在制造業中，尤其是高復雜度、低產量的生產環節，完全自動化往往成本高昂或技術難度大，因此熟練工人的價值不言而喻。然而，如何客觀、高效地評估工人的技能水平，并據此設計更有針對性的培訓方案，一直是業界面臨的挑戰。傳統評估方法可能過于依賴主觀判斷或繁瑣的績效記錄。與此同時，眼動追蹤技術為我們打開了一扇窗，因為眼睛的運動模式被認為與認知負荷和任務熟練度密切相關。但過往研究多依賴于時序性的眼動數據，這在實際應用中可能受限于數據采集的連續性和處理復雜度。那么，能否拋開時間線的束縛，僅從非序列的眼動特征中準確區分新手與專家呢？這正是發表在《IEEE Transactions on Systems, Man, and Cybernetics: Systems》上的這項研究所要探索的核心問題。

研究人員開展了一項以焊接任務為對象的研究。他們招募了16名受試者，收集了他們執行任務時的眼動數據，并刻意移除了時間戳信息，形成了“去時間戳的”（atemporal）數據集。這些數據主要包括非序列性的眼球運動信息和瞳孔尺寸。研究團隊隨后運用了多種機器學習模型，包括K近鄰（KNN）和決策樹等，試圖僅憑這些數據來評估工人的任務技能水平。此外，為了提升模型的性能、效率和魯棒性，他們進一步引入了主成分分析（PCA）進行特征提取。PCA因其算法高效性，且能通過將數據對齊到獨立軸上從而提升樹算法性能的特點而被選用。最終，研究發現，基于95% PCA數據訓練的精細決策樹模型表現最為穩定。該模型不僅在對訓練受試者的新會話（session）進行分類時取得了平均68.88%、中位數80.97%的準確率，在對未參與訓練的測試受試者會話進行分類時也達到了平均72.64%、中位數75.13%的準確率。更重要的是，該模型對異常趨勢表現出很強的魯棒性，這表明它成功提取出了普適性的眼動追蹤趨勢——這些趨勢不依賴于連續的上下文信息，卻依然能夠有效指示工人的技能水平。

本研究主要基于16名受試者執行焊接任務時采集的眼動數據。關鍵技術包括：1) 數據預處理：生成“去時間戳的”（atemporal）眼動數據集，移除了時間序列信息。2) 機器學習建模：應用了包括K近鄰（KNN）和決策樹在內的多種分類算法，以區分新手（beginner）與專家（expert）的會話。3) 特征工程：采用主成分分析（PCA）對原始眼動特征進行降維和提取，旨在提升模型性能與效率。

模型性能比較： 研究比較了多種機器學習模型在分類任務上的表現。結果顯示，不同的模型在準確率上存在差異，其中一些樹模型展現了潛力。

PCA的影響： 研究發現，引入PCA進行特征提取對模型性能產生了顯著影響。特別是對于決策樹類算法，PCA通過將數據對齊到獨立軸，有助于提升其分類表現。

最優模型識別： 綜合分析表明，基于95% PCA數據訓練的精細決策樹（fine-tree）模型在所有測試中表現出最一致且穩健的性能。該模型不僅在訓練受試者的未見會話上取得了較高準確率（平均68.88%，中位數80.97%），在完全未參與訓練的測試受試者會話上也保持了良好性能（平均72.64%，中位數75.13%）。

魯棒性分析： 該精細決策樹模型對數據中的異常趨勢（outlier trends）表現出較強的抵抗力，這說明模型并非過度擬合個別奇異模式，而是學習到了能夠泛化的、與技能水平相關的核心眼動特征。

本研究成功證明，即使移除了時間戳信息，僅利用非序列的眼動追蹤數據（包括眼球運動和瞳孔尺寸），結合機器學習方法，仍然能夠有效評估工人在制造任務（如焊接）中的技能水平。通過系統比較，研究發現基于主成分分析（PCA）降維后數據訓練的精細決策樹模型，在區分新手與專家時，無論是在訓練集內部驗證還是面對全新受試者時，都表現出最優且最穩健的分類性能。這一結果表明，該模型能夠從雜亂的眼動數據中提取出普適的、不依賴于具體操作時序、卻依然能深刻反映技能差異的內在模式。這項工作的意義重大：首先，它提供了一種更簡化、可能更通用的技能評估框架，降低了對連續、完整時序數據的依賴，拓寬了眼動技術在工業應用中的場景。其次，高魯棒性的模型意味著評估結果更可靠，受個體異常行為干擾小。最后，該研究不僅為優化高復雜度手工生產流程提供了量化工具，也為設計更高效的技能培訓方案、深入理解技能習得的認知基礎開辟了新的數據驅動途徑。