Modelado del desempeño humano

Hick (1952) y Hyman (1953) señalan que la dificultad de una tarea de tiempo de reacción de elección está determinada en gran medida por la entropía de la información de la situación. Sugirieron que la entropía de la información ( H ) es una función del número de alternativas ( n ) en una tarea de elección, H = log₂ ₍ n + 1) ; y que el tiempo de reacción (TR) de un operador humano es una función lineal de la entropía: TR = a + bH . Esto se conoce como la ley de Hick-Hyman para el tiempo de respuesta de elección. ^{[ 7 ]}

Apuntar a objetivos fijos como botones, ventanas, imágenes, elementos de menú y controles en pantallas de ordenador es algo habitual y tiene una herramienta de modelado bien establecida para su análisis: la ley de Fitts (Fitts, 1954), que establece que el tiempo para realizar un movimiento dirigido (MT) es una función lineal del índice de dificultad del movimiento: MT = a + bID . El índice de dificultad (ID) para cualquier movimiento dado es una función de la relación entre la distancia al objetivo (D) y el ancho del objetivo (W): ID = log ₂ (2D/W), una relación que se puede derivar de la teoría de la información . ^{[ 7 ]} La ley de Fitts es en realidad responsable de la ubicuidad del ratón de ordenador , debido a la investigación de Card, English y Burr (1978). Las extensiones de la ley de Fitt también se aplican al apuntar a objetivos que se mueven espacialmente, a través de la ley de dirección , descubierta originalmente por CG Drury en 1971 ^{[ 16 ] [ 17 ] [ 18 ]} y posteriormente redescubierta en el contexto de la interacción humano-computadora por Accott y Zhai (1997, 1999). ^{[ 19 ] [ 20 ]}

Las tareas motoras complejas, como las que realizan los músicos y los atletas, no se modelan adecuadamente debido a su complejidad. Sin embargo, el seguimiento de objetivos en humanos es una tarea motora compleja que constituye un ejemplo de modelado de patrones de movimiento humano (HPM) exitoso.

La historia de la teoría del control manual es extensa y se remonta al siglo XIX, en lo que respecta al control de relojes de agua. Sin embargo, durante la década de 1940, con la innovación de los servomecanismos en la Segunda Guerra Mundial, se realizó una extensa investigación sobre el control continuo y la estabilización de sistemas contemporáneos como antenas de radar, torretas de cañones y buques/aeronaves mediante señales de control de retroalimentación.

Se desarrollaron métodos de análisis que predijeron los sistemas de control necesarios para permitir un control estable y eficiente de estos sistemas (James, Nichols y Phillips, 1947). Originalmente interesados ​​en la respuesta temporal —la relación entre la salida detectada y la salida del motor en función del tiempo— James et al. (1947) descubrieron que las propiedades de tales sistemas se caracterizan mejor al comprender la respuesta temporal después de haber sido transformada en una respuesta en frecuencia; una relación entre la amplitud de salida y la de entrada y el retardo en la respuesta en el rango de frecuencias a las que son sensibles. Para sistemas que responden linealmente a estas entradas, la función de respuesta en frecuencia podría expresarse en una expresión matemática llamada función de transferencia . ^{[ 7 ]} Esto se aplicó primero a sistemas de máquinas, luego a sistemas hombre-máquina para maximizar el rendimiento humano. Tustin (1947), preocupado por el diseño de torretas de armas para control humano, fue el primero en demostrar que la respuesta humana no lineal podía aproximarse mediante un tipo de función de transferencia. McRuer y Krenzel (1957) sintetizaron todo el trabajo realizado desde Tustin (1947), midiendo y documentando las características de la función de transferencia humana, e inauguraron la era de los modelos de control manual del desempeño humano. A medida que se implementaron sistemas de control de vuelo electromecánicos e hidráulicos en las aeronaves, la automatización y los sistemas electrónicos de estabilidad artificial comenzaron a permitir que los pilotos humanos controlaran sistemas altamente sensibles. Estas mismas funciones de transferencia se siguen utilizando hoy en día en la ingeniería de control .

