Schat de cognitieve belasting met behulp van elektrocardiografische meting: een samenwerkingstaak tussen mens en AI
5 december 2025
Dit protocol beschrijft het gebruik van fysiologische indicatoren om variaties in cognitieve belasting te meten over verschillende moeilijkheidsgraden van taken in samenwerkingstaken tussen mens en AI. De bevindingen suggereren dat mensen hun besluitvormingsprocessen aanpassen aan de moeilijkheidsgraad van de taak, waardoor verschillende niveaus van cognitieve belasting worden weerspiegeld.
We bestuderen hoe de cognitieve belasting van mensen verandert bij het werken met AI in een delegatieomgeving. Begin met het introduceren van de experimentele procedure aan de deelnemer en zorg dat deze volledig op de hoogte is van de studie. Bereid het elektrocardiogram-dataverzamelsysteem voor en verzamel alle benodigde materialen, inclusief de voorgegelde, wegwerp-elektroden voor elektrocardiogram.
Verbind het dataverzamelingssysteem met de elektrocardiogram-data-ontvangermodule. Met behulp van de mannelijke naar vrouwelijke lintkabel wordt een verbinding gelegd tussen het dataverzamelingssysteem en de computer die wordt gebruikt voor stimuluspresentatie. Met behulp van een ethernetkabel wordt een verbinding gelegd tussen het dataverzamelingssysteem en de computer die voor gegevensopname wordt gebruikt.
Sluit het systeem aan op een stabiele voeding. Maak nu de huid van de deelnemer schoon met alcoholdoekjes op drie plaatsen. Onder de linkerrib, onder het rechter sleutelbeen en op de rechterbuik.
Bevestig één wegwerp elektrocardiogram elektrodepleister op elke schone plek. Bevestig vervolgens de aansluiting van de draad stevig op de elektrocardiogramzender en verbind de metalen clip van de draad met de bijbehorende elektrode. Bevestig de elektrocardiogram-zender aan het lichaam van de deelnemer met rekbare haak-en-lus bevestigingsriemen en stel de riemspanning aan zodat de zender op zijn plaats blijft en comfortabel blijft voor de deelnemer.
Zet de schakelaar van de elektrocardiogram-zender aan en zet het elektrocardiogram-dataverzamelsysteem aan. Controleer de status van de draadloze verbinding tussen de zender en de ontvangermodule van het data-acquisitiesysteem. Lanceer nu de elektrocardiogram-dataverzamelsoftware.
Maak een nieuw grafiekbestand aan. Selecteer de elektrocardiogram-ontvangermodule uit de apparatenlijst. Kies het juiste elektrocardiogram-opnamekanaal en klik op oké in het nieuw weergegeven statusvenster van de zenderverbinding.
Klik op start in de dataverzamelingssoftware-interface om te beginnen met het verzamelen van elektrocardiogramgegevens. Controleer of de golfvorm van het elektrocardiogram stabiel op het scherm lijkt. Geef nu de deelnemer de opdracht om te beginnen met de experimentele taak.
Na voltooiing van de taak klik je op stoppen in de dataverzamelingssoftware om de opnamesessie te beëindigen. Haal de draadclips los van de elektrodepatches. Maak de rekbare klittenbanden los en verwijder de elektrocardiogramtransmitter uit het lichaam van de deelnemer.
Geef de deelnemer instructies en help de deelnemer voorzichtig de wegwerp-elektrodepleisters met de hand te verwijderen. Open vervolgens het opgenomen elektrocardiogram-databestand in de data-analysesoftware. Selecteer het elektrocardiogramkanaal en pas digitale filtering toe.
Navigeer in de menubalk naar transformatie, gevolgd door digitale filters en kambandstop. Selecteer vervolgens in het dialoogvenster vast op onder de basisfrequentie. Voer 50 hertz in en klik op oké om het filter toe te passen.
Klik vervolgens op transformeren in de menubalk. Selecteer digitale filters, vervolgens FIR, gevolgd door band pass. Selecteer in het dialoogvak onder laagfrequente afsnijding vaste op en voer één hertz in.
Selecteer bij hoogfrequente afsnijding vaste op en voer 35 hertz in. Maak nu focusgebieden aan op basis van het experimentele ontwerp, genereer en exporteer hartslaggegevens door analyse te selecteren, gevolgd door hemodynamica en ECG-intervalextractie vanuit de menubalk. Selecteer in de analyseoptie alleen focusgebieden en kies in de weergave van resultaten als optie alleen Excel-spreadsheet.
