XiaoMi-AI文件搜索系统
World File Search System参与感
学习空间很重要？在专用技术中对积极学习的评估
与传统的教学教室相比，技术丰富的学习环境中的研究报告了积极学习的积极成果；其他人由于技术的分心而没有发现任何好处，也没有发现学习中断。需要证据来支持有效的技术空间，以促进专业准备，参与和学习转移。使用混合方法探索了基于技术的合作工作室对通过生物医学科学的案例研究来促进基于团队的学习的影响。据报道，明确的评估项目是学生学习成果的客观度量以及隐性主观的，自我报告的参与感和临床实践准备的感觉。定量结果表明，与标准课堂相比，那些在协作环境中提供内容的学生的最终考试得分平均为11.8％（p <0.001; 95％CI 6.6-17.0）。定性结果还支持这样的观念，即参与和学习得到了增强。对支持技术的合作工作室的投资显示出了贡献效应，可以通过增加学习者的参与，沟通，动机和专业精神来改善最终成绩。本研究为主动学习环境中的最佳实践指南提供了信息，尤其是在专门建造的高科技学习空间中。
文章信息 发布日期 2024 年 10 月 12 日 Doi: 10.54878/f8bv6y60 关键词 赋权、神经领导力、SCARF 模型、信任、组织领导力
摘要 赋权是一个概念，它表达了个人参与社会和工作生活的自我决定。赋权有两种类型：在个人层面，赋权基于诸如拥有选择、新机会和体验新情况等原则；在组织心理层面，赋权基于通过给予他们完成工作所需的时间来帮助主体从边缘化中恢复，这是与个人成长相关的组织行动。赋权是一个适应过程，需要具有清晰和精确方案的特定组织模型。神经领导力在这种背景下找到了空间，提供了关于领导者如何通过改进管理流程来帮助他的团队的宝贵知识，采用了 David Rock 的地位-确定性-自主性-相关性-公平性（SCARF）模型。该模型基于五条公理，领导者应该在工作场所应用这五条公理，以最好地发挥人们的赋权。让我们详细看看它们表示什么：地位：指个人威望，促进地位的是学习，例如让合作者参与进来并委托他们完成越来越艰巨的任务。确定性：代表着产生更大安全感和幸福感的确定性，领导者必须敢于与团队分享信息，始终给予反馈，让人们感觉更有参与感。自主性：自主性产生信任和责任感，相反，控制会在人脑中产生防御行为。关系：我们是关系型生物，虽然我们生活在社交时代，但我们对关系的需求日益增长，健康的关系可以产生接受和信任。公平性：公平，在公平、公正和正义的意义上被认为是有益的，改善沟通可以促进公平。在一项实验中，志愿者玩一款名为 Cyberball 的电脑游戏，同时他们的大脑接受功能性磁共振成像机的扫描。值得注意的是，在未参与游戏的人中，大脑中负责疼痛的同一区域被激活。结论鉴于此，不和谐的管理者会在大脑中引发负面反应，导致不信任，而了解这种动态的领导者可以让人们更多地参与工作，产生更大的信任，这与催产素（称为信任激素）有关。如果管理得当，通过应用 SCARF 模型，可能会发生重大而公平的组织变革。
脑机接口与虚拟现实在空间认知评估与训练中的研究现状
空间认知评估与训练（SCET）是认知研究中一个快速发展的研究领域（Chunyin等，2011）。SCET 在轻度认知障碍（MCI）的诊断和康复中也具有重要意义，主要是因为MCI患者在早期就表现出空间认知障碍的症状（Allison等，2016；Laczó等，2016）。对于SCET来说，实时、精准的量化是评估的最终目标（Lin等，2015）；训练中期望受试者有强烈的参与感，训练内容与他们的日常生活密切相关（Bormans等，2016）。虚拟现实（VR）（Tu等，2017）和脑机接口（BCI）（Xu等，2013）是SCET中的热门技术。利用VR进行训练满足了受试者的体验和社交需求，可以作为空间认知训练（SCT）的主要方式（Serino等，2015；Bormans等，2016；Davis和Ohman，2016；Migo等，2016；Tu等，2017；Zygouris等，2017）。然而在这些研究中，受试者和训练者很难实时了解训练效果，尽管他们非常渴望及时观察训练效果，以便调整训练状态或计划。基于脑电信号（EEG）的BCI（Xu et al.，2018）常用于实时SCET，可在高时间分辨率的前提下应用于实时监测大脑活动（Lin et al.，2015；Han et al.