Utoljára frissítve:
AI Burnout · Spoke
Kognitív terhelés mérőszámok — hogyan mérd az AI-asszisztált munkád valódi terhét?
A kognitív terhelés nem fáj és nem látszik — de mérhető. NASA-TLX skála, context-switching cost, prompt-írás mint kognitív munka, figyelmi fragmentáció: a módszerek, amelyekkel az AI-asszisztált munka valódi terhét számszerűsítheted — és kezelheted, mielőtt az burnout-tá válik.
Az AI-asszisztált munka kognitív terhe nem önmagától látható — mérni kell. Négy mérési módszer — NASA-TLX, context-switching napló, prompt-írás idő, figyelmi fragmentáció audit — elegendő ahhoz, hogy személyes mérési rendszert alakíts ki, és időben felismerd, mikor közelít a terhelési határod.
Miért kell mérni — és miért nem elég az érzet?
Magam is tapasztaltam: az AI-asszisztált munkanapokon sokszor produktívabbnak érzem magam statisztikailag — több szöveget néztem át, több döntést hoztam, több feladatot zártam le. Mégis este fáradtabb vagyok, mint amikor ugyanennyit csináltam AI nélkül. Ez a paradoxon nem véletlen és nem egyéni gyengeség.
Az AI nem veszi le a kognitív terhelést — átrendezi. A végrehajtási munkától a döntési és ellenőrzési munkák felé tolja. Ez önmagában nem rossz — de ha nem mérjük, nem tudjuk, mikor léptük át a fenntartható határt. Az érzet késői jelző: mire a fáradtságot érzed, a terhelés már rég kritikus szinten van. A mérőszámok korai jelzők.
A kognitív terhelés mérésének három rétege van:
- Szubjektív önbevallás: hogyan érzi magát a személy (NASA-TLX, egyszerű skálák)
- Viselkedési mutatók: mit csinál ténylegesen (döntésszám, eszközhasználat, hibaarány)
- Idő-alapú mutatók: mennyit tölt egyes feladattípusokon (prompt-írás idő, review idő, fókusz-blokkok hossza)
A legrobusztusabb személyes rendszer mindhárom réteget kombinálja — de önmagában bármelyik réteg is jobb a semminél. Ha csak egyet vezetsz be, legyen az a NASA-TLX heti önkitöltés.
A NASA-TLX skála — az iparági standard
A NASA Task Load Index-et (NASA-TLX) 1988-ban fejlesztette ki Sandra Hart és Lowell Staveland a NASA Ames kutatóközpontjában. Eredetileg pilótakabinok és irányítóközpontok kognitív terhelésének mérésére fejlesztették — de azóta a legszélesebb körben alkalmazott, validált kognitív terhelés-mérési eszközzé vált több ezer tudományos publikációban.
A hat dimenzió 0–100 skálán:
| Dimenzió | Mit mér? | AI-kontextusban releváns? |
|---|---|---|
| Mentális igény | Szellemi és perceptuális erőfeszítés | Igen — prompt-írás, output értékelés |
| Fizikai igény | Fizikai erőfeszítés | Alacsony — de a képernyő-terhelés számít |
| Időterhelés | Az időkeret nyomasztó volta | Igen — AI felgyorsítja, de elvárások is nőnek |
| Teljesítmény | Mennyire sikerült a feladat (inverz: 0 = kiváló) | Igen — az AI minőség bizonytalansága |
| Erőkifejtés | Mennyit kellett erőlködni | Igen — komplex promptok és iterációk |
| Frusztráció | Irritáció, stressz, bosszankodás | Igen — nem várt AI outputok, iteráció |
Az AI munkahelyre adaptált NASA-TLX-hez érdemes hozzáadni: AI output ellenőrzési terhelés — mennyi figyelmet igényelt az AI által generált tartalmak validálása? Ez az egyetlen AI-specifikus dimenzió, amelyet a klasszikus skála nem tartalmaz, de a vigilance cost mérésére elengedhetetlen.
A heti kitöltés 5-6 percet vesz igénybe. Az aggregált score értelmezése: 45 alatt kezelhető terhelés, 45–60 között figyelés szükséges, 60–74 között strukturált beavatkozás tervezendő, 75 felett azonnali változtatás szükséges.
