Case Study: Eye Tracking ใน XR Training — เมื่อสายตาคนงานกลายเป็นข้อมูลพัฒนาการฝึกอบรมความปลอดภัย

ปัญหา: โรงงานแห่งหนึ่งในภาคตะวันออกใช้งบฝึกอบรมความปลอดภัยและการปฏิบัติงานกับพนักงานใหม่ทุกปี แต่เมื่อสอบถามผู้จัดการฝ่ายผลิตกลับได้คำตอบเดิมๆ — “อบรมแล้วก็ผ่านทุกคน แต่อุบัติเหตุหน้าเครื่องจักรไม่เคยลด” คำถามคือ ระหว่างการอบรมกับพฤติกรรมจริงบนไลน์ผลิต มีอะไรหลุดรอดไปบ้าง? คำตอบที่เทคโนโลยีให้ได้ในวันนี้คือ สายตาของคนงานเอง

ทางออก: การฝึกอบรมในรูปแบบ XR (VR/MR) ที่ติดตั้งระบบ Eye Tracking สามารถบันทึกได้ว่าผู้เรียน “มองอะไร นานแค่ไหน และกวาดตาไปทางไหน” ตลอดการฝึก — ข้อมูลที่การอบรมในห้องเรียนธรรมดาไม่มีทางรู้ได้ ไม่ใช่แค่เก็บเพื่อดูเล่น แต่นำมาวิเคราะห์เป็นตัวชี้วัดเชิงลึก เช่น ใช้เวลานานแค่ไหนกว่าจะมองเห็นสัญญาณเตือนภัย (Time to First Fixation) หรือลำดับการกวาดตา (Scanpath) ต่างจากผู้เชี่ยวชาญตรงไหน

หลักฐานเชิงประจักษ์ที่หนุนแนวทางนี้

งานวิจัยกึ่งทดลอง (Quasi-experimental Study) ชิ้นล่าสุดของมหาวิทยาลัยในเครือ Scientific Reports (Nature) ปี 2025 ศึกษาพนักงานอุตสาหกรรม 200 คน แบ่งเป็นกลุ่มทดลอง (ฝึกด้วย VR) และกลุ่มควบคุม (อบรมแบบเดิม) ผลการทดสอบทางสถิติ (Mann-Whitney U test) พบว่ากลุ่มที่ฝึกด้วย VR มีคะแนน Self-efficacy ด้านความปลอดภัยสูงกว่าอย่างมีนัยสำคัญ และงานวิจัยเดียวกันอ้างอิงข้อมูลก่อนหน้าว่า VR เพิ่ม Safety Awareness ได้ราว 30% เมื่อเทียบกับวิธีดั้งเดิม

ด้านตัวเลขเชิงพาณิชย์ การศึกษาคลาสสิกของ PwC ที่วัดผลการฝึก Soft Skill ด้วย VR พบว่าผู้เรียนจบหลักสูตรเร็วขึ้นถึง 4 เท่า มั่นใจในการนำไปใช้มากกว่า 275% และโฟกัสกว่า e-learning ถึง 4 เท่า — ตัวเลขเหล่านี้อธิบายว่าทำไมองค์กรระดับโลกจึงลงทุนซื้อ Headset หลักหมื่นเครื่องเพื่อใช้ในการ Onboarding

จุดเปลี่ยนสำคัญ: Eye Tracking เปลี่ยนการฝึกอบรมจาก “เดาว่าเขาเข้าใจ” เป็น “วัดว่าเขาเห็น” — ความแตกต่างระหว่างสองคำนี้คือช่องว่างที่อุบัติเหตุในโรงงานซ่อนอยู่

ตัวชี้วัดที่ควรเก็บ — และนัยของแต่ละตัว

ผลลัพธ์ (Results) ที่โรงงานคาดหวังได้

• ตรวจจับ “คนที่อบรมผ่านแต่ไม่เห็นอันตราย” ได้ก่อนขึ้นไลน์จริง — กลุ่มเสี่ยงที่การทดสอบปากเปล่าตรวจไม่พบ
• ปรับหน้าจอ HMI ด้วยหลักฐาน — ถ้าคนงาน 80% มองข้ามสัญญาณเตือนสีเดียวกับพื้นหลัง ปัญหาอยู่ที่การออกแบบ ไม่ใช่คน
• ย่นรอบการฝึกอบรม — อ้างอิงแนวโน้มจาก PwC ที่ VR เร่งการเรียนรู้ได้หลายเท่า ทำให้พนักงานใหม่พร้อมผลิตเร็วขึ้น
• สร้างมาตรฐานของ Expert — เก็บ Scanpath ของช่างระดับสูงไว้เป็น Benchmark ให้คนใหม่เทียบ แม้ผู้เชี่ยวชาญจะเกษียณไปแล้ว

ข้อควรระวังก่อนนำไปใช้

ข้อมูลสายตาเป็นข้อมูลส่วนบุคคลที่ละเอียดอ่อน โรงงานควรแจ้งวัตถุประสงค์ชัดเจน ใช้ในระดับ “ปรับปรุงการฝึกอบรม” ไม่ใช่ “จับผิดรายบุคคล” และควร Aggregate ข้อมูลเป็นกลุ่มก่อนรายงาน นอกจากนี้ Eye Tracking Hardware แต่ละระดับมีความแม่นยำต่างกัน งานที่ต้องวัด Pupil Dilation อย่างจริงจังควรเลือกอุปกรณ์ที่รองรับ Sampling Rate สูง

Key Takeaways

• Eye Tracking ใน XR Training เปลี่ยนการประเมินการฝึกอบรมจากการเดา สู่การวัดพฤติกรรมการมองเห็นจริง
• งานวิจัย Nature Scientific Reports 2025 (ผู้เข้าร่วม 200 คน) ยืนยันว่า VR ยกระดับ Safety Awareness และ Self-efficacy ของพนักงานอุตสาหกรรมอย่างมีนัยสำคัญทางสถิติ
• ตัวชี้วัดหลัก 5 ตัว ได้แก่ TTFF, Dwell Time, Fixation Count, Scanpath และ Pupil Dilation แต่ละตัวตอบคำถามต่างกันในการปรับปรุงการฝึกและ HMI
• ข้อมูล PwC ชี้ว่า VR เร่งการเรียนรู้ได้ถึง 4 เท่า และเพิ่มความมั่นใจ 275% — เหตุผลที่องค์กรใหญ่ลงทุน Headset หลักหมื่นเครื่อง
• วงจรปิด (ฝึก → วัด → ปรับ → วัดซ้ำ) คือหัวใจ ถ้าเก็บข้อมูลแล้วไม่ปรับเนื้อหาฝึก ถือว่าใช้เทคโนโลยีเพียงครึ่งเดียว
• ธรรมาภิบาลข้อมูลสายตาสำคัญมาก — ใช้เพื่อพัฒนาระบบ ไม่ใช่เพื่อลงโทษรายคน

ทีมงาน Honey Corporation มีประสบการณ์ออกแบบระบบฝึกอบรมและ IoT Monitoring ที่ขับเคลื่อนด้วยข้อมูลจริง เราเชื่อว่าแนวทาง Attention Analytics นี้เข้ากันดีกับงาน Digital Transformation ที่เราทำให้ลูกค้าในภาคอุตสาหกรรมมาโดยตลอด