Methodenartikel

Hochauflösende transkranielle Gleichstromstimulation über den rechten dorsolateralen präfrontalen Kortex zur Verbesserung der metakognitiven Empfindlichkeit

DOI:

10.3791/68824

⸱

26. September 2025

 ,  ,  ,  ,  ,  , 
1School of Economics and Management, Jiangsu University of Science and Technology, 2School of Management, Shanghai University, 3Business School, La Trobe University, 4Wuhan Marine Machinery Plant Co., Ltd., 5School of Artificial Intelligence, Xi'an Jiaotong University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In dieser Studie wurde ein experimentelles Paradigma vorgeschlagen, das die High-Definition Transkranielle Gleichstromstimulation (HD-tDCS) anwendet, um die Metakognition des Menschen bei Mensch-KI-Delegationsaufgaben zu verbessern. Die Ergebnisse zeigten die Wirksamkeit von HD-tDCS bei der Steigerung der metakognitiven Sensitivität.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bei der Zusammenarbeit zwischen Mensch und KI ist die Delegierung von Aufgaben eine wichtige Komponente. Wenn eine Person glaubt, dass sie in der Lage ist, eine Aufgabe zu erledigen, sollte sie dies im Idealfall selbst tun. Andernfalls sollte die Aufgabe an die andere Partei delegiert werden. Solche Delegationsentscheidungen werden durch die Einschätzung der eigenen Fähigkeiten durch Individuen beeinflusst, die von Metakognition geprägt sind - der Fähigkeit, die eigenen Fähigkeiten zu bewerten. Die High-Definition Transkranielle Gleichstromstimulation (HD-tDCS) ist eine nicht-invasive Hirnstimulationstechnologie, die die Erregbarkeit der Großhirnrinde regulieren kann, um die menschliche Leistungsfähigkeit zu verbessern. Dieses Protokoll stellt eine Methode vor, die HD-tDCS verwendet, um ihre Auswirkungen auf die menschliche Metakognition während Mensch-KI-Delegationsaufgaben zu untersuchen, und beschreibt das Verfahren zur Anwendung von anodaler, kathodaler oder Scheinstimulation auf den dorsolateralen präfrontalen Kortex (DLPFC). Die Stimulation wurde mit einem tragbaren HD-tDCS-Gerät durchgeführt, wobei eine umlaufende Anordnung von fünf Elektroden verwendet wurde, darunter eine Zielelektrode und vier Rückführungselektroden. Die Stimulation dauerte insgesamt 21 Minuten und die Stromstärke betrug 2 mA. Es wird erwartet, dass diese Methode einen neuen Forschungspfad für die weitere Vertiefung der neuronalen Mechanismen und der Verhaltensregulation von Menschen im Prozess der kollaborativen Aufgabendelegation zwischen Mensch und KI bietet und eine solide theoretische Grundlage für die weitere Optimierung von kollaborativen Mensch-KI-Aufgaben bietet.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Künstliche Intelligenz (KI) wird sowohl mit unserem Alltag als auch mit dem Arbeitsplatz immer stärker verflochten. In vielen realen Kontexten ist KI jedoch noch nicht in der Lage, Entscheidungsprozesse vollständig zu automatisieren1. Bestimmte Aufgaben bleiben für KI aufgrund der aktuellen technologischen Einschränkungen sowie ethischer und rechtlicher Erwägungen eine besondere Herausforderung. Infolgedessen ist es oft unpraktisch oder nicht ratsam, der KI in bestimmten Bereichen volle Autonomie zu gewähren 2,3. Der Mensch spielt daher weiterhin eine unverzichtbare Rolle am Arbeitsplatz, und es wird erwartet, dass die Zusammenarbeit zwischen Mensch und KI in Zukunft zu einer dominierenden Art der Produktion und Leistungserbringung wird. Untersuchungen in Bereichen wie Gesundheitswesen, Gastgewerbe und Personalwesen haben gezeigt, dass die Zusammenarbeit zwischen Mensch und KI Kosten senken und in einigen Fällen die Effizienz steigern kann 4,5,6.

Bei der Zusammenarbeit zwischen Mensch und KI wird von jeder Partei erwartet, dass sie Aufgaben übernimmt, die ihren jeweiligen Stärken entsprechen, während sie weniger geeignete Aufgaben an die andere delegiert. Daher ist eine effektive Aufgabendelegation für eine erfolgreiche Zusammenarbeit und optimale Leistungsergebnisse unerlässlich. Adam et al. fanden heraus, dass, wenn der Delegationsprozess vollständig automatisiert und ausschließlich von KI ohne menschliche Beteiligung abgewickelt wird, Menschen dazu neigen, eine erhöhte Wahrnehmung der Selbstbedrohung zu erleben7. Fuegener et al. berichteten weiter, dass Menschen während des Prozesses der Delegation von Aufgaben an KI oft Schwierigkeiten haben, ihre eigenen Fähigkeiten genau einzuschätzen oder die Schwierigkeit von Aufgaben zu bewerten, was ein geringes Maß an Metakognition widerspiegelt8. Diese Ergebnisse unterstreichen, wie wichtig es ist, die Metakognition in Mensch-KI-Delegationsszenarien zu verbessern, um die Effizienz und Qualität der Zusammenarbeit zu verbessern.