A partir de esto, se desarrolló el modelo de control óptimo (Pew y Baron, 1978) para modelar la capacidad del operador humano de comprender la dinámica del sistema y minimizar las funciones objetivo, como el error cuadrático medio (RMS) con respecto al valor objetivo. El modelo de control óptimo también reconoce el ruido en la capacidad del operador para observar la señal de error y considera el ruido en el sistema de respuesta motora humana.

Sin embargo, el progreso tecnológico y la consiguiente automatización han reducido la necesidad y el deseo de control manual de los sistemas. El control humano de sistemas complejos ahora suele ser de carácter supervisor sobre un sistema determinado, y tanto los factores humanos como la gestión del rendimiento humano han pasado de investigar las tareas perceptivo-motoras a centrarse en los aspectos cognitivos del desempeño humano.

Aunque no forma parte formalmente de HPM, la teoría de detección de señales influye en el método, especialmente dentro de los Modelos Integrados. La SDT es casi con toda seguridad el marco de modelado más conocido y utilizado en factores humanos, y constituye un elemento clave en la formación sobre la sensación y la percepción humanas. En la práctica, la situación de interés es aquella en la que un operador humano debe emitir un juicio binario sobre la presencia o ausencia de una señal en un entorno ruidoso. Este juicio puede aplicarse en diversos contextos vitales. Además de la respuesta del operador, existen dos posibles estados "verdaderos": la señal estaba presente o no. Si el operador identifica correctamente la señal como presente, se denomina acierto ( H). Si el operador responde que había una señal cuando no la había, se denomina falsa alarma (FA). Si el operador responde correctamente cuando no hay señal, se denomina rechazo correcto (CR). Si hay una señal presente y el operador no la identifica, se denomina error (M).

En psicología aplicada y factores humanos, la Teoría de la Autodeterminación (TAD) se aplica a problemas de investigación como el reconocimiento, la memoria, las pruebas de aptitud y la vigilancia. La vigilancia , que se refiere a la capacidad de los operadores para detectar señales poco frecuentes a lo largo del tiempo, es importante para los factores humanos en diversos ámbitos.

Muchos dominios contienen múltiples pantallas y requieren más que una simple medición discreta del tiempo de respuesta de sí/no. Una pregunta crítica para estas situaciones puede ser "¿Cuánto tiempo pasarán los operadores mirando X en relación con Y?" o "¿Cuál es la probabilidad de que el operador pase completamente por alto un evento crítico?" El muestreo visual es el medio principal para obtener información del mundo. ^{[ 25 ]} Un modelo temprano en este dominio es el de Sender (1964, 1983) basado en el monitoreo por parte de los operadores de múltiples diales, cada uno con diferentes tasas de cambio. ^{[ 26 ] [ 27 ]} Los operadores intentan, en la medida de lo posible, reconstruir el conjunto original de diales basándose en el muestreo discreto. Esto se basa en el teorema matemático de Nyquist que establece que una señal a W Hz puede reconstruirse muestreando cada 1/W segundos. Esto se combinó con una medida de la tasa de generación de información para cada señal, para predecir la tasa de muestreo óptima y el tiempo de permanencia para cada dial. Las limitaciones humanas impiden que el rendimiento humano alcance el rendimiento óptimo, pero el poder predictivo del modelo influyó en trabajos futuros en esta área, como la extensión del modelo realizada por Sheridan (1970) con consideraciones sobre el costo de acceso y el valor de la muestra de información. ^{[ 7 ] [ 28 ]}

