KaydedilenlerDerginizi ekleyin

Dergiler / Gazi University Journal of Science Part B: Art Humanities Design and Planning / 2026 / Cilt: 14 Sayı: 2

Otonom Sürüşte Sürücü Konumundan Yolcu Konumuna Geçiş: Otonom Sürüş Kullanıcı Deneyiminde Bilişsel Yükün Nicel Olarak Ölçülmesine Yönelik VR Simülatör Tabanlı Bir Pilot Çalışma

The Transitions from Self-Driving to Passenger Mode: A VR Simulator-Based Pilot Study on Quantifying Cognitive Load in Autonomous Driving UX

Abdulkadir Uruç(GAZİ ÜNİVERSİTESİ, MİMARLIK FAKÜLTESİ, ENDÜSTRİYEL TASARIM BÖLÜMÜ)0000-0002-4500-6209
H. Güçlü Yavuzcan(GAZİ ÜNİVERSİTESİ, MİMARLIK FAKÜLTESİ, ENDÜSTRİYEL TASARIM BÖLÜMÜ)0000-0001-8560-7845
Seçil Toros(ATILIM ÜNİVERSİTESİ, GÜZEL SANATLAR TASARIM VE MİMARLIK FAKÜLTESİ, ENDÜSTRİYEL TASARIM BÖLÜMÜ)0000-0002-8972-2047
Sayfa
255–274
Yayın Tarihi
2026-06-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bir pilot araştırma olarak bulgular, istatistiksel genellemeyi desteklemekten ziyade yöntemsel uygulanabilirliği göstermeyi amaçlamaktadır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Otonom sürüş teknolojileri, sürücünün rolünü aktif kontrolcüden giderek pasifleşen bir denetleyiciye dönüştürmekte ve bu dönüşüm, kullanıcıların bilişsel süreçlerini doğrudan etkilemektedir.
📊
Temel Bulgular & Veri:Laboratuvar tabanlı simülasyonlar ve gerçek araç yol testleri; ölçeklenebilirlik, sınırlı senaryo çeşitliliği ve katılımcılar üzerindeki değerlendirme baskısı gibi sınırlamalar nedeniyle bu deneyimsel dönüşümü bütüncül biçimde incelemede yetersiz kalabilmektedir.
💡
Sonuç & Katkı:Bir pilot araştırma olarak bulgular, istatistiksel genellemeyi desteklemekten ziyade yöntemsel uygulanabilirliği göstermeyi amaçlamaktadır.
🔬Tür:Laboratuvar & Saha Deneyi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kullanıcı Deneyimi Analizi · Otonom Sürüş Deneyimi · Bilişsel Yük Analizi

Özet

Otonom sürüş teknolojileri, sürücünün rolünü aktif kontrolcüden giderek pasifleşen bir denetleyiciye dönüştürmekte ve bu dönüşüm, kullanıcıların bilişsel süreçlerini doğrudan etkilemektedir. Laboratuvar tabanlı simülasyonlar ve gerçek araç yol testleri; ölçeklenebilirlik, sınırlı senaryo çeşitliliği ve katılımcılar üzerindeki değerlendirme baskısı gibi sınırlamalar nedeniyle bu deneyimsel dönüşümü bütüncül biçimde incelemede yetersiz kalabilmektedir. Bu çalışma, söz konusu sınırlamaları aşmak amacıyla sanal gerçeklik (VR), oyun simülatörü ve göz izleme teknolojilerini bir araya getiren bir kullanıcı deneyimi (UX) test ve veri analiz çerçevesi önermektedir. Sanal gerçeklik tabanlı bir oyun simülatörü ortamında, dört farklı kontrol seviyesinin (otomasyonsuz manuel sürüşten tam otonom yolcu konumuna kadar) ve değişen dört görev zorluk düzeyinin birleştirilmesiyle toplam on altı senaryo oluşturulmuştur. Önerilen çerçevenin teknik uygulanabilirliğini değerlendirmek amacıyla bu ortamda bir pilot çalışma yürütülmüştür. On altı senaryonun her birinde katılımcıların göz bebeği çapı ve bakış hareketi verileri, sanal gerçeklik tabanlı göz izleme sensörleri kullanılarak eşzamanlı olarak kaydedilmiştir. Göz bebeği çapındaki ve bakış hareketi örüntülerindeki değişimler nicel olarak analiz edilerek, her senaryo için bilişsel yükü temsil eden standartlaştırılmış bir Bilişsel Yük Skoruna (BYS) dönüştürülmüştür. BYS dönüşüm sürecini standartlaştırmak ve tekrarlanabilir hâle getirmek amacıyla CoLoX adlı Python tabanlı bir yazılım aracı geliştirilmiştir. Bu yazılım, çalışmada açıklanan analiz yöntemlerini izleyerek göz izleme sensörlerinden elde edilen verileri, farklı senaryolara ait bilişsel yük skorları üretmek için kullanmaktadır. Pilot çalışma sonuçları, önerilen yaklaşımın teknik olarak uygulanabilir olduğunu ve çok katmanlı biyometrik verilerin farklı sürüş koşullarında bilişsel yük göstergeleri elde etmek için kullanılabileceğini ortaya koymaktadır. Önerilen çerçeve, otonom sürüş deneyimini yalnızca teknik otomasyon metriklerine indirgemek yerine bilişsel yük odaklı bir kullanıcı deneyimi tasarım problemi olarak ele almak için ölçeklenebilir ve sürdürülebilir bir temel sunmaktadır. Bir pilot araştırma olarak bulgular, istatistiksel genellemeyi desteklemekten ziyade yöntemsel uygulanabilirliği göstermeyi amaçlamaktadır.