Metakognition bezieht sich auf die Fähigkeit eines Individuums, seine eigenen Fähigkeiten zu bewerten9. Im Zusammenhang mit der gegenseitigen Delegation zwischen Mensch und KI ist es unerlässlich, nicht nur ein genaues Verständnis der Fähigkeiten der anderen Partei zu entwickeln, sondern auch die eigenen Fähigkeiten zu bewerten, um festzustellen, wann eine Delegation angemessen ist. Jussupow et al. fanden heraus, dass die Zusammenarbeit zwischen Mensch und KI am effektivsten ist, wenn Menschen ein hohes Maß an Metakognition aufweisen, d.h. wenn sie sowohl ihre eigenen Fähigkeiten als auch die der KI genau einschätzen können10. In ähnlicher Weise fanden Atchley et al. heraus, dass die Förderung der Metakognition in Bildungseinrichtungen eine tiefere und effektivere Zusammenarbeit zwischen Menschen und KI-Systemen fördern kann11. Frühere Studien zur Zusammenarbeit zwischen Mensch und KI haben die Metakognition oft durch Fragebögen zur Selbsteinschätzung oder durch die Verwendung von menschlichen Vertrauensbewertungen als indirekte Messungen bewertet. In der psychologischen Forschung ist jedoch ein etablierteres und strengeres Maß für Metakognition die metakognitive Sensibilität (meta-d')12. In der vorliegenden Studie verwenden wir meta-d', in Anlehnung an den von Maniscalco et al. beschriebenen Ansatz, um die metakognitive Sensitivität zu beurteilen13.

Die transkranielle Gleichstromstimulation (tDCS) wird in der Forschung zur Verbesserung der Metakognition häufig eingesetzt14. Kernaspekte der Metakognition sind eng mit dem präfrontalen Kortex verbunden. tDCS liefert einen schwachen Gleichstrom an bestimmte Gehirnregionen, wodurch die neuronale Erregbarkeit und synaptische Plastizität auf nicht-invasive und nicht-intrusive Weise moduliert werden, wodurch die Forscher verschiedene kognitive Funktionen verbessern können15. Harty et al. fanden heraus, dass die anodale Stimulation über den rechten dorsolateralen präfrontalen Kortex (DLPFC) die Fehlererkennungsleistung der Teilnehmer bei einer Fehlerbewusstseinsaufgabe verbesserte und dadurch ihre metakognitive Überwachung der kognitiven Leistung verbesserte16. Bona und Silvanto berichteten, dass anodale tDCS die metakognitive Verzerrung in einer Arbeitsgedächtnisaufgabe beeinflusste17. Mattes et al. zeigten, dass tDCS zwar die Vertrauensbewertungen der Teilnehmer sowohl in Bezug auf Metakognitions- als auch auf Mentalisierungsaufgaben beeinflusste, ihre metakognitive Sensibilität jedoch nicht veränderte18. Es wurde gezeigt, dass eine vorübergehende Störung oder Schädigung des präfrontalen Kortex - insbesondere der Brodmann-Areale 46 und 10 - sowohl bei Menschen als auch bei Affen Veränderungen in metakognitiven Prozessen induziert14. Darüber hinaus haben frühere Studien kausale Beweise für einen Zusammenhang zwischen der Stimulation des DLPFC und metakognitiven Fähigkeiten geliefert19,20. Insbesondere der richtige DLPFC spielt eine Schlüsselrolle innerhalb des neuronalen Netzwerks, das der kognitiven Kontrolle zugrunde liegt21,22, was eng mit den Anforderungen unserer experimentellen Aufgabe zusammenhängt. Daher haben wir den richtigen DLPFC als Zielort für die Stimulation ausgewählt. In Übereinstimmung mit den etablierten Protokollen in tDCS-Studien zur Metakognition legten wir einen Strom von 2 mA für 21 min an, einschließlich einer 1-minütigen Hoch- und Abfahrphase17,23. Derzeit beträgt die höchste Stromstärke, die bei tDCS verwendet wird, 4 mA, was sich für die Teilnehmer der von Workman et al. durchgeführten Studie als tolerierbar erwiesen hat24.

Die hochauflösende transkranielle Gleichstromstimulation (HD-tDCS) ist eine hochpräzise Modifikation der herkömmlichen tDCS, die durch spezielle Elektrodenmontagen eine gezieltere Neuromodulation ermöglicht. Im Vergleich zur herkömmlichen tDCS, bei der zwei große Pad-Elektroden verwendet werden, ermöglicht HD-tDCS eine gezieltere und fokussiertere Stimulation bestimmter Hirnregionen, was zu nachhaltigeren Effekten führt25,26. Im Gegensatz zu Neurofeedback-Techniken, die ebenfalls auf eine Verbesserung der kognitiven Leistungsfähigkeit abzielen27, bietet HD-tDCS mehrere praktische Vorteile, darunter eine kürzere Aktivierungsdauer, einfachere Anwendungsverfahren und geringere Implementierungskosten28. Aus Sicht der Mensch-KI-Aufgabendelegation bietet HD-tDCS eine höhere räumliche Präzision, eine einfache Bedienung und Kosteneffizienz. Darüber hinaus ermöglicht es den Teilnehmern, sich an nachhaltigen Aufgaben zu beteiligen, die Delegation und Reflexion in Kontexten beinhalten, die sich realen oder Arbeitsplatzszenarien annähern, was es besonders geeignet macht, die Metakognition in der Mensch-KI-Delegation zu untersuchen. In dieser Studie wurde HD-tDCS eingesetzt, um den DLPFC gezielter zu stimulieren.

Experimentelle Planung

Die experimentellen Materialien wurden von der ImageNet Large Scale Visual Recognition Challenge (ILSVRC)29 bezogen. Bei dem KI-Modell handelte es sich um GoogLeNet Inception v3, eines der leistungsstärksten Modelle bei Bildklassifizierungsaufgaben30.

