מאמר שיטה

גירוי זרם ישר טרנס-גולגולתי בחדות גבוהה על קליפת המוח הקדם-מצחית הגבית-צידית הימנית כדי לשפר את הרגישות המטא-קוגניטיבית

DOI:

10.3791/68824

⸱

26 בספטמבר 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

במאמר זה

סיכום

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

מחקר זה הציע פרדיגמה ניסויית המיישמת גירוי זרם ישר טרנס-גולגולתי בחדות גבוהה (HD-tDCS) כדי לשפר את המטא-קוגניציה האנושית במשימות הקצאת בינה מלאכותית אנושית. התוצאות הראו את היעילות של HD-tDCS בשיפור הרגישות המטא-קוגניטיבית.

תקציר

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

בשיתוף פעולה בין אדם לבינה מלאכותית, האצלת משימות היא מרכיב קריטי. באופן אידיאלי, אם אדם מאמין שהוא מסוגל להשלים משימה, עליו לעשות זאת בעצמו; אחרת, יש להאציל את המשימה לצד השני. החלטות האצלה כאלה מושפעות מהערכות של אנשים לגבי יכולותיהם, המעוצבות על ידי מטא-קוגניציה - היכולת להעריך את יכולותיו של האדם. גירוי זרם ישר טרנס-גולגולתי בחדות גבוהה (HD-tDCS) היא טכנולוגיית גירוי מוחי לא פולשנית שיכולה לווסת את הריגוש של קליפת המוח כדי לשפר את הביצועים האנושיים. פרוטוקול זה מציג שיטה המשתמשת ב-HD-tDCS כדי לחקור את השפעותיו על מטא-קוגניציה אנושית במהלך משימות הקצאת בינה מלאכותית אנושית, ומפרטת את ההליך להחלת גירוי אנודלי, קתודלי או דמה על קליפת המוח הקדם-מצחית הגבית-צידית (DLPFC). הגירוי בוצע באמצעות מכשיר HD-tDCS נייד, תוך שימוש בסידור היקפי של חמש אלקטרודות, כולל אלקטרודת מטרה אחת וארבע אלקטרודות חוזרות. הגירוי נמשך בסך הכל 21 דקות, ועוצמת הזרם הייתה 2 mA. שיטה זו צפויה לספק נתיב מחקר חדש להמשך חקירה מעמיקה של המנגנונים העצביים והוויסות ההתנהגותי של בני אדם בתהליך האצלת משימות שיתופיות בין אדם לבינה מלאכותית ולספק בסיס תיאורטי מוצק לאופטימיזציה נוספת של משימות שיתופיות בין אדם לבינה מלאכותית.

מבוא

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

בינה מלאכותית (AI) הופכת שזורה יותר ויותר בחיי היומיום שלנו ובמקום העבודה. עם זאת, בהקשרים רבים בעולם האמיתי, בינה מלאכותית עדיין לא מסוגלת לבצע אוטומציה מלאה של תהליכי קבלת החלטות1. משימות מסוימות נותרו מאתגרות במיוחד עבור בינה מלאכותית בשל מגבלות טכנולוגיות נוכחיות, כמו גם שיקולים אתיים ומשפטיים. כתוצאה מכך, הענקת אוטונומיה מלאה לבינה מלאכותית בתחומים ספציפיים היא לרוב לא מעשית או לא מומלצת 2,3. בני אדם, אם כן, ממשיכים למלא תפקיד הכרחי במקום העבודה, ושיתוף פעולה בין אדם לבינה מלאכותית צפוי להפוך לאופן דומיננטי של ייצור ואספקת שירותים בעתיד. מחקר בתחומים כמו בריאות, אירוח ומשאבי אנוש הראה כי מאמצים משותפים בין בני אדם לבינה מלאכותית יכולים להפחית עלויות ובמקרים מסוימים לשפר את היעילות 4,5,6.

