XiaoMi-AI文件搜索系统
World File Search Systemergon
第 52 章 a3 设计中的人为因素和人体工程学
1 简介 自动化、自主性和人工智能 (AI) 是作为人类能力的延伸的技术，贡献了自主产生的非人类努力（见图 1）。这三个术语包含一组可以从数据中学习的计算工具，这些系统以合理甚至像人类一样的方式运行（Bolton、Machová、Kovacova 和 Valaskova，2018 年；Dash、McMurtrey、Rebman 和 Kar，2019 年；Shekhar，2019 年）。这种性质的计算至少从 1950 年代就开始了，当时 Simon 预测机器“能够……做任何人类可以做的工作”（Chase & Simon，1973 年），而今天这种设想的技术出现在人工智能 (AGI) 的绰号下。对合成智能创造物的渴望早已成为人类的愿望，并以各种形式出现（Hancock 等人，2011；Schaefer 等人，2015）。而 AGI 目前仍只是一个梦想。许多正在开发的未来技术需要机器学习、理解和适应新情况，至少要具有人类所表现出的灵活性，尽管是在更有限的环境中。人工智能的主要底层技术机器学习 (ML) 对于设计这种自主性很有用，因为它可以从外部数据输入中学习，无论是在直接人工监督下还是在无人监督下。在开发这些非常有用的技术时，人为因素和人体工程学 (HF/E) 的知识非常有用，尤其是对于肩负艰巨任务的设计师来说，他们将人类和机器结合到复杂的系统中，以应对有时混乱的环境。技术每年都在不断扩展人类的能力，而最佳表现仍来自人机混合团队（图 1）。
ATIF/参考：Çakır，M.P. （2021）。 Havacılık Nöroergonomisinde Optik Beyin Görüntüleme Uygulamaları。 Avrupa Bilim 和 Teknoloji Dergisi，(25)，380-391。
开发客观的方法来监测飞行员、无人机操作员和空中交通管制员在训练和飞行活动中的认知状态对于确保飞行安全、优化训练过程以及设计创新的人机交互系统至关重要。机器接口。适合现场使用的便携式、可靠的神经生理学测量方法，例如功能性近红外光谱 (fNIRS) 光学脑成像技术，为满足这些需求提供了一些重要的优势。在这篇综述中，旨在总结 fNIRS 技术的科学基础，并通过介绍飞行员/飞行员等先锋航空应用的例子，总结 fNIRS 方法为航空医学和人体工程学领域提供的机会。操作员认知工作量监测、控制界面评估、G-LoC/缺氧估计等。
ATIF/参考：Çakır，M.P. （2021）。 Havacılık Nöroergonomisinde Optik Beyin Görüntüleme Uygulamaları。 Avrupa Bilim 和 Teknoloji Dergisi，(25)，380-391。
开发客观的方法来监测飞行员、无人机操作员和空中交通管制员在训练和飞行活动中的认知状态对于确保飞行安全、优化训练过程以及设计创新的人机交互系统至关重要。机器接口。适合现场使用的便携式、可靠的神经生理学测量方法，例如功能性近红外光谱 (fNIRS) 光学脑成像技术，为满足这些需求提供了一些重要的优势。在这篇综述中，旨在总结 fNIRS 技术的科学基础，并通过介绍飞行员/飞行员等先锋航空应用的例子，总结 fNIRS 方法为航空医学和人体工程学领域提供的机会。操作员认知工作量监测、控制界面评估、G-LoC/缺氧估计等。
KRAS突变非小细胞肺癌
第四次工业革命理解了智能制造，其中采用了传感器，计算平台和数据建模（Kusiak，2018）。di Nardo等。（2020）在行业4.0的框架中开发了一个模型，其中管理的作用在这个新的高度网络环境中是关键。建议网络物理系统以及大量的数据获取和采矿可能支持决策和计划执行阶段。在此框架中，技术进步是必要的，但不是足够的条件。实际上，在动态环境中通过不同的界面定义为人类用户和机器之间的通信/相互作用的功能性和有针对性的人类相互作用也是必不可少的。管理层必须监督对技术创新的不断增长的需求，这是必不可少的，这是必不可少的，因为复杂的复杂性，更严格的市场流程以及全球化产生的较高竞争（De Carolis等，2016），并确保在工作环境中良好的创新能力。从这个意义上讲，部分过程的自动化仅在所有组织之间实施实质性变化时才增加价值，而当机器的效率通过人类的认知技能和足够的功能增强时，这种情况就会发生。