Article de méthode

Stimulation transcrânienne à courant continu haute définition sur le cortex préfrontal dorsolatéral droit pour améliorer la sensibilité métacognitive

DOI :

10.3791/68824

⸱

26 septembre 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

Dans cet article

Résumé

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

Cette étude a proposé un paradigme expérimental qui applique la stimulation transcrânienne à courant continu haute définition (HD-tDCS) pour améliorer la métacognition humaine dans les tâches de délégation homme-IA. Les résultats ont démontré l’efficacité de la HD-tDCS dans l’amélioration de la sensibilité métacognitive.

Résumé

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

Dans la collaboration homme-IA, la délégation de tâches est un élément essentiel. Idéalement, si une personne croit qu’elle est capable d’accomplir une tâche, elle devrait le faire elle-même ; Dans le cas contraire, la tâche doit être déléguée à l’autre partie. De telles décisions de délégation sont influencées par l’évaluation par les individus de leurs propres capacités, qui sont façonnées par la métacognition - la capacité d’évaluer ses propres capacités. La stimulation transcrânienne à courant continu haute définition (HD-tDCS) est une technologie de stimulation cérébrale non invasive qui peut réguler l’excitabilité du cortex cérébral pour améliorer les performances humaines. Ce protocole présente une méthode qui utilise la HD-tDCS pour étudier ses effets sur la métacognition humaine lors des tâches de délégation homme-IA, détaillant la procédure d’application d’une stimulation anodale, cathodique ou simulée au cortex préfrontal dorsolatéral (DLPFC). La stimulation a été réalisée à l’aide d’un appareil portable HD-tDCS, en utilisant une disposition circonférentielle de cinq électrodes, dont une électrode cible et quatre électrodes de retour. La stimulation a duré un total de 21 minutes et l’intensité du courant était de 2 mA. Cette méthode devrait fournir une nouvelle voie de recherche pour une exploration plus approfondie des mécanismes neuronaux et de la régulation comportementale des humains dans le processus de délégation de tâches collaboratives homme-IA et fournir une base théorique solide pour optimiser davantage les tâches collaboratives homme-IA.

Introduction

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

L’intelligence artificielle (IA) est de plus en plus imbriquée dans notre vie quotidienne et sur notre lieu de travail. Cependant, dans de nombreux contextes réels, l’IA n’est pas encore capable d’automatiser entièrement les processus de prise de décision1. Certaines tâches restent particulièrement difficiles pour l’IA en raison des limites technologiques actuelles, ainsi que de considérations éthiques et juridiques. Par conséquent, il est souvent peu pratique ou déconseillé d’accorder une autonomie totale à l’IA dans des domainesspécifiques2,3. Les humains continuent donc de jouer un rôle indispensable sur le lieu de travail, et la collaboration entre l’homme et l’IA devrait devenir un mode de production et de prestation de services dominant à l’avenir. Des recherches dans des domaines tels que les soins de santé, l’hôtellerie et les ressources humaines ont montré que les efforts de collaboration entre les humains et l’IA peuvent réduire les coûts et, dans certains cas, améliorer l’efficacité 4,5,6.

Dans la collaboration homme-IA, chaque partie est censée entreprendre des tâches qui s’alignent sur ses forces respectives, tout en déléguant à l’autre les tâches moins appropriées. Par conséquent, une délégation efficace des tâches est essentielle pour une collaboration réussie et des résultats de performance optimaux. Adam et al. ont constaté que lorsque le processus de délégation est entièrement automatisé et géré uniquement par l’IA sans implication humaine, les humains ont tendance à éprouver des perceptions accrues d’auto-menace7. Fuegener et al. ont en outre rapporté que pendant le processus de délégation de tâches à l’IA, les gens ont souvent du mal à évaluer avec précision leurs propres capacités ou à évaluer la difficulté des tâches, ce qui reflète un faible niveau de métacognition8. Ces résultats soulignent l’importance d’améliorer la métacognition dans les scénarios de délégation homme-IA pour améliorer l’efficacité et la qualité de la collaboration.