Bei der experimentellen Aufgabe handelte es sich um eine Mensch-KI-Delegationsaufgabe, genauer gesagt um eine Bildklassifizierungsaufgabe. Bei der Bildklassifizierung wird ein Zielbild einer Kategorie zugeordnet, und es handelt sich um eine allgemeine Aufgabe, die keine domänenspezifische Schulung oder Vorkenntnisse erfordert. Aufgaben, die auf spezifischen situativen Hintergründen basieren, können die Generalisierbarkeit beeinträchtigen. In Szenarien mit hohem Einsatz, in denen ein potenzieller Verlust auf dem Spiel steht, neigen die Menschen beispielsweise dazu, Entscheidungen an die KI zu delegieren31 und sie effektiv zum Sündenbock des Teams zu machen32. Die in dieser Studie verwendete Aufgabe wurde von dem von Fuegener et al. und Gass et al. und Gass et al. entwickelten kollaborativen Klassifikationsparadigma zwischen Mensch und KI adaptiert8,33.

Es wurde ein Vorexperiment durchgeführt, um den Schwierigkeitsgrad des Bildes zu bewerten. Die Bildschwierigkeit ist die durchschnittliche Genauigkeit des entsprechenden Bildes im alleinigen Zustand des Menschen. Wie in Abbildung 1 dargestellt, bestand jeder Versuch aus einem Zielbild und fünf Sätzen von Bildoptionen. Die Teilnehmer wurden gebeten, den Optionssatz auszuwählen, der am besten zum Zielbild passte. Insgesamt 217 Teilnehmer schlossen die Vorstudie ab. Alle Teilnehmer der Vorstudie wurden von der Rekrutierung für den Hauptversuch ausgeschlossen.

figure-introduction-1
Abbildung 1: Vorläufiges Experiment Schnittstelle. Die Schnittstelle, die den Teilnehmern des Vorexperiments gezeigt wurde, wobei sie eine Antwort aus fünf Optionen auswählten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen. 

In der formalen Experimentoberfläche (siehe Abbildung 2) wird ein Zielbild am oberen Rand des Bildschirms angezeigt. Darüber hinaus werden fünf Bildgruppenoptionen und eine Delegierungsoption (oben rechts auf dem Bildschirm) angezeigt. Die Teilnehmer müssen sich entscheiden, ob sie die Aufgabe an die KI delegieren oder sie selbst erledigen wollen. Im letzteren Fall wählen sie eine der fünf Bildkategorieoptionen aus, die am besten zum Zielbild passt. Nach jeder Entscheidung wechselt die Benutzeroberfläche zur nächsten Seite, auf der die Teilnehmer gebeten werden, ihr Vertrauen in ihre Delegationsentscheidung auf einer Skala von 1 bis 4 zu bewerten. Bevor das formelle Experiment begann, wurden die Teilnehmer darüber informiert, dass das KI-System eine durchschnittliche Genauigkeit von 76 % aufweist.

figure-introduction-2
Abbildung 2: Formale Experimentschnittstelle. Hauptschnittstelle, die den Teilnehmern während der Aufgabe angezeigt wird. (A) Die Aufgabenschnittstelle; (B) die Schnittstelle für die Zuverlässigkeitsbewertung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Insgesamt wurden 62 rechtshändige Teilnehmer für das Hauptexperiment rekrutiert. Alle Teilnehmer waren Doktoranden, die noch keine Erfahrung mit ähnlichen experimentellen Aufgaben hatten. Die Ausschlusskriterien waren wie folgt: Die Teilnehmer durften innerhalb von 24 Stunden vor dem Experiment keine Beruhigungsmittel oder psychoaktive Substanzen eingenommen haben, durften keine Schädeldefekte (z.B. Löcher oder Frakturen) aufweisen und durften keine Metallimplantate im Schädel (z.B. Metallplatten) haben. Zwei Teilnehmer wurden ausgeschlossen: einer aufgrund einer dermatologischen Entzündung, die die HD-tDCS-Stimulation verhinderte, und einer wegen der Einnahme eines koffeinhaltigen Getränks vor dem Experiment. Die restlichen 60 Teilnehmer (Durchschnittsalter = 22,68 ± 0,91 Jahre) beendeten das Experiment. Sie wurden nach dem Zufallsprinzip einer von drei Stimulationsbedingungen zugewiesen - anodal, kathodal oder scheinbar - mit jeweils 20 Teilnehmern. Die Simulationen des elektrischen Feldes sind in Abbildung 3 dargestellt. Jeder Teilnehmer führte die Bildklassifizierungsaufgabe einmal vor und einmal nach der Stimulation durch, was 120 Datensätze für die Analyse ergab. Das HD-tDCS-Verfahren ist in Abbildung 4 dargestellt, und der experimentelle Arbeitsablauf ist in Abbildung 5 zusammengefasst. Wir führten eine A-priori-Power-Analyse mit G*Power 3.134 durch, wobei wir von einer Trennschärfe von 90% (1 - β = 0,90), einer Effektstärke von f = 0,25 und einem Alpha-Level von 0,05 ausgingen. Die Analyse ergab, dass eine Mindestteilnehmerzahl von 18 Teilnehmern pro Gruppe erforderlich wäre. Unsere endgültige Stichprobengröße erfüllte diese Anforderung.

