ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
Artículo de investigación https://doi.org/10.47460/athenea.v7i23.133
Interfaces HombreśMáquina adaptativas basadas en inteligencia
artiőcial y neuroergonomía para la reducción de errores humanos en
sistemas industriales complejos
Benjamín Roldan Polo-Escobar*
https://orcid.org/0000-0001-5056-9957
benjamin.polo@untrm.edu.pe
Universidad Nacional Toribio Rodríguez de
Mendoza, Grupo de Investigación en Economía
Regional (GIERE)
Chachapoyas, Perú
Renzo Enrique Polo-Moreano
https://orcid.org/0009-0009-8747-8974
20193257@aloe.ulima.edu.pe
Universidad de Lima, Facultad de Ciencias
Empresariales y Económicas, Grupo de
Investigación en Economía Regional (GIERE)
Ciudad de Lima, Perú
Lilian Marisol Estrada Torres
https://orcid.org/0009-0008-5124-0027
etlm49608@ute.edu.ec
Universidad UTE, Facultad de Ciencias de la
Ingeniería e Industrias
Quito, Ecuador
Rodolfo Martín Cornejo Urbina
http://orcid.org/0000-0001-9325-6512
rmcornejou@unac.edu.pe
Universidad Nacional del Callao, Facultad de
Ingeniería Pesquera y Alimentos
Instituto del Mar del Perú
Callao, Perú
*Autor de correspondencia:
benjamin.polo@untrm.edu.pe
Recibido: (02/11/2025), Aceptado: (24/02/2026)
Resumen. Este estudio analizó el impacto de interfaces hombreŰmáquina adaptativas basadas en
inteligencia artiĄcial y principios de neuroergonomía en la reducción de errores humanos en sistemas
industriales complejos. Se desarrolló un diseño cuasi-experimental con simulación de supervisión de
procesos industriales, comparando una interfaz convencional con una interfaz adaptativa inteligente.
Los resultados evidenciaron una disminución signiĄcativa en el número de errores operacionales, una
mejora en el tiempo de respuesta y una reducción en la carga cognitiva percibida por los operadores.
Asimismo, se observó una relación positiva entre la reducción de carga cognitiva y la disminución de
errores. Los hallazgos sugieren que las interfaces adaptativas pueden mejorar el desempeño humano y
la seguridad en entornos industriales avanzados.
Palabras clave: interacción humano-máquina, neuroergonomía, error humano, interfaces adaptativas.
Adaptive Human–Machine Interfaces Based on Artificial Intelligence and
Neuroergonomics for Reducing Human Errors in Complex Industrial Systems
Abstract. This study analyzed the impact of adaptive humanŰmachine interfaces based on artiĄcial
intelligence and neuroergonomic principles on the reduction of human errors in complex industrial sys-
tems. A quasi-experimental design was developed using an industrial process supervision simulation,
comparing a conventional interface with an intelligent adaptive interface. The results showed a signiĄ-
cant decrease in the number of operational errors, an improvement in response time, and a reduction
in the cognitive load perceived by operators. Likewise, a positive relationship was observed between the
reduction of cognitive load and the decrease in errors. The Ąndings suggest that adaptive interfaces
can improve human performance and safety in advanced industrial environments.
Keywords: humanŰmachine interaction, neuroergonomics, human error, adaptive interfaces.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
54
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
I. INTRODUCCIÓN
La creciente digitalización de los sistemas productivos y la consolidación de paradigmas como
Industria 4.0 e Industria 5.0 han transformado la interacción entre operadores humanos y sistemas
automatizados. En estos entornos complejos, la supervisión de procesos, la toma de decisiones y la
interacción con dispositivos inteligentes dependen en gran medida del diseño de las interfaces hombreŰ
máquina (HMI), que constituyen el principal canal de comunicación entre los sistemas tecnológicos y
los operadores. Un diseño inadecuado puede generar sobrecarga cognitiva, errores operacionales y fallas
de seguridad que afectan la productividad y la conĄabilidad de los sistemas industriales [
1], [2]. En este
contexto, la ingeniería de factores humanos busca reducir estos riesgos mediante el diseño de sistemas
que consideren las capacidades cognitivas y perceptivas de los operadores, integrando adecuadamente
los componentes humanos, tecnológicos y organizacionales para garantizar un funcionamiento seguro y
eĄciente [
3], [4].
