Artykuł metodologiczny

Wysokorozdzielcza przezczaszkowa stymulacja prądem stałym w prawym grzbietowo-bocznym korze czołowej w celu zwiększenia wrażliwości metapoznawczej

DOI:

10.3791/68824

⸱

26 września 2025

 ,  ,  ,  ,  ,  , 
1School of Economics and Management, Jiangsu University of Science and Technology, 2School of Management, Shanghai University, 3Business School, La Trobe University, 4Wuhan Marine Machinery Plant Co., Ltd., 5School of Artificial Intelligence, Xi'an Jiaotong University

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie zaproponowało eksperymentalny paradygmat stosujący wysokorozdzielczą przezczaszkową stymulację prądem stałym (HD-tDCS) w celu poprawy metapoznania człowieka w zadaniach delegacji człowieka do AI. Wyniki wykazały skuteczność HD-tDCS w poprawie wrażliwości metapoznawczej.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

We współpracy człowiek-AI delegowanie zadań jest kluczowym elementem. Idealnie, jeśli ktoś uważa, że jest zdolny wykonać zadanie, powinien zrobić to samodzielnie; w przeciwnym razie zadanie powinno zostać przekazane drugiej stronie. Takie decyzje dotyczące delegowania są kształtowane przez oceny własnych zdolności przez jednostki, które kształtuje metapoznanie – zdolność do oceny własnych możliwości. Stymulacja prądem stałym przezczaszkowy wysokiej rozdzielczości (HD-tDCS) to nieinwazyjna technologia stymulacji mózgu, która może regulować pobudliwość kory mózgowej, aby poprawić wydajność człowieka. Protokół ten przedstawia metodę wykorzystującą HD-tDCS do badania jego wpływu na metapoznanie człowieka podczas zadań delegacji człowieka-AI, szczegółowo opisując procedurę stosowania anodalnej, katodalnej lub pozorowanej stymulacji kory przedczołowej grzbietowo-bocznej (DLPFC). Stymulacja przeprowadzono za pomocą przenośnego urządzenia HD-tDCS, wykorzystującego obwodowe ułożenie pięciu elektrud, w tym jedną elektrodę docelową i cztery elektrody powrotne. Stymulacja trwała łącznie 21 minut, a obecna intensywność wynosiła 2 mA. Metoda ta ma zapewnić nową ścieżkę badawczą do głębszego zgłębiania mechanizmów neuronalnych i regulacji zachowań ludzi w procesie współdzielenia zadań człowiek-AI oraz stanowić solidne podstawy teoretyczne do dalszej optymalizacji zadań ludzko-AI.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sztuczna inteligencja (AI) coraz bardziej splata się zarówno z naszym codziennym życiem, jak i miejscem pracy. Jednak w wielu rzeczywistych kontekstach AI nie jest jeszcze zdolna do pełnej automatyzacji procesów decyzyjnych1. Niektóre zadania pozostają szczególnie trudne dla AI ze względu na obecne ograniczenia technologiczne oraz kwestie etyczne i prawne. W rezultacie przyznanie pełnej autonomii AI w określonych dziedzinach jest często niepraktyczne lub niezalecane 2,3. Ludzie zatem nadal odgrywają niezbędną rolę w miejscu pracy, a współpraca człowiek-AI ma w przyszłości stać się dominującym sposobem produkcji i świadczenia usług. Badania w takich obszarach jak opieka zdrowotna, hotelarstwo i zasoby ludzkie wykazały, że wspólne działania ludzi i AI mogą obniżyć koszty, a w niektórych przypadkach zwiększyć efektywność 4,5,6.

We współpracy człowiek-AI każda ze stron ma podejmować zadania zgodne z jej mocnymi stronami, jednocześnie delegując mniej odpowiednie zadania drugiej stronie. Dlatego skuteczne delegowanie zadań jest niezbędne dla skutecznej współpracy i optymalnych wyników efektywności. Adam i in. odkryli, że gdy proces delegowania jest w pełni zautomatyzowany i obsługiwany wyłącznie przez AI bez udziału człowieka, ludzie mają tendencję do doświadczania podwyższonego postrzegania zagrożenia własnego siebie7. Fuegener i in. dodali również, że podczas delegowania zadań AI ludzie często mają trudności z dokładną oceną własnych zdolności lub trudnością zadania, co odzwierciedla niski poziom metapoznania8. Wyniki te podkreślają znaczenie wzmacniania metapoznania w scenariuszach delegacji człowiek-AI w celu poprawy efektywności i jakości współpracy.

Metakognicja odnosi się do zdolności jednostki do oceny własnych zdolności9. W kontekście wzajemnej delegacji między ludźmi a SI kluczowe jest nie tylko uzyskanie dokładnego zrozumienia możliwości drugiej strony, ale także ocena własnych zdolności do określenia, kiedy delegowanie jest odpowiednie. Jussupow i in. odkryli, że współpraca człowiek-SI jest najskuteczniejsza, gdy ludzie wykazują wysoki poziom metapoznania – czyli gdy potrafią dokładnie ocenić zarówno własne, jak i zdolności AI10. Podobnie Atchley i in. odkryli, że wspieranie metapoznania w środowiskach edukacyjnych może sprzyjać głębszej i skuteczniejszej współpracy między ludźmi a systemami AI11. Wcześniejsze badania dotyczące współpracy człowieka z AI często oceniały metapoznanie za pomocą kwestionariuszy samooceny lub wykorzystując oceny pewności człowieka jako pośrednie miary. Jednak w badaniach psychologicznych bardziej ugruntowanym i rygorystycznym miernikiem metapoznania jest wrażliwość metapoznawcza (meta-d')12. W niniejszym badaniu stosujemy meta-d', stosując podejście opisane przez Maniscalco i in. do oceny wrażliwości metapoznawczej13.

Przezczaszkowa stymulacja prądem stałym (tDCS) była szeroko stosowana w badaniach mających na celu poprawę metapoznania14. Podstawowe aspekty metakognicji są ściśle związane z korą przedczołową. tDCS dostarcza słaby prąd stały do określonych obszarów mózgu, modulując pobudliwość neuronów i plastyczność synaptyczną w sposób nieinwazyjny i nieinwazyjny, co pozwala badaczom poprawiać różne funkcje poznawcze15. Harty i in. stwierdzili, że anodalna stymulacja prawej grzbietowo-bocznej kory przedczołowej (DLPFC) poprawiała wykrywanie błędów uczestników w zadaniu świadomości błędów, tym samym poprawiając ich metapoznawczy monitoring wydajności poznawczej16. Bona i Silvanto poinformowali, że anodalne tDCS wpływało na metapoznawczą stronniczość w zadaniu pamięci roboczej