiones. Segundo, carecen de un proceso de evaluación objetiva. Para abordar estos desafíos, los investigadores han introducido contenido de RV inmersiva en seguridad en construcción para fomentar la participación activa y han implementado pruebas escritas.
Sin embargo, las pruebas escritas tienen limitaciones en cuanto a inmediatez y objetividad, y las características cognitivas pueden cambiar durante la formación en RV. Para resolver esto, un equipo de investigadores ha propuesto un novedoso método de aprendizaje automático que utiliza respuestas biométricas en tiempo real para predecir el rendimiento en la formación en seguridad basada en RV. El artículo, publicado en octubre de 2023, destaca la utilización de seguimiento ocular y electroencefalograma (EEG) para evaluar objetivamente las respuestas psicológicas de los participantes.
Treinta trabajadores de la construcción participaron en el estudio, donde se recopilaron respuestas biométricas durante la formación. Combinando estos datos con encuestas y pruebas escritas, los investigadores desarrollaron modelos de previsión basados en aprendizaje automático para evaluar el rendimiento del aprendizaje personal. Se crearon dos modelos: uno completo (FM) que utiliza factores demográficos y respuestas biométricas, y otro simplificado (SM) que se basa en características clave para reducir la complejidad. Aunque el FM fue más preciso, mostró un alto nivel de sobreajuste, mientras que el SM demostró una mayor precisión práctica debido a su menor complejidad.
El Dr. Koo, director del estudio, destaca que este enfoque puede mejorar significativamente el rendimiento del aprendizaje personal, prevenir incidentes de seguridad y fomentar un entorno de trabajo seguro en la formación en seguridad basada en RV. Además, se destaca la necesidad de considerar diversos tipos de accidentes y factores de peligro en futuras investigaciones sobre seguridad basada en RV.