En los últimos años ha surgido la neuroergonomía, un campo interdisciplinario que combina princip-
ios de neurociencia, ergonomía y psicología cognitiva para estudiar el comportamiento humano durante
la interacción con sistemas tecnológicos. Este enfoque permite analizar procesos neuronales aso ciados
al monitoreo de errores, la carga mental y la toma de decisiones en tareas complejas [
5]. Investigaciones
en este ámbito han demostrado que señales neuroĄsiológicas, como los potenciales relacionados con
errores (error-related negativity, ERN), reĆejan mecanismos cerebrales que intervienen en la detección
y corre cción de errores durante la interacción humanoŰmáquina [
5]. Paralelamente, el desarrollo de in-
terfaces adaptativas basadas en inteligencia artiĄcial ha permitido diseñar sistemas capaces de analizar
el comportamiento del operador y ajustar dinámicamente la presentación de información, los niveles de
automatización o los mecanismos de alerta para reducir la probabilidad de error humano y mejorar el
desempeño operativo [
6], [7].
Asimismo, investigaciones recientes destacan que la evaluación de la carga mental del operador
puede realizarse mediante la combinación de mediciones subjetivas y registros neuroĄsiológicos, como
electroencefalografía (EEG), lo que permite identiĄcar estados de fatiga cognitiva o sobrecarga infor-
macional en tiempo real [
8]. Estos avances han impulsado nuevos enfoques de diseño centrados en el
operador, orientados a mejorar tanto la seguridad como el rendimiento en tareas industriales comple-
jas. En consecuencia, el desarrollo de interfaces hombreŰmáquina adaptativas que integren inteligencia
artiĄcial y principios de neuroergonomía representa una estrategia prometedora para reducir errores
humanos, optimizar la interacción entre operadores y sistemas automatizados y fortalecer la resiliencia
operativa en entornos industriales avanzados. El presente estudio analiza el potencial de estas interfaces
inteligentes para mejorar la seguridad y la eĄciencia en sistemas industriales complejos.
II. MARCO TEÓRICO
La interacción humanoŰmáquina (HumanŰMachine Interaction, HMI) constituye un elemento cen-
tral en los sistemas industriales modernos. Con el avance de paradigmas como Industria 4.0, los entornos
productivos han evolucionado hacia sistemas altamente automatizados e interconectados basados en
tecnologías ciberfísicas, donde los operadores interactúan con plataformas digitales, robots colaborativos
y sistemas de control inteligentes. En este contexto, las interfaces hombreŰmáquina actúan como el
principal canal de comunicación entre el operador y el sistema tecnológico, facilitando la supervisión de
procesos, la interpretación de información operativa y la toma de decisiones en tiempo real [
9]. Estudios
previos han demostrado que el diseño de estas interfaces inĆuye directamente en la eĄciencia operativa
y la seguridad industrial, ya que interface s deĄcientes pueden generar ambigüedad informacional, so-
brecarga cognitiva y diĄcultades en la interpretación de datos críticos [
10]. En consecuencia, el diseño
centrado en el usuario se ha convertido en un principio clave en la ingeniería de interfaces, orientado
a adaptar los sistemas tecnológicos a las capacidades cognitivas de los operadores. Asimismo, el de-
sarrollo de interfaces multimodales que integran visualización avanzada de datos, dispositivos táctiles,
realidad aumentada y sistemas de alerta inteligentes ha contribuido a mejorar la percep ción situacional
y la detección temprana de anomalías en procesos industriales complejos [
11].
Por otra parte, el error humano ha sido ampliamente estudiado en disciplinas como la ingeniería
de factores humanos, la psicología cognitiva y la seguridad industrial. En sistemas sociotécnicos com-
plejos, donde interactúan múltiples componentes tecnológicos y organizacionales, los errores pueden
tener consecuencias signiĄcativas en términos de seguridad y conĄabilidad. Uno de los enfoques más
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
55
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
inĆuyentes para comprender este fenómeno fue propuesto por Reason mediante el modelo del queso
suizo, que explica cómo los accidentes ocurren cuando múltiples fallos latentes se alinean dentro de los
sistemas organizacionales y tecnológicos [5]. Desde esta perspectiva, el error humano no debe inter-
pretarse únicamente como una falla individual, sino como el resultado de interacciones complejas entre
factores humanos, organizacionales y tecnológicos. Investigaciones en ingeniería de factores humanos
también han demostrado que muchos incidentes industriales se relacionan con deĄciencias en el diseño
de interfaces, sobrecarga cognitiva o problemas en la presentación de información crítica, lo que refuerza
la necesidad de desarrollar sistemas resilientes que apoyen eĄcazmente la toma de decisiones humanas
y reduzcan las condiciones que favorecen la aparición de errores [
12].
A. Neuroergonomía y procesos cognitivos en la interacción humano±máquina
La neuroergonomía surge como un campo interdisciplinario que integra aportes de la neurociencia,
la psicología cognitiva y la ergonomía para analizar el funcionamiento del cerebro durante la interacción
con sistemas tecnológicos. Su objetivo es comprender cómo procesos neuronales vinculados con la
atención, la memoria, la percepción y la toma de decisiones inĆuyen en el desempeño humano en
entornos operativos complejos [
7].
