Stima del carico cognitivo usando misura elettrocardiografica: un compito collaborativo umano-IA
December 5th, 2025
Questo protocollo descrive l'uso di indicatori fisiologici per misurare variazioni nel carico cognitivo tra diversi livelli di difficoltà nei compiti collaborativi umano-IA. I risultati suggeriscono che le persone adattano i propri processi decisionali in base alla difficoltà del compito, riflettendo così diversi livelli di carico cognitivo.
Studiamo come cambia il carico cognitivo delle persone quando lavorano con l'IA in un contesto di delegazione. Per cominciare, presentare la procedura sperimentale al partecipante e assicurarsi che sia completamente informato sullo studio. Prepara il sistema di acquisizione dati per l'elettrocardiogramma e raccogli tutti i materiali necessari, inclusi gli elettrodi elettrocardiografici pre-gelificati e usa e getta.
Collega il sistema di acquisizione dati al modulo ricevitore elettrocardiogramma. Utilizzando il cavo nastro maschio-femmina, stabilire una connessione tra il sistema di acquisizione dati e il computer utilizzato per la presentazione dello stimolo. Utilizzando un cavo ethernet, stabilire una connessione tra il sistema di acquisizione dati e il computer utilizzato per la registrazione dati.
Collega il sistema a un alimentatore stabile. Ora, pulisci la pelle del partecipante con salviette alcolici in tre siti. Sotto la costola sinistra, sotto la clavicola destra e sull'addome destro.
Attacca un cerotto elettrodico elettrocardiografico usa e getta a ciascun punto di pulizia. Poi collega saldamente il connettore del filo al trasmettitore elettrocardiografico e collega la clip metallica del filo al corrispondente elettrodo. Fissare il trasmettitore elettrocardiografico al corpo del partecipante usando cinghie elastiche a gancio e anello e regolare la tensione della cinghia per garantire che il trasmettitore rimanga in posizione e rimanga confortevole per il partecipante.
Accendi l'interruttore del trasmettitore elettrocardiografico e accendi il sistema di acquisizione dati elettrocardiografico. Controlla lo stato della connessione wireless tra il trasmettitore e il modulo ricevitore del sistema di acquisizione dati. Ora, avvia il software di acquisizione dati per elettrocardiogrammi.
Crea un nuovo file di grafico. Seleziona il modulo ricevitore elettrocardiografico dalla lista dei dispositivi. Scegli il canale appropriato per la registrazione dell'elettrocardiogramma e clicca su ok nella nuova finestra di stato della connessione del trasmettitore visualizzata.
Clicca su start nell'interfaccia software di acquisizione dati per iniziare la raccolta elettrocardiografica. Verifica che la forma d'onda dell'elettrocardiogramma appaia stabile sullo schermo. Ora, istruisci il partecipante a iniziare il compito sperimentale.
Dopo il completamento del compito, clicca su stop nel software di acquisizione dati per terminare la sessione di registrazione. Stacca le clip per filo di conduzione dalle patch degli elettrodi. Allenta le cinghie elastiche dei ganci e rimuovi il trasmettitore elettrocardiografico dal corpo del partecipante.
Istruisci e assisti il partecipante a rimuovere delicatamente a mano i cerotti elettrodi usa e getta. Successivamente, apri il file di dati elettrocardiografici registrati nel software di analisi dati. Seleziona il canale elettrocardiogramma e applica il filtraggio digitale.
Nella barra del menu, naviga verso la trasformazione seguita dai filtri digitali e da pettine di fermata della banda. Poi, nella finestra di dialogo, seleziona fisso sotto la frequenza base. Inserisci 50 hertz e clicca su ok per applicare il filtro.
Poi, clicca su trasforma nella barra del menu. Seleziona i filtri digitali, poi il FIR, seguito dal passaggio di banda. Nella finestra di dialogo, sotto il cutoff bassa frequenza, seleziona fisso a e inserisci un hertz.