Una conceptualización moderna de Wickens et al. (2008) es el modelo de prominencia, esfuerzo, expectativa y valor (SEEV). Fue desarrollado por los investigadores (Wickens et al., 2001) como un modelo de comportamiento de escaneo que describe la probabilidad de que un área de interés dada atraiga la atención (AOI). El modelo SEEV se describe por p(A) = sS - efEF + (exEX)(vV) , en el que p(A) es la probabilidad de que un área particular sea muestreada, S es la prominencia para esa área; EF representa el esfuerzo requerido para reasignar la atención a un nuevo AOI, relacionado con la distancia desde la ubicación atendida actualmente al AOI; EX ( expectativa ) es la tasa de eventos esperada (ancho de banda), y V es el valor de la información en ese AOI, representado como el producto de Relevancia y Prioridad (R*P). ^{[ 25 ]} Los valores en minúscula son constantes de escala. Esta ecuación permite derivar modelos óptimos y normativos sobre cómo debería comportarse un operador y caracterizar su comportamiento. Wickens et al. (2008) también generaron una versión del modelo que no requiere la estimación absoluta de los parámetros libres del entorno, sino solo la relevancia comparativa de otras regiones en comparación con la región de interés. ^{[ 7 ]}

Entre los modelos de discriminación visual de letras individuales se incluyen los de Gibson (1969), Briggs y Hocevar (1975) y McClelland y Rumelhart (1981), este último parte de un modelo más amplio de reconocimiento de palabras, conocido por su explicación del efecto de superioridad de la palabra . Se destaca que estos modelos son muy detallados y realizan predicciones cuantitativas sobre pequeños efectos de letras específicas. ^{[ 7 ]}

Un ejemplo cualitativo de HPM incluye el modelo de percepción de profundidad de Cutting y Vishton (1995), que indica que las señales para la percepción de profundidad son más efectivas a distintas distancias.

Aunque la comunidad de factores humanos debate una definición o método exacto para medir el concepto de carga de trabajo, un aspecto fundamental es que los operadores humanos tienen ciertas limitaciones de capacidad y que superarlas solo conlleva el riesgo de degradar el rendimiento. En el caso de la carga de trabajo física, se entiende que existe una cantidad máxima que una persona debería levantar repetidamente, por ejemplo. Sin embargo, el concepto de carga de trabajo se vuelve más controvertido cuando la capacidad a superar se refiere a la atención: ¿cuáles son los límites de la atención humana y qué se entiende exactamente por atención? El modelado del rendimiento humano aporta información valiosa sobre este tema. ^{[ 7 ]}

Byrne y Pew (2009) consideran un ejemplo de una pregunta básica sobre la carga de trabajo: "¿En qué medida interfieren las tareas A y B?". Estos investigadores señalan esto como la base del paradigma del período refractario psicológico (PRP). Los participantes realizan dos tareas de tiempo de reacción de elección, y ambas interferirán en cierta medida, especialmente cuando el participante debe reaccionar a los estímulos de ambas tareas cuando están muy próximas en el tiempo; sin embargo, el grado de interferencia suele ser menor que el tiempo total empleado en cualquiera de las tareas. El modelo de cuello de botella de selección de respuesta (Pashler, 1994) describe bien esta situación, ya que cada tarea tiene tres componentes: percepción, selección de respuesta (cognición) y salida motora. La limitación atencional —y, por lo tanto, el lugar de la carga de trabajo— es que la selección de respuesta solo puede realizarse para una tarea a la vez. El modelo realiza numerosas predicciones precisas, y aquellas que no puede explicar se abordan mediante arquitecturas cognitivas (Byrne y Anderson, 2001; Meyer y Kieras, 1997). En situaciones simples de doble tarea, se cuantifican la atención y la carga de trabajo, y se hacen posibles predicciones significativas. ^{[ 7 ]}

Horrey y Wickens (2003) consideran las preguntas: ¿Hasta qué punto una tarea secundaria interferirá con el desempeño de la conducción, y depende esto de la naturaleza de la conducción y de la interfaz presentada en la segunda tarea? Utilizando un modelo basado en la teoría de recursos múltiples (Wickens, 2002, 2008; Navon y Gopher, 1979), que propone que existen varios lugares para la interferencia de tareas múltiples (las etapas de procesamiento, los códigos de procesamiento y las modalidades ), los investigadores sugieren que la interferencia entre tareas aumenta proporcionalmente al grado en que las dos tareas utilizan los mismos recursos dentro de una dimensión dada: la presentación visual de una tarea de lectura en retroalimentación debería interferir más con la conducción que la presentación auditiva, porque la conducción en sí misma exige más de la modalidad visual que de la auditiva. ^{[ 7 ]}

