Este artículo presenta un sistema innovador para la evaluación automatizada de la carga cognitiva durante la interacción con software mediante seguimiento ocular dinámico y un marco de modelado predictivo basado en redes bayesianas dinámicas y filtrado de Kalman.

Introducción: la evaluación de usabilidad es crítica en el desarrollo de software. Los métodos tradicionales como cuestionarios y protocolos think aloud son subjetivos y lentos. Medir la carga cognitiva en tiempo real permite detectar cuellos de botella de usabilidad y optimizar interfaces de forma proactiva, mejorando la experiencia del usuario en aplicaciones a medida y software a medida.

Adquisición y preprocesamiento de datos: usamos un eye tracker de alta resolución que registra posición de la mirada y dilatación pupilar a 120Hz. Tras filtrar ruido con un filtro mediano se detectan fijaciones mediante un algoritmo de dispersión y se extraen características por fijación como duración, coordenadas x e y, dilatación pupilar, amplitud de sacada previa y tiempo desde la fijación anterior.

Modelado dinámico: para capturar dependencias temporales entre las características oculares y la carga cognitiva se construye una Red Bayesiana Dinámica que modela slices de tiempo conectadas entre sí. La estructura se aprende mediante hill-climbing y los parámetros mediante Expectation-Maximization. En línea se emplea un modelo de espacio de estados con filtro de Kalman para estimar la variable latente carga cognitiva a partir de las observaciones oculares.

Diseño experimental: 20 participantes con distintos niveles de experiencia completaron tareas en una interfaz simulada diseñada para variar sistemáticamente la complejidad. Tras cada tarea se recogió carga cognitiva subjetiva mediante NASA-TLX para etiquetar los datos de entrenamiento y validar las predicciones del sistema.

Resultados: el sistema mostró una fuerte correlación con NASA-TLX, r = 0.85, p menor que 0.001, y un error medio RMSE de 8.7 en una escala 0-100. El método demostró robustez frente a variaciones individuales y permitió detectar problemas de usabilidad en tiempo real, facilitando iteraciones rápidas de diseño.

Contribuciones técnicas: frente a enfoques que tratan los datos oculares como características estáticas, nuestro enfoque integra dinámica temporal e información individualizada mediante perfiles de usuario, mejorando la precisión y aplicabilidad práctica. El uso combinado de DBN y Kalman ofrece una estimación continua y adaptativa de la carga cognitiva, adecuada para integración en pipelines de desarrollo y pruebas automatizadas.

Aplicaciones prácticas y servicios: este tipo de sistema es ideal para empresas que desarrollan productos digitales y necesitan optimizar la experiencia de usuario. En Q2BSTUDIO diseñamos soluciones integrales que combinan seguimiento ocular, inteligencia artificial y desarrollo a medida. Ofrecemos desde desarrollo de aplicaciones a medida hasta servicios de inteligencia artificial orientada a empresas, agentes IA para automatización, integraciones con power bi para análisis y servicios cloud aws y azure. También complementamos proyectos con ciberseguridad y pentesting para garantizar despliegues seguros.

Futuro: la investigación continuará incorporando señales fisiológicas adicionales como variabilidad de la frecuencia cardíaca y contexto de tarea para enriquecer el modelo. La integración con pipelines CI CD permitirá retroalimentación casi instantánea a equipos de desarrollo y optimizará el ciclo de vida de software a medida, servicios inteligencia de negocio e iniciativas de IA para empresas.

Conclusión: la evaluación automatizada de carga cognitiva mediante seguimiento ocular dinámico y modelado predictivo abre nuevas posibilidades para medir y mejorar la usabilidad de forma objetiva y en tiempo real. Q2BSTUDIO está lista para acompañar proyectos que busquen aprovechar estas técnicas, desde prototipos experimentales hasta soluciones productivas en cloud y análisis con power bi.