הערכת העומס הקוגניטיבי באמצעות מדד אלקטרוקרדיוגרפי: משימה שיתופית בין אדם לבינה מלאכותית
5 בדצמבר 2025
פרוטוקול זה מתאר את השימוש במדדים פיזיולוגיים למדידת שונות בעומס הקוגניטיבי ברמות קושי שונות במשימות שיתופיות בין אדם לבינה מלאכותית. הממצאים מצביעים על כך שאנשים מתאימים את תהליכי קבלת ההחלטות שלהם בהתאם לקושי המשימה, ובכך משקפים רמות שונות של עומס קוגניטיבי.
אנו חוקרים כיצד העומס הקוגניטיבי של אנשים משתנה בעבודה עם בינה מלאכותית במסגרת האצלה. כדי להתחיל, הצג את תהליך הניסוי בפני המשתתף, וודא שהוא מודע לחלוטין למחקר. הכינו את מערכת איסוף נתוני האלקטרוקרדיוגרם ואספו את כל החומרים הנדרשים, כולל האלקטרודות האלקטרוקרדיוגרפיות החד-פעמיות המורכבות מראש.
חבר את מערכת איסוף הנתונים למודול מקלט הנתונים של האלקטרוקרדיוגרם. באמצעות כבל סרט זכר-נקבה, יוצרים חיבור בין מערכת איסוף הנתונים למחשב המשמש להצגת גירויים. באמצעות כבל אתרנט, יש ליצור חיבור בין מערכת איסוף הנתונים לבין המחשב המשמש להקליט נתונים.
חבר את המערכת לספק כוח יציב. עכשיו, נקה את עור המשתתף עם מגבוני אלכוהול בשלושה אתרים. מתחת לצלע השמאלית, מתחת לעצם הבריח הימנית, ועל הבטן הימנית.
חבר טלאי אלקטרודה חד-פעמי אחד לכל אתר נקי. לאחר מכן מחברים את מחבר חוט ההובלה היטב למשדר האלקטרוקרדיוגרם, ומחברים את קליפס המתכת של חוט ההובלה לאלקטרודה המתאימה. אבטחו את משדר האלקטרוקרדיוגרם לגוף המשתתף באמצעות רצועות אלסטינקיות עם וו ולולאה וכווננו את מתח הרצועה כדי להבטיח שהמשדר יישאר במקום ויישאר נוח למשתתף.
הפעל את המתג של משדר האלקטרוקרדיוגרם והפעל את מערכת איסוף הנתונים של האלקטרוקרדיוגרם. בדוק את מצב החיבור האלחוטי בין המשדר למודול המקלט של מערכת איסוף הנתונים. כעת, השיק את תוכנת איסוף הנתונים לאלקטרוקרדיוגרפיה.
צור קובץ גרף חדש. בחר את מודול מקלט האלקטרוקרדיוגרם מתוך רשימת המכשירים. בחר את ערוץ ההקלטה המתאים לאלקטרוקרדיוגרמה ולחץ על אישור בחלון מצב החיבור החדש של המשדר.
לחץ על Start בממשק תוכנת רכישת הנתונים כדי להתחיל באיסוף נתוני אלקטרוקרדיוגרפיה. וודא שהגל האלקטרוקרדיוגרמי נראה יציב על המסך. כעת, הנחו את המשתתף להתחיל במשימת הניסוי.
לאחר סיום המשימה, לחץ על עצור בתוכנת איסוף הנתונים כדי לסיים את סשן ההקלטה. נתק את קליפסי חוטי העופרת מהמדבקות של האלקטרודות. שחרר את רצועות האטרקטור הגמישות עם וו ולולאה והסר את משדר האלקטרוקרדיוגרם מגוף המשתתף.
הדריך וסייע למשתתף להסיר בעדינות את מדבקות האלקטרודות החד-פעמיות ביד. לאחר מכן, פתח את קובץ הנתונים של האלקטרוקרדיוגרם המוקלט בתוכנת ניתוח הנתונים. בחרו את ערוץ האלקטרוקרדיוגרם והחלו סינון דיגיטלי.
