XiaoMi-AI文件搜索系统
World File Search System任务绩效
它是否多击？扫描PATH比较告诉我们有关团队中任务绩效的信息
团队合作和协作构成了组织绩效和成功的基石。重要的是要了解团队成员的注意力分配与绩效有关。在团队背景下研究注意力分配的一种方法是比较两个在团队中工作的人的扫描路径相似性，并探索扫描路径相似性与团队绩效之间的联系。在这项研究中，招募了参与者，以成对工作，无人驾驶飞机（UAV）任务，其中包括低工作量和高工作量条件。使用眼睛跟踪器来收集每个团队中两个参与者的眼睛运动。使用Multimatch（一种是ES ESS扫描Pather比较算法）在低工作负载条件下比较了两个队友的扫描路径。所获得的扫描路径相似性值与响应时间和准确性的实质性度量相关。几个多选措施表明，多个维度之间的强大相关性显着，从而使团队行为和注意力分配提供了不可思议的相关性。结果表明，每个团队成员的扫描路径越相似，他们的性能就越好。需要进行其他研究和实验变量的考虑，以进一步了解如何最好地使用多匹配来进行扫描路径相似性评估。
体验性心理负荷、可用性感知、二者的相互作用及其对任务绩效的影响
过去在 HCI 领域的研究已经产生了许多评估交互系统可用性的程序。在这些程序中，人们倾向于忽略用户的特征、上下文的各个方面以及任务的特殊性。建立一个包含这些特征的凝聚模型并不是一件容易的事情。在人为因素中，一个被大量引用的概念是人类的心理负荷。对它的评估是预测人类表现的基础。尽管可用性和心理负荷有多种用途，但对它们之间的关系的探索却不多。这项实证研究的重点是 I）对这种关系的研究和 II）对这两个概念对人类表现的影响的研究。进行了一项用户研究，参与者在三个流行的网站上执行一组信息搜索任务。对可用性和心理负荷进行了深入的相关性分析，分析了任务、用户和客观任务表现类别 (I)。基于不同的学习策略，采用了多种监督机器学习技术来构建模型，旨在预测任务表现类别 (II)。研究结果有力地表明，可用性和心理工作量是两个不重叠的结构，它们可以联合使用来大大提高对人类表现的预测。
人机协作：人工智能委派对人类任务绩效和任务满意度的影响
最近的研究提出了人工智能 (AI) 模型，该模型可以学习决定是否对任务实例进行预测或通过考虑双方的能力将其委托给人类。在使用人工合成或与上下文无关的人类预测的模拟中，委托可以帮助提高人机团队的绩效——与人类或 AI 模型单独完成任务相比。然而，到目前为止，当人类意识到 AI 模型将任务实例委托给他们时，他们如何表现以及他们如何看待任务仍不清楚。在一项有 196 名参与者的实验研究中，我们表明，无论人类是否意识到委托，任务绩效和任务满意度都会通过 AI 委托得到提高。此外，我们认为人类自我效能水平的提高是这些绩效和满意度提高的潜在机制。我们的研究结果提供了初步证据，表明允许 AI 模型承担更多的管理职责可以成为工作场所人机协作的有效形式。
日常工作压力与任务绩效 - DiVA 门户
先前的研究主要关注（心理和身体）工作量与任务绩效之间的联系，但对影响这种关系的干预机制知之甚少。在本研究中，我们测试了每日恢复和总睡眠时间在工作压力与日常任务绩效之间的关系中的调节作用。利用绩效和恢复理论，我们假设（a）工作压力与日常任务绩效呈正相关，并且（b）以心理脱离和放松形式进行的每日恢复和（c）总睡眠时间都独立地增强了这种关系。我们的假设在一项为期 30 天的日记研究中得到了检验，研究对象是乘坐海军帆船横渡大西洋的 110 名军官学员。多层次建模的结果支持这三个假设。总而言之，我们的研究结果表明，轮班之间的恢复和睡眠时间在日常工作压力与任务绩效之间的关系中起着关键作用。我们讨论了这些发现对压力源-脱离模型的影响。
人类绩效建模：分析有人-无人团队对飞行员工作量和任务绩效的影响
本论文中表达的观点均为作者的观点，不反映美国空军、国防部或美国政府的官方政策或立场。本材料被宣布为美国政府作品，不受美国版权保护。