Abstract

Autonomous driving technologies are transforming the driver’s role from an active controller into an increasingly passive supervisor, and this transformation directly affects users’ cognitive processes. Laboratory-based simulations and real-vehicle road tests may remain insufficient for examining this experiential transformation in an integrated manner, due to limitations including scalability, limited scenario diversity, and evaluation pressure on participants. This study proposes a user experience (UX) testing and data analysis framework that integrates virtual reality (VR), a game simulator, and eye-tracking technologies to overcome these limitations. Sixteen scenarios were constructed in a VR-based game simulator environment by combining four levels of control, ranging from no automation to fully autonomous passenger-mode driving, with four increasing levels of task difficulty. A pilot study was conducted in this environment to assess the technical feasibility of the proposed framework. In each of the sixteen scenarios, participants’ pupil diameter and eye gaze movement data were synchronously recorded using virtual reality–based eye-tracking sensors. Variations in pupil diameter and gaze-movement patterns were quantitatively analyzed and converted into a standardized Cognitive Load Score (CLS) to represent cognitive load in each scenario. A Python software tool called CoLoX was developed to standardize the CLS transformation process and make it reproducible. It uses data from eye-tracking sensors, following the analysis methods outlined in this study, to generate cognitive load scores across different scenarios. Results from the pilot study indicate that this approach is technically feasible and that multi-layered biometric data can be used to derive cognitive load indicators across varying driving conditions. The proposed framework provides a scalable and lasting foundation for studying the autonomous driving experience as a user experience design challenge, focusing on cognitive load rather than solely on technical automation metrics. As a pilot investigation, the findings are intended to demonstrate methodological applicability rather than to support statistical generalization.

🔖

Bu Makaleye Atıf Yap

Uruç, A., Yavuzcan, H. G., Toros, S. (2026). Otonom Sürüşte Sürücü Konumundan Yolcu Konumuna Geçiş: Otonom Sürüş Kullanıcı Deneyiminde Bilişsel Yükün Nicel Olarak Ölçülmesine Yönelik VR Simülatör Tabanlı Bir Pilot Çalışma. Gazi University Journal of Science Part B: Art Humanities Design and Planning, Cilt: 14 Sayı: 2, 255–274. https://ajindex.com/articles/1486750

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (45)