בשיתוף פעולה בין אדם לבינה מלאכותית, כל צד צפוי לקחת על עצמו משימות המתאימות לחוזקות שלו, תוך האצלת משימות פחות מתאימות לאחר. לכן, האצלת משימות יעילה חיונית לשיתוף פעולה מוצלח ולתוצאות ביצועים מיטביות. אדם ועמיתיו מצאו שכאשר תהליך ההאצלה אוטומטי לחלוטין ומטופל אך ורק על ידי בינה מלאכותית ללא מעורבות אנושית, בני אדם נוטים לחוות תפיסות מוגברותשל איום עצמי. Fuegener et al. דיווחו עוד כי במהלך תהליך האצלת משימות לבינה מלאכותית, אנשים מתקשים לעתים קרובות להעריך במדויק את היכולות שלהם או להעריך את קושי המשימה, מה שמשקף רמה נמוכה של מטא-קוגניציה8. ממצאים אלה מדגישים את החשיבות של שיפור המטא-קוגניציה בתרחישי הקצאת בינה מלאכותית אנושית כדי לשפר את היעילות והאיכות של שיתוף הפעולה.

מטא-קוגניציה מתייחסת ליכולתו של אדם להעריך את יכולותיו9. בהקשר של האצלה הדדית בין בני אדם לבינה מלאכותית, חיוני לא רק לגבש הבנה מדויקת של יכולות הצד השני, אלא גם להעריך את יכולותיו של האדם כדי לקבוע מתי האצלה מתאימה. ג'וסופוב ועמיתיו מצאו ששיתוף פעולה בין אדם לבינה מלאכותית הוא היעיל ביותר כאשר בני אדם מפגינים רמות גבוהות של מטא-קוגניציה - כלומר, כאשר הם יכולים להעריך במדויק הן את היכולות שלהם והן את אלה של AI10. באופן דומה, אטצ'לי ועמיתיו מצאו שטיפוח מטא-קוגניציה במסגרות חינוכיות יכול לקדם שיתוף פעולה עמוק ויעיל יותר בין בני אדם למערכות בינה מלאכותית11. מחקרים קודמים על שיתוף פעולה בין אדם לבינה מלאכותית העריכו לעתים קרובות מטא-קוגניציה באמצעות שאלונים לדיווח עצמי או על ידי שימוש בדירוגי ביטחון אנושי כמדדים עקיפים. עם זאת, במחקר פסיכולוגי, מדד מבוסס וקפדני יותר של מטא-קוגניציה הוא רגישות מטא-קוגניטיבית (meta-d')12. במחקר הנוכחי, אנו משתמשים ב-meta-d', בעקבות הגישה שתוארה על ידי Maniscalco et al. כדי להעריך רגישות מטא-קוגניטיבית13.

גירוי זרם ישר טרנס-גולגולתי (tDCS) נמצא בשימוש נרחב במחקר שמטרתו לשפר את המטא-קוגניציה14. היבטי ליבה של מטא-קוגניציה קשורים קשר הדוק לקליפת המוח הקדם-מצחית. tDCS מספק זרם ישר חלש לאזורים ספציפיים במוח, מווסת את הריגוש העצבי והפלסטיות הסינפטית בצורה לא פולשנית ולא פולשנית, ובכך מאפשר לחוקרים לשפר תפקודים קוגניטיביים שונים15. הארטי ועמיתיו מצאו כי גירוי אנודלי מעל קליפת המוח הקדם-מצחית הגבית-צידית הימנית (DLPFC) שיפר את ביצועי זיהוי השגיאות של המשתתפים במשימת מודעות לשגיאה, ובכך שיפר את הניטור המטא-קוגניטיבי שלהם על ביצועים קוגניטיביים16. בונה וסילבנטו דיווחו כי tDCS אנודלי השפיע על הטיה מטא-קוגניטיבית במטלת זיכרון עבודה17. מאטס ועמיתיו הראו כי בעוד ש-tDCS השפיע על דירוגי הביטחון של המשתתפים הן במטלות מטא-קוגניציה והן במטלות מנטליזציה, הוא לא שינה את הרגישות המטא-קוגניטיבית שלהם18. שיבוש או נזק זמני לקליפת המוח הקדם-מצחית - במיוחד אזורי ברודמן 46 ו-10 - הן בבני אדם והן בקופים הוכח כגורם לשינויים בתהליכים מטא-קוגניטיביים14. בנוסף, מחקרים קודמים סיפקו ראיות סיבתיות המקשרות בין גירוי של ה-DLPFC ליכולות מטא-קוגניטיביות19,20. ה-DLPFC הימני, במיוחד, ממלא תפקיד מפתח ברשת העצבית העומדת בבסיס השליטה הקוגניטיבית21,22, אשר קשורה קשר הדוק לדרישות המשימה הניסויית שלנו. לכן, בחרנו את ה-DLPFC הנכון כאתר היעד שלנו לגירוי. בהתאם לפרוטוקולים שנקבעו במחקרי tDCS על מטא-קוגניציה, יישמנו זרם של 2 mA למשך 21 דקות, כולל שלב17,23 של עלייה וירידה של דקה אחת. נכון לעכשיו, עוצמת הזרם הגבוהה ביותר המשמשת ב-tDCS היא 4 mA, שהוכחה כנסבלת עבור משתתפים במחקר שנערך על ידי Workman et al.24.

