在韩国，职业危害呈上升趋势，特别是在建筑行业。根据韩国雇佣劳动部关于“职业安全事故现状”的报告，2021 年，该行业在所有行业中事故和死亡人数最多。为了应对这一上升趋势，韩国职业安全健康局已作为教育培训计划的一部分，我们一直为日常工人提供基于虚拟现实 (VR) 的建筑安全内容。

然而，当前基于 VR 的训练方法存在两个局限性。首先，基于VR的施工安全培训本质上是一种被动练习，学习者遵循单向指令，无法适应他们的判断和决策。其次，基于VR的安全培训缺乏客观的评估过程。为了应对这些挑战，研究人员引入了基于 VR 的沉浸式建筑安全内容，以促进工人积极参与，并进行了事后书面测试。然而，这些事后书面测试在即时性和客观性方面存在局限性。此外，在影响学习表现的个体特征中，包括个人、学业、社会和认知方面，认知特征在基于VR的安全培训过程中可能会发生变化。

为了解决这个问题，由韩国仁川国立大学建筑与城市部门副教授 Choongwan Koo 领导的研究小组现在提出了一种突破性的机器学习方法，用于预测基于 VR 的建筑安全培训中的个人学习表现。使用实时生物识别响应。他们的论文于2023 年 10 月 7 日在线发布，并将于2023年 12 月发表在《建筑自动化》杂志第 156 卷上。

“虽然 使用事后书面测试来评估学习成果的传统方法可能缺乏客观性，但从眼动追踪和脑电图 (EEG) 传感器收集的实时生物特征反应可用于快速、客观地评估 VR 期间的个人学习表现——基于安全培训， ”Koo 博士解释道。

该研究涉及 30 名建筑工人，他们正在接受基于 VR 的建筑安全培训。在训练期间收集通过眼动追踪和脑电图收集来监测大脑活动的实时生物特征反应，以评估参与者的心理反应。研究人员将这些数据与培训前调查和培训后笔试相结合，开发了基于机器学习的预测模型，以评估参与者在基于 VR 的安全培训期间的整体个人学习表现。

该团队开发了两个模型：一个完整​​的预测模型(FM)，使用人口统计因素和生物特征反应作为自变量;以及一个简化的预测模型(SM)，它仅依赖于已确定的主要特征作为自变量来降低复杂性。虽然 FM 在预测个人学习表现方面表现出比传统模型更高的准确性，但它也表现出高度的过度拟合。相比之下，由于变量数量较少，SM 比 FM 表现出更高的预测精度，显着减少了过度拟合。因此，该团队得出的结论是，SM 最适合实际使用。

在解释这些结果时，Koo 博士强调：“这种方法可以对提高基于 VR 的建筑安全培训期间的个人学习表现、预防安全事故和营造安全的工作环境产生重大影响。” 此外，该团队还强调未来研究需要在基于 VR 的安全培训中考虑各种事故类型和危险因素。

总之，这项研究标志着在增强建筑环境个性化安全和改善学习表现评估方面迈出了重大一步!