心電図測定を用いた認知負荷の推定:人間とAIの共同課題
2025年12月5日
このプロトコルは、人間とAIの協働タスクにおける異なるタスク難易度レベルでの認知負荷の変動を生理学的指標を用いて測定する方法を説明しています。この発見は、人々が課題の難易度に応じて意思決定プロセスを適応させ、認知負荷のレベルが異なることを反映していることを示唆しています。
私たちは、委任の場でAIを扱う際の認知負荷の変化を研究しています。まずは、実験手順を参加者に紹介し、研究について十分に理解させてください。心電図データ取得システムを準備し、必要な材料をすべて収集してください。事前にゲル化された使い捨て心電極も含まれます。
データ取得システムを心電図データ受信モジュールに接続します。オス対メスのリボンケーブルを使い、データ取得システムと刺激提示に使われるコンピュータとの接続を確立します。イーサネットケーブルを使って、データ取得システムとデータ記録に使用されるコンピュータとの接続を確立します。
システムを安定した電源に接続してください。次に、アルコールワイプで3か所を肌を洗浄します。左肋骨の下、右鎖骨の下、そして右腹部に。
心電図送信機のスイッチを入れ、心電図データ取得システムの電源を入れてください。データ取得システムの送信機と受信モジュール間の無線接続状況を確認してください。さあ、心電図データ取得ソフトを起動しろ。
新しいグラフファイルを作成します。デバイスリストから心電図受信モジュールを選択します。適切な心電図記録チャンネルを選択し、新たに表示される送信機接続ステータスウィンドウで「OK」をクリックします。
データ取得ソフトウェアインターフェースの開始ボタンをクリックして心電図のデータ収集を開始します。心電図の波形が画面上で安定しているか確認してください。次に、参加者に実験課題を始めるよう指示します。
使い捨て電極パッチを手で優しく外すよう指導し、支援してください。次に、データ解析ソフトで記録された心電図データファイルを開きます。心電図チャンネルを選択し、デジタルフィルタリングを適用します。
メニューバーで変形に切り替え、その後デジタルフィルターとコームバンドストップを選びます。ダイアログボックスで「固定」をベース周波数の下で選択します。50ヘルツを入力して「OK」をクリックしてフィルターを適用してください。
次に、メニューバーの「トランスフォーム」をクリックします。デジタルフィルターを選択し、次にFIR、バンドパスを選択します。ダイアログボックスの低周波カットオフの「fixed at」を選択し、1ヘルツを入力してください。
高周波カットオフで「固定」を選択し、35ヘルツを入力してください。次に、実験デザインに基づいてフォーカスエリアを作成し、解析を選択して心拍数データを生成・エクスポートし、メニューバーから血行動態と心電図の間隔抽出を行います。分析オプションで「フォーカスエリアのみ」を選択し、結果表示のオプションで「Excelスプレッドシートのみ」を選択してください。
「OK」をクリックして確認し、エクスポートを完了してください。心拍変動データを作成し、オープン解析を行い、HRVおよびRSAを選択し、その後マルチEPIC HRV統計を行います。心電図チャネル欄で、事前処理済み心電図チャネルを選択し、HRV統計を抽出して焦点領域を選択してください。
出力結果のところに行き、スプレッドシートを選択し、OKをクリックしてタイムドメインの結果を生成しエクスポートします。最後に再度解析を開き、HRVとRSAを選択し、その後マルチエピックHRVとRSAスペクトルを行います。心電図チャネル欄で、事前処理済み心電図チャネルを選択します。
抽出するHRVとRSAの項目で、重点分野を選択してください。出力タイプでは「Excelスプレッドシートのみ」を選択し、「OK」をクリックして周波数領域の結果をエクスポートします。難易度画像条件では、簡単な画像条件と比べて平均心拍数が有意に低かった。
難易度画像条件下では、高周波心拍変動が容易な画像条件下よりも有意に高かった。連続差分の平均二乗根も同様の傾向をたどり、困難な画像条件下では有意に高かった。参加者は難しい画像条件の方が簡単な画像条件よりもはるかに頻繁に委任しました。
私たちは、人々が将来 AI.In と仕事をする際にタスクを委任することで認知負荷を調整することを発見しました。今後、人間とAIが共に学習した際の異なる共学習アプローチが成果にどのような影響を与えるかを見ていきます。
完全なトランスクリプトを表示し、数千本の科学動画にアクセス
概要
このプロトコルは、人間とAIの協調タスクにおける異なるタスク難易度レベルでの認知負荷の変化を測定するための生理学的指標の使用について説明しています。その結果は、人々がタスクの難易度に応じて意思決定プロセスを適応させ、それによって異なるレベルの認知負荷を反映していることを示唆しています。
主要な研究要素
科学の領域
- 神経科学
- 人間とAIの相互作用
- 認知心理学
背景
- 認知負荷は意思決定における重要な要因です。
- 認知負荷を理解することで、人間とAIの協働を改善できます。
- 生理学的指標は認知負荷の客観的な測定を提供します。
- タスクの難易度は認知プロセスに影響を与えることができます。
研究の目的
- AI支援タスク中の認知負荷の変化を測定すること。
- タスクの難易度が意思決定にどのように影響するかを探ること。
- 生理学的指標を用いて認知負荷を評価すること。
使用された方法
- 心電図データ取得システムのセットアップ。
- ゲル塗布済みの使い捨て電極の準備。
- 刺激提示とデータ記録のためのデータ取得システムとコンピューターへの接続。
- 参加者への実験手順の紹介。
主な結果
- タスクの難易度レベルにわたって認知負荷の変化が観察されました。
- 参加者はタスクの難易度に基づいて意思決定プロセスを適応させました。
- 生理学的指標は認知負荷の変化を効果的に測定しました。
- 結果は人間とAIの協働のダイナミクスの理解に貢献します。
結論
- タスクの難易度は協調設定における認知負荷に大きな影響を与えます。
- 生理学的測定は認知プロセスへの洞察を提供できます。
- 認知負荷を理解することは、人間とAIの相互作用の最適化に不可欠です。
よくある質問
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.