Context-switching cost — a 23 perces adósság
Gloria Mark UC Irvine-i kutatásából ismert adat: egy megszakítás után átlagosan 23 percbe kerül visszatérni a mély munkaállapotba. Ez nem egyéni gyengeség — idegrendszeri mechanizmus. A munkamemória "kiüríti" az előző kontextust, és az újratöltés időt igényel.
AI-asszisztált munkában a kontextusváltások száma strukturálisan megnő:
- Eszközváltás (ChatGPT → Notion → e-mail → vissza) — minden váltás potenciális kontextus-veszteség
- Prompt-interakció közbeni gondolat-megszakítás — a prompt-írás maga is kizökkent a főfeladatból
- AI válaszra való várakozás — a 3–30 másodperces várakozás alatt a figyelem elkalandozik
- Váratlan AI output — ha az AI nem azt adja, amit vártál, az újratervezés kognitív megszakítást jelent
Számold meg egy átlagos munkanapon az eszköz- és feladatváltásaidat. Szorozd meg 5-tel (perc — ez a konzervatív becslés a minimális fókuszvisszatérési időre). Ha az eredmény meghaladja a 90 percet, a context-switching a munkaidőd 18%-át veszi el — és ez a hatékonyság-veszteség nem jelenik meg semmiféle produktivitás-dashboardon.
Prompt-írás mint kognitív munka
A legtöbb AI-felhasználó nem számolja be a prompt-írás idejét az AI-asszisztált munka "megtakarítási" oldalára. Ez módszertani hiba. A prompt-írás nem ingyenes kognitív szempontból: három különböző típusú gondolkodást igényel párhuzamosan.
Pontosan mit szeretnék az AI-tól? Ez explicit célgondolkodást igényel — a feladat dekompozícióját és a várt output specifikálását. Ha a cél nem tiszta a saját fejedben, a prompt sem lesz jó.
Mit kell az AI-nak tudni ahhoz, hogy jó outputot adjon? Ez a relevancia-szűrés és szelekció feladata — melyik információ szükséges, melyik redundáns, melyik félrevezető.
Miért nem azt kaptam, amit szerettem volna? A prompt-hibakeresés diagnosztikus gondolkodást igényel — ez az egyik legkognitívabb intenzívebb feladat az AI-munkában.
Jó-e ez az output? Helyes-e, releváns-e, elég pontos-e? Ez kritikai értékelést igényel — nem passzív olvasást. Az AI "confident hallucination" miatt különösen éber kritikai figyelmet kíván.
A prompt-írás kognitív terhelésének mérése egyszerű: mérd stopperrel a prompt megírásának, az iterációnak és az output értékelésének idejét. Hasonlítsd össze az AI által megtakarított becsült idővel. Az egészséges arány: a prompt-folyamat (írás + iteráció + értékelés) ne haladja meg az AI-megtakarítás 30%-át. Ha meghaladja, az AI-folyamat negatív ROI-jú.
Figyelmi fragmentáció — a láthatatlan terhelés
A figyelmi fragmentáció az állapot, amelyben a figyelem sok kis darabra töredezik — nincsenek hosszú, megszakítatlan koncentrációs periódusok. Az AI-asszisztált munkában ez strukturálisan is megjelenik: az AI természetes várakozási pontokat teremt, amelyek a figyelmet szétszabdalják.
A figyelmi fragmentáció mutatói, amelyeket mérni lehet:
- Leghosszabb megszakítatlan munkaperiódus: mennyi volt a leghosszabb megszakítatlan blokk, amelyben egyetlen feladaton dolgoztál? Ha ez rendszeresen 20 perc alatt van, a fragmentáció kritikus.
- Átlagos fókusz-blokk hossz: az összes feladatblokk átlagos hossza. 15 perc alatt: súlyos fragmentáció. 15–25 perc: figyelmet igényel. 25 perc felett: egészséges.
- Eszköz-váltások száma naponta: hány alkalommal váltottál AI eszköz, kommunikációs felület és fő munkaterület között? 30 felett: kontextusváltás-intenzív nap.
- Reaktív vs. proaktív arány: a munkaidőd hány százalékát tölti bejövő inputokra (AI outputok, üzenetek, notifikációk) reagálva vs. proaktív, saját ütemű munkával?