  1. SAE International. (2021). Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems (J3016_202104).
  2. Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics - Part A, 30(3), 286–297.
  3. Dickerson, S. S., & Kemeny, M. E. (2004). Acute stressors and cortisol responses: A theoretical integration and synthesis of laboratory research. Psychological Bulletin, 130(3), 355–391. https://doi.org/10.1037/0033-2909.130.3.355.
  4. Beatty, J. (1982). Task-evoked pupillary responses, biologically based measure of mental effort. Psychological Bulletin, 91(2), 276-292. https://doi.org/10.1037/0033-2909.91.2.276.
  5. Cummings, J. J., & Bailenson, J. N. (2016). How immersive is enough? A meta-analysis of the effect of immersive technology on user presence. Media Psychology, 19(2), 272-309.
  6. Strayer DL, Turrill J, Cooper JM, Coleman JR, Medeiros-Ward N, Biondi F. Assessing Cognitive Distraction in the Automobile. Hum Factors. 2015 Dec;57(8):1300-24. doi: 10.1177/0018720815575149. PMID: 26534847.
  7. Lohani, M., Payne, B. R., & Strayer, D. L. (2019). A review of psychophysiological measures to assess cognitive states in real-world driving. Frontiers in Human Neuroscience, 13, 57. https://doi.org/10.3389/fnhum.2019.00057.
  8. Unni, A., Ihme, K., Jipp, M., & Rieger, J. W. (2017). Assessing the driver’s current level of working memory load with high density functional near-infrared spectroscopy: A realistic driving simulator study. Frontiers in Human Neuroscience, 11( 167).
  9. De Waard, D. (1996). The measurement of drivers’ mental workload. Traffic Research Centre VSC.
  10. Stapel, J., Mullakkal-Babu, F. A., & Happee, R. (2019). Automated driving reduces perceived workload, but monitoring causes higher cognitive load than manual driving. Transportation Research Part F, 60 (2019), 590–605. https://doi.org/10.1016/j.trf.2018.11.006.
  11. Hart, S. G. (2006). NASA-task load index (NASA-TLX); 20 years later. The human factors and ergonomics society annual meeting, 50(9), 904-908. Sage CA: Los Angeles, CA: Sage Publications.
  12. Mulder, L. J. M., de Waard, D., & Brookhuis, K. A. (2004). Estimating mental effort using heart rate and heart rate variability. In N. A. Stanton, A. Hedge, K. Brookhuis, E. Salas, & H. W. Hendrick (Eds.), Handbook of Human Factors and Ergonomics Methods.20-1–20-8. CRC Press.
  13. Schwalm, M., Keinath, A., & Zimmer, H., D. (2008). Pupillometry as a method for measuring mental workload within a simulated driving task. Human Factors for assistance and automation, eds F. Flemisch, B. Lorenz, H. Oberheid, K. A. Brookhuis, and D. de Waard (Maastricht: Shaker Publishing).75-87
  14. Ilhan, A.E. & Togay, A. (2024). Use of eye-tracking technology for appreciation-based information in design decisions related to product details: Furniture example. Multimed Tools Appl 83, 8013–8042.
  15. Marquart, G., Cabrall, C., & de Winter, J. C. F. (2015). Review of eye-related measures of drivers’ mental workload. Procedia Manufacturing, 3, 2854–2861.
  16. Palinko, O., Kun, A. L., Shyrokov, A., & Heeman, P. (2010). Estimating cognitive load using remote eye tracking in a driving simulator. 2010 Symposium on Eye-Tracking Research & Applications, 141-144.
  17. Koelewijn, T., Shinn-Cunningham, B. G., Zekveld, A. A., & Kramer, S. E. (2014). The pupil response is sensitive to divided attention during speech processing. Hear Res. 2014 Jun;312:114-20. doi: 10.1016/j.heares.2014.03.010.
  18. Hinricher, N., König, S., Schröer, C., & Backhaus, C. (2023). Effects of virtual reality and test environment on user experience, usability, and mental workload in the evaluation of a blood pressure monitor. Frontiers in Virtual Reality, 4, 1151190.
  19. Körber, M., Baseler, E., & Bengler, K. (2018). Introduction matters: Manipulating trust in automation and reliance in automated driving. Appl Ergon. 2018 Jan;66:18-31. doi: 10.1016/j.apergo.2017.07.006.
  20. DeGuzman, C. A., Kanaan, D., & Donmez, B. (2022). Attentive user interfaces: Adaptive interfaces that monitor and manage driver attention. In A. Riener, M. Jeon, & I. Alvarez (Eds.), User Experience Design in the Era of Automated Driving. Springer.
  21. Baumann, M., Krems, J., & Heinrich, L. K. (2022). Automation, situation awareness and mental workload. In A. Riener, M. Jeon, & I. Alvarez (Eds.), User Experience Design in the Era of Automated Driving (Studies in Computational Intelligence, Vol. 980). Springer Nature Switzerland.
  22. Caserman, P., Hoffmann, K., Müller, P., Schaub, M., Straßburg, K., Wiemeyer, J., Bruder, R., & Göbel, S. (2020). Quality criteria for serious games: Serious part, game part, and balance. JMIR Serious Games, 8(3), e19037. https://doi.org/10.2196/19037.