גירוי זרם ישר טרנס-גולגולתי בחדות גבוהה (HD-tDCS) הוא שינוי דיוק גבוה של tDCS קונבנציונלי, המציע נוירומודולציה ממוקדת יותר באמצעות מונטאז'ים מיוחדים של אלקטרודות בהשוואה ל-tDCS קונבנציונלי, המשתמש בשתי אלקטרודות פד גדולות, HD-tDCS מאפשר גירוי ממוקד וממוקד יותר של אזורים ספציפיים במוח, וכתוצאה מכך השפעות מתמשכות יותר25,26. בניגוד לטכניקות נוירופידבק שמטרתן גם לשפר את הביצועים הקוגניטיביים27, HD-tDCS מציע מספר יתרונות מעשיים, כולל תקופת הפעלה קצרה יותר, הליכי יישום פשוטים יותר ועלויות יישום נמוכות יותר28. מנקודת המבט של האצלת משימות אנושיות-בינה מלאכותית, HD-tDCS מציע דיוק מרחבי גבוה יותר, קלות תפעול וחסכוניות. יתר על כן, הוא מאפשר למשתתפים לעסוק במשימות מתמשכות הכוללות האצלה ורפלקציה בהקשרים הקרובים לתרחישים מהחיים האמיתיים או במקום העבודה, מה שהופך אותו למתאים במיוחד לחקירת מטא-קוגניציה בהאצלת בינה מלאכותית אנושית. במחקר זה, נעשה שימוש ב-HD-tDCS כדי לספק גירוי ממוקד יותר ל-DLPFC.

תכנון ניסיוני

חומרי הניסוי נלקחו מאתגר הזיהוי החזותי בקנה מידה גדול של ImageNet (ILSVRC)29. מודל הבינה המלאכותית היה GoogLeNet Inception v3, אחד המודלים בעלי הביצועים הטובים ביותר במשימות סיווג תמונות30.

משימת הניסוי הייתה משימת הקצאת בינה מלאכותית אנושית, במיוחד משימת סיווג תמונה. סיווג תמונות כרוך בהקצאת תמונת יעד לקטגוריה, וזו משימה כללית שאינה דורשת הכשרה ספציפית לתחום או מומחיות קודמת. משימות המבוססות על רקע מצבי ספציפי עלולות לפגוע ביכולת ההכללה. לדוגמה, בתרחישים בעלי סיכון גבוה הכרוכים באובדן פוטנציאלי, אנשים נוטים להאציל החלטות לבינה מלאכותית31, מה שהופך אותה למעשה לשעיר לעזאזלשל הצוות 32. המשימה ששימשה במחקר זה הותאמה מפרדיגמת הסיווג השיתופי של אדם-בינה מלאכותית שפותחה על ידי Fuegener et al. ועל ידי Gass et al.8,33.