La métacognition fait référence à la capacité d’un individu à évaluer ses propres capacités9. Dans le contexte de la délégation mutuelle entre les humains et l’IA, il est essentiel non seulement de comprendre précisément les capacités de l’autre partie, mais aussi d’évaluer ses propres capacités pour déterminer quand la délégation est appropriée. Jussupow et al. ont constaté que la collaboration homme-IA est plus efficace lorsque les humains font preuve de niveaux élevés de métacognition, c’est-à-dire lorsqu’ils peuvent évaluer avec précision leurs propres capacités et celles de l’IA10. De même, Atchley et al. ont constaté que la promotion de la métacognition dans les contextes éducatifs peut promouvoir une collaboration plus profonde et plus efficace entre les humains et les systèmes d’IA11. Des études antérieures sur la collaboration homme-IA ont souvent évalué la métacognition à l’aide de questionnaires d’auto-évaluation ou en utilisant des évaluations de confiance humaine comme mesures indirectes. Cependant, dans la recherche psychologique, une mesure plus établie et plus rigoureuse de la métacognition est la sensibilité métacognitive (meta-d)12. Dans la présente étude, nous utilisons meta-d', suivant l’approche décrite par Maniscalco et al. pour évaluer la sensibilité métacognitive13.

La stimulation transcrânienne à courant continu (tDCS) a été largement utilisée dans la recherche visant à améliorer la métacognition14. Les aspects fondamentaux de la métacognition sont étroitement associés au cortex préfrontal. La tDCS délivre un faible courant continu à des régions cérébrales spécifiques, modulant l’excitabilité neuronale et la plasticité synaptique de manière non invasive et non intrusive, permettant ainsi aux chercheurs d’améliorer diverses fonctions cognitives15. Harty et al. ont constaté que la stimulation anodale sur le cortex préfrontal dorsolatéral droit (DLPFC) améliorait les performances de détection d’erreurs des participants dans une tâche de sensibilisation aux erreurs, améliorant ainsi leur surveillance métacognitive des performances cognitives16. Bona et Silvanto ont rapporté que la tDCS anodale affectait le biais métacognitif dans une tâche de mémoire de travail17. Mattes et al. ont montré que si la tDCS influençait les cotes de confiance des participants dans les tâches de métacognition et de mentalisation, elle ne modifiait pas leur sensibilité métacognitive18. Il a été démontré que la perturbation ou l’endommagement temporaire du cortex préfrontal, en particulier des aires de Brodmann 46 et 10, chez les humains et les singes, induit des changements dans les processus métacognitifs14. De plus, des études antérieures ont fourni des preuves causales liant la stimulation du DLPFC aux capacités métacognitives19,20. Le DLPFC droit, en particulier, joue un rôle clé au sein du réseau neuronal sous-jacent au contrôle cognitif21,22, qui est étroitement lié aux exigences de notre tâche expérimentale. Par conséquent, nous avons sélectionné le bon DLPFC comme site cible pour la stimulation. Conformément aux protocoles établis dans les études tDCS sur la métacognition, nous avons appliqué un courant de 2 mA pendant 21 min, y compris une phase de montée et de descente de 1 minute17,23. À l’heure actuelle, l’intensité de courant la plus élevée utilisée dans la tDCS est de 4 mA, ce qui s’est avéré tolérable pour les participants à l’étude menée par Workman et coll.24.

La stimulation transcrânienne à courant continu haute définition (HD-tDCS) est une modification de haute précision de la tDCS conventionnelle, offrant une neuromodulation plus ciblée grâce à des montages d’électrodes spécialisés. Par rapport à la tDCS conventionnelle, qui utilise deux grandes électrodes de coussin, la HD-tDCS permet une stimulation plus ciblée et focale de régions cérébrales spécifiques, ce qui entraîne des effets plus durables25,26. Contrairement aux techniques de neurofeedback qui visent également à améliorer les performances cognitives27, la HD-tDCS offre plusieurs avantages pratiques, notamment une période d’activation plus courte, des procédures d’application plus simples et des coûts de mise en œuvre réduits28. Du point de vue de la délégation de tâches entre l’homme et l’IA, la HD-tDCS offre une précision spatiale, une facilité d’utilisation et une rentabilité supérieures. De plus, il permet aux participants de s’engager dans des tâches soutenues impliquant délégation et réflexion dans des contextes qui se rapprochent de scénarios de la vie réelle ou du lieu de travail, ce qui le rend particulièrement adapté à l’exploration de la métacognition dans la délégation homme-IA. Dans cette étude, la HD-tDCS a été utilisée pour fournir une stimulation plus ciblée au DLPFC.