Uno de sus aportes más relevantes es el estudio de los mecanismos neuronales asociados al monitoreo
del error. Investigaciones basadas en electroencefalografía han identiĄcado señales cerebrales especíĄcas
relacionadas con la detección temprana de errores, conocidas como error-related negativity (ERN), que
reĆejan la actividad neuronal cuando existe una discrepancia entre la acción ejecutada y el resultado
esperado [
8]. Estos hallazgos han permitido comprender mejor los procesos cognitivos implicados en la
interacción humanoŰmáquina y han impulsado el desarrollo de sistemas inteligentes orientados a apoyar
al operador en la detección y corrección de errores.
Asimismo, la neuroergonomía ha contribuido al estudio de la carga mental de trabajo, un factor clave
en el desempeño humano durante tareas complejas. Cuando la demanda cognitiva supera la capacidad
de procesamiento del operador, pueden surgir fatiga mental, pérdida de atención y mayor probabilidad
de error. Por ello, el diseño de interfaces debe considerar no solo la claridad de la información, sino
también la capacidad del usuario para procesarla eĄc ientemente en contextos operativos exigentes [13].
B. Interfaces adaptativas basadas en inteligencia artificial
El avance de la inteligencia artiĄcial ha impulsado el desarrollo de interfaces adaptativas, capaces
de modiĄcar su comportamiento según el estado del usuario o el contexto operativo. A diferencia
de las interfaces tradicionales, que presentan información de forma estática, estas interfaces utilizan
algoritmos de aprendizaje automático para analizar patrones de interacción, identiĄcar estados cognitivos
del operador y ajustar dinámicamente la presentación de información o el nivel de automatización del
sistema [
14]. En entornos industriales, estas interfaces inteligentes pueden detectar señales de sobrecarga
cognitiva, identiĄcar situaciones de riesgo o anticipar errores operativos mediante el análisis de datos
generados durante la interacción humanoŰmáquina. Como resultado, el sistema puede reorganizar la
información, emitir alertas tempranas o proporcionar asistencia automatizada al operador, mejorando
la seguridad y la eĄciencia operativa [
15].
Asimismo, la integración de inteligencia artiĄcial con sensores biométricos y sistemas de monitoreo
neuroĄsiológico ha favorecido el desarrollo de interfaces centradas en el usuario, capaces de adaptarse
en tiempo real a las condiciones cognitivas del op erador, fortaleciendo la colab oración entre humanos
y sistemas tecnológicos en entornos industriales avanzados.
C. Integración de inteligencia artificial y neuroergonomía en el diseño de interfaces HMI
La convergencia entre inteligencia artiĄcial, neuroergonomía y diseño de interfaces representa una
de las líneas más prometedoras en el desarrollo de sistemas industriales avanzados. Este enfoque in-
terdisciplinario permite diseñar sistemas capaces de interpretar señales cognitivas del operador, analizar
patrones de interacción y adaptar dinámicamente la interfaz para optimizar la comunicación entre hu-
manos y máquinas. En este contexto, los sistemas inteligentes pueden utilizar modelos de aprendizaje
automático para identiĄcar comportamientos asociados al error hum ano, anticipar situaciones de riesgo
y proporcionar apoyo al operador durante la toma de decisiones en entornos operativos complejos [
14],
[15]. Al mismo tiempo, la neuroergonomía proporciona el marco conceptual necesario para comprender
cómo los operadores procesan la información y cómo los sistemas tecnológicos pueden diseñarse para
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
56
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
reducir la carga cognitiva y mejorar el desempeño humano. Como resultado, el diseño de interfaces
hombreŰmáquina adaptativas basadas en inteligencia artiĄcial y principios de neuroergonomía emerge
como una estrategia clave para mejorar la seguridad, la eĄciencia y la resiliencia de los sistemas in-
dustriales inteligentes, contribuyendo a reducir la incidencia del error humano en entornos tecnológicos
altamente complejos.
III. METODOLOGÍA
La investigación se desarrolló bajo un enfoque cuantitativo con apoyo experimental y analítico, ori-
entado a evaluar el impacto de interfaces hombreŰmáquina adaptativas basadas en inteligencia artiĄcial
y principios de neuroergonomía en la reducción de errores humanos en sistemas industriales complejos.
El estudio se estructuró como una investigación aplicada, debido a que buscó generar soluciones tec-
nológicas orientadas a mejorar la interacción entre operadores humanos y sistemas automatizados en
entornos industriales. El diseño metodológico adoptado fue cuasi-experimental, con comparación entre
dos condiciones operativas: una interfaz convencional de control industrial y una interfaz adaptativa
basada en inteligencia artiĄcial. Este enfoque permitió analizar diferencias en el desempeño del oper-
ador, la carga cognitiva y la incidencia de errores humanos durante la ejecución de tareas de supervisión
y control.