，2017；Chen et al.，2018；Guevara et al.，2018；Pergher et al.，2018）。因此，将BCI与VR（Lechner等，2014；Koo等，2015；De Tommaso等，2016；Donati等，2016；Vourvopoulos和I Badia，2016）结合起来是进行SCET的一个不错的选择，并且有初步应用研究（Bischof和Boulanger，2003；Jaiswal等，2010；Kober和Neuper，2011；Tarnanas等，2015）表明BCI-VR是一种值得推荐的SCET方法。然而，这种结合还处于起步阶段，在得出结论之前还需要做更多的工作。本研究将回顾与VR，BCI和BCI-VR相结合的SCET相关的文献；讨论BCI-VR在SCET中的潜在优势以及未来需要解决的问题；并提出自己的观点。希望本研究的分析能为 SCET 的信息技术领域提供有价值的建议。本研究使用 Web of Science-科学引文索引/社会科学引文索引 (WOS-SCI/SSCI) 数据库，重点研究了 BCI、VR 和 BCI-VR 在 SCET 中的研究。使用的搜索关键词为：“空间认知评估 (SCE)”或“空间认知训练 (SCT)”与“脑机接口 (BCI)”或“虚拟现实 (VR)”的组合。最近一次搜索是在 2019 年 3 月 21 日进行的。
人类机器人协作中的流动 - 在工业场景中的多数分析和感知的挑战检测
流动或轻松的关注通常被描述为最佳体验的状态。它的特征是高水平的参与感，一种控制感和完全沉浸在活动中（Csikszentmihalyi，2000； Nakamura和Csikszentmihalyi，2002; Csikszentmihalhi，2020年）。当任务提出的挑战与个人的技能和能力相匹配时，这种状态就会出现。流与内在动机，享受和集中注意力有关，从而改善了表现和积极的体验。虽然Extensiveresearch（Nah等，2014; Stamatelopoulou et al。，2018; Dos Santos等，2018; Pearce，2005）在各个领域的流量概念上进行了进行，例如体育，教育和游戏，其在工业设置中的应用仍然相对未探索。此外，文献中有关流量经验的任务在精神上是苛刻的，这在工业任务中并不是典型的。考虑到流动在优化绩效和工作中的重要性（Csikszentmihalyi和Lefevre，1989; Csikszentmihalhi，2020），必须弥合这一研究鸿沟并探索工业环境中的流量经验（Fullagar等，2018; Beyrodt; Beyrodt; Beyrodt et et 2023;为了解决这一差距，我们在实验室工作单元中设计了一个集会任务，非常类似于工业环境。此任务涉及参与者与合作机器人（Cobot）之间的合作，以组装变速箱。这使我们能够在类似行业的人类机器人协作（HRC）任务中分析对不同挑战水平的情感和生理反应。通过调整柯伯特的生产率，我们创造了三个不同的挑战水平，这些挑战与流动研究（无聊，流动和焦虑）中的三个常见状态相对应。工业设置中的组装任务通常涉及重复和固定程序。结果，工人逐渐获得了必要的技能来熟练执行任务，从而导致其个人技能水平随着时间的流逝而差异很小。在这种情况下，影响流量经验的主要因素成为任务提出的挑战水平。工业任务的这一独特方面使我们特别研究了不同的感知挑战水平如何引起不同的反应。认识到，当感知到的挑战和技能之间存在平衡时，我们的目标是通过调整挑战水平来调整任务，以促进Cobot工人之间的流动。最近的研究（Lee，2020; Rissler等，2020; Di Lascio等，2021）探索了通过生理信号对工作时的自动检测。他们检测到流量的存在（流动与无流量）或分类流动强度（低与高）。但是，考虑到工业集会任务的具体特征，我们采取了不同的方法 - 检测到感知到的挑战水平。这种方法逻辑上符合我们调整任务挑战水平的目标。此外，处理任务的感知挑战通常比操纵流程体验本身更容易。通过我们的分析，我们已经培训了这部分是因为在挑战和技能之间达到平衡是必需的，但它本身并不足够。总而言之，我们的贡献涉及调查面部情绪估计（价和唤醒）和心率变异性，作为在工业组装任务背景下感知到的挑战水平的指标。