Conception expérimentale

Le matériel expérimental provient de l’ImageNet Large Scale Visual Recognition Challenge (ILSVRC)29. Le modèle d’IA était GoogLeNet Inception v3, l’un des modèles les plus performants dans les tâches de classification d’images30.

La tâche expérimentale était une tâche de délégation homme-IA, plus précisément une tâche de classification d’images. La classification d’images implique l’attribution d’une image cible à une catégorie, et il s’agit d’une tâche générale qui ne nécessite aucune formation spécifique au domaine ni aucune expertise préalable. Les tâches basées sur des contextes situationnels spécifiques peuvent compromettre la généralisabilité. Par exemple, dans les scénarios à enjeux élevés impliquant une perte potentielle, les gens ont tendance à déléguer les décisions à l’IA31, ce qui en fait le bouc émissaire32 de l’équipe. La tâche utilisée dans cette étude a été adaptée du paradigme de classification collaborative humain-IA développé par Fuegener et al. et par Gass et al.8,33.

Une expérience préliminaire a été menée pour évaluer le niveau de difficulté de l’image. La difficulté de l’image est la précision moyenne de l’image correspondante dans la condition humaine seule. Comme le montre la figure 1, chaque essai se composait d’une image cible et de cinq ensembles d’options d’image. Les participants ont été invités à choisir l’ensemble d’options qui correspondait le mieux à l’image cible. Au total, 217 participants ont terminé l’étude préliminaire. Tous les participants à l’étude préliminaire ont été exclus du recrutement pour l’expérience principale.

figure-introduction-1
Figure 1 : Interface de l’expérience préliminaire. Interface montrée aux participants à l’expérience préliminaire, où ils ont sélectionné une réponse parmi cinq options. Veuillez cliquer ici pour voir une version agrandie de cette figure. 

Dans l’interface formelle de l’expérience (voir la figure 2), une image cible s’affiche en haut de l’écran. De plus, cinq options de groupe d’images et une option de délégation (situées en haut à droite de l’écran) sont présentées. Les participants doivent choisir entre déléguer la tâche à l’IA et la réaliser eux-mêmes. Dans ce dernier cas, ils sélectionnent l’une des cinq options de catégorie d’image qui correspond le mieux à l’image cible. Après chaque décision, l’interface passe à la page suivante, où les participants sont invités à évaluer leur confiance dans leur décision de délégation sur une échelle de 1 à 4. Avant le début de l’expérience formelle, les participants ont été informés que le système d’IA avait une précision moyenne de 76 %.

figure-introduction-2
Figure 2 : Interface de l’expérience formelle. Interface principale montrée aux participants pendant la tâche. (A) L’interface de tâche ; (B) l’interface d’évaluation du niveau de confiance. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Au total, 62 droitiers ont été recrutés pour l’expérience principale. Tous les participants étaient des étudiants diplômés qui n’avaient aucune expérience préalable de tâches expérimentales similaires. Les critères d’exclusion étaient les suivants : les participants ne devaient pas avoir pris de sédatifs-hypnotiques ou de substances psychoactives dans les 24 heures précédant l’expérience, ne devaient pas avoir de malformations crâniennes (par exemple, des trous ou des fractures) et ne devaient pas avoir d’implants métalliques dans le crâne (par exemple, des plaques métalliques). Deux participants ont été exclus : l’un en raison d’une inflammation dermatologique qui a empêché la stimulation HD-tDCS, et l’autre pour l’ingestion d’une boisson contenant de la caféine avant l’expérience. Les 60 participants restants (âge moyen = 22,68 ± 0,91 an) ont terminé l’expérience. Ils ont été assignés au hasard à l’une des trois conditions de stimulation - anodale, cathodale ou simulée - chacune avec 20 participants. Les simulations de champ électrique sont illustrées à la figure 3. Chaque participant a effectué la tâche de classification d’images une fois avant et une fois après la stimulation, produisant 120 ensembles de données pour l’analyse. La procédure HD-tDCS est illustrée à la figure 4 et le flux de travail expérimental est résumé à la figure 5. Nous avons effectué une analyse de puissance a priori en utilisant G*Power 3,134, en supposant une puissance de 90 % (1 - β = 0,90), une taille d’effet de f = 0,25 et un niveau alpha de 0,05. L’analyse a indiqué qu’un minimum de 18 participants par groupe serait requis. La taille finale de notre échantillon répondait à cette exigence.