נערך ניסוי ראשוני להערכת רמת הקושי של התמונה. קושי בתמונה הוא הדיוק הממוצע של התמונה המתאימה במצב אנושי בלבד. כפי שמוצג באיור 1, כל ניסוי כלל תמונת יעד וחמש קבוצות של אפשרויות תמונה. המשתתפים התבקשו לבחור את קבוצת האפשרויות המתאימה ביותר לתמונת היעד. בסך הכל 217 משתתפים השלימו את המחקר המקדים. כל המשתתפים במחקר הראשוני לא נכללו בגיוס לניסוי העיקרי.

figure-introduction-1
איור 1: ממשק ניסוי ראשוני. הממשק שהוצג למשתתפים בניסוי המקדים, שבו הם בחרו תגובה אחת מתוך חמש אפשרויות. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה. 

בממשק הניסוי הפורמלי (ראה איור 2), תמונת מטרה מוצגת בחלק העליון של המסך. בנוסף, מוצגות חמש אפשרויות של קבוצת תמונות ואפשרות הקצאה אחת (הממוקמת בפינה השמאלית העליונה של המסך). המשתתפים צריכים להחליט בין האצלת המשימה לבינה המלאכותית לבין השלמתה בעצמם. במקרה האחרון, הם בוחרים באחת מחמש אפשרויות קטגוריית התמונות המתאימה ביותר לתמונת היעד. לאחר כל החלטה, הממשק מתקדם לעמוד הבא, שבו המשתתפים מתבקשים לדרג את ביטחונם בהחלטת המשלחת שלהם בסולם מ-1 עד 4. לפני תחילת הניסוי הרשמי, המשתתפים קיבלו הודעה שלמערכת הבינה המלאכותית יש דיוק ממוצע של 76%.

figure-introduction-2
איור 2: ממשק ניסוי פורמלי. ממשק ראשי המוצג למשתתפים במהלך המשימה. (א) ממשק המשימות; (ב) ממשק דירוג האמון. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

בסך הכל גויסו 62 משתתפים ימניים לניסוי העיקרי. כל המשתתפים היו סטודנטים לתארים מתקדמים שלא היה להם ניסיון קודם במשימות ניסוי דומות. קריטריוני ההחרגה היו כדלקמן: אסור למשתתפים ליטול תרופות הרגעה-היפנוזה או חומרים פסיכואקטיביים במהלך 24 השעות שקדמו לניסוי, אסור שיהיו להם פגמים בגולגולת (למשל, חורים או שברים), ואסור שיהיו להם שתלי מתכת בגולגולת (למשל, לוחות מתכת). שני משתתפים לא נכללו: אחד בגלל דלקת דרמטולוגית שמנעה גירוי HD-tDCS, ואחד בגלל בליעת משקה המכיל קפאין לפני הניסוי. 60 המשתתפים הנותרים (גיל ממוצע = 22.68 ± 0.91 שנים) השלימו את הניסוי. הם חולקו באופן אקראי לאחד משלושה מצבי גירוי - אנודלי, קתודלי או מזויף - כל אחד עם 20 משתתפים. סימולציות השדה החשמלי מוצגות באיור 3. כל משתתף ביצע את משימת סיווג התמונה פעם אחת לפני ופעם אחרי הגירוי, והניב 120 מערכי נתונים לניתוח. הליך HD-tDCS מתואר באיור 4, וזרימת העבודה הניסיונית מסוכמת באיור 5. ערכנו ניתוח הספק אפריורי באמצעות G*Power 3.134, בהנחה של חזקה של 90% (1 - β = 0.90), גודל אפקט של f = 0.25 ורמת אלפא של 0.05. הניתוח הצביע על כך שיידרשו מינימום של 18 משתתפים לקבוצה. גודל המדגם הסופי שלנו עמד בדרישה זו.

figure-introduction-3
איור 3: סימולציה של שדה חשמלי. מבט רוחבי על התפלגות השדה החשמלי (צד ימין). (A) מצב גירוי אנודלי. (B) מצב גירוי קתודלי. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-introduction-4
איור 4: מערך ניסיוני HD-tDCS. תצלום של מערך הניסוי HD-tDCS, הממחיש את מיקום האלקטרודה ומיקום המכשיר במהלך הגירוי. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

figure-introduction-5
איור 5: תרשים זרימה ניסיוני. הניסוי כלל שלושה שלבים, כולל משימות סיווג תמונות שנערכו לפני ואחרי הגירוי. קיצורים: HD-tDCS = גירוי זרם ישר טרנס-גולגולתי בחדות גבוהה; rDLPFC = קליפת המוח הקדם-מצחית הגבית-צידית הימנית. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