בשורת התפריט, נווט לטרנספורמציה, אחריו פילטרים דיגיטליים ועצירת מסרק. ואז בתיבת הדו-שיח, בחר 'קבוע' בתדר מתחת לתדר הבסיס. הכנס 50 הרץ ולחץ על אישור כדי להחיל את המסנן.
לאחר מכן, לחץ על טרנספורמציה בשורת התפריטים. בחר פילטרים דיגיטליים, אחר כך FIR, ואחריו pass. בתיבת הדיאלוג, תחת ניתוק בתדר נמוך, בחר קבוע ב-1 הרץ.
בניתוק בתדר גבוה, בחר קבוע והזן 35 הרץ. כעת, ליצור אזורי מיקוד המבוססים על עיצוב הניסוי, ליצור ולייצא נתוני דופק על ידי בחירת ניתוח, ואחריו המודינמיקה והוצאת ECG מהתפריט. באפשרות הניתוח, בחר רק אזורי מיקוד ובאפשרות התוצאות בתצוגה, בחר גיליון אקסל בלבד.
לחץ על אישור כדי לאשר ולהשלים את הייצוא. כדי לייצר נתוני שונות דופק, פתח ניתוח ובחר HRV ו-RSA ואחריו סטטיסטיקה מרובת אפיות של HRV. בשדה ערוץ ה-ECG, בחר את ערוץ האלקטרוקרדיוגרמה המעובד מראש ותחת המצאה של סטטיסטיקות HRV לבחירת אזורי מיקוד.
עבור ל-output results, בחר גיליון אלקטרוני, ולחץ על אישור כדי ליצור ולייצא את תוצאות תחום הזמן. לבסוף, פתח שוב ניתוח ובחר HRV ו-RSA ואחריו HRV רב-אפי ו-RSA ספקטרלי. בשדה ערוץ ה-ECG, בחרו את ערוץ האלקטרוקרדיוגרם המעובד מראש.
מתחת לחלץ HRV ו-RSA עבור, בחר אזורי מיקוד. בסוג פלט, בחר בגיליון Excel בלבד, ולחץ על אישור כדי לייצא את תוצאות דומיין התדירות. קצב הלב הממוצע היה נמוך משמעותית במצב התמונה הקשה בהשוואה למצב התמונה הקלה.
השונות בקצב הלב בתדר גבוה הייתה גבוהה משמעותית במהלך מצב התמונה הקשה בהשוואה למצב התמונה הקל. ריבוע ממוצע השורש של ההבדלים העוקבים, עקב אחרי מגמה דומה והיה גבוה משמעותית במהלך תנאי התמונה הקשים. המשתתפים העבירו סמכויות בתדירות גבוהה יותר בתנאי התמונה הקשה מאשר בתנאי התמונה הקלה.
מצאנו שאנשים מתאימים את העומס הקוגניטיבי שלהם על ידי האצלת משימות כאשר עובדים עם AI.In עתיד, נבחן כיצד גישות שונות של למידה משותפת משפיעות על התוצאות כאשר בני אדם ובינה מלאכותית לומדים יחד.
צפו בתמליל המלא וקבלו גישה לאלפי סרטונים מדעיים
סקירה כללית
פרוטוקול זה מתאר את השימוש באינדיקטורים פיזיולוגיים למדידת שינויים בעומס קוגניטיבי ברמות קושי שונות של משימות שיתוף פעולה בין אדם ל-AI. הממצאים מצביעים על כך שאנשים מתאימים את תהליכי קבלת ההחלטות שלהם בהתאם לרמת הקושי של המשימה, ובכך משקפים רמות שונות של עומס קוגניטיבי.
מרכיבי מחקר עיקריים
תחום המדע
- מדעי המוח
- אינטראקציה בין אדם ל-AI
- פסיכולוגיה קוגניטיבית
רקע
- עומס קוגניטיבי הוא גורם קריטי בקבלת החלטות.