figure-introduction-3
Figure 3 : Simulation de champ électrique. Vue latérale de la distribution du champ électrique (côté droit). (A) Condition de stimulation anodale. (B) Condition de stimulation cathodale. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-introduction-4
Figure 4 : Configuration expérimentale HD-tDCS. Photographie de la configuration expérimentale HD-tDCS, illustrant le placement des électrodes et la position de l’appareil pendant la stimulation. Veuillez cliquer ici pour voir une version agrandie de cette figure.

figure-introduction-5
Figure 5 : Organigramme expérimental. L’expérience comportait trois phases, y compris des tâches de classification d’images effectuées avant et après la stimulation. Abréviations : HD-tDCS = stimulation transcrânienne à courant continu haute définition ; rDLPFC = cortex préfrontal dorsolatéral droit. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

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

Cette étude a été menée conformément aux principes de la Déclaration d’Helsinki et a été approuvée par le Conseil d’examen institutionnel de l’Université des sciences et technologies du Jiangsu. Nous avons obtenu le consentement éclairé des participants pour utiliser et divulguer leurs données.

1. Préparation

  1. Préparez-vous à la tâche d’expérience.
    1. Téléchargez les données d’image à partir du site Web ImageNet (https://image-net.org/).
      REMARQUE : Les images téléchargées sont classées et chaque catégorie contient plusieurs images.
    2. Exécutez le code Python lié au modèle GoogLeNet Inception v3 pour classer les images (voir Fichier supplémentaire 1). Enregistrez les cinq principales catégories prédites pour chaque image, ainsi que la précision de la classification Top-1.
      REMARQUE : Ce code Python effectue la classification d’images en chargeant le modèle Inception V3. Pour chaque image cible, il génère les cinq premières catégories prédites. Les ensembles d’images correspondant à ces cinq catégories prédites sont présentés aux participants sous forme d’options de réponse dans l’expérience. Si la bonne catégorie ne figure pas parmi les cinq premières prédictions, l’une des catégories prédites est remplacée par la bonne pour garantir son inclusion parmi les options.
    3. Utilisez Python ou tout autre programme d’échantillonnage aléatoire pour sélectionner l’image cible parmi les images classées par le modèle.
    4. Pour chaque image cible, extrayez 10 images pour chacune des cinq catégories afin de servir d’options de réponse. Redimensionnez toutes les images pour garantir des dimensions uniformes.
    5. Réaliser une étude préliminaire et inviter les participants à prendre part à l’expérience.
      REMARQUE : L’étude préliminaire était similaire à l’expérience formelle, sauf que les participants devaient terminer tous les essais eux-mêmes, sans possibilité de délégation et sans processus d’évaluation de la confiance.
    6. Notez la précision de chaque participant dans sa réponse à chaque image et calculez le taux de précision de chaque image. Utilisez les scores de précision comme indice de difficulté de l’image pour classer les images en conséquence.
      REMARQUE : Toutes les images sont triées par précision, une précision plus élevée indiquant une difficulté plus faible. Par exemple, lorsque 10 % des participants réagissent correctement à une image, la difficulté de cette image est fixée à 90 %.
    7. Divisez les images en deux séries de difficulté comparable en fonction de leurs scores de difficulté. Utilisez les deux ensembles d’images comme matériaux expérimentaux pour créer le programme expérimental formel par le biais de l’E-prime 3 (voir le fichier supplémentaire 1).
      REMARQUE : Ce programme expérimental a été conçu pour présenter la tâche de classification d’images.
  2. S’assurer que le participant ne présente aucune contre-indication à la HD-tDCS et ne répond à aucun critère d’exclusion. Présenter la procédure expérimentale aux participants et obtenir un consentement éclairé écrit après avoir confirmé leur compréhension de l’étude.
    REMARQUE : Demandez au participant quelle est sa main dominante et confirmez-la en observant quelle main il utilise pour écrire.
  3. Mesurez le tour de tête du participant à l’aide d’un ruban à mesurer et sélectionnez la taille de casque en néoprène HD-tDCS appropriée (voir le tableau des matériaux) en conséquence.
  4. Vérifiez que le périphérique HD-tDCS est complètement chargé. Assurez-vous que tous les accessoires, y compris les électrodes, le gel d’électrode, la seringue fournie avec l’instrument, les câbles d’électrodes et l’ordinateur utilisé pour faire fonctionner le système HD-tDCS, sont prêts à l’emploi.
  5. Sélectionnez au hasard l’une des deux tâches expérimentales comme condition de pré-test. Demandez au participant d’effectuer la tâche de classification d’images.
    REMARQUE : Un générateur de nombres aléatoires peut être utilisé pour attribuer au hasard des conditions expérimentales.
    1. Ouvrez le programme.
    2. Cliquez sur EXÉCUTER, entrez le numéro de l’objet et le numéro de session, confirmez les informations et cliquez sur OUI pour démarrer la tâche expérimentale.