מחקר זה נערך בהתאם לעקרונות הצהרת הלסינקי ואושר על ידי מועצת הביקורת המוסדית של אוניברסיטת ג'יאנגסו למדע וטכנולוגיה. השגנו את הסכמתם המודעת של המשתתפים להשתמש בנתונים שלהם ולשחררם.

1. הכנה

  1. התכוננו למשימת הניסוי.
    1. הורד נתוני תמונות מאתר ImageNet (https://image-net.org/).
      הערה: התמונות שהורדת מסווגות לקטגוריות, וכל קטגוריה מכילה תמונות מרובות.
    2. הפעל את קוד Python הקשור למודל GoogLeNet Inception v3 כדי לסווג תמונות (ראה קובץ משלים 1). שמור את חמש הקטגוריות החזויות המובילות עבור כל תמונה, יחד עם דיוק הסיווג של Top-1.
      הערה: קוד Python זה מבצע סיווג תמונה על ידי טעינת מודל Inception V3. עבור כל תמונת יעד, היא מוציאה את חמש הקטגוריות החזויות המובילות. ערכות התמונות המתאימות לחמש הקטגוריות החזויות הללו מוצגות למשתתפים כאפשרויות תגובה בניסוי. אם הקטגוריה הנכונה אינה בין חמש התחזיות המובילות, אחת הקטגוריות החזויות מוחלפת בקטגוריה הנכונה כדי להבטיח את הכללתה בין האפשרויות.
    3. השתמש ב-Python או בכל תוכנת דגימה אקראית כדי לבחור תמונת יעד מהתמונות המסווגות על ידי המודל.
    4. עבור כל תמונת יעד, חלץ 10 תמונות עבור כל אחת מחמש הקטגוריות כדי לשמש כאפשרויות תגובה. שנה את גודל כל התמונות כדי להבטיח מידות אחידות.
    5. ערכו מחקר מקדים והזמינו את המשתתפים להשתתף בניסוי.
      הערה: המחקר המקדים היה דומה לניסוי הפורמלי, פרט לכך שהמשתתפים נדרשו להשלים את כל הניסויים בעצמם, ללא אפשרות להאציל סמכויות וללא תהליך דירוג מהימנות.
    6. רשום את הדיוק של כל משתתף בתגובה לכל תמונה וחשב את שיעור הדיוק עבור כל תמונה. השתמש בציוני הדיוק כמדד לקושי בתמונה כדי לסווג את התמונות בהתאם.
      הערה: כל התמונות ממוינות לפי דיוק, כאשר דיוק גבוה יותר מצביע על קושי נמוך יותר. לדוגמה, כאשר 10% מהמשתתפים מגיבים נכון לתמונה, רמת הקושי של התמונה מוגדרת ל-90%.
    7. חלקו את התמונות לשתי קבוצות של דרגות קושי דומות על סמך ציוני הקושי שלהן. השתמש בשתי קבוצות התמונות כחומרים ניסיוניים כדי ליצור את תוכנית הניסוי הפורמלית באמצעות E-prime 3 (ראה קובץ משלים 1).
      הערה: תוכנית ניסיונית זו תוכננה להציג את משימת סיווג התמונה.
  2. ודא שלמשתתף אין התוויות נגד ל-HD-tDCS ואינו עומד בקריטריונים כלשהם לאי-הכללה. להציג את הליך הניסוי למשתתפים ולקבל הסכמה מדעת בכתב לאחר אישור הבנתם את המחקר.
    הערה: שאלו את המשתתף על היד הדומיננטית שלו ואשרו זאת על ידי התבוננות באיזו יד הוא משתמש כדי לכתוב.
  3. מדוד את היקף הראש של המשתתף באמצעות סרט מדידה ובחר את גודל מכסה הראש הניאופרן המתאים HD-tDCS (ראה טבלת חומרים) בהתאם.
  4. ודא שהתקן HD-tDCS טעון במלואו. ודא שכל האביזרים - כולל אלקטרודות, ג'ל אלקטרודות, מזרק המסופק עם המכשיר, כבלי האלקטרודות והמחשב המשמש להפעלת מערכת HD-tDCS - מוכנים לשימוש.
  5. בחר באופן אקראי אחת משתי משימות הניסוי כתנאי הבדיקה המוקדמת. הנחו את המשתתף להשלים את משימת סיווג התמונה.
    הערה: ניתן להשתמש במחולל מספרים אקראיים כדי להקצות באופן אקראי תנאי ניסוי.
    1. פתח את התוכנית.
    2. לחץ על RUN, הזן את מספר הנושא ומספר ההפעלה, אשר את המידע ולחץ על כן כדי להתחיל את משימת הניסוי.