El estudio se desarrolló mediante un entorno de simulación industrial, diseñado para replicar condi-
ciones operativas típicas de sistemas de control en procesos automatizados. El entorno experimental
consistió en un sistema de supervisión de procesos industriales que incluía variables operativas simuladas
tales como temperatura, presión, Ćujo y estado de equipos automatizados. Se diseñaron dos tipos de
interfaz:
• Interfaz tradicional (condición control): basada en paneles convencionales de supervisión industrial
con visualización estática de variables del sistema.
• Inte rfaz adaptativa inteligente (condición experimental): incorporó algoritmos de aprendizaje au-
tomático que permitieron reorganizar dinámicamente la información presentada al operador en función
de su comportamiento y carga cognitiva.
Ambas interfaces fueron implementadas dentro del mismo entorno de simulación para garantizar
condiciones experimentales equivalentes.
La muestra estuvo conformada por operadores y estudiantes avanzados de ingeniería industrial, in-
geniería de sistemas o automatización, quienes poseían conocimientos básicos en supervisión de procesos
industriales. La selección se realizó mediante muestreo no probabilístico por conveniencia, considerando
la disponibilidad de participantes con formación técnica relacionada con sistemas de control industrial.
De esta manera, se incluyeron participantes que cumplían los siguientes criterios: conocimientos básicos
de sistemas de supervisión industrial, experiencia en interacción con interfaces digitales y disponibilidad
para participar en sesiones experimentales controladas. Antes del inicio del experimento, todos los par-
ticipantes recibieron una fase de entrenamiento breve para familiarizarse con el entorno de simulación
y las funciones básicas de las interfaces evaluadas.
El estudio consideró las siguientes variables principales: variable independiente (tipo de interfaz
humanoŰmáquina: interfaz convencional e interfaz adaptativa basada en inteligencia artiĄcial), mientras
que las variables dependientes fueron las siguientes:
• Error humano operacional: se evaluó mediante el número de errores cometidos durante la ejecución de
tareas de supervisión del sistema, tales como fallas en la detección de anomalías, respuestas incorrectas
ante alarmas del sistema y retrasos en la toma de decisiones.
• Carga cognitiva del op erador: se evaluó mediante escalas de percepción subjetiva de carga mental,
así como mediante indicadores de desempeño durante la interacción con el sistema.
• Tiempo de respuesta operativa: se midió el tiempo requerido por el operador para identiĄcar anomalías
y ejecutar acciones correctivas en el sistema.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
57
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
Por otro lado, para la recopilación de información se utilizaron los siguientes instrumentos:
Registro automático de interacción: el sistema de simulación registró automáticamente todas las ac-
ciones realizadas por los operadores durante la interac ción con las interfaces. Estos registros incluyeron:
• tiempo de respuesta ante eventos del sistema,
• número de errores operacionales,
• frecuencia de interacción con los elementos de la interfaz.
Escala de carga mental de trabajo: se utilizó una adaptación del NASA Task Load Index (NASA-
TLX) para evaluar la p ercepción subjetiva de carga cognitiva durante la ejecución de las tareas exper-
imentales. Este instrumento permitió medir dimensiones como demanda mental, esfuerzo percibido y
nivel de frustración experimentado por los participantes.
El procedimiento experimental se desarrolló en cuatro fases principales.
Fase 1: los participantes recibieron una explicación general del objetivo del estudio y realizaron una
sesión de entrenamiento en el entorno de simulación para familiarizarse con el funcionamiento del
sistema.
Fase 2: en esta fase, los participantes interactuaron con la interfaz tradicional de supervisión industrial.
Durante la sesión experimental se generaron diferentes eventos simulados en el sistema, incluyendo
anomalías operativas y alarmas del sistema.
Fase 3: posteriormente, los participantes realizaron la misma tarea utilizando la interfaz adaptativa
basada en inteligencia artiĄcial. En esta condición, el sistema ajustó dinámicamente la visualización de
información y los mecanismos de alerta en función de la interacción del operador.
Fase 4: al Ąnalizar cada sesión experimental, los participantes completaron el cuestionario de carga
mental de trabajo para evaluar su percepción de diĄcultad durante la interacción con cada tipo de
interfaz.
Los datos obtenidos fueron analizados mediante técnicas estadísticas descriptivas e inferenciales.
En primer lugar, se calcularon medidas de tendencia central y dispersión para cada una de las variables
evaluadas. Posteriormente, se realizaron pruebas de comparación entre las condiciones experimentales
con el objetivo de determinar si existían diferencias signiĄcativas entre el uso de interfaces convencionales
y adaptativas. Asimismo, se aplicaron análisis de correlación para examinar la relación entre la carga
cognitiva del operador y la frecuenc ia de errores humanos durante la ejecución de las tareas. El
procesamiento y análisis de los datos se realizó utilizando herramientas estadísticas computacionales.
