XiaoMi-AI文件搜索系统
World File Search SystemEndsley
人类表现和态势感知措施
态势感知 (SA) 是与正在执行的任务相关的知识。例如，飞行员必须了解飞机的状态、飞行环境以及它们之间的关系，例如雷暴与湍流有关。它是决策的重要组成部分，已被纳入多种决策模型中（例如，Dorfel 和 Distelmaier 模型，1997 年；见图 3.1）。态势感知有三个层次（Endsley，1991 年）：第 1 级，对环境中元素的感知；第 2 级，对当前情况的理解；第 3 级，对未来状态的预测。态势感知测量有四种类型：性能（也称为查询方法，Durso 和 Gronlund，1999 年）、主观评级、模拟（也称为建模，Golightly，2015 年）和生理测量。以下各节分别描述了前三种类型的态势感知测量。 French 等人 (2003) 和 Vidulich 等人 (1994) 撰写了描述 SA 生理测量的文章。图 3.2 给出了帮助选择最合适测量的流程图。请注意，Stanton 等人 (2005) 提出了另一种 SA 测量分类。它们的类别是：SA 需求分析、冻结探测、实时探测、自我评级探测、观察者评级和分布式 SA。该团队还评估了 17 种 SA 测量在指挥、控制、通信、计算机和情报 (C4i) 应用中的应用
AI集成设计中的行为科学
1。引言行为科学在设计上的应用具有深厚的历史根源，可以追溯到19世纪末和20世纪初，当研究人员开始系统地研究人类的行为和认知：Max Wertheimer对视觉感知的开创性研究，对设计有深远的影响，强调了设计的重要性，强调了人们对人们的感知和解释视觉刺激的重要性（Wertheimereri（Wertheimerer）（Werimererer）（werimerererererererererererererererererererererererererererererer erserer ,， 191222），191222）。20世纪中叶对操作条件的见解已经引导了设计思维，尤其是在创建通过加强来激发所需行为的系统，这是Drederding（2012）和Wenker（2022）探讨的概念。唐纳德·布罗德本特（Donald Broadbent）对选择性关注的研究严重影响了强调相关信息的用户界面的发展，从而减少了认知超负荷（Broadbent，1958）。Norman（2013）所阐明的心理模型概念在创建直观且与用户期望保持一致的界面方面至关重要。虽然行为科学原则长期以来一直是指导设计，但人们可能会争辩说，随着AI驱动系统的出现，其相关性有所提高。AI在自主系统中的出现，例如自动驾驶汽车，智能家居和AI驱动的聊天机器人，带来了从运输到医疗保健的行业的范式转变。这些系统旨在用最少的人类输入自主发挥作用，它依靠复杂的算法来决策。在这种情况下，人机相互作用（HMI）迅速发展，在仍然需要人类监督的系统中至关重要（De Fazio等，2022）。AI的整合扩大了了解人类行为设计有效相互作用的需求（Cross＆Ramsey，2021）。例如，研究表明，过度的系统反馈会淹没用户，从而降低了自动化的性能和过度依赖自动化问题，即“户外”问题（Endley＆Kiris，1995）。这种见解已被证明在设计自动驾驶汽车和智能家居中的AI集成界面至关重要（Choi＆Ji，2015; Lee等，2015）。同样，AI聊天机器人和虚拟助手依靠理解用户意图和对话动态，在其中人类语言处理的研究为界面设计提供了信息，并突出了用户倾向以拟人化AI
神经适应驾驶舱中的自动化惊喜
背景。操作飞机是多维且复杂的。飞行员必须“飞行、导航、通信”——保持空中飞行、管理飞机航线并与空中交通管制部门通话。为了方便完成这些任务，驾驶舱引入了自动化（Billings，1997 年）。当这种自动化发生故障时，后果充其量是令人讨厌的，最坏的情况是危及生命（Endsley & Kiris，1995 年）。自动化中的错误可能会令人惊讶和分心，从而导致自动化意外（Boer & Dekker，2017 年）。这些可能会导致飞行员感到困惑，进而导致人为错误，这是航空事故的主要原因（Lyssakov，2019 年）。识别这种混淆及其原因可能会改善人机交互 (Dehais 等人，2015)。在之前的一项研究中 (Krol 等人，2018)，我们表明可以通过脑电图 (EEG；Berger，1929) 记录飞行员对飞行相关事件的认知反应，使用被动脑机接口 (pBCI；Zander & Kothe，2011) 确定不同级别的事件关键性并实时将解释报告回驾驶舱。此程序可用于使驾驶舱适应飞行员的认知，从而形成神经自适应驾驶舱 (Krol 等人，即将出版)。在本研究中，我们开发了一个更具体的分类器，可以可靠地检测飞行员对意外和/或错误的飞行相关事件的认知反应，这些事件对于持续操作飞机至关重要。方法。记录了 13 名试飞员（均为男性）的脑电图活动和眼球运动，年龄 44-62 岁（平均 54 岁），飞行经验 7210 ± 4809 小时。我们在两部分实验中使用了 32 通道移动无线脑电图系统 1 和双目眼球追踪眼镜 2。在第一部分中，参与的飞行员进行了 10 个新设计的训练范例。我们打算针对意外事件（S 分类器）、错误事件（E 分类器）以及意外和错误事件（AS 分类器）校准不同的分类器，以对应可能的自动化意外。因此，我们设计了一种训练范式组合，即交互奇特范式。该范式由 2 个独立部分组成，分类器在结果数据的不同部分上进行训练。为了唤起与意外和/或错误相对应的认知状态，我们模拟了一个计算机程序，需要教它何时计数音调以及何时忽略它。在 10 个块中的每个块中呈现 50 个音调序列。每个音调可以是标准音调（概率 70%-80%）、非目标音调（概率 10%-15%）或目标音调（概率 10%-15%）。这代表了一个标准的奇特范例（Friedman 等人，2001 年）。研究发现，目标音调会引起参与者的惊讶（Squires 等人，1975 年）。指示参与者在每个音调之后口头说明它是目标音调（“是”）还是不是目标音调（“否”）。然后计算机给出声音反馈：“计数”或“忽略”。由于语音识别是（参与者不知道）模拟的，因此反馈与参与者的评估无关。这使我们能够控制反馈中发生的错误数量。在前 7 个区块中，不一致反馈的概率为 14%-18%，即计算机在“是”后回答“忽略”，或在“否”后回答“计数”。这对应于罕见的、令人惊讶的错误。在最后 3 个区块中，不一致概率为 38-40%，对应于频繁的错误。