5. Dezember 2025
Dieses Protokoll beschreibt den Einsatz physiologischer Indikatoren zur Messung von Variationen der kognitiven Belastung über verschiedene Aufgabenschwierigkeitsstufen in kollaborativen Aufgaben zwischen Mensch und KI. Die Ergebnisse legen nahe, dass Menschen ihre Entscheidungsprozesse an die Schwierigkeit der Aufgabe anpassen und so unterschiedliche kognitive Belastungsstufen widerspiegeln.
Wir untersuchen, wie sich die kognitive Belastung von Menschen verändert, wenn sie mit KI in einer Delegation arbeiten. Zu Beginn stellen Sie dem Teilnehmer das experimentelle Verfahren vor und stellen Sie sicher, dass er vollständig über die Studie informiert ist. Bereiten Sie das Elektrokardiogramm-Datenerfassungssystem vor und sammeln Sie alle notwendigen Materialien, einschließlich der vorgelierten, einwegweisenden Elektrokardiogrammelektroden.
Verbinden Sie das Datenerfassungssystem mit dem Elektrokardiogramm-Datenempfängermodul. Mit dem Flachbandkabel von Mann zu Weibchen wird eine Verbindung zwischen dem Datenerfassungssystem und dem für die Stimuluspräsentation verwendeten Computer hergestellt. Mit einem Ethernet-Kabel wird eine Verbindung zwischen dem Datenerfassungssystem und dem für die Datenerfassung verwendeten Computer hergestellt.
Stecken Sie das System an eine stabile Stromversorgung. Reinigen Sie nun die Haut des Teilnehmers an drei Stellen mit Alkoholtüchern. Unterhalb der linken Rippe, unterhalb des rechten Schlüsselbeins und am rechten Bauch.
An jeder sauberen Stelle befestigen Sie ein Einweg-Elektrodenpflaster für Elektrokardiogramme. Dann befestigt man den Kabeldrahtstecker sicher am Elektrokardiogramm-Sender und verbindet den Metallclip des Leitungsdrahts mit der entsprechenden Elektrode. Befestigen Sie den Elektrokardiogramm-Sender mit dehnbaren Haken-und-Schlaufe-Gurten am Körper des Teilnehmers und stellen Sie die Spannung des Gurts an, damit der Sender an Ort und Stelle bleibt und bequem für den Teilnehmer bleibt.
Schalten Sie den Schalter des Elektrokardiogramm-Senders ein und schalten Sie das Elektrokardiogramm-Datenerfassungssystem ein. Überprüfen Sie den Status der drahtlosen Verbindung zwischen Sender und Empfängermodul des Datenerfassungssystems. Jetzt starten Sie die Elektrokardiogramm-Datenerfassungssoftware.
Erstelle eine neue Graphdatei. Wählen Sie das Elektrokardiogramm-Empfängermodul aus der Geräteliste aus. Wählen Sie den passenden Elektrokardiogramm-Aufnahmekanal und klicken Sie im neu angezeigten Sender-Verbindungsstatusfenster auf Okay.
Klicken Sie auf Start in der Datenerfassungs-Softwareoberfläche, um mit der Sammlung von Elektrokardiogrammdaten zu beginnen. Überprüfen Sie, ob die Wellenform des Elektrokardiogramms auf dem Bildschirm stabil erscheint. Nun weisen Sie den Teilnehmer an, mit der experimentellen Aufgabe zu beginnen.
Nachdem die Aufgabe abgeschlossen ist, klicken Sie in der Datenerfassungssoftware auf Stopp, um die Aufnahmesitzung zu beenden. Lösen Sie die Bleidrahtklammern von den Elektrodenpatches. Lockere die dehnbaren Haken-und-Schlaufe-Gurte und entferne den Elektrokardiogramm-Transmitter vom Körper des Teilnehmers.
Unterweisen und unterstützen Sie den Teilnehmer dabei, die Einweg-Elektrodenpflaster vorsichtig von Hand zu entfernen. Als Nächstes öffnen Sie die aufgezeichnete Elektrokardiogrammdatei in der Datenanalysesoftware. Wählen Sie den Elektrokardiogrammkanal und wenden Sie digitale Filterung an.