Aunque la teoría de recursos múltiples es el modelo de carga de trabajo más conocido en factores humanos, a menudo se representa de forma cualitativa. Las implementaciones computacionales detalladas son mejores alternativas para su aplicación en métodos HPM, incluyendo el modelo de Horrey y Wickens (2003), que es lo suficientemente general como para aplicarse en muchos dominios. Los enfoques integrados, como el modelado de redes de tareas, también están adquiriendo mayor relevancia en la literatura. ^{[ 7 ]}

La mecanografía numérica es una tarea perceptivo-motora importante cuyo rendimiento puede variar según el ritmo, las estrategias de los dedos y la urgencia de la situación. El procesador humano basado en el modelo de red de colas (QN-MHP), una arquitectura computacional, permite modelar matemáticamente el rendimiento de las tareas perceptivo-motoras. El presente estudio mejoró el QN-MHP con un mecanismo de control descendente, un control de movimiento de bucle cerrado y un mecanismo de control motor relacionado con los dedos para tener en cuenta la interferencia de la tarea, la reducción del punto final y el déficit de fuerza, respectivamente. El modelo también incorporó la teoría del ruido neuromotor para cuantificar la variabilidad del punto final en la mecanografía. Las predicciones del modelo sobre la velocidad y la precisión de la mecanografía se validaron con los resultados experimentales de Lin y Wu (2011). Los errores cuadráticos medios resultantes fueron del 3,68 % con una correlación del 95,55 % para el tiempo de respuesta y del 35,10 % con una correlación del 96,52 % para la precisión de la mecanografía. El modelo puede aplicarse para proporcionar tasas de habla óptimas para la síntesis de voz y el diseño de teclados en diferentes situaciones de mecanografía numérica. ^{[ 29 ]}

El período refractario psicológico (PRP) es una forma básica pero importante de procesamiento de información en tareas duales. Los modelos existentes de procesamiento serial o paralelo del PRP han explicado con éxito diversos fenómenos del PRP; sin embargo, cada uno también encuentra al menos un contraejemplo experimental a sus predicciones o mecanismos de modelado. Este artículo describe un modelo matemático del PRP basado en redes de colas que permite modelar diversos hallazgos experimentales del PRP mediante ecuaciones de forma cerrada, incluyendo todos los principales contraejemplos encontrados por los modelos existentes con un número menor o igual de parámetros libres. Este trabajo de modelado también ofrece una explicación teórica alternativa para el PRP y demuestra la importancia de los conceptos teóricos de "colas" y "redes cognitivas híbridas" para comprender la arquitectura cognitiva y el rendimiento en tareas múltiples. ^{[ 30 ]}

Un área de la memoria y la cognición se refiere al modelado de habilidades cognitivas rutinarias; cuando un operador tiene el conocimiento correcto de cómo realizar una tarea y simplemente necesita ejecutar ese conocimiento. Esto es ampliamente aplicable, ya que muchos operadores tienen la suficiente práctica como para que sus procedimientos se vuelvan rutinarios. La familia de modelos de rendimiento humano GOMS (objetivos, operadores, métodos y reglas de selección), popularizada y bien definida por investigadores en el campo (Card et al., 1983; John y Kieras, 1996a, 1996b), se aplicó originalmente para modelar usuarios de interfaces de computadora, pero desde entonces se ha extendido a otras áreas. Son herramientas útiles de HPM, adecuadas para una variedad de preocupaciones y tamaños de análisis diferentes, pero tienen limitaciones con respecto al análisis de errores del usuario (véase Wood y Kieras, 2002, para un esfuerzo por extender GOMS al manejo de errores). ^{[ 7 ]}