2. Stimulation HD-tDCS

  1. Insérez les parties inférieures des cinq électrodes dans les positions correspondantes sur le capuchon en néoprène. Ces cinq positions servent de sites de stimulation.
    REMARQUE : Pour cibler le DLPFC droit, utilisez les cinq positions d’électrode suivantes : F4, Fp2, Fz, C4 et F8.
  2. Demandez au participant de s’asseoir confortablement sur une chaise. Positionnez le bord avant du capuchon en néoprène à environ 1 à 2 cm au-dessus des sourcils. Assurez-vous que Cz est aligné avec le point médian entre les deux points préauriculaires. Placez solidement le capuchon sur la tête du participant, en veillant à ce qu’il soit bien aligné.
    REMARQUE : Lors de l’installation du capuchon de tête, assurez-vous de localiser Cz, l’inion, la nasion et les points préauriculaires gauche et droit conformément au système EEG international 10-20.
  3. Appliquezdu gel d’électrode (voir T able des matériaux) sur chaque site de stimulation à l’aide de la seringue fournie avec l’instrument pour réduire l’impédance entre les électrodes et le cuir chevelu.
    REMARQUE : Le gel d’électrode est un gel hautement conducteur et soluble dans l’eau.
    1. Remplissez la seringue de gel d’électrode.
    2. Pour chaque électrode, séparez les cheveux avec la seringue pour exposer le cuir chevelu.
    3. Injectez une quantité suffisante de gel d’électrode sur le cuir chevelu exposé à l’intérieur des parties inférieures de toutes les électrodes.
    4. Vissez ensemble les parties supérieure et inférieure de toutes les électrodes.
  4. Connectez l’appareil HD-tDCS.
    1. Allumez l’appareil HD-tDCS et lancez le logiciel de commande correspondant (voir tableau des matériaux).
      REMARQUE : L’ordinateur exécutant le logiciel de contrôle doit répondre au moins aux exigences suivantes : Processeur : 1,6 GHz ; Mémoire vive : 2 Go ; Interface : USB ou WiFi ; Résolution de l’écran : 1 280 x 768.
    2. Activez Bluetooth sur l’ordinateur. Dans le logiciel de contrôle, sélectionnez UTILISER les appareils Wi-Fi pour commencer le processus de connexion.
    3. Attendez que l’adresse MAC de l’appareil apparaisse dans la liste. Une fois qu’il apparaît, sélectionnez l’appareil.
    4. Dans le paramètre Filtre de bruit de ligne, sélectionnez 50 Hz pour éliminer les interférences électriques. 
      REMARQUE : La fréquence sélectionnée doit correspondre à la fréquence d’alimentation CA utilisée dans le pays où l’expérience est menée.
    5. En bas du panneau des paramètres, cliquez sur le bouton Utiliser cet appareil . Le logiciel établira alors une connexion avec l’appareil.
  5. Configurez le protocole de stimulation HD-tDCS.
    1. Cliquez sur l’icône en forme de tête dans le panneau de gauche du logiciel de contrôle. Ensuite, cliquez sur AJOUTER UN NOUVEAU PROTOCOLE pour créer un nouveau protocole de stimulation.
    2. Réglez la durée du protocole sur 21 min, avec une période de montée en puissance de 30 s et une période de réduction de 30 s pour la diffusion en cours.
      REMARQUE : Si le protocole est une stimulation fictive, activez l’option Simulacre .