El estudio se desarrolló respetando los principios éticos de investigación con participantes humanos.
Todos los participantes fueron informados sobre los objetivos del estudio y su participación fue voluntaria.
Además, los datos recopilados fueron utilizados exclusivamente con Ąnes académicos y analizados de
forma anónima para garantizar la conĄdencialidad de la información.
IV. RESULTADOS
El análisis inicial de los datos se centró en la comparación del desempeño de los participantes bajo
dos condiciones experimentales: interacción con una interfaz tradicional de supervisión industrial y uso
de una interfaz adaptativa basada en inteligencia artiĄcial. Para ello se evaluaron tres indicadores princi-
pales: número de errores operacionales, tiempo de respuesta ante eventos del sistema y carga cognitiva
percibida mediante la escala NASA-TLX. Los resultados descriptivos se presentan en la Tabla
1, donde
se comparan las medias y desviaciones estándar de cada variable bajo ambas condiciones experimentales.
Los resultados evidenciaron diferencias claras entre las dos condiciones experimentales. En prome-
dio, los participantes cometieron aproximadamente el doble de errores cuando utilizaron la interfaz
tradicional, en comparación con la interfaz adaptativa basada en inteligencia artiĄcial. Este resultado
sugiere que la reorganización dinámica de la información y la priorización automática de eventos críticos
contribuyeron a mejorar la capacidad de los operadores para identiĄcar anomalías dentro del sistema.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
58
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
Tabla 1. Estadísticas descriptivas del desempeijo del operador.
Variable Interfaz
tradicional
(Media)
Interfaz
adaptativa
(Media)
Desv.
estándar
tradicional
Desv.
estándar
adaptativa
Errores opera-
cionales
3.9 1.9 1.8 1.3
Tiempo de res-
puesta (s)
8.6 6.2 1.1 0.9
Carga cognitiva
NASA-TLX
65.4 47.9 7.6 6.9
De manera similar, el tiempo de respuesta promedio para la detección y corrección de eventos
operativos fue menor cuando los participantes utilizaron la interfaz adaptativa. Este resultado indica
que la presentación inteligente de la información permitió reducir el tiempo necesario para interpretar el
estado del sistema y tomar decisiones correctivas. Finalmente, los resultados relacionados con la carga
cognitiva muestran una reducción considerable en la percepción de esfuerzo mental durante el uso de
la interfaz adaptativa. Los participantes reportaron niveles menores de demanda mental y frustración
durante la ejecución de las tareas experimentales, lo que sugiere que la interfaz inteligente contribuyó
a disminuir la sobrecarga cognitiva asociada a la supervisión del sistema.
A. Comparación inferencial entre interfaz tradicional y adaptativa
Con el objetivo de determinar si las diferencias observadas en el desempeño de los operadores fueron
estadísticamente signiĄcativas, se aplicaron pruebas t pareadas (dado que los mismos participantes
realizaron las tareas bajo ambas condiciones). Adicionalmente, se estimó el tamaño del efecto mediante
CohenŠs d
z
, con el Ąn de cuantiĄcar la magnitud práctica de las diferencias entre condiciones.
La interfaz adaptativa basada en inteligencia artiĄcial mostró una reducción sustancial del número
de errores en comparación con la interfaz tradicional (Figura
1). Esta diferencia fue respaldada por
el análisis inferencial, evidenciando una disminución consistente en el desempeño bajo la condición
adaptativa.
Fig. 1. Comparación de errores operacionales (media) entre condiciones.
Los resultados indicaron que el tiempo promedio de respuesta ante eventos del sistema fue menor
cuando los participantes utilizaron la interfaz adaptativa (Figura
2). Este hallazgo sugiere que la
priorización inteligente de información y la presentación dinámica de elementos críticos facilitaron una
toma de decisiones más rápida.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
59
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
Fig. 2. Comparación del tiempo de respuesta (media) entre condiciones.
La carga cognitiva reportada mediante NASA-TLX se redujo notablemente en la condición adap-
tativa (Figura
3), lo que evidencia que la interfaz inteligente no solo mejoró el desempeño, sino que
también disminuyó la demanda mental percibida durante la supervisión del sistema.
Fig. 3. Comparación de la carga cognitiva NASA-TLX (media) entre condiciones.
B. Tabla de significancia y tamaño del efecto
Los resultados de signiĄcancia estadística y magnitud del efecto fueron organizados en la Tabla
2,
donde se incluyen: estadístico t, p-valor, tamaño del efecto CohenŠs d
z
y diferencia media (Tradicional
Ű Adaptativa).
Tabla 2. SigniĄcancia estadística y magnitud del efecto.