Klik op oké om te bevestigen en de export te voltooien. Om gegevens over hartslagvariabiliteit te genereren, open je de analyse en selecteer je HRV en RSA, gevolgd door multi-epische HRV-statistiek. Selecteer in het ECG-kanaalveld het voorbewerkte elektrocardiogramkanaal en haal onder HRV-statistieken uit voor het selecteren van focusgebieden.
Ga naar output resultaten naar, selecteer spreadsheet en klik op oké om de resultaten van het tijddomein te genereren en te exporteren. Tot slot open je de analyse opnieuw en selecteer je HRV en RSA, gevolgd door multi-epische HRV en RSA-spectraal. Selecteer in het ECG-kanaalveld het voorbewerkte elektrocardiogramkanaal.
Kies onder extractie HRV en RSA voor focusgebieden. Selecteer in het uitvoertype alleen een Excel-spreadsheet en klik op oké om de resultaten van het frequentiedomein te exporteren. De gemiddelde hartslag was aanzienlijk lager onder de moeilijke beeldconditie vergeleken met de gemakkelijke beeldconditie.
De variabiliteit van de hoge hartslag was significant hoger tijdens de moeilijke beeldconditie vergeleken met de gemakkelijke beeldconditie. Het wortelgemiddelde kwadraat van opeenvolgende verschillen volgde een vergelijkbare trend en was significant hoger tijdens de moeilijke beeldconditie. Deelnemers delegeerden aanzienlijk vaker onder de moeilijke beeldvoorwaarde dan onder de gemakkelijke beeldconditie.
We ontdekten dat mensen hun cognitieve belasting aanpassen door taken te delegeren bij het werken met AI.In toekomst; we zullen kijken hoe verschillende co-learningbenaderingen de uitkomsten beïnvloeden wanneer mens en AI samen leren.
Bekijk het volledige transcript en krijg toegang tot duizenden wetenschappelijke video's
Overzicht
Dit protocol beschrijft het gebruik van fysiologische indicatoren om variaties in cognitieve belasting te meten over verschillende moeilijkheidsgraden van taken in samenwerkingstaken tussen mens en AI. De bevindingen suggereren dat mensen hun besluitvormingsprocessen aanpassen aan de taakmoeilijkheid, waardoor verschillende niveaus van cognitieve belasting worden weerspiegeld.
Belangrijke studiecomponenten
Wetenschapsgebied
- Neurowetenschap
- Mens-AI interactie
- Cognitieve psychologie
Achtergrond
- Cognitieve belasting is een cruciale factor bij het nemen van beslissingen.
- Het begrijpen van cognitieve belasting kan de samenwerking tussen mens en AI verbeteren.
- Fysiologische indicatoren bieden objectieve metingen van cognitieve belasting.
- De moeilijkheidsgraad van een taak kan cognitieve processen beïnvloeden.
Doel van het onderzoek
- Om variaties in cognitieve belasting tijdens AI-ondersteunde taken te meten.
- Om te onderzoeken hoe taakmoeilijkheid het besluitvormingsproces beïnvloedt.
- Om fysiologische indicatoren te gebruiken voor het beoordelen van cognitieve belasting.
Gebruikte methoden
- Installatie van het elektrocardiogram gegevensverzameling systeem.
- Voorbereiding van voorgevulde, wegwerpelektroden.
- Aansluiting van het gegevensverzameling systeem op computers voor stimuluspresentatie en gegevensregistratie.
- Introductie van de experimentele procedure aan de deelnemers.
Belangrijkste resultaten
- Variaties in cognitieve belasting werden waargenomen over verschillende taakmoeilijkheidsgraden.
- Deelnemers pasten hun besluitvormingsprocessen aan op basis van de taakmoeilijkheid.
- Fysiologische indicatoren maten effectief veranderingen in cognitieve belasting.
- De bevindingen dragen bij aan het begrijpen van de dynamiek van samenwerking tussen mens en AI.
Conclusies
- De moeilijkheidsgraad van een taak heeft een significante invloed op de cognitieve belasting in samenwerkingssituaties.
- Fysiologische metingen kunnen inzicht geven in cognitieve processen.
- Het begrijpen van cognitieve belasting is essentieel voor het optimaliseren van mens-AI interacties.
Veelgestelde vragen
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.