  23. Haasz, C. (2025). SimRacing - Start Your Engines: Software & Hardware, Tech, Tips & Tricks. Germany: Bildner Verlag.
  24. Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: Defining "gamification." In Proceedings of the 15th International Academic MindTrek Conference: Envisioning Future Media Environments.9–15. Association for Computing Machinery. https://doi.org/10.1145/2181037.2181040.
  25. Csikszentmihalyi, M. (1990). Flow: The Psychology of Optimal Experience. Harper & Row,1-8.
  26. Plass, J. L., Homer, B. D., & Kinzer, C. K. (2015). Foundations of game-based learning. Educational Psychologist, 50(4), 258–283. https://doi.org/10.1080/00461520.2015.1122533.
  27. Endsley, M. R. (2019). Situation awareness in future autonomous vehicles: Beware of the unexpected. In S. Bagnara, R. Tartaglia, S. Albolino, T. Alexander, & Y. Fujita (Eds.), Proceedings of the 20th Congress of the International Ergonomics Association (IEA 2018) (Advances in Intelligent Systems and Computing, Vol. 824, pp. 303–309). Springer. https://doi.org/10.1007/978-3-319-96071-5_32
  28. Groeger, J. A. & Chapman, P. R. (1996). Judgement of traffic scenes: the role of danger and difficulty. Applied Cognitive Psychology, 10, 349–364.
  29. URL1: Omnicept Simulator. https://developers.hp.com/omnicept/docs/simulator Last Accessed: 21.12.2025.
  30. Marshall, S. P. (2002). The Index of Cognitive Activity: measuring cognitive workload. IEEE 7th Conference on Human Factors and Power Plants, Scottsdale, AZ, USA, 2002, 7-8.
  31. Van der Wel, P., & van Steenbergen, H. (2018). Pupil dilation as an index of effort in cognitive control tasks: A review. Psychonomic Bulletin & Review, 25, 2005-2015. https://doi.org/10.3758/s13423-018-1432-y.
  32. Mathôt, S. (2018). Pupillometry: Psychology, Physiology, and Function. Journal of Cognition, 1(1), 16.
  33. URL-2: ROG - Republic of Gamers. (n.d.). https://www.asus.com/tr/laptops/for-gaming/rog-republic-of-gamers/. Last Accessed: 20.01.2026.
  34. URL-3: Rampage PACE v987. (n.d.). https://www.rampage.com.tr/products.
  35. URL-4: HP Reverb G2 Omnicept. (n.d.). https://support.hp.com/tr-tr/drivers/hp-reverb-g2-omnicept-edition/2100000151. Last Accessed: 20.01.2026.
  36. URL-5: BeamNG Community. (2023). BeamNG.drive: The evolution of soft-body physics simulation. https://beamng.com. Last Accessed: 20.08.2025.
  37. Endsley, M. R. (1995). Toward a theory of situation awareness in dynamic systems. Human Factors, 37(1), 32–64. https://doi.org/10.1518/001872095779049543.
  38. Banks, V. A., & Stanton, N. A. (2016). Keep the driver in control: Automating automobiles of the future. Applied Ergonomics, 53, 389–395.
  39. De Winter, J. C. F., Happee, R., Martens, M. H., & Stanton, N. A. (2014). Effects of adaptive cruise control and highly automated driving on workload and situation awareness: A review of the empirical evidence. Transportation Research Part F: Traffic Psychology and Behaviour, 27, 196–217. https://doi.org/10.1016/j.trf.2014.06.016.
  40. Merat, N., Jamson, A. H., Lai, F. C., Daly, M., & Carsten, O. M. (2014). Transition to manual: Driver behaviour when resuming control from a highly automated vehicle. Transportation Research Part F: Traffic Psychology and Behaviour, 27, 274–282. https://doi.org/10.1016/j.trf.2014.09.005.
  41. Holmqvist, K., Nyström, M., Andersson, R., Dewhurst, R., Jarodzka, H., & Van de Weijer, J. (2011). Eye Tracking: A Comprehensive Guide to Methods and Measures. Oxford University Press.
  42. Young, M. S., & Stanton, N. A. (2002). Malleable attentional resources theory: A new explanation for the effects of mental underload on performance. Human Factors, 44(3), 365–375. https://doi.org/10.1518/0018720024497709.
  43. Riener, A., Jeon, M., & Alvarez, I. (Eds.). (2022). User Experience Design in the Era of Automated Driving (Studies in Computational Intelligence, Vol. 980). Springer Nature Switzerland. https://doi.org/10.1007/978-3-030-77726-5.
  44. Mulder, L. J. M., de Waard, D., & Brookhuis, K. A. (2004). Estimating mental effort using heart rate and heart rate variability. In N. A. Stanton, A. Hedge, K. Brookhuis, E. Salas, & H. W. Hendrick (Eds.), Handbook of Human Factors and Ergonomics Methods.20-1–20-8. CRC Press.
  45. Deterding, S., Dixon, D., Khaled, R., & Nacke, L. (2011). From game design elements to gamefulness: Defining "gamification." In Proceedings of the 15th International Academic MindTrek Conference: Envisioning Future Media Environments.9–15. Association for Computing Machinery. https://doi.org/10.1145/2181037.2181040.