在这种光明中，神经管理是一个新的管理部门，最近开发了决策过程（Balconi和Fronda，2019，2020a）以及社会行为与互动（Balconi和Vanutelli，2017; Venturella et al。，2017; Balconi and Fronda，2020b，2020b，2020b ,, 2020b）均通过使用Neurosc进行了研究。这种多学科方法的结合和结果可能会促进智能制造，尤其是对于共同机器人技术而言，由于安全性和生产力原因，代理之间的运营效果具有显着的重量。在这项工作中，“共同机器人”一词打算强调其协作维度，这是与其他技术系统相关的主要特征（Ajoudani等，2018）。
手工旋转任务中与年龄相关的策略差异
正如本期刊《田野大挑战》文章（Dehais等，2020a）中所述，Neurogeronomics就是要了解工作和日常生活中的大脑。了解日常生活中的大脑对于作为基础研究领域的临床，心理和社会神经科学以及利用神经科学知识的应用至关重要，这是从一开始就一直具有该领域的核心利益（Parasuraman，2003年）。在消费者神经工程学中，我们专注于应用程序 - 以她或他的专业能力或空闲时间为日常消费者的产品和服务。可以通过两种方式来理解消费者神经基础学领域。涉及开发和验证神经科学消费品的涉及。要为日常消费者购买和使用，这些商品不仅需要有用或有趣，而且还需要便宜，易于使用。另一种涉及神经科学方法的应用来以其消费者的能力研究用户，研究用户体验，产品可用性和产品营销。在消费者神经工程学方面，广泛的神经经济学研究致力于其发展。Examples are studies on predicting missing auditory alerts ( Dehais et al., 2014 ), predicting memorized visual information ( Brouwer et al., 2017b ), detecting workload, fatigue and mind wandering ( Borghini et al., 2014 ), usually with the aim of adapting semi-automated systems to better fit the current state of the user ( Putze et al., 2018; Dehais et Al。，2020b； Roy等，2020）。另一个例子是使用可穿戴技术监测群体的关注和参与，以便在教育环境中使用（Dikker等，2017； Stuldreher等，2020； Van Beers等，2020）。与科学的工作努力发展为开发神经经济学应用，该行业出现了提供（声称）将生理措施与精神状态相关联的产品和服务，并根据这些措施提供建议或反馈。该行业中产品的示例是手腕和头带，以监视和降低自己的压力水平，或者用于检测娱乐目的的情绪。科学研究和行业中的一个趋势子场是通过神经刺激直接调节大脑活动的工具（Tyler等，2017； Vosskuhl等，2018）。消费者神经基础学是一种使用神经科学作为消费者涵盖神经营销能力的人的学科（Lee等，2007; Ariely and Berns，2010; Stasi et al。，2018），Neuromenonsics，Neuromenonsics（Sanfey等，2006; Clither et al。，2006; Clither et al。 Plassmann等，2015）。该应用领域旨在更好地了解消费者及其与产品和服务的互动，而不是传统的自我报告调查以及焦点小组的表达回应。例子是关于愿意支付意愿的神经科学指标（Ramsøy等，2018）和购买行为（çakir等，2018）；利用神经科学研究情绪在决策中的作用（Rampl等，2016）并评估广告或营销活动（Cartocci等，2017； Krampe等，2018）。类似于消费者神经基质学作为一种开发神经科学消费品的学科，对于消费者神经基础学作为研究消费者的学科，已经有一个神经营销行业可以将这种学科商业化。
神经技术和系统神经工程学中的巨大挑战