Sotto il cutoff ad alta frequenza, seleziona fisso a e inserisci 35 hertz. Ora, crea aree di focus basate sul disegno sperimentale, genera ed esporta i dati sulla frequenza cardiaca selezionando l'analisi, seguita dall'emodinamica e dall'estrazione degli intervalli ECG dalla barra del menu. Nell'opzione analizza, scegli solo aree di messa a fuoco e nei risultati di visualizzazione come opzione, seleziona solo foglio di calcolo Excel.
Clicca su ok per confermare e completare l'esportazione. Per generare dati sulla variabilità della frequenza cardiaca, apri l'analisi e seleziona HRV e RSA seguite da statistiche multi-epiche HRV. Nel campo del canale ECG, seleziona il canale elettrocardiografico pre-elaborato e sotto estrazione delle statistiche HRV per selezionare le aree di focus.
Vai a output results, seleziona foglio di calcolo e clicca su ok per generare ed esportare i risultati del dominio temporale. Infine, si apre nuovamente l'analisi e si seleziona HRV e RSA seguiti da HRV e RSA multi-epici spettrali. Nel campo del canale ECG, seleziona il canale elettrocardiografico pre-elaborato.
Sotto estrazione HRV e RSA per scegli le aree di foco. Nel tipo di output, seleziona solo foglio Excel e clicca su ok per esportare i risultati nel dominio della frequenza. La frequenza cardiaca media era significativamente più bassa nella condizione di immagine difficile rispetto a quella di immagine facile.
La variabilità della frequenza cardiaca ad alta frequenza era significativamente maggiore durante la condizione di immagine difficile rispetto a quella di immagine facile. La radice quadratica media delle differenze successive ha seguito una tendenza simile ed è stata significativamente più alta durante la difficile condizione dell'immagine. I partecipanti hanno delegato significativamente più frequentemente sotto la condizione immagine difficile rispetto a quella facile.
Abbiamo riscontrato che le persone adattano il proprio carico cognitivo delegando i compiti quando lavorano con AI.In futuro; esamineremo come i diversi approcci di co-learning influenzino i risultati quando umani e IA imparano insieme.
View the full transcript and gain access to thousands of scientific videos
Panoramica
Questo protocollo descrive l'uso di indicatori fisiologici per misurare le variazioni del carico cognitivo in diversi livelli di difficoltà dei compiti in attività collaborative uomo-IA. I risultati suggeriscono che le persone adattano i loro processi decisionali in base alla difficoltà del compito, riflettendo così diversi livelli di carico cognitivo.
Componenti chiave dello studio
Area della scienza
- Neuroscienza
- Interazione uomo-IA
- Psicologia cognitiva
Contesto
- Il carico cognitivo è un fattore critico nel processo decisionale.
- Comprendere il carico cognitivo può migliorare la collaborazione uomo-IA.
- Gli indicatori fisiologici forniscono misure oggettive del carico cognitivo.
- La difficoltà del compito può influenzare i processi cognitivi.
Obiettivo dello studio
- Misurare le variazioni del carico cognitivo durante i compiti assistiti dall'IA.
- Esplorare come la difficoltà del compito influenzi il processo decisionale.
- Utilizzare indicatori fisiologici per valutare il carico cognitivo.
Metodi utilizzati
- Configurazione del sistema di acquisizione dati dell'elettrocardiogramma.
- Preparazione di elettrodi usa e getta pre-gelati.
- Collegamento del sistema di acquisizione dati ai computer per la presentazione degli stimoli e la registrazione dei dati.
- Introduzione della procedura sperimentale ai partecipanti.
Risultati principali
- Sono state osservate variazioni del carico cognitivo in diversi livelli di difficoltà dei compiti.
- I partecipanti hanno adattato i loro processi decisionali in base alla difficoltà del compito.
- Gli indicatori fisiologici hanno misurato efficacemente i cambiamenti del carico cognitivo.
- I risultati contribuiscono alla comprensione delle dinamiche di collaborazione uomo-IA.
Conclusioni
- La difficoltà del compito influenza significativamente il carico cognitivo in contesti collaborativi.
- Le misure fisiologiche possono fornire informazioni sui processi cognitivi.
- Comprendere il carico cognitivo è essenziale per ottimizzare le interazioni uomo-IA.
Domande frequenti
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.