    3. Faites glisser l’électrode F4 dans la colonne Stimulation à droite. Réglez le canal sur le mode de stimulation, entrez une intensité de courant de 2 000 μA35, sélectionnez stimulation anodale.
      REMARQUE : La désignation de l’anode et de la cathode dépend du type de stimulation prévu.
    4. Faites glisser les électrodes Fp2, Fz, C4 et F8 dans la colonne Stimulation. Réglez chaque canal en mode retour, en attribuant 25 % du courant total à chacun. Enregistrez le protocole.
    5. Sélectionnez le protocole de stimulation configuré. Fixez l’appareil HD-tDCS à la bande velcro à l’arrière du casque. Utilisez les câbles d’électrode pour connecter l’appareil au matériel d’électrode.
      REMARQUE : Assurez-vous que chaque câble est connecté à la bonne position d’électrode, correspondant à la configuration du logiciel.
    6. Vérifiez que tous les câbles sont correctement connectés. Cliquez sur le bouton LOAD PROTOCOL dans le coin inférieur droit.
  6. Cliquez sur le bouton VÉRIFIER L’IMPÉDANCE pour effectuer une vérification d’impédance.
    REMARQUE : Assurez-vous que les indicateurs d’état de connexion pour toutes les électrodes sélectionnées sont verts (0-10 kΩ) ou orange (10-15 kΩ). Si un indicateur apparaît rouge (>15 kΩ), réappliquez le gel d’électrode ou ajustez les cheveux pour exposer davantage le cuir chevelu afin de réduire l’impédance.
  7. Cliquez sur le bouton de démarrage (icône en forme de triangle pointant vers la droite) pour démarrer la stimulation.
  8. Demandez aux participants de rapporter leurs sensations à plusieurs moments pendant la séance de stimulation.
    REMARQUE : Si un participant signale une gêne au-delà des sensations normales, cliquez immédiatement sur le bouton STOP dans le logiciel, retirez l’appareil du participant et vérifiez l’état de son cuir chevelu.

3. Post-stimulation

  1. Éteignez le logiciel de contrôle. Débranchez les câbles des électrodes et retirez avec précaution le dispositif HD-tDCS.
  2. Retirez le capuchon de la tête du participant et détachez toutes les électrodes.
  3. Sélectionnez l’autre programme expérimental qui n’est pas encore terminé. Demandez au participant d’effectuer la tâche de classification d’images en tant que post-test.
  4. Fournissez au participant des fournitures pour nettoyer ses cheveux.
  5. Demandez aux participants de remplir un questionnaire sur les sensations après la séance36 de HD-tDCS. Utilisez le questionnaire pour évaluer la tolérance et l’expérience subjective des participants à la stimulation HD-tDCS.
  6. Nettoyez le capuchon et les électrodes.
    1. Rincez abondamment le capuchon à l’eau. Suspendez le capuchon pour le faire sécher à l’air libre.
    2. Utilisez l’eau du robinet pour rincer doucement le gel des électrodes.
      REMARQUE : Utilisez de l’eau tiède pour dissoudre le gel plus rapidement.
    3. Laissez les électrodes sécher à l’air libre sur une serviette en papier ou un chiffon à l’abri de la lumière directe du soleil. Une fois secs, placez-les dans leur emballage pour un stockage à long terme.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