Variable
evaluada
Variable
tradicional
Variable
adaptativa
Estadís-
tico t
Valor p Tamaño del
efecto
(CohenŠs d)
Diferencia
media
(TradŰ
Adapt)
Desv.
estándar
de la
diferencia
Errores op-
eracionales
Errores
(interfaz
tradicional)
Errores
(interfaz
adaptativa)
5.195 6.74862E−06 0.821 1.725 2.099
Tiempo de re-
spuesta (s)
Tiempo de
respuesta
(interfaz
tradicional)
Tiempo de
respuesta
(interfaz
adaptativa)
9.394 1.45486E−11 1.485 2.361 1.589
Carga cogni-
tiva (NASA-
TLX)
Carga cogni-
tiva (interfaz
tradicional)
Carga cogni-
tiva (interfaz
adaptativa)
11.779 2.03434E−14 1.862 19.694 10.574
Nota: El tamaijo del efecto se calculó mediante el coeĄciente de CohenŠs d, el cual permite estimar la
magnitud práctica de las diferencias entre las condiciones experimentales.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
60
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
C. Distribución de tipos de error operacional
Además del número total de errores, se analizó la distribución de errores según su naturaleza
operacional, con el Ąn de comprender qué tipos de fallas fueron más frecuentes durante la interacción
con el sistema. Para ello, los errores observados durante las sesiones experimentales se clasiĄcaron
en tres categorías (errores de detección de anomalías, errores en la respuesta a alarmas del sistema y
errores en la ejecución de acciones correctivas). La Tabla 3 presenta la distribución de estos errores en
ambas condiciones experimentales.
Tabla 3. Distribución de tipos de error según condición experimental
Tipo de error Interfaz tradicional Interfaz adaptativa
Error de detección de anomalías 40% 35%
Error en la respuesta a alarmas 35% 40%
Acción correctiva incorrecta 25% 25%
Nota: Los porcentajes representan la proporción relativa de cada tipo de error dentro del total de errores
registrados en cada condición experimental.
Los resultados muestran que los errores de detección de anomalías fueron los más frecuentes cuando
los participantes utilizaron la interfaz tradicional. Este resultado sugiere que la presentación estática de
la información diĄcultó la identiĄcación temprana de eventos críticos dentro del sistema. En contraste,
bajo la condición de interfaz adaptativa se observó una reducción general del número total de errores,
así como una distribución más equilibrada entre los distintos tipos de fallas operacionales. Esto indica
que la reorganización dinámica de la información contribuyó a mejorar la percepción situacional de los
operadores.
Con el Ąn de analizar la consistencia de los resultados entre los participantes, se evaluó la variabilidad
individual en el número de errores cometidos durante cada condición experimental. La Figura
4 muestra
la comparación del número de errores por participante en ambas condiciones. En términos generales,
se observa que la mayoría de los participantes registró un menor número de errores al utilizar la interfaz
adaptativa, lo que sugiere que la mejora en el desempeño no se limitó a un pequeño subconjunto de
operadores, sino que se manifestó de manera relativamente consistente en la muestra analizada. Este
patrón refuerza la hipótesis de que las interfaces adaptativas basadas en inteligencia artiĄcial pueden
contribuir a mejorar el desempeño operativo de usuarios con diferentes niveles de experiencia.
Fig. 4. Comparación del error por participante.
La Figura
5 presenta la distribución de la carga cognitiva percibida bajo ambas condiciones ex-
perimentales mediante un diagrama de cajas. Los resultados muestran que la condición adaptativa
presenta una mediana más baja y una menor dispersión en los valores reportados de NASA-TLX, lo que
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
61
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
indica que la interfaz inteligente no solo redujo la carga mental promedio, sino que también contribuyó
a generar una experiencia de interacción más consistente entre los operadores. Este hallazgo resulta
particularmente relevante en contextos industriales, donde la reducción de la carga cognitiva puede
contribuir a mejorar la seguridad operacional y disminuir la probabilidad de errores humanos durante la
supervisión de sistemas complejos.
Con el Ąn de comprender mejor los mecanismos mediante los cuales la interfaz adaptativa inĆuye
en el desempeño del operador, se analizó la relación entre tres variables derivadas del experimento:
reducción del número de errores operacionales, mejora en el tiempo de respuesta y reducción de la
carga cognitiva percibida.
Fig. 5. Distribución de la carga cognitiva percibida bajo ambas condiciones experimentales.
Para ello se construyó una matriz de correlación (Tabla
4). Los resultados evidenciaron asociaciones
positivas entre las tres variables analizadas, lo que sugiere que los operadores que experimentaron una
mayor reducción en la carga cognitiva también tendieron a mostrar mayores mejoras en el desempeño
operativo. En particular, se observó que la reducción de carga cognitiva se relacionó con una disminución
del número de errores, lo cual es consistente con la literatura sobre ergonomía cognitiva y desempeño
humano en entornos tecnológicos complejos.