神经经济学的研究领域旨在“了解野外的大脑，其在日常生活中不受限制的现实世界中的活动及其与行动，行为，身体和环境的关系”（Dehais等人，2020年）。这个领域具有巨大的潜力，可以在许多领域（例如教育，制造，娱乐，健康，交通运输）开发创新应用。为了实现这一潜力，许多神经经济学的研究应用都依赖或需要神经技术。神经技术是一种技术类别，其中系统设计结合了神经原理或直接与大脑和身体信号接口。最流行的神经技术类型特别包括脑部计算机界面（BCI）（Clerc等，2016a，b; Nam等，2018）和生理计算（Fairclough，2009; Fairclough; Fairclough and Gilleade，2014）。为了在实践中使用，还必须在整个系统级别上研究和集成神经经济学。换句话说，我们需要开发系统神经经济学的概念，这是工程，神经科学和人为因素的跨学科领域，这将神经经济学的方法整合到复杂系统的设计，开发和管理（例如，地球，信息，信息系统，视频系统或医疗刀具）中。在这种情况下的系统是指机器，机器人，计算机和人类用户的任何组合。但是，这个目标与技术如何在日常生活中融入工作和休闲的现实相去甚远。这是机器级别的挑战。本期刊，神经经济学领域的前沿，部分神经技术和系统神经工程学，旨在在这些原理，协议和应用中发表显着进步，这些进步是基于神经技术发展中神经工学的发展的发展，以创建人类计算机界面的新形式，以增强人体计算机界面。的确，对于实验室研究的演示器系统级别，绝大多数用于神经工学的神经技术仍然存在，并且在这些实验室之外很少使用。如果通过定义的神经经济学旨在研究在野外使用的行为和技术，那么对于神经技术而言，也很重要的是，也要从实验室和现实世界中进行这种发展的飞跃。此外，我们必须建立系统理解神经技术如何嵌入个人，团队和组织的工作中。为了了解神经技术如何从当前作为实验室示威者的地位演变为日常工作和休闲中的用法案例，我们提出了三个宏伟的挑战：（1）设计具有强大可靠的神经技术，甚至在所有用法环境中都具有很高的精度。（2）设计用户使用神经技术的体验，以确保这些技术可用，可接受且对其用户有用。这是用户级别的挑战。（3）开发神经经济学中的系统思维，将神经经济学整合，研究和优化为
极光分类人体工程学及其对...的影响 - GI
摘要。机器学习研究界非常关注算法中的偏见，并已确定了其不同的表现形式。训练样本中的偏见被认为是机器学习中偏见的潜在来源。它可以由定义训练集的人类专家引入。随着机器学习技术应用于极光分类，识别和解决专家注入偏见的潜在来源非常重要。在一项正在进行的研究中，13 947 张极光图像被手动分类，分类之间存在显著差异。这个大型数据集允许识别其中一些偏差，特别是那些源于分类过程的人体工程学的偏差。本文提出的这些发现作为提高训练数据完整性的清单，不仅适用于专家分类，也适用于众包公民科学项目。由于机器学习技术在极光研究中的应用相对较新，因此在偏差成为训练数据语料库中普遍存在的问题之前，识别和解决偏差非常重要。
热饮制备和饮用的神经工效学评估：EEG 和 EDA 研究
神经人体工程学是一个新兴领域，研究人类大脑在自然环境和日常环境中的行为表现。这项研究调查了典型的日常活动、热饮制备和饮用之间的身体和大脑活动相关性，研究对象是在真实的办公室环境中执行自然的日常任务。使用可穿戴、电池供电和无线脑电图 (EEG) 和皮电活动 (EDA) 传感器，测量了不受束缚、自由移动的参与者的神经和生理反应，他们使用两台不同的机器（市场领导者和追随者，由美国年销量决定）准备热饮。他们随后分三个时间段饮用了他们准备的饮料。情绪效价是使用 EEG 阿尔法波段功率的额叶不对称来估计的，情绪唤起是通过 EDA 紧张和相位活动来估计的。26 名参与者的结果表明，根据自我报告和行为表现指标，市场领先的咖啡机使用起来更有效率，并且两台机器的使用效价在受试者内部存在显著差异。此外，市场领先的用户界面带来了更大的自我报告产品偏好，这进一步得到了咖啡生产和消费过程中测量的唤醒和效价（分别为 EDA 和 EEG）的显著差异的支持。这是第一项在自然工作环境中使用多模式和全面评估咖啡机使用和饮料消费的研究。本研究中描述的方法将来可以适用于其他特定任务的机器可用性和消费者神经科学研究。
多模式神经人体工程学方法用于人类行为......
第 3 章：空中交通管制员视觉搜索模式及控制策略特征...................................................................................................................................... 15