La forma más simple de un modelo GOMS es un modelo a nivel de pulsación de teclas (KLM), en el que se enumeran todas las acciones físicas (p. ej., pulsaciones de teclas, clics del ratón), también denominadas operaciones, que un usuario debe realizar para completar una tarea determinada. Las operaciones mentales (p. ej., encontrar un objeto en la pantalla) complementan este modelo mediante un conjunto sencillo de reglas. Cada operación tiene un tiempo asociado (como 280 ms para una pulsación de tecla), y el tiempo total de la tarea se estima sumando los tiempos de las operaciones. La eficiencia de dos procedimientos puede compararse utilizando sus respectivos tiempos de ejecución estimados. Aunque este tipo de modelo es muy aproximado (se hacen muchas suposiciones), todavía se utiliza hoy en día (p. ej., en sistemas de información para vehículos y teléfonos móviles). ^{[ 7 ]}

Existen versiones detalladas de GOMS, entre las que se incluyen:

-- CPM-GOMS : "Cognitivo, perceptivo, motor" y "método de ruta crítica" (John y Kieras, 1996a, 1996b) - intenta descomponer el rendimiento en unidades CPM primitivas que duran de decenas a cientos de milisegundos (las duraciones de muchas operaciones en los modelos CPM-GOMS provienen de la literatura publicada, especialmente de Card et al., 1983). ^{[ 7 ]}

-- GOMSL / NGOMSL : Lenguaje GOMS o Lenguaje GOMS Natural, que se centra en la descomposición jerárquica de objetivos, pero con un análisis que incluye métodos: procedimientos que las personas utilizan para lograr esos objetivos. Muchas operaciones mentales genéricas en el KLM se reemplazan con descripciones detalladas de la actividad cognitiva que implica la organización del conocimiento procedimental de las personas en métodos. Un análisis detallado de GOMSL permite predecir no solo el tiempo de ejecución, sino también el tiempo que lleva aprender los procedimientos y la cantidad de transferencia que se puede esperar en función de los procedimientos ya conocidos (Gong y Kieras, 1994). Estos modelos no solo son útiles para informar los rediseños de interfaces de usuario, sino que también predicen cuantitativamente el tiempo de ejecución y aprendizaje para múltiples tareas. ^{[ 7 ]}

Otra actividad cognitiva crítica de interés para los factores humanos es la del juicio y la toma de decisiones. Estas actividades contrastan marcadamente con las habilidades cognitivas rutinarias, cuyos procedimientos se conocen de antemano, ya que muchas situaciones requieren que los operadores emitan juicios en condiciones de incertidumbre: para producir una calificación de calidad o, quizás, elegir entre muchas alternativas posibles. Si bien muchas disciplinas, incluidas las matemáticas y la economía, hacen contribuciones significativas a esta área de estudio, la mayoría de estos modelos no modelan el comportamiento humano, sino más bien el comportamiento óptimo, como la teoría de la utilidad esperada subjetiva (Savage, 1954; von Neumann y Morgenstern, 1944). Aunque los modelos de comportamiento óptimo son importantes y útiles, no consideran una base de comparación para el desempeño humano, si bien gran parte de la investigación sobre la toma de decisiones humanas en este ámbito compara el desempeño humano con formulaciones matemáticamente óptimas. Ejemplos de esto incluyen la teoría de la perspectiva de Kahneman y Tversky (1979) y el modelo de eliminación por aspectos de Tversky (1972) . Entre los enfoques menos formales se incluyen el trabajo fundamental de Tversky y Kahneman sobre heurísticas y sesgos, el trabajo de Gigerenzer sobre atajos "rápidos y frugales" (Gigerenzer, Todd y ABC Research Group, 2000) y los modelos descriptivos de Paune, Bettman y Johnson (1993) sobre estrategias adaptativas. ^{[ 7 ]}

A veces, el rendimiento óptimo es incierto. Un ejemplo poderoso y popular es el modelo de lente (Brunswick, 1952; Cooksey, 1996; Hammond, 1955), que aborda la captura de políticas , el control cognitivo y la utilización de señales , y se ha utilizado en aviación (Bisantz y Pritchett, 2003), mando y control (Bisantz et al., 2000); para investigar el juicio humano en entrevistas de trabajo (Doherty, Ebert y Callender, 1986), análisis financiero (Ebert y Kruse, 1978), diagnósticos médicos (LaDuca, Engel y Chovan, 1988), calificaciones de maestros (Carkenord y Stephens, 1944) y muchos otros. ^{[ 7 ]} Aunque el modelo tiene limitaciones [descritas en Byrne y Pew (2009)], es muy potente y sigue estando infrautilizado en la profesión de factores humanos. ^{[ 7 ]}