In der Menüleiste navigieren Sie zum Transformieren, gefolgt von digitalen Filtern und Kammband-Stopp. Wählen Sie dann im Dialogfeld fest unter der Basisfrequenz aus. Geben Sie 50 Hertz ein und klicken Sie auf Okay, um den Filter anzuwenden.
Klicke als Nächstes in der Menüleiste auf Transformieren. Wähle digitale Filter, dann FIR und dann Bandpass. Im Dialogfeld, unter Niederfrequenz-Abschaltung, fest auf wählen und einen Hertz eingeben.
Bei Hochfrequenzabschaltung wählen Sie fest bei und geben Sie 35 Hertz ein. Erstellen Sie nun Fokusbereiche basierend auf dem experimentellen Design, erzeugen und exportieren Sie Herzfrequenzdaten durch Auswahl der Analyse, gefolgt von Hämodynamik und EKG-Intervallextraktion aus der Menüleiste. Wähle in der Analyseoption nur Fokusbereiche aus und wähle in der Anzeige nur die Excel-Tabelle aus.
Klicken Sie auf Okay, um den Export zu bestätigen und abzuschließen. Um Daten zur Herzfrequenzvariabilität zu generieren, öffnen Sie die Analyse und wählen HRV und RSA aus, gefolgt von einer multi-epischen HRV-Statistik. Im EKG-Kanalfeld wählen Sie den vorbearbeiteten Elektrokardiogramm-Kanal aus und extrahieren Sie unter HRV-Statistiken für ausgewählte Schwerpunktbereiche.
Gehe zu Output Results to, wähle eine Tabelle aus und klicke auf Okay, um die Time Domain-Ergebnisse zu generieren und zu exportieren. Schließlich wird die Analyse erneut geöffnet und HRV und RSA ausgewählt, gefolgt von multi-epischer HRV und RSA-Spektral. Im EKG-Kanalfeld wählen Sie den vorverarbeiteten Elektrokardiogramm-Kanal.
Unter Extraktion HRV und RSA wähle Schwerpunkte. Im Ausgabetyp wählen Sie nur eine Excel-Tabelle aus und klicken Sie auf Okay, um die Ergebnisse der Frequenzdomäne zu exportieren. Die mittlere Herzfrequenz war unter der schwierigen Bildbedingung deutlich niedriger als bei der leichten Bildbedingung.
Die Variabilität der hochfrequenten Herzfrequenz war während der schwierigen Bildbedingung deutlich höher als bei der einfachen Bildbedingung. Das Wurzel-Mittelwert der aufeinanderfolgenden Differenzen folgte einem ähnlichen Trend und war während der schwierigen Bildbedingung signifikant höher. Die Teilnehmer delegierten deutlich häufiger unter der schwierigen Bildbedingung als unter der einfachen Bildbedingung.
Wir haben festgestellt, dass Menschen ihre kognitive Belastung anpassen, indem sie Aufgaben delegieren, wenn sie mit AI.In Zukunft arbeiten; wir werden untersuchen, wie verschiedene Co-Learning-Ansätze die Ergebnisse beeinflussen, wenn Mensch und KI gemeinsam lernen.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Dieses Protokoll beschreibt die Verwendung physiologischer Indikatoren zur Messung von Variationen der kognitiven Belastung bei verschiedenen Schwierigkeitsgraden von Aufgaben in kollaborativen Mensch-KI-Aufgaben. Die Ergebnisse deuten darauf hin, dass Menschen ihre Entscheidungsprozesse an den Schwierigkeitsgrad der Aufgabe anpassen und damit unterschiedliche Ebenen der kognitiven Belastung widerspiegeln.
Real-time, objective measurement of cognitive load using electrocardiographic data enables biopharma R&D teams to optimize human-AI collaboration in complex workflows. Quantifying cognitive state fluctuations supports predictive confidence in task delegation and resource allocation, directly impacting operational efficiency and safety in regulated environments. This approach informs the design of adaptive systems that align human performance with AI capabilities across discovery and translational research pipelines.
This method integrates into the discovery-to-preclinical continuum by providing real-time cognitive state analytics during human-AI collaborative tasks.