figure-introduction-3
Abbildung 3: Simulation des elektrischen Feldes. Seitenansicht der elektrischen Feldverteilung (rechte Seite). (A) Zustand der anodalen Stimulation. (B) Kathodale Stimulationsbedingung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-introduction-4
Abbildung 4: HD-tDCS-Versuchsaufbau. Foto des HD-tDCS-Versuchsaufbaus, das die Elektrodenplatzierung und die Position des Geräts während der Stimulation zeigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

figure-introduction-5
Abbildung 5: Experimentelles Flussdiagramm. Das Experiment umfasste drei Phasen, einschließlich Bildklassifizierungsaufgaben, die vor und nach der Stimulation durchgeführt wurden. Abkürzungen: HD-tDCS = High-Definition Transkranielle Gleichstromstimulation; rDLPFC = rechter dorsolateraler präfrontaler Kortex. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde in Übereinstimmung mit den Prinzipien der Deklaration von Helsinki durchgeführt und vom Institutional Review Board der Jiangsu University of Science and Technology genehmigt. Wir haben die informierte Zustimmung der Teilnehmer zur Nutzung und Freigabe ihrer Daten eingeholt.

1. Vorbereitung

  1. Bereiten Sie sich auf die Experimentaufgabe vor.
    1. Laden Sie die Bilddaten von der ImageNet-Website herunter (https://image-net.org/).
      HINWEIS: Die heruntergeladenen Bilder sind kategorisiert, und jede Kategorie enthält mehrere Bilder.
    2. Führen Sie den Python-Code aus, der sich auf das GoogLeNet Inception v3-Modell bezieht, um Bilder zu klassifizieren (siehe Ergänzende Datei 1). Speichern Sie die fünf wichtigsten vorhergesagten Kategorien für jedes Bild zusammen mit der Genauigkeit der Top-1-Klassifizierung.
      HINWEIS: Dieser Python-Code führt die Bildklassifizierung durch, indem er das Inception V3-Modell lädt. Für jedes Zielbild werden die fünf wichtigsten vorhergesagten Kategorien ausgegeben. Die Bildsätze, die diesen fünf vorhergesagten Kategorien entsprechen, werden den Teilnehmern als Antwortoptionen im Experiment präsentiert. Wenn die richtige Kategorie nicht zu den fünf wichtigsten Vorhersagen gehört, wird eine der vorhergesagten Kategorien durch die richtige ersetzt, um sicherzustellen, dass sie in die Optionen aufgenommen wird.
    3. Verwenden Sie Python oder ein beliebiges Zufallsstichprobenprogramm, um das Zielbild aus den vom Modell klassifizierten Bildern auszuwählen.
    4. Extrahieren Sie für jedes Zielbild 10 Bilder für jede der fünf Kategorien, die als Antwortoptionen dienen sollen. Ändern Sie die Größe aller Bilder, um einheitliche Abmessungen zu gewährleisten.
    5. Führen Sie eine Vorstudie durch und laden Sie die Teilnehmer ein, am Experiment teilzunehmen.
      HINWEIS: Die Vorstudie verlief ähnlich wie das formale Experiment, mit der Ausnahme, dass die Teilnehmer alle Versuche selbst absolvieren mussten, ohne die Möglichkeit zu delegieren und ohne einen Konfidenzbewertungsprozess.
    6. Erfassen Sie die Genauigkeit jedes Teilnehmers bei der Reaktion auf jedes Bild und berechnen Sie die Genauigkeitsrate für jedes Bild. Verwenden Sie die Genauigkeitsbewertungen als Index für die Schwierigkeit von Bildern, um die Bilder entsprechend zu klassifizieren.
      HINWEIS: Alle Bilder sind nach Genauigkeit sortiert, wobei eine höhere Genauigkeit einen geringeren Schwierigkeitsgrad bedeutet. Wenn beispielsweise 10 % der Teilnehmer richtig auf ein Bild reagieren, wird die Schwierigkeit dieses Bildes auf 90 % festgelegt.
    7. Teilen Sie die Bilder basierend auf ihren Schwierigkeitswerten in zwei Sätze mit vergleichbarem Schwierigkeitsgrad auf. Verwenden Sie die beiden Bildsätze als experimentelles Material, um das formale experimentelle Programm mit dem E-prime 3 zu erstellen (siehe Ergänzende Datei 1).
      HINWEIS: Dieses experimentelle Programm wurde entwickelt, um die Aufgabe der Bildklassifizierung zu veranschaulichen.
  2. Stellen Sie sicher, dass der Teilnehmer keine Kontraindikationen für HD-tDCS hat und keine Ausschlusskriterien erfüllt. Stellen Sie den Teilnehmern das experimentelle Verfahren vor und holen Sie eine schriftliche Einverständniserklärung ein, nachdem Sie ihr Verständnis der Studie bestätigt haben.
    HINWEIS: Fragen Sie den Teilnehmer nach seiner dominanten Hand und bestätigen Sie dies, indem Sie beobachten, mit welcher Hand er schreibt.
  3. Messen Sie den Kopfumfang des Teilnehmers mit einem Maßband und wählen Sie entsprechend die passende HD-tDCS Neopren-Kopfkappengröße (siehe Materialtabelle).
  4. Stellen Sie sicher, dass das HD-tDCS-Gerät vollständig aufgeladen ist. Stellen Sie sicher, dass sämtliches Zubehör, einschließlich Elektroden, Elektrodengel, Spritze, die mit dem Gerät geliefert wurde, Elektrodenkabel und der Computer, der zum Betrieb des HD-tDCS-Systems verwendet wird, einsatzbereit sind.
  5. Wählen Sie nach dem Zufallsprinzip eine der beiden experimentellen Aufgaben als Vortestbedingung aus. Weisen Sie den Teilnehmer an, die Bildklassifizierungsaufgabe abzuschließen.
    HINWEIS: Ein Zufallszahlengenerator kann verwendet werden, um experimentelle Bedingungen nach dem Zufallsprinzip zuzuweisen.
    1. Öffnen Sie das Programm.
    2. Klicken Sie auf RUN, geben Sie die Probandennummer und die Sitzungsnummer ein, bestätigen Sie die Informationen und klicken Sie auf JA , um die experimentelle Aufgabe zu starten.

