심전도측정을 이용한 인지 부하 추정: 인간-AI 협력 과제
2025년 12월 5일
이 프로토콜은 인간-AI 협력 과제에서 다양한 과제 난이도 수준에 따른 인지 부하 변동을 측정하기 위해 생리학적 지표를 사용하는 방법을 설명합니다. 연구 결과는 사람들이 과제의 난이도에 따라 의사결정 과정을 조정하여 서로 다른 인지 부하 수준을 반영함을 시사합니다.
우리는 위임 환경에서 AI를 다룰 때 사람들의 인지 부하가 어떻게 변하는지 연구합니다. 우선, 참가자에게 실험 절차를 소개하고, 연구에 대해 충분히 이해하도록 하세요. 심전도 데이터 수집 시스템을 준비하고, 미리 젤링된 일회용 심전극을 포함한 모든 필요한 재료를 수집하세요.
데이터 수집 시스템을 심전도 데이터 수신 모듈에 연결합니다. 남성-여성 리본 케이블을 사용하여 데이터 수집 시스템과 자극 제시에 사용되는 컴퓨터 간의 연결을 설정합니다. 이더넷 케이블을 사용해 데이터 수집 시스템과 데이터 기록에 사용되는 컴퓨터 사이에 연결을 설정합니다.
시스템을 안정적인 전원 공급에 연결하세요. 이제 세 군데 부위에서 알코올 물티슈로 참가자의 피부를 닦아주세요. 왼쪽 갈비뼈 아래, 오른쪽 쇄골 아래, 그리고 오른쪽 복부에 있습니다.
각 청결 부위에 일회용 심전도 전극 패치를 부착하세요. 그 다음 리드선 커넥터를 심전도 송신기에 단단히 연결하고, 리드선의 금속 클립을 해당 전극에 연결하세요. 신축성 있는 훅 앤 루프 고정 스트랩으로 심전도 송신기를 참가자의 몸에 고정하고, 스트랩 장력을 조절하여 송신기가 제자리에 고정되고 참가자가 편안하게 착용할 수 있도록 하세요.
심전도 송신기 스위치를 켜고 심전도 데이터 수집 시스템의 전원을 켜세요. 데이터 수집 시스템의 송신기와 수신기 모듈 간 무선 연결 상태를 확인하세요. 이제 심전도 데이터 수집 소프트웨어를 출시하세요.
새 그래프 파일을 만드세요. 장치 목록에서 심전도 수신기 모듈을 선택하세요. 적절한 심전도 기록 채널을 선택한 후 새로 표시된 송신기 연결 상태 창에서 확인을 클릭하세요.
데이터 수집 소프트웨어 인터페이스에서 '시작'을 클릭하여 심전도 데이터 수집을 시작하세요. 심전도의 파형이 화면에 안정적으로 보이는지 확인하세요. 이제 참가자에게 실험 과제를 시작하라고 지시하세요.
작업이 완료된 후에는 데이터 수집 소프트웨어에서 '중단'을 클릭하여 녹화 세션을 종료합니다. 전극 패치에서 납선 클립을 분리하세요. 신축성 있는 후크 앤 루프 고정 스트랩을 풀고 참가자의 몸에서 심전도 송신기를 제거하세요.
일회용 전극 패치를 손으로 부드럽게 제거하는 방법을 지도하고 도와주세요. 다음으로, 데이터 분석 소프트웨어에서 기록된 심전도 데이터 파일을 엽니다. 심전도 채널을 선택하고 디지털 필터링을 적용하세요.
메뉴 바에서 변환 → 디지털 필터와 콤 밴드 스톱으로 이동하세요. 그 다음 대화 상자에서 기본 주파수 아래에서 고정 옵션을 선택하세요. 50 Hz를 입력하고 확인을 눌러 필터를 적용하세요.
다음으로 메뉴 바에서 변환을 클릭하세요. 디지털 필터를 선택한 후 FIR, 그리고 밴드 패스를 선택하세요. 대화 상자에서 저주파 컷오프 항목에서 고정 위치를 선택하고 1헤르츠를 입력하세요.