2. גירוי HD-tDCS

  1. הכנס את החלקים התחתונים של חמש האלקטרודות למיקומים המתאימים על מכסה הראש של הניאופרן. חמשת המיקומים הללו משמשים כאתרי הגירוי.
    הערה: כדי למקד את ה-DLPFC הימני, השתמש בחמשת מיקומי האלקטרודות הבאים: F4, Fp2, Fz, C4 ו-F8.
  2. הנחו את המשתתף לשבת בנוחות בכיסא. מקם את הקצה הקדמי של מכסה הראש הניאופרן כ-1-2 ס"מ מעל הגבות. ודא ש-Cz מיושר עם נקודת האמצע בין שתי הנקודות הקדם-אוזניות. התקן את הכובע היטב על ראשו של המשתתף, והקפיד על יישור נכון.
    הערה: בעת התאמת מכסה הראש, הקפד לאתר את Cz, ה-inion, nasion ונקודות קדם-אוזניות שמאל וימין בהתאם למערכת ה-EEG הבינלאומית 10-20.
  3. מרחו ג'ל אלקטרודות (ראו Tשל חומרים) על כל אתר גירוי באמצעות המזרק המצורף למכשיר כדי להפחית את העכבה בין האלקטרודות לקרקפת.
    הערה: ג'ל האלקטרודה הוא ג'ל מוליך מאוד ומסיס במים.
    1. מלאו את המזרק בג'ל אלקטרודה.
    2. עבור כל אלקטרודה, חלקו את השיער עם המזרק כדי לחשוף את הקרקפת.
    3. יש להזריק כמות מספקת של ג'ל אלקטרודות על הקרקפת החשופה בתוך החלקים התחתונים של כל האלקטרודות.
    4. הברג יחד את החלקים העליונים והתחתונים של כל האלקטרודות.
  4. חבר את התקן HD-tDCS.
    1. הפעל את התקן HD-tDCS והפעל את תוכנת הבקרה המתאימה (ראה טבלת חומרים).
      הערה: המחשב שבו פועלת תוכנת הבקרה חייב לעמוד בדרישות הבאות לפחות: מעבד: 1.6 GHz; זיכרון RAM: 2 ג'יגה-בייט; ממשק: USB או WiFi; רזולוציית מסך: 1,280 x 768.
    2. הפעל Bluetooth במחשב. בתוכנת הבקרה, בחר השתמש בהתקני Wi-Fi כדי להתחיל בתהליך החיבור.
    3. המתן/י עד שכתובת ה-MAC של המכשיר תופיע ברשימה. לאחר שהוא מופיע, בחר את ההתקן.
    4. בהגדרה מסנן רעשי קו, בחר 50 הרץ כדי למנוע הפרעות חשמליות. 
      הערה: התדר שנבחר צריך להתאים לתדר מתח ה-AC המשמש במדינה בה נערך הניסוי.
    5. בתחתית לוח ההגדרות, לחץ על כפתור השתמש במכשיר זה . לאחר מכן התוכנה תיצור חיבור עם המכשיר.
  5. הגדר את פרוטוקול הגירוי HD-tDCS.
    1. לחץ על הסמל בצורת ראש בחלונית השמאלית של תוכנת הבקרה. לאחר מכן, לחץ על הוסף פרוטוקול חדש כדי ליצור פרוטוקול גירוי חדש.
    2. הגדר את משך הפרוטוקול ל-21 דקות, עם תקופת הגברה של 30 שניות ותקופת ירידה של 30 שניות לאספקה הנוכחית.
      הערה: אם הפרוטוקול הוא גירוי דמה, הפעל את האפשרות Sham .
    3. גרור/י את האלקטרודה F4 לתוך העמודה ״גירוי ״ משמאל. הגדר את הערוץ למצב גירוי, הזן עוצמת זרם של 2,000 μA35, בחר גירוי אנודלי.
      הערה: ייעוד האנודה והקתודה תלוי בסוג הגירוי המיועד.
    4. גרור את האלקטרודות Fp2, Fz, C4 ו-F8 לעמודת הגירוי. הגדר כל ערוץ למצב החזרה, והקצה 25% מהזרם הכולל לכל אחד. שמור את הפרוטוקול.
    5. בחר את פרוטוקול הגירוי המוגדר. חבר את מכשיר ה-HD-tDCS לרצועת הסקוטש בחלק האחורי של מכסה הראש. השתמש בכבלי האלקטרודה כדי לחבר את המכשיר לחומרת האלקטרודה.
      הערה: ודא שכל כבל מחובר למיקום האלקטרודה הנכון, התואם את התצורה בתוכנה.
    6. ודא שכל הכבלים מחוברים כהלכה. לחץ על טען PROTOCOL כפתור בפינה השמאלית התחתונה.
  6. לחץ על הלחצן בדוק עכבה כדי לבצע בדיקת עכבה.
    הערה: ודא שמחווני מצב החיבור עבור כל האלקטרודות שנבחרו הם ירוקים (0-10 kΩ) או כתומים (10-15 kΩ). אם מחוון כלשהו נראה אדום (>15 kΩ), יש למרוח מחדש את ג'ל האלקטרודה או להתאים את השיער כדי לחשוף יותר קרקפת כדי להפחית את העכבה.
  7. לחץ על כפתור ההתחלה (סמל משולש מצביע ימינה) כדי להתחיל את הגירוי.
  8. הנחו את המשתתפים לדווח על תחושותיהם במספר נקודות זמן במהלך מפגש הגירוי.
    הערה: אם משתתף מדווח על אי נוחות מעבר לתחושות רגילות, לחץ מיד על כפתור STOP בתוכנה, הסר את המכשיר מהמשתתף ובדוק את מצב הקרקפת שלו.