Nyiss egy egyszerű táblázatot, és jegyezd fel minden feladatblokk kezdetét és végét. Egy hét után kiszámolható az átlagos blokkhossz, a leghosszabb blokk, és a napi váltások száma. Ez az audit önmagában tanulságos — sokan meglepődnek, mennyire más a valóság az érzettől.
Személyes mérési rendszer kialakítása
Nem kell egyszerre mindent bevezetni. A fenntartható mérési rendszer fokozatosan épül — és ha eleinte csak egyetlen mérőszámot követsz, az is értékes.
-
1. lépés — Heti NASA-TLX baseline (1. hét)
Töltsd ki a NASA-TLX kérdőívet minden péntek délután, 5 percben. Az első 4 hét adja a személyes baseline-odat — ettől fogva értelmes a trendkövetés. Digitális formátum: egyszerű Google Form elegendő. Papíron is működik.
-
2. lépés — Döntésszám tally bevezetése (2. hét)
Minden AI-outputnál, amelyet elfogadtál, módosítottál vagy elvettél, jegyezz fel egyet. Egy papírlap, egy fizikai tally-számláló vagy egy egyszerű mobilapp elegendő. A nap végén összesítsd. Ha a napi szám 40 felett van, a decision fatigue kockázata magas.
-
3. lépés — Prompt-írás idő mérése (3. hét)
Indíts stoppert minden prompt-írás kezdetén, és állítsd le, amikor az outputot elfogadtad vagy elvetetted. Hetente összesítsd. Ha a heti prompt-idő meghaladja a heti AI-megtakarítás 30%-át, a folyamatot optimalizálni kell — templatok, reusable kontextus-blokkok, egyértelműbb workflow.
-
4. lépés — Fókusz-blokk napló (4. hét)
Jegyezd fel a leghosszabb megszakítatlan munkaperiódust minden napra. Ha ez 3 héten át csökkent, a figyelmi fragmentáció terjed — ideje AI-mentes blokkokat bevezetni és az eszközhasználati protokollt szigorítani.
-
5. lépés — Havi trendvizualizáció
Havonta vonj össze minden mérőszámot egy egyszerű grafikonon. A trendek az érdekesek, nem az abszolút értékek. Ha a NASA-TLX emelkedik, a döntésszám nő, és a fókusz-blokkok rövidülnek — egyszerre három irányban romlik —, ez strukturális beavatkozást igényel.
Én magam három mérőszámmal dolgozom: heti NASA-TLX, napi döntésszám tally, és heti leghosszabb fókusz-blokk. Ez elegendő ahhoz, hogy három héten belül észrevegyem, ha a terhelés fenntarthatatlan irányba mozdul — és korrigáljak, mielőtt a burnout küszöbét elérem. A mérés nem önmagáért van — az akció számít, amelyet az adat indokol.
Kérdések és válaszok
Mi a kognitív terhelés és miért releváns az AI-asszisztált munkában?
A kognitív terhelés a munkamemóriánkra nehezedő mentális erőfeszítés összessége. AI-asszisztált munkában azért különösen fontos, mert az AI nem csökkenti a kognitív terhelést — hanem átrendezi: a végrehajtási terhek helyett döntési, ellenőrzési és kontextualizálási terhek nőnek meg. Aki ezt nem méri, vakon vezet.
Hogyan alkalmazható a NASA-TLX skála AI munkahelyi kontextusban?
A NASA-TLX hat dimenzióját (mentális igény, fizikai igény, időterhelés, teljesítmény, erőkifejtés, frusztráció) heti önkitöltős kérdőívként alkalmazd. AI kontextusban érdemes egy hetedik dimenziót hozzáadni: AI output ellenőrzési terhelés. 5-6 percet vesz igénybe, és aggregált csapatszintű terhelési képet ad. 60 feletti összesített score felett strukturált beavatkozás indokolt.
Hogyan mérd a prompt-írás kognitív terhelését?
A prompt-írás három kognitív terhelési forrást kombinál: célmegfogalmazás (mit akarok pontosan?), kontextus-összegyűjtés (mit kell az AI-nak tudni?) és iteráció (miért nem azt kaptam, amit szerettem volna?). Mérd stopperrel a prompt-írásra fordított időt, és hasonlítsd össze az AI által megtakarított idővel. Ha a prompt-írás ideje meghaladja a 20%-át az AI által megtakarított időnek, a promptolás önmaga terhet jelent.