Tabla 4. Matriz de correlación
Variable Reducción de
errores
Mejora en el
tiempo de
respuesta
Reducción de
carga cognitiva
Reducción de errores 1.000 −0.275 0.168
Mejora en el tiemp o de re-
spuesta
−0.275 1.000 0.083
Reducción de carga cogni-
tiva
0.168 0.083 1.000
Nota: Los valores corresponden a coeĄcientes de correlación de Pearson entre las variables analizadas.
D. Modelo de regresión exploratorio
Con el objetivo de evaluar el impacto de la reducción de carga cognitiva sobre la reducción de errores
humanos (Tabla 5), se estimó un modelo de regresión lineal simple, en el cual la variable independiente
fue la reducción de carga cognitiva (NASA-TLX) y la variable dependiente fue la reducción del número
de errores operacionales. El análisis mostró que la reducción de la carga cognitiva presentó una relación
positiva con la reducción de errores, lo que sugiere que las interfaces adaptativas que disminuyen la
demanda mental del operador pueden contribuir directamente a mejorar el desempeño operativo.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
62
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
Tabla 5. Modelo de regresión
Parámetro Valor
Intercepto 1.067
CoeĄciente de reducción de carga cognitiva 0.033
CoeĄciente de determinación (R
2
) 0.028
Nota: El modelo de regresión lineal se estimó considerando la reducción de la carga cognitiva como
variable independiente y la reducción del número de errores como variable dependiente.
La Figura 6 muestra la relación entre la reducción de carga cognitiva y la reducción del número
de errores observada en el estudio. En el gráĄco se aprecia una tendencia general que indica que
los participantes que experimentaron mayores reducciones en la carga mental también registraron una
mayor disminución en los errores operacionales. Este resultado respalda la hipótesis central del estudio,
según la cual las interfaces adaptativas basadas en inteligencia artiĄcial pueden mejorar el desempeño
humano en sistemas industriales complejos al reducir la carga cognitiva asociada a la supervisión del
sistema.
Fig. 6. Relación entre la reducción de carga cognitiva (NASA-TLX) y la reducción del número
de errores operacionales.
Cada punto representa un participante del experimento. La línea de regresión muestra una tendencia
positiva (R
2
= 0.1909), lo que sugiere que los operadores que experimentaron mayores reducciones
en la carga cognitiva también tendieron a registrar una mayor disminución en los errores durante la
supervisión del sistema.
CONCLUSIONES
El presente estudio analizó el impacto de las interfaces hombreŰmáquina adaptativas basadas en
inteligencia artiĄcial y principios de neuroergonomía en la reducción de errores humanos durante la
supervisión de sistemas industriales complejos. Los resultados obtenidos permiten extraer varias con-
clusiones relevantes desde la perspectiva de la interacción humanoŰmáquina y la ingeniería de sistemas
inteligentes.
En primer lugar, los resultados experimentales evidenciaron que el uso de interfaces adaptativas
inteligentes contribuye signiĄcativamente a mejorar el desempeño operativo de los usuarios, reduciendo
tanto el número de errores cometidos durante la supervisión del sistema como el tiempo de respuesta
ante eventos críticos. Esta mejora sugiere que la reorganización dinámica de la información y la prior-
ización automatizada de eventos permiten facilitar la percepción situacional del op erador en entornos
industriales complejos. En segundo lugar, el estudio mostró que la reducción de la carga cognitiva
constituye un factor clave en la disminución del error humano. Los participantes reportaron niveles
signiĄcativamente menores de demanda mental al utilizar la interfaz adaptativa, lo que indica que los
sistemas de interacción diseñados bajo principios de ergonomía cognitiva pueden mejorar la eĄciencia
del procesamiento de información durante la ejecución de tareas operativas.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
63
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
Asimismo, los análisis relacionales evidenciaron que existe una asociación positiva entre la reduc-
ción de la carga cognitiva y la mejora del desempeño operativo, lo que sugiere que las tecnologías de
inteligencia artiĄcial aplicadas al diseño de interfaces pueden contribuir indirectamente a la reducción
de errores humanos mediante la optimización de las condiciones cognitivas de trabajo. Desde una
perspectiva tecnológica, los resultados de esta investigación destacan el potencial de la integración
entre inteligencia artiĄcial, neuroergonomía y diseño de interfaces humanoŰmáquina como una estrate-
gia prometedora para el desarrollo de sistemas industriales más seguros, eĄcientes y centrados en el
usuario. Este enfoque resulta particularmente relevante en el contexto de los sistemas ciberfísicos y la
automatización avanzada, donde la colab oración entre humanos y tecnologías inteligentes desempeña
un papel fundamental.