2. HD-tDCS-Stimulation

  1. Führen Sie die unteren Teile der fünf Elektroden in die entsprechenden Positionen auf der Neopren-Kopfkappe ein. Diese fünf Positionen dienen als Stimulationsstellen.
    HINWEIS: Um den rechten DLPFC anzuvisieren, verwenden Sie die folgenden fünf Elektrodenpositionen: F4, Fp2, Fz, C4 und F8.
  2. Weisen Sie den Teilnehmer an, bequem auf einem Stuhl zu sitzen. Positionieren Sie die Vorderkante der Neopren-Kopfkappe ca. 1-2 cm über den Augenbrauen. Stellen Sie sicher, dass Cz mit dem Mittelpunkt zwischen den beiden präaurikulären Punkten ausgerichtet ist. Setzen Sie die Kappe sicher auf den Kopf des Teilnehmers und sorgen Sie für eine korrekte Ausrichtung.
    HINWEIS: Achten Sie bei der Montage der Kopfkappe darauf, Cz, das Inion, die Nasion sowie die linken und rechten präaurikulären Punkte gemäß dem internationalen 10-20 EEG-System zu lokalisieren.
  3. Tragen Sie das Elektrodengel (siehe Materialverteilung) mit der mit dem Instrument gelieferten Spritze auf jede Stimulationsstelle auf, um die Impedanz zwischen den Elektroden und der Kopfhaut zu verringern.
    HINWEIS: Das Elektrodengel ist ein hochleitfähiges und wasserlösliches Gel.
    1. Füllen Sie die Spritze mit Elektrodengel.
    2. Scheiteln Sie für jede Elektrode das Haar mit der Spritze, um die Kopfhaut freizulegen.
    3. Injizieren Sie eine ausreichende Menge Elektrodengel auf die freiliegende Kopfhaut in den unteren Teilen aller Elektroden.
    4. Schrauben Sie den oberen und unteren Teil aller Elektroden zusammen.
  4. Schließen Sie das HD-tDCS-Gerät an.
    1. Schalten Sie das HD-tDCS-Gerät ein und starten Sie die entsprechende Steuerungssoftware (siehe Materialtabelle).
      HINWEIS: Der Computer, auf dem die Steuerungssoftware ausgeführt wird, muss mindestens die folgenden Anforderungen erfüllen: Prozessor: 1,6 GHz; Arbeitsspeicher: 2 GB; Schnittstelle: USB oder WiFi; Bildschirmauflösung: 1.280 x 768.
    2. Aktivieren Sie Bluetooth auf dem Computer. Wählen Sie in der Steuerungssoftware die Option WI-Fi-Geräte verwenden , um den Verbindungsvorgang zu starten.
    3. Warten Sie, bis die MAC-Adresse des Geräts in der Liste angezeigt wird. Sobald es angezeigt wird, wählen Sie das Gerät aus.
    4. Wählen Sie in der Einstellung "Netzrauschfilter" die Option 50 Hz aus, um elektrische Störungen zu vermeiden. 
      HINWEIS: Die ausgewählte Frequenz sollte mit der Wechselstromfrequenz übereinstimmen, die in dem Land verwendet wird, in dem das Experiment durchgeführt wird.
    5. Klicken Sie unten im Einstellungsfenster auf die Schaltfläche Dieses Gerät verwenden . Die Software stellt dann eine Verbindung mit dem Gerät her.
  5. Konfigurieren Sie das HD-tDCS-Stimulationsprotokoll.
    1. Klicken Sie auf das kopfförmige Symbol im linken Bereich der Steuerungssoftware. Klicken Sie dann auf NEUES PROTOKOLL HINZUFÜGEN , um ein neues Stimulationsprotokoll zu erstellen.
    2. Legen Sie die Protokolldauer auf 21 Minuten fest, mit einer Ramp-up-Periode von 30 s und einer Ramp-down-Periode von 30 s für die aktuelle Bereitstellung.
      HINWEIS: Wenn es sich bei dem Protokoll um eine Scheinstimulation handelt, aktivieren Sie die Option Sham .
    3. Ziehen Sie die Elektrode F4 in die Spalte Stimulation auf der rechten Seite. Stellen Sie den Kanal auf den Stimulationsmodus, geben Sie eine Stromstärke von 2.000 μA35 ein, wählen Sie die anodale Stimulation.
      HINWEIS: Die Bezeichnung von Anode und Kathode hängt von der beabsichtigten Stimulationsart ab.
    4. Ziehen Sie die Elektroden Fp2, Fz, C4 und F8 in die Spalte Stimulation. Stellen Sie jeden Kanal in den Return-Modus und weisen Sie ihm 25 % des Gesamtstroms zu. Speichern Sie das Protokoll.
    5. Wählen Sie das konfigurierte Stimulationsprotokoll aus. Befestigen Sie das HD-tDCS-Gerät am Velcro-Gurt auf der Rückseite der Kopfkappe. Verwenden Sie die Elektrodenkabel, um das Gerät mit der Elektrodenhardware zu verbinden.
      HINWEIS: Stellen Sie sicher, dass jedes Kabel an die richtige Elektrodenposition angeschlossen ist, die der Konfiguration in der Software entspricht.
    6. Vergewissern Sie sich, dass alle Kabel richtig angeschlossen sind. Klicken Sie auf die Schaltfläche PROTOCO L ladenin der unteren rechten Ecke.
  6. Klicken Sie auf die Schaltfläche IMPEDANZ PRÜFEN , um eine Impedanzprüfung durchzuführen.
    HINWEIS: Stellen Sie sicher, dass die Verbindungsstatusanzeigen für alle ausgewählten Elektroden grün (0-10 kΩ) oder orange (10-15 kΩ) leuchten. Wenn ein Indikator rot erscheint (>15 kΩ), tragen Sie das Elektrodengel erneut auf oder passen Sie das Haar so an, dass mehr Kopfhaut freigelegt wird, um die Impedanz zu verringern.
  7. Klicken Sie auf die Starttaste (nach rechts zeigendes Dreiecksymbol), um die Stimulation zu starten.
  8. Weisen Sie die Teilnehmer an, ihre Empfindungen zu mehreren Zeitpunkten während der Stimulationssitzung zu berichten.
    HINWEIS: Wenn ein Teilnehmer über Beschwerden berichtet, die über die normalen Empfindungen hinausgehen, klicken Sie sofort auf die STOP-Taste in der Software, entfernen Sie das Gerät vom Teilnehmer und überprüfen Sie den Zustand seiner Kopfhaut.