- הבנת עומס קוגניטיבי יכולה לשפר את שיתוף הפעולה בין אדם ל-AI.
- אינדיקטורים פיזיולוגיים מספקים מדדים אובייקטיביים של עומס קוגניטיבי.
- רמת הקושי של המשימה יכולה להשפיע על התהליכים הקוגניטיביים.
מטרת המחקר
- למדוד שינויים בעומס קוגניטיבי במהלך משימות בסיוע AI.
- לחקור כיצד רמת הקושי של המשימה משפיעה על קבלת ההחלטות.
- להשתמש באינדיקטורים פיזיולוגיים להערכת עומס קוגניטיבי.
שיטות שנעשה בהן שימוש
- הגדרת מערכת רכישת נתוני אלקטרוקרדיוגרמה.
- הכנת אלקטרודות חד-פעמיות, מוכנות לג'ל.
- חיבור מערכת רכישת הנתונים למחשבים להצגת גירויים והקלטת נתונים.
- הכרת המשתתפים עם הנוהל הניסיוני.
תוצאות עיקריות
- נצפו שינויים בעומס קוגניטיבי ברמות קושי שונות של המשימות.
- המשתתפים התאימו את תהליכי קבלת ההחלטות שלהם בהתאם לרמת הקושי של המשימה.
- אינדיקטורים פיזיולוגיים מדדו ביעילות את השינויים בעומס קוגניטיבי.
- הממצאים תורמים להבנת הדינמיקה של שיתוף פעולה בין אדם ל-AI.
מסקנות
- רמת הקושי של המשימה משפיעה באופן משמעותי על העומס הקוגניטיבי בסביבות שיתוף פעולה.
- מדדים פיזיולוגיים יכולים לספק תובנות לגבי תהליכים קוגניטיביים.
- הבנת עומס קוגניטיבי חיונית לאופטימיזציה של אינטראקציות בין אדם ל-AI.
שאלות נפוצות
Executive Industry Relevance
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.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables objective assessment of cognitive workload during decision-intensive target validation tasks.
- Supports mechanistic de-risking by revealing internal state dynamics during hypothesis testing with AI support.
- Facilitates portfolio triage by identifying cognitive bottlenecks in collaborative workflows.
Screening & Assay Development
- Provides validated physiological metrics for standardizing human-in-the-loop screening protocols.
- Improves reproducibility by quantifying operator cognitive load across assay conditions.
- Enables scalable evaluation of human-AI task allocation strategies in high-throughput environments.
Translational & Preclinical Research
- Aligns cognitive state monitoring with translational biomarker development for complex task execution.
- Supports continuity from discovery to preclinical validation by integrating physiological data into workflow analytics.
- De-risks advancement decisions by correlating cognitive load with task performance under varying difficulty levels.
Pipeline & Workflow Integration
This method integrates into the discovery-to-preclinical continuum by providing real-time cognitive state analytics during human-AI collaborative tasks.
- Discovery Biology: Supports hypothesis testing and pathway clarification by monitoring cognitive load during decision points.
- Screening: Delivers quantitative outputs for reproducibility and standardization in human-AI screening workflows.
- Analytics: Generates heart rate and heart rate variability metrics for comparative analysis across task conditions.
- Translational Research: Links physiological indicators to biomarker strategies for complex task execution.
- Enterprise Reuse: Establishes a reusable framework for cognitive state monitoring in diverse collaborative R&D settings.
Operational & Enterprise Impact
- Scientific Value: Enhances predictive confidence and reduces mechanistic ambiguity in collaborative workflows.
- Operational Value: Standardizes cognitive load measurement for reproducibility and scalability.
- Strategic Value: Informs go/no-go decisions and improves capital efficiency by optimizing human-AI task allocation.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement across discovery and translational programs.
Implementation Considerations
- Requires expertise in physiological data acquisition and analysis.
- Needs robust ECG instrumentation and data processing infrastructure.
- Demands cross-team standardization of cognitive load measurement protocols.
- Adaptable to various model systems with appropriate calibration.
- Dependent on validated physiological thresholds for actionable insights.