Mi a context-switching cost és miért 23 perc az átlagos fókuszvisszatérési idő?
A context-switching cost a feladatváltás után elveszített fókusz visszaállításának idő- és energiaköltsége. A Gloria Mark (UC Irvine) kutatásából ismert 23 perces adat azt mutatja, hogy egy megszakítás után átlagosan 23 percbe kerül visszakerülni a mély munkaállapotba. AI-asszisztált munkában a kontextusváltások száma megnő — minden AI eszközváltás, minden prompt-interakció potenciális megszakítás.
Mi a figyelmi fragmentáció és hogyan mérhető?
A figyelmi fragmentáció az állapot, amelyben a figyelem sok kis darabra töredezik — nincs hosszú, megszakítatlan koncentrációs periódus. Mérhető az ún. attention span napló módszerrel: jegyezd fel, mikor kezdesz el egy feladatot, és mikor szakad meg. Ha a megszakítatlan blokkok 15 percnél rövidebbek a nap 60%-ában, a fragmentáció kritikus szintű. AI-asszisztált munkában ez különösen gyakori, mert az AI válaszra való várakozás természetes megszakítási pontokat teremt.
Mi a különbség a szubjektív és objektív kognitív terhelés mérés között?
Szubjektív mérés: önbevallás alapú (NASA-TLX, egyszerű 1-10 skálás kérdések). Előnye: gyors, olcsó, az egyén saját élményét méri. Hátránya: torzíthat az önkép és az elvárások felé. Objektív mérés: viselkedési mutatók (hibaarány, döntési sebesség, eszközhasználat) és fiziológiai mutatók (pulzusvariabilitás, szemmozgás — ezek laboratóriumban mérhetők). A legjobb megközelítés a kettő kombinációja: szubjektív baseline + objektív trendkövetés.
Hogyan mérd a 40%-os context-switching veszteséget a saját munkádban?
Egy hetes időmérési kísérlet elegendő: minden feladatváltásnál jegyezd fel az időt. Számold össze a 'feladatváltás előtti 5 perc' és a 'feladatváltás utáni 10 perc' időszakokat — ezek a legkevésbé produktív periódusdok. Ha a munkaidőd 35-45%-a ezekre esik, megfelel az irodalomban mért átlagos 40%-os veszteségnek. AI-asszisztált munkában ez az arány tipikusan magasabb, ha nincs tudatos eszközhasználati protokoll.
Milyen személyes mérési rendszert érdemes kialakítani?
Négy komponens elegendő egy működő személyes rendszerhez: (1) heti NASA-TLX önkitöltés (5 perc), (2) napi döntésszám tally — papíron vagy egyszerű appban, (3) heti prompt-írás idő + AI review idő összesítés, (4) havi trend vizualizáció. A cél nem a tökéletes precizitás, hanem a trendek azonosítása: ha a terhelés 3 héten át emelkedik, beavatkozás szükséges.
Mikor jelzik a mérőszámok, hogy változtatni kell a munkarendeden?
Három küszöbérték: (1) NASA-TLX heti score 65 felett két egymást követő héten, (2) napi döntésszám AI-outputokra 40 felett, (3) AI review idő meghaladja az AI által megtakarított idő 80%-át. Ha kettő egyszerre teljesül, strukturált változtatás szükséges: AI-mentes blokkok bevezetése, eszközszám csökkentése, vagy a terhelés okának mélyebb elemzése.
Hogyan különböztetjük meg a kognitív túlterhelést a normál munka fáradtságtól?
A normál munka fáradtság egyenletesen terjed a napra, alvással helyreáll, és fizikai kimerülésben is megjelenik. A kognitív túlterhelés csúcsokban jelenik meg döntési pontok és interakció-intenzív periódusok után — reggel is jelen lehet, és döntési lassulásban, növekvő hibaarányban, nem fizikai kimerülésben mutatkozik meg. Ha a hibaarány nő, de az output-szám nem csökkent, kognitív túlterhelés a valószínű ok.