3. Nach der Stimulation

  1. Schalten Sie die Steuerungssoftware aus. Trennen Sie die Kabel von den Elektroden und entfernen Sie vorsichtig das HD-tDCS-Gerät.
  2. Entfernen Sie die Kopfkappe vom Kopf des Teilnehmers und lösen Sie alle Elektroden.
  3. Wählen Sie das andere Versuchsprogramm aus, das noch nicht abgeschlossen wurde. Weisen Sie den Teilnehmer an, die Bildklassifizierungsaufgabe als Nachtest zu erledigen.
  4. Stellen Sie dem Teilnehmer Material zur Verfügung, um seine Haare zu reinigen.
  5. Weisen Sie die Teilnehmer an, nach der HD-tDCS-Sitzung36 einen Empfindungsfragebogen auszufüllen. Verwenden Sie den Fragebogen, um die Toleranz und das subjektive Erleben der Teilnehmer gegenüber der HD-tDCS-Stimulation zu bewerten.
  6. Reinigen Sie die Kopfkappe und die Elektroden.
    1. Spülen Sie die Kopfkappe gründlich mit Wasser ab. Hängen Sie die Kopfkappe zum Trocknen an der Luft auf.
    2. Verwenden Sie Leitungswasser, um das Gel vorsichtig von den Elektroden abzuspülen.
      HINWEIS: Verwenden Sie warmes Wasser, um das Gel schneller aufzulösen.
    3. Lassen Sie die Elektroden auf einem Papiertuch oder Tuch an der Luft trocknen und schützen Sie sie vor direkter Sonneneinstrahlung. Legen Sie sie nach dem Trocknen zur Langzeitlagerung in die Verpackung.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das wichtigste Ergebnis dieser Studie ist die Messung der metakognitiven Sensibilität mit Hilfe des Meta-d'. Es wurde ein Normalitätstest an den metakognitiven Sensitivitätswerten der Teilnehmer über verschiedene Stimulationstypen hinweg durchgeführt, und die Ergebnisse zeigten, dass die Normalität unter allen Bedingungen eingehalten wurde. Eine ANOVA mit wiederholten Messungen wurde durchgeführt, um die metakognitive Sensitivität über verschiedene Stimul...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Um die Zuverlässigkeit der experimentellen Ergebnisse zu gewährleisten, müssen während des Eingriffs mehrere Faktoren berücksichtigt werden. Zunächst ist es wichtig, beim Anschließen der Kabel an die HD-tDCS-Elektrodenhardware zu überprüfen, ob jedes Kabel genau der vorgesehenen Elektrodenposition entspricht, da falsche Verbindungen unbeabsichtigte physiologische Auswirkungen haben können. Zweitens, da es sich um eine Einzelblindstudie mit einer Scheinstimulationsbedingung handelt, dürfe...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts offenzulegen.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Studie wurde unterstützt durch das Postgraduate Research & Practice Innovation Program der Provinz Jiangsu (KYCX25_4311), die National Natural Science Foundation of China (72374088, 72471105, 72472094, 72001096), 2024 Schlüsselprojekt der hochschulwissenschaftlichen Forschungsplanung der China Association of Higher Education (24XX0205, Mechanismen von Mensch-KI-Kollaborationsstrategien bei der Verbesserung der Lernergebnisse), 2024 Schlüsselprojekt der bildungswissenschaftlichen Planung in der Provinz Jiangsu (B-b/2024/01/162, Modellkonstruktion und empirische Forschung zum multimodalen Lernen aus der Perspektive der pädagogischen Neurowissenschaften), Jiangsu Government Scholarship for Overseas Studies (JS-2024-69) und der Humanities and Social Science Fund des chinesischen Bildungsministeriums (24YJCZH445).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
ElektrodenkabelNeuroelektrika10-Elektroden-KabelDas Elektrodenkabel hat 10 medizinische Elektrodenbuchsen.
ElektrodengelParker LaboratoriesSignagel 250g NE016bEr wird verwendet, um die Impedanz zu verringern und die Signalqualität zu verbessern.
ElektrodenNeuroelektrikaNG PISTIM NE029Der NG Pistim besteht aus zwei Teilen: dem Befestigungselement (oberer Teil) und der Gewindescheibenscheibe (unterer Teil).
Experimentelle SoftwarePSYCHOLOGIE-SOFTWARETOOLSE-prime3.0 Build 3.0.3.31Dies ist die Software, die zur Erstellung des experimentellen Programms verwendet wird.
HD-tDCS-GerätNeuroelektrikaStarstim 8Dies ist das Gerät, das zur Übertragung der HD-tDCS-Stimulation verwendet wird.
HD-tDCS-SoftwareNeuroelektrikaNIC2 V2.1.3.6Es ist die Anwendung, die es einem Computer ermöglicht, mit dem HD-tDCS-Gerät zu interagieren.
LaptopTalG5 5500Dieser Computer läuft mit der im Experiment verwendeten Software.
Neopren-KopfkappeNeuroelektrikaMEs handelt sich um eine Kopfkappe, um die Elektroden präzise auf der Kopfhaut zu platzieren. Größen: S (49 cm), M (54 cm), L (57 cm), XL (60 cm)
Statistisches WerkzeugIBMSPSS V26Es wird für die Datenanalyse verwendet.
Spritze-NE014Es wird verwendet, um Elektrodengel zu injizieren.