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

Le résultat clé de cette étude comprend la mesure de la sensibilité métacognitive à l’aide du méta-d'. Un test de normalité a été effectué sur les scores de sensibilité métacognitive des participants à différents types de stimulation, et les résultats ont montré que la normalité était respectée dans toutes les conditions. Une analyse de variance à mesures répétées a été réalisée pour comparer la sensibilité métacognitive à différents types de stimulation,...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

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

Pour garantir la fiabilité des résultats expérimentaux, plusieurs facteurs doivent être pris en compte au cours de la procédure. Tout d’abord, lors de la connexion des câbles au matériel d’électrode HD-tDCS, il est crucial de vérifier que chaque câble correspond exactement à la position d’électrode désignée, car des connexions incorrectes peuvent provoquer des effets physiologiques involontaires. Deuxièmement, puisqu’il s’agit d’une étude en simple aveugle impliquant une condition de sti...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

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

Les auteurs n’ont rien à divulguer.

Remerciements

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

Cette étude a été soutenue par le Programme d’innovation en recherche et pratique de troisième cycle de la province du Jiangsu (KYCX25_4311), la Fondation nationale des sciences naturelles de Chine (72374088, 72471105, 72472094, 72001096), le projet clé 2024 de planification de la recherche scientifique sur l’enseignement supérieur de l’Association chinoise de l’enseignement supérieur (24XX0205, Mécanismes des stratégies de collaboration homme-IA dans l’amélioration des résultats d’apprentissage), le projet clé 2024 de planification des sciences de l’éducation dans la province du Jiangsu (B-b/2024/01/162, Construction de modèles et recherche empirique sur l’apprentissage multimodal du point de vue des neurosciences éducatives), Bourse du gouvernement du Jiangsu pour les études à l’étranger (JS-2024-69) et le Fonds des sciences humaines et sociales du ministère de l’Éducation de Chine (24YJCZH445).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Câbles d’électrodesNeuroélectricitéCâble 10 électrodesLe câble d’électrode comporte 10 douilles médicales d’électrodes.
Gel d’électrodesLaboratoires ParkerSignagel 250g NE016bIl est utilisé pour diminuer l’impédance et améliorer la qualité du signal.
ÉlectrodesNeuroélectricitéNG PISTIM NE029Le NG Pistim se compose de deux pièces : la fixation (partie supérieure) et la rondelle filetée (partie inférieure).
Logiciels expérimentauxOUTILS LOGICIELS DE PSYCHOLOGIEE-prime3.0 Version 3.0.3.31C’est le logiciel utilisé pour créer le programme expérimental.
Dispositif HD-tDCSNeuroélectricitéStarstim 8C’est l’appareil utilisé pour délivrer la stimulation HD-tDCS.
Logiciels HD-tDCSNeuroélectricitéNIC2 V2.1.3.6C’est l’application qui permet à un ordinateur d’interagir avec le périphérique HD-tDCS.
Ordinateur portableVallonG5 5500Cet ordinateur exécute le logiciel utilisé dans l’expérience.
Plaque en néoprèneNeuroélectricitéMC’est un bonnet pour placer précisément les électrodes sur le cuir chevelu. Tailles : S (49 cm), M (54 cm), L (57 cm), XL (60 cm)
Outil statistiqueIBMSPSS V26Il est utilisé pour l’analyse de données.
Seringue-NE014Il est utilisé pour injecter du gel d’électrode.

Références

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

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Demander l’autorisation de réutiliser le texte ou les figures de cet article JoVE

Demander une autorisation

Mots-clés

tDCS haute d finitioncollaboration humain IAd l gation de t chesstimulation anodiquestimulation cathodiquestimulation fictivet che de classification d imagesANOVA mesures r p t es

Articles connexes