Finalmente, el estudio aporta evidencia empírica que respalda la importancia de incorporar principios
de diseño adaptativo en las interfaces de supervisión industrial, especialmente en entornos caracterizados
por alta complejidad operativa. No obstante, futuras investigaciones podrían ampliar el alcance del
análisis mediante la inclusión de muestras más amplias, entornos industriales reales y técnicas avanzadas
de monitoreo neuroĄsiológico que permitan comprender con mayor precisión los mecanismos cognitivos
involucrados en la interacción humanoŰmáquina.
REFERENCIAS
[1] J. R. Fedota and R. Parasuraman, ŞNeuroergonomics and human error,Ť Theo-
retical Issues in Ergonomics Science, vol. 11, no. 5, pp. 402Ű421, 2010, doi:
10.1080/14639221003761459.
[2] R. Parasuraman and M. Rizzo, Neuroergonomics: The Brain at Work. Oxford, UK:
Oxford University Press, 2007, doi: 10.1093/acprof:oso/9780195177619.001.0001.
[3] J. Rasmussen, ŞSkills, rules, and knowledge: Signals, signs, and symbols, and other
distinctions in human performance models,Ť IEEE Transactions on Systems, Man, and
Cybernetics, vol. SMC-13, no. 3, pp. 257Ű266, 1983, doi: 10.1109/TSMC.1983.6313160.
[4] R. Parasuraman, T. B. Sheridan, and C. D. Wickens, ŞA model for types and lev-
els of human interaction with automation,Ť IEEE Transactions on Systems, Man, and
CyberneticsŮPart A: Systems and Humans, vol. 30, no. 3, pp. 286Ű297, 2000, doi:
10.1109/3468.844354.
[5] S. Dekker, The Field Guide to Understanding Human Error, 3rd ed. Boca Raton, FL,
USA: CRC Press, 2014.
[6] C. D. Wickens, J. Hollands, S. Banbury, and R. Parasuraman, Engineering Psychology
and Human Performance, 4th ed. New York, NY, USA: Routledge, 2015.
[7] L. Monostori, ŞCyber-physical production systems: Roots, exp ectations and R&D chal-
lenges,Ť Procedia CIRP, vol. 17, pp. 9Ű13, 2014, doi: 10.1016/j.procir.2014.03.115.
[8] L. Monostori, B. Kádár, T. Bauernhansl et al., ŞCyber-physical systems in manufactur-
ing,Ť CIRP Annals, vol. 65, no. 2, pp. 621Ű641, 2016, doi: 10.1016/j.cirp.2016.06.005.
[9] B. Shneiderman, C. Plaisant, M. Cohen, S. Jacobs, N. Elmqvist, and N. Diakopoulos, De-
signing the User Interface: Strategies for Effective HumanŰComputer Interaction, 6th ed.
Boston, MA, USA: Pearson, 2016.
[10] V. Villani, F. Pini, F. Leali, and C. Secchi, ŞSurvey on humanŰrobot collaboration in
industrial settings: Safety, intuitive interfaces and applications,Ť Mechatronics, vol. 55,
pp. 248Ű266, 2018, doi: 10.1016/j.mechatronics.2018.02.009.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
64
ISSN-e: 2737-6419
Período: enero-marzo de 2026
Revista Athenea
Vol.7, Número 23, (pp. 54Ű65)
[11] E. Matsas and G.-C. Vosniakos, ŞDesign of a virtual reality training system for human-
robot collaboration in manufacturing tasks,Ť International Journal on Interactive Design
and Manufacturing, vol. 11, no. 2, pp. 139Ű153, 2017, doi: 10.1007/s12008-015-0259-2.
[12] L. Pérez, E. Díez, R. Usamentiaga, and D. F. García, ŞIndustrial robot control and
operator training using virtual reality interfaces,Ť Computers in Industry, vol. 109, pp.
114Ű120, 2019, doi: 10.1016/j.compind.2019.05.001.
[13] G. Michalos, N. Kousi, S. Makris et al., ŞSeamless human-robot collaborative assem-
bly Ů an automotive case study,Ť Mechatronics, vol. 55, pp. 194Ű211, 2018, doi:
10.1016/j.mechatronics.2018.08.006.
[14] S. Nahavandi, ŞIndustry 5.0Ůa human-centric solution,Ť Sustainability, vol. 11, no. 16,
p. 4371, 2019, doi: 10.3390/su11164371.
[15] J. M. Beer, A. D. Fisk, and W. A. Rogers, ŞToward a framework for levels of robot
autonomy in human-robot interaction,Ť Journal of Human-Robot Interaction, vol. 3, no. 2,
pp. 74Ű99, 2014, doi: 10.5898/JHRI.3.2.Beer.
Polo-Escobar B. et al. Interfaces HombreŰMáquina adaptativas basadas en inteligencia artiĄcial...
65