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Brynjolfsson, E., Mitchell, T., Rock, D. What can machines learn, and what does it mean for occupations and the economy? AEA Pap. Proc. 108. , 43-47 (2018).
  2. Gleasure Pieper, M., R, How AI helps to compile human intelligence: An empirical study of emerging augmented intelligence for medical image scanning. Inf Syst J. 35 (5), 1399-1421 (2025).
  3. Ling, B., Dong, B. W., Cai, F. Applicants' fairness perception of human and ai collaboration in resume screening. Int J Hum Comput Interact. 10, (2024).
  4. Ahsen, M. E., Ayvaci, M. U. S., Mookerjee, R., Stolovitzky, G. Economics of AI and human task sharing for decision making in screening mammography. Nat Commun. 16 (1), 2289(2025).
  5. Webster Ivanov, S., C, Automated decision-making: Hoteliers' perceptions. Technol Soc. 76, (2024).
  6. Radonjic, A., Duarte, H., Pereira, N. Artificial intelligence and HRM: HR managers' perspective on decisiveness and challenges. Eur Manag J. 42 (1), 57-66 (2024).
  7. Adam, M., Diebel, C., Goutier, M., Benlian, A. Navigating autonomy and control in human-ai delegation: User responses to technology- versus user-invoked task allocation. Decis Support Syst. 180, 114193(2024).
  8. Fuegener, A., Grahl, J., Gupta, A., Ketter, W. Cognitive challenges in human-artificial intelligence collaboration: Investigating the path toward productive delegation. Inf Syst Res. 33 (2), 678-696 (2022).
  9. Evans, J. A., Foster, J. G. Metaknowledge. Science. 331 (6018), 721-725 (2011).
  10. Jussupow, E., Spohrer, K., Heinzl, A., Gawlitza, J. Augmenting medical diagnosis decisions? An investigation into physicians' decision-making process with artificial intelligence. Inf Syst Res. 32 (3), 713-735 (2021).
  11. Atchley, P., Pannell, H., Wofford, K., Hopkins, M., Atchley, R. A. Human and AI collaboration in the higher education environment: Opportunities and concerns. Cogn Res Princ Implic. 9 (1), (2024).
  12. Lau Fleming, S. M., C, H. How to measure metacognition. Front Hum Neurosci. 8, (2014).
  13. Lau Maniscalco, B., H, A signal detection theoretic approach for estimating metacognitive sensitivity from confidence ratings. Conscious Cogn. 21 (1), 422-430 (2012).
  14. Fleming, S. M. Metacognition and confidence: A review and synthesis. Annu Rev Psychol. 75, 241-268 (2024).
  15. Kadosh Reed, T., C, R. Transcranial electrical stimulation (TES) mechanisms and its effects on cortical excitability and connectivity. J Inherit Metab Dis. 41 (6), 1123-1130 (2018).
  16. Harty, S., et al. Transcranial direct current stimulation over right dorsolateral prefrontal cortex enhances error awareness in older age. J Neurosci. 34 (10), 3646-3652 (2014).
  17. Silvanto Bona, S., J, Accuracy and confidence of visual short-term memory do not go hand-in-hand: Behavioral and neural dissociations. PLoS One. 9 (3), (2014).
  18. Soutschek Mattes, R. S., A, Brain stimulation over dorsomedial prefrontal cortex causally affects metacognitive bias but not mentalising. Cogn Affect Behav Neurosci. , (2025).
  19. Rahnev Shekhar, M., D, Distinguishing the roles of dorsolateral and anterior PFC in visual metacognition. J Neurosci. 38 (22), 5078-5087 (2018).
  20. Soutschek, A., Moisa, M., Ruff, C. C., Tobler, P. N. Frontopolar theta oscillations link metacognition with prospective decision making. Nat Commun. 12 (1), 3943(2021).
  21. Cho, S. S., et al. Effect of continuous theta burst stimulation of the right dorsolateral prefrontal cortex on cerebral blood flow changes during decision making. Brain Stimul. 5 (2), 116-123 (2012).
  22. Wout, V. an't, Kahn, M., S, R., Sanfey, A. G., Aleman, A. Repetitive transcranial magnetic stimulation over the right dorsolateral prefrontal cortex affects strategic decision-making. Neuroreport. 16 (16), 1849-1852 (2005).
  23. Han, L. T., et al. Establishing a causal role for left ventrolateral prefrontal cortex in value-directed memory encoding with high-definition transcranial direct current stimulation. Neuropsychologia. (181), e108489(2023).
  24. Workman, C. D., Kamholz, J., Rudroff, T. The tolerability and efficacy of 4 mA transcranial direct current stimulation on leg muscle fatigability. Brain Sci. 10 (1), (2020).
  25. Kuo, H. -I., et al. Comparing cortical plasticity induced by conventional and high-definition 4 x 1 ring tDCS: A neurophysiological study. Brain Stimul. 6 (4), 644-648 (2013).
