Summary: Att kunna balansera flygledares (ATCOs) arbetsbelastning (WL) anses vara en säkerhetsbarriär som idag bygger på operatörernas subjektiva självskattning. Fenomen som målfixering, eng. ”target fixation” (t.ex. att försumma andra viktiga stimuli) och mental trötthet försämrar operatörernas förmåga att kunna uppskatta sin egen arbetsbelastning. Att stödja självskattning med hjälp av empiriska mätningar skulle kunna lägga basen för ett stödsystem för övervakning av arbetsbelastning (WL). Med utgångspunkt i resultaten från OWL 1 syftar OWL 2 till att bättre förstå sambandet mellan indikatorer och förmågan att förutsäga arbetsbelastning med hjälp av icke-invasiva metoder. Huvudfokus ligger på att identifiera och analysera osäkerhetsfaktorer med hjälp av “sensitivity analysis” för att undersöka prediktionens noggrannhet. Till exempel är det fortfarande oklart hur exakt arbetsbelastning kan förutsägas för individer som inte ingick i ML-träningsdatasättet. Vi betraktar individuella skillnader som en viktig osäkerhetsfaktor. Dessutom indikerar det lägre F1-värdet att modellen kan göra fler fel vid prediktion av hög arbetsbelastning. Ett sekundärt fokus kommer att ligga på strategier för att minska dessa osäkerheter, exempelvis genom att optimera de indikatorer som används för prediktion. Detta inkluderar även en utvidgning till alternativa indikatorer för arbetsbelastning, såsom operatörens röst, visuella skanningsmönster och hjärtdata. Analysen använder den befintliga datan som samlades in inom ramen för OWL 1, vilken är lämplig för OWL 2:s mål. Ingen ytterligare datainsamling krävs. Dessutom kommer alla projektmedlemmar från OWL att fortsätta i detta projekt, vilket säkerställer en kompetensöverföring.Summary: Being able to balance air traffic controllers' (ATCOs’) workload (WL) at a moderate level is considered a vital safety barrier that currently depends on operators' subjective self-estimation. However, target fixation (such as attentional tunneling, which describes the neglect of other critical stimuli) and mental fatigue are known phenomena that reduce operators' ability to accurately estimate their own WL. Being able to support the self-estimation based on empirical measurements would set the basis for a WL monitoring system. Now, building on the findings from OWL 1, OWL 2 aims to better understand the relationship between objective indicators and the ability to predict WL using non-invasive methods. The primary focus will be on identifying and analyzing sources of uncertainty (uncertainty factors) using sensitivity analysis to examine how they affect prediction accuracy. For example, it remains unclear how accurately WL can be predicted for individuals not being included in the ML training dataset. We consider individual differences as a predominant uncertainty factor. Additionally, the lower F1 score suggests that the model might make more errors when predicting high WL levels (minority class). A secondary focus will be on uncertainty mitigation strategies by e.g. optimizing indicators used for prediction. This involves also an extension to alternative physiological and behavior-based WL indicators, including operator voice, visual scan pattern and heart measurement. The analysis will use the existing data collected in the scope of OWL 1, which is suitable for the objectives of OWL 2. No further data collection is required. Moreover, all project members from OWL will continue in this project, which ensures a transfer of competence.