5 décembre 2025
Ce protocole décrit l’utilisation d’indicateurs physiologiques pour mesurer les variations de la charge cognitive selon différents niveaux de difficulté dans les tâches collaboratives humain-IA. Les résultats suggèrent que les individus adaptent leurs processus décisionnels en fonction de la difficulté de la tâche, reflétant ainsi différents niveaux de charge cognitive.
Nous étudions comment la charge cognitive des personnes évolue lorsqu’elles travaillent avec l’IA dans un contexte de délégation. Pour commencer, présentez la procédure expérimentale au participant et assurez-vous qu’il est pleinement informé de l’étude. Préparez le système d’acquisition de données d’électrocardiogramme et rassemblez tous les matériaux nécessaires, y compris les électrodes électrocardiogrammes jetables pré-gelées.
Connectez le système d’acquisition de données au module récepteur de données électrocardiogramme. En utilisant le câble ruban mâle-femelle, établissez une connexion entre le système d’acquisition de données et l’ordinateur utilisé pour la présentation du stimulus. À l’aide d’un câble ethernet, établissez une connexion entre le système d’acquisition de données et l’ordinateur utilisé pour l’enregistrement des données.
Branchez le système sur une alimentation stable. Maintenant, nettoyez la peau du participant avec des lingettes alcoolisées sur trois sites. Sous la côte gauche, sous la clavicule droite, et sur l’abdomen droit.
Fixez un patch électrode électrocardiographique jetable sur chaque site nettoyant. Fixez ensuite le connecteur du fil de fil solidement à l’émetteur d’électrocardiogramme, et connectez la pince métallique du fil de fil à l’électrode correspondante. Fixez l’émetteur électrocardiographique au corps du participant à l’aide de sangles extensibles à crochet et boucle et ajustez la tension de la sangle pour garantir que l’émetteur reste en place et confortable pour le participant.
Allumez l’interrupteur de l’émetteur électrocardiogramme et allumez le système d’acquisition de données électrocardiogrammatique. Vérifiez l’état de la connexion sans fil entre l’émetteur et le module récepteur du système d’acquisition de données. Maintenant, lancez le logiciel d’acquisition de données par électrocardiogramme.
Créez un nouveau fichier graphique. Sélectionnez le module récepteur d’électrocardiogramme dans la liste des appareils. Choisissez le canal d’enregistrement d’électrocardiogramme approprié et cliquez sur OK dans la nouvelle fenêtre d’état de connexion de l’émetteur.
Cliquez sur démarrer dans l’interface logicielle d’acquisition de données pour commencer la collecte de données par électrocardiogramme. Vérifiez que la forme d’onde de l’électrocardiogramme semble stable à l’écran. Maintenant, demandez au participant de commencer la tâche expérimentale.
Après la tâche, cliquez sur arrêter dans le logiciel d’acquisition de données pour terminer la session d’enregistrement. Détachez les clips de fil de plomb des patchs d’électrodes. Desserrez les sangles extensibles des attaches à crochet et retirez le transmetteur électrocardiogramme du corps du participant.
Instruire et aider le participant à retirer doucement les patchs d’électrodes jetables à la main. Ensuite, ouvrez le fichier de données d’électrocardiogramme enregistré dans le logiciel d’analyse des données. Sélectionnez le canal de l’électrocardiogramme et appliquez un filtrage numérique.
Dans la barre de menu, naviguez vers transformer suivi des filtres numériques et un arrêt de bande peignée. Ensuite, dans la boîte de dialogue, sélectionnez fixe sous la fréquence de base. Entrez 50 hertz et cliquez sur OK pour appliquer le filtre.
Ensuite, cliquez sur transformer dans la barre de menu. Sélectionnez les filtres numériques, puis le FIR, suivi du passage de bande. Dans la boîte de dialogue, sous la coupure basse fréquence, sélectionnez fixe à et entrez un hertz.
Sous la coupure haute fréquence, sélectionnez fixe à et entrez 35 hertz. Maintenant, créez des zones de focus basées sur le plan expérimental, générez et exportez les données de fréquence cardiaque en sélectionnant l’analyse, suivies de l’hémodynamique et de l’extraction des intervalles ECG depuis la barre de menu. Dans l’option d’analyse, choisissez uniquement les zones de focus et, dans l’option des résultats affichés, sélectionnez uniquement un tableur Excel.
Cliquez sur OK pour confirmer et compléter l’exportation. Pour générer des données de variabilité de la fréquence cardiaque, ouvrez une analyse et sélectionnez la VRC et la RSA suivies d’une statistique multi-épique de la VFC. Dans le champ du canal ECG, sélectionnez le canal électrocardiographique pré-traité et extrayez les statistiques de la VFC pour choisir les zones de focalisation.
Allez dans les résultats de sortie, sélectionnez tableur, et cliquez sur OK pour générer et exporter les résultats du domaine temporel. Enfin, on ouvre à nouveau l’analyse et on sélectionne HRV et RSA, suivi du spectre HRV et RSA multi-épiques. Dans le champ du canal ECG, sélectionnez le canal électrocardiogramme pré-traité.
Sous extraction, HRV et RSA, choisissez les zones de focus. Dans le type de sortie, sélectionnez uniquement un tableur Excel, puis cliquez sur OK pour exporter les résultats du domaine fréquentiel. La fréquence cardiaque moyenne était significativement plus faible sous l’état d’image difficile comparé à l’état d’image facile.
La variabilité de la fréquence cardiaque à haute fréquence était significativement plus élevée lors de la condition d’image difficile comparée à la condition d’image facile. La racine quadratique moyenne des différences successives a suivi une tendance similaire et était significativement plus élevée lors de la condition d’image difficile. Les participants ont délégué beaucoup plus fréquemment sous la condition d’image difficile que sous la condition d’image facile.
Nous avons constaté que les gens ajustent leur charge cognitive en déléguant des tâches lorsqu’ils travaillent avec AI.In avenir, nous examinerons comment différentes approches de co-apprentissage influencent les résultats lorsque l’humain et l’IA apprennent ensemble.
Consultez la transcription complète et accédez à des milliers de vidéos scientifiques
Ce protocole décrit l'utilisation d'indicateurs physiologiques pour mesurer les variations de la charge cognitive à travers différents niveaux de difficulté de tâche dans des tâches collaboratives humain-IA. Les résultats suggèrent que les gens adaptent leurs processus de prise de décision en fonction de la difficulté de la tâche, reflétant ainsi différents niveaux de charge cognitive.
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.