El término modelo de red se refiere a un procedimiento de modelado que implica la simulación de Monte Carlo, más que a un modelo específico. Si bien el marco de modelado es ateórico, la calidad de los modelos que se construyen con él depende directamente de la calidad de las teorías y los datos utilizados para crearlos. ^{[ 7 ]}

Cuando un modelador crea un modelo de red de una tarea, el primer paso es construir un diagrama de flujo que descomponga la tarea en subtareas discretas: cada subtarea como un nodo, las rutas seriales y paralelas que las conectan, y la lógica de control que gobierna el flujo secuencial a través de la red resultante. Al modelar el rendimiento humano-sistema, algunos nodos representan procesos de decisión humana o la ejecución de tareas humanas, otros representan subtareas de ejecución del sistema, y ​​otros agregan el rendimiento humano/máquina en un solo nodo. Cada nodo está representado por una distribución de tiempo de finalización especificada estadísticamente y una probabilidad de finalización. Cuando todas estas especificaciones se programan en una computadora, la red se ejecuta repetidamente mediante el método de Monte Carlo para construir distribuciones de las medidas de rendimiento agregadas que interesan al analista. La clave reside en que el modelador seleccione el nivel de abstracción adecuado para representar nodos y rutas, y en que estime los parámetros definidos estadísticamente para cada nodo. En ocasiones, se realizan simulaciones con intervención humana para brindar apoyo y validación a las estimaciones. Se pueden encontrar detalles sobre este enfoque, así como sobre enfoques relacionados y alternativos, en Laughery, Lebiere y Archer (2006) y en el trabajo de Schwieckert y sus colegas, como Schweickert, Fisher y Proctor (2003). ^{[ 7 ]}

Históricamente, el modelado de redes de tareas se origina en la teoría de colas y el modelado de la confiabilidad y el control de calidad en ingeniería. Art Siegel, psicólogo, fue el primero en pensar en extender los métodos de confiabilidad a un modelo de simulación de Monte Carlo del desempeño humano-máquina (Siegel y Wolf, 1969). A principios de la década de 1970, la Fuerza Aérea de los Estados Unidos patrocinó el desarrollo de SAINT (Systems Analysis of Integrated Networks of Tasks), un lenguaje de programación de alto nivel diseñado específicamente para admitir la programación de simulaciones de Monte Carlo de redes de tareas humano-máquina (Wortman, Pritsker, Seum, Seifert y Chubb, 1974). Una versión moderna de este software es Micro Saint Sharp (Archer, Headley y Allender, 2003). Esta familia de software generó un árbol de programas de propósito especial con diferentes grados de similitud y especificidad con Micro Saint. La más destacada de ellas es la serie IMPRINT (Improved Performance Research Integration Tool) ^{[ 34 ],} patrocinada por el Ejército de los EE. UU. (y basada en MANPRINT), que proporciona plantillas de modelado adaptadas específicamente a aplicaciones particulares de modelado del desempeño humano (Archer et al., 2003). Dos programas específicos para la carga de trabajo son W/INDEX (North y Riley, 1989) y WinCrew (Lockett, 1997).

El enfoque de redes para el modelado mediante estos programas es popular debido a su accesibilidad técnica para personas con conocimientos generales de técnicas de simulación por computadora y análisis del desempeño humano. Los diagramas de flujo resultantes del análisis de tareas conducen naturalmente a modelos de red formales. Estos modelos pueden desarrollarse para servir a propósitos específicos, desde la simulación de un individuo mediante una interfaz hombre-máquina hasta el análisis del flujo de tráfico potencial en un servicio de urgencias hospitalario. Su debilidad radica en la gran dificultad que supone derivar tiempos de ejecución y probabilidades de éxito a partir de datos previos o de la teoría o los principios fundamentales. Estos datos proporcionan el contenido principal del modelo.