3. לאחר גירוי

  1. כבה את תוכנת הבקרה. נתק את הכבלים מהאלקטרודות והסר בזהירות את התקן HD-tDCS.
  2. הסר את מכסה הראש מראשו של המשתתף ונתק את כל האלקטרודות.
  3. בחר את תוכנית הניסוי האחרת שטרם הושלמה. הנחו את המשתתף להשלים את משימת סיווג התמונה כמבחן שלאחר המבחן.
  4. ספקו למשתתף ציוד לניקוי שיערו.
  5. הנחו את המשתתפים למלא שאלון תחושה לאחר מפגש HD-tDCS36. השתמש בשאלון כדי להעריך את הסובלנות והחוויה הסובייקטיבית של המשתתפים לגירוי HD-tDCS.
  6. נקה את מכסה הראש והאלקטרודות.
    1. יש לשטוף היטב את מכסה הראש במים. תלו את מכסה הראש לייבוש באוויר.
    2. השתמש במי ברז כדי לשטוף בעדינות את הג'ל מהאלקטרודות.
      הערה: השתמש במים חמים כדי להמיס את הג'ל מהר יותר.
    3. השאירו את האלקטרודות לייבוש באוויר על מגבת נייר או מטלית הרחק מאור שמש ישיר. לאחר הייבוש, הניחו אותם באריזתם לאחסון לטווח הארוך.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