고주파 컷오프 상태에서 고정 위치를 선택하고 35헤르츠를 입력합니다. 이제 실험 설계에 따라 초점 영역을 생성하고, 분석을 선택해 심박수 데이터를 생성 및 내보내고, 메뉴 바에서 혈역학과 ECG 구간 추출을 진행하세요. 분석 옵션에서 집중 영역만 선택하고, 결과 표시 옵션에서 Excel 스프레드시트 전용을 선택하세요.
확인하고 내보내기를 완료하려면 확인을 클릭하세요. 심박 변이 데이터를 생성하기 위해 HRV와 RSA를 개정 분석하고 선택한 후 다중 EPIC HRV 통계를 수행합니다. ECG 채널 필드에서 사전 처리된 심전도 채널을 선택하고 HRV 통계 추출을 선택해 초점 영역을 선택하세요.
출력 결과로 이동한 후 스프레드시트를 선택한 후 확인을 클릭해 시간 도메인 결과를 생성하고 내보내세요. 마지막으로 다시 분석을 열고 HRV와 RSA를 선택한 뒤 다중 에픽 HRV와 RSA 스펙트럼을 분석합니다. ECG 채널 필드에서 사전 처리된 심전도 채널을 선택하세요.
추출 HRV와 RSA 항목에서 집중 영역을 선택하세요. 출력 유형에서 Excel 스프레드시트 전용을 선택한 후 확인을 클릭하면 주파수 영역 결과를 내보내세요. 어려운 영상 조건에서 평균 심박수는 쉬운 영상 조건에 비해 유의미하게 낮았습니다.
어려운 영상 조건에서 고주파 심박수 변이도는 쉬운 영상 조건에 비해 유의하게 높았습니다. 연속 차이의 평균제곱근도 유사한 경향을 보였으며, 어려운 영상 조건에서 유의미하게 높았다. 참가자들은 어려운 이미지 조건에서 쉬운 이미지 조건보다 훨씬 더 자주 위임했습니다.
우리는 사람들이 미래 AI.In 를 다룰 때 작업을 위임함으로써 인지 부하를 조정하는 것을 발견했습니다. 우리는 인간과 AI가 함께 학습할 때 서로 다른 공동학습 접근법이 결과에 어떤 영향을 미치는지 살펴볼 것입니다.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
개요
이 프로토콜은 인간-AI 협업 과제의 다양한 과제 어려움 수준에서인지 부하의 변화를 측정하기 위해 생리학적 지표를 사용하는 방법을 설명합니다. 연구 결과는 사람들이 과제의 어려움에 따라 의사결정 과정을 조정하여 다양한 수준의 인지 부하를 반영함을 시사합니다.
주요 연구 요소
과학 분야
- 신경과학
- 인간-AI 상호작용
- 인지 심리학
배경
- 인지 부하는 의사결정의 중요한 요소입니다.
- 인지 부하를 이해하면 인간-AI 협업을 개선할 수 있습니다.
- 생리학적 지표는 인지 부하의 객관적인 측정을 제공합니다.
- 과제의 어려움은 인지 과정에 영향을 미칠 수 있습니다.
연구 목적
- AI 지원 과제 중 인지 부하의 변화를 측정합니다.
- 과제의 어려움이 의사결정에 어떤 영향을 미치는지 탐구합니다.
- 인지 부하를 평가하기 위해 생리학적 지표를 활용합니다.
사용된 방법
- 심전도 데이터 수집 시스템 설정.
- 미리 젤을 바르고 일회용인 전극 준비.
- 자극 제시 및 데이터 기록을 위해 컴퓨터에 데이터 수집 시스템 연결.
- 실험 절차를 참가자들에게 소개합니다.
주요 결과
- 과제의 어려움 수준에 따라 인지 부하의 변화가 관찰되었습니다.
- 참가자들은 과제의 어려움에 따라 의사결정 과정을 조정했습니다.
- 생리학적 지표는 인지 부하의 변화를 효과적으로 측정했습니다.
- 연구 결과는 인간-AI 협업 동태를 이해하는 데 기여합니다.
결론
- 과제의 어려움은 협업 환경에서 인지 부하에 중요한 영향을 미칩니다.
- 생리학적 측정은 인지 과정에 대한 통찰력을 제공할 수 있습니다.
- 인지 부하를 이해하는 것은 인간-AI 상호작용을 최적화하는 데 필수적입니다.
자주 묻는 질문
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.