Las arquitecturas cognitivas son teorías amplias de la cognición humana basadas en una amplia selección de datos empíricos humanos y generalmente se implementan como simulaciones por computadora. Representan la materialización de una hipótesis científica sobre aquellos aspectos de la cognición humana relativamente constantes en el tiempo e independientes de la tarea (Gray, Young y Kirschenbaum, 1997; Ritter y Young, 2001). Las arquitecturas cognitivas constituyen un intento de unificar teóricamente fenómenos empíricos desconectados mediante modelos de simulación por computadora. Si bien la teoría resulta insuficiente para la aplicación de factores humanos, desde la década de 1990 las arquitecturas cognitivas también incluyen mecanismos para la sensación, la percepción y la acción. Dos ejemplos tempranos de esto son el modelo de Control Interactivo del Proceso Ejecutivo (EPIC; Kieras, Wood y Meyer, 1995; Meyer y Kieras, 1997) y el ACT-R (Byrne y Anderson, 1998).

Un modelo de tarea en una arquitectura cognitiva, generalmente denominado modelo cognitivo, consta tanto de la arquitectura como del conocimiento necesario para realizar la tarea. Este conocimiento se adquiere mediante métodos de factores humanos, incluyendo análisis de la actividad modelada. Las arquitecturas cognitivas también se conectan con una simulación compleja del entorno en el que se realiza la tarea; en ocasiones, la arquitectura interactúa directamente con el software que utilizan los humanos para llevarla a cabo. Las arquitecturas cognitivas no solo predicen el rendimiento, sino que también generan datos de rendimiento reales, capaces de producir secuencias de acciones con marca de tiempo que pueden compararse con el rendimiento humano real en una tarea.

Ejemplos de arquitecturas cognitivas incluyen el sistema EPIC (Hornof y Kieras, 1997, 1999), CPM-GOMS (Kieras, Wood y Meyer, 1997), el procesador humano basado en el modelo de red de colas (Wu y Liu, 2007, 2008), ^{[ 35 ] [ 36 ]} ACT-R (Anderson, 2007; Anderson y Lebiere, 1998) y QN-ACTR (Cao y Liu, 2013). ^{[ 37 ]}

El modelo de procesador humano basado en redes de colas se utilizó para predecir cómo los conductores perciben la velocidad de operación y el límite de velocidad indicado, eligen la velocidad y ejecutan la velocidad de operación decidida. El modelo fue sensible (el d' promedio fue de 2,1) y preciso (la precisión promedio de las pruebas fue superior al 86 %) para predecir la mayoría de los casos de exceso de velocidad involuntario ^{[ 35 ].}

ACT-R se ha utilizado para modelar una amplia variedad de fenómenos. Consta de varios módulos, cada uno de los cuales modela un aspecto diferente del sistema humano. Los módulos están asociados a regiones cerebrales específicas, y ACT-R ha predicho con éxito la actividad neuronal en partes de dichas regiones. Cada modelo representa esencialmente una teoría sobre cómo funciona esa parte del sistema general, derivada de la literatura de investigación en el área. Por ejemplo, el sistema de memoria declarativa en ACT-R se basa en una serie de ecuaciones que consideran la frecuencia y la recencia, e incorpora nociones bayesianas de probabilidad de necesidad en un contexto determinado, incluyendo también ecuaciones para el aprendizaje y el rendimiento. Algunos módulos son más precisos que otros; por ejemplo, el módulo manual incorpora la ley de Fitts y otros principios operativos sencillos, pero no es tan detallado como el modelo de teoría de control óptimo (hasta el momento). Sin embargo, se considera que cada uno de estos módulos requiere una sólida validación empírica. Esto es a la vez una ventaja y una limitación del ACT-R, ya que aún queda mucho trabajo por hacer en la integración de los componentes cognitivos, perceptivos y motores, pero este proceso es prometedor (Byrne, 2007; Foyle y Hooey, 2008; Pew y Mavor, 1998).

GOMS se ha utilizado para modelar tanto tareas complejas en equipo (Kieras y Santoro, 2004) como la toma de decisiones en grupo (Sorkin, Hays y West, 2001).