תוצאת המפתח של מחקר זה כוללת מדידה של רגישות מטא-קוגניטיבית באמצעות meta-d'. מבחן נורמליות נערך על ציוני הרגישות המטא-קוגניטיבית של המשתתפים בסוגי גירויים שונים, והתוצאות הראו כי הנורמליות התקיימה בכל התנאים. ANOVA במדידות חוזרות בוצעו כדי להשוות רגישות מטא-קוגניטיבית על פני סוגי גירויים שונים, כאשר התוצאות מוצגות בטבלה 1. למרות שההשפעות העיקריות של זמן וסוג הגירוי לא היו מובהקות (p > 0.05), האינטראקציה בין הזמן (לפני המבחן, לאחר המבחן) ו...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

כדי להבטיח את אמינות תוצאות הניסוי, יש לקחת בחשבון מספר גורמים במהלך ההליך. ראשית, בעת חיבור הכבלים לחומרת האלקטרודה HD-tDCS, חיוני לוודא שכל כבל מתאים בדיוק למיקום האלקטרודה המיועד, מכיוון שחיבורים שגויים עלולים לגרום להשפעות פיזיולוגיות לא מכוונות. שנית, מכיוון שמדובר במחקר חד-סמיות הכולל מצב גירוי דמה, המשתתפים לא יכולים לראות את ממשק הפעולה במהלך הליך HD-tDCS. שלישית, בעת הכנת החומרים למשימת הקצאת אדם-בינה מלאכותית, כל התמונות בכל קבוצת בחירה צריכות להיות סטנדרטיות בגודלן כדי למנוע ה...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

למחברים אין מה לחשוף.

תודות

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

מחקר זה נתמך על ידי תוכנית החדשנות למחקר ופרקטיקה לתארים מתקדמים של מחוז ג'יאנגסו (KYCX25_4311), הקרן הלאומית למדעי הטבע של סין (72374088, 72471105, 72472094, 72001096), 2024 פרויקט מפתח של תכנון מחקר מדעי להשכלה גבוהה של איגוד סין להשכלה גבוהה (24XX0205, מנגנונים של אסטרטגיות שיתוף פעולה בין אדם לבינה מלאכותית בשיפור תוצאות הלמידה), 2024 פרויקט מפתח של תכנון מדעי החינוך במחוז ג'יאנגסו (B-b/2024/01/162, בניית מודלים ומחקר אמפירי על למידה רב-מודאלית מנקודת מבט של מדעי המוח החינוכיים), מלגת ממשלת ג'יאנגסו ללימודים בחו"ל (JS-2024-69) והקרן למדעי הרוח והחברה של משרד החינוך של סין (24YJCZH445).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
כבלי אלקטרודותנוירואלקטריםכבל אלקטרודות 10כבל האלקטרודה כולל 10 שקעים רפואיים לאלקטרודה.
ג'ל אלקטרודהמעבדות פארקרשלט 250g NE016bהוא משמש להורדת ההתנגדות ולשיפור איכות האות.
אלקטרודותנוירואלקטריםNG PISTIM NE029ה-NG Pistim מורכב משני חלקים: האטם (החלק העליון) והוושר המוברג (החלק התחתון).
תוכנה ניסיוניתכלי תוכנה לפסיכולוגיהבניית E-prime3.0 3.0.3.31זו התוכנה ששימשה לבניית התוכנית הניסיונית.
מכשיר HD-tDCSנוירואלקטריםסטארסטים 8זהו המכשיר המשמש להעברת גירוי HD-tDCS.
תוכנת HD-tDCSנוירואלקטריםNIC2 V2.1.3.6זהו היישום שמאפשר למחשב לתקשר עם מכשיר HD-tDCS.
מחשב ניידדלG5 5500המחשב הזה מריץ את התוכנה ששימשה בניסוי.
כיסוי ראש ניאופרןנוירואלקטריםMזהו כיסוי ראש למיקום מדויק של האלקטרודות על הקרקפת. גדלים: S (49 ס"מ), M (54 ס"מ), L (57 ס"מ), XL (60 ס"מ)
כלי סטטיסטייבמSPSS V26הוא משמש לניתוח נתונים.
מזרק-NE014הוא משמש להזרקת ג'ל אלקטרודות.

מקורות

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

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

tDCSANOVA

מאמרים קשורים