  26. Parlikar, R., et al. High definition transcranial direct current stimulation (HD-tDCS): A systematic review on the treatment of neuropsychiatric disorders. Asian J Psychiatr. 56, 102542(2021).
  27. Enriquez-Geppert, S., Huster, R. J., Herrmann, C. S. Boosting brain functions: Improving executive functions with behavioral training, neurostimulation, and neurofeedback. Int J Psychophysiol. 88 (1), 1-16 (2013).
  28. Bjekic, J., Zivanovic, M., Filipovic, S. R. Transcranial direct current stimulation (tDCS) for memory enhancement. J Vis Exp. 175 (175), 62681(2021).
  29. Russakovsky, O., et al. Imagenet large scale visual recognition challenge. Int J Comput Vis. 115 (3), 211-252 (2015).
  30. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z. Rethinking the Inception Architecture for Computer Vision. IEEE Trans Vis Comput Graph. , IEEE. 2818-2826 (2016).
  31. Scherer Candrian, C., A, Rise of the machines: Delegating decisions to autonomous AI. Comput Human Behav. 134, 107308(2022).
  32. Parlangeli, O., Curro, F., Palmitesta, P., Guidi, S. Moral judgements of errors by AI systems and humans in civil and criminal law. Behav Inf Technol. 43 (9), 1718-1728 (2024).
  33. Gass, D. F. Exploring personality-based heterogeneity in metaknowledge and human-AI collaboration. in International Conference on Information Systems, ICIS. , (2023).
  34. Faul, F., Erdfelder, E., Lang, A. -G., Buchner, A. G*power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behav Res Methods. 39 (2), 175-191 (2007).
  35. Reckow, J., et al. Tolerability and blinding of 4x1 high-definition transcranial direct current stimulation (HD-tDCS) at two and three milliamps. Brain Stimul. 11 (5), 991-997 (2018).
  36. Chen, W., Chen, R., He, Q. Stimulation location determination using a 3d digitizer with high-definition transcranial direct current stimulation. J Vis Exp. (154), e60263(2019).
  37. El Jamal, C., et al. Tolerability and blinding of high-definition transcranial direct current stimulation among older adults at intensities of up to 4 mA per electrode. Brain Stimul. 16 (5), 1328-1335 (2023).
  38. Mcintire, L. K., Mckinley, R. A., Goodyear, C., Nelson, J. A comparison of the effects of transcranial direct current stimulation and caffeine on vigilance and cognitive performance during extended wakefulness. Brain Stimul. 7 (4), 499-507 (2014).
  39. Meunier-Duperray, L., et al. Does age affect metacognition? A cross-domain investigation using a hierarchical Bayesian framework. Cognition. 258, 106089(2025).
  40. Filippi, R., Ceccolini, A., Periche-Tomas, E., Bright, P. Developmental trajectories of metacognitive processing and executive function from childhood to older age. Q J Exp Psychol. 73 (11), 1757-1773 (2020).
  41. Workman, C. D., Fietsam, A. C., Rudroff, T. Different effects of 2 mA and 4 mA transcranial direct current stimulation on muscle activity and torque in a maximal isokinetic fatigue task. Front Hum Neurosci. 14, (2020).
  42. Gnewuch, U., Morana, S., Hinz, O., Kellner, R., Maedche, A. More than a bot? The impact of disclosing human involvement on customer interactions with hybrid service agents. Inf Syst Res. 35 (3), 936-955 (2024).
  43. Shrestha, Y. R., Ben-Menahem, S. M., Von Krogh, G. Organizational decision-making structures in the age of artificial intelligence. Calif Manage Rev. 61 (4), 66-83 (2019).
  44. Gomez, C., Cho, S. M., Ke, S., Huang, C. M., Unberath, M. Human-ai collaboration is not very collaborative yet: A taxonomy of interaction patterns in AI-assisted decision making from a systematic review. Front Comput Sci. 6, 1521066(2024).
  45. Pinski, M., Haas, M. J., Benlian, A. AI literacy - towards measuring human competency in artificial intelligence. in Proc Annu Hawaii Int Conf Syst Sci. , 5164-5173 (2024).
  46. Mattioli, F., Maglianella, V., D'antonio, S., Trimarco, E., Caligiore, D. Non-invasive brain stimulation for patients and healthy subjects: Current challenges and future perspectives. J Neurol Sci. 456, 122825(2024).
  47. Rudroff, T., Rainio, O., Klen, R. Leveraging artificial intelligence to optimize transcranial direct current stimulation for long covid management: A forward-looking perspective. Brain Sci. 14 (8), (2024).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Hochaufl sende tDCSMensch KI KollaborationAufgabendelegationanodische Stimulationkathodische StimulationSham StimulationBildklassifizierungsaufgabeANOVA mit Messwiederholung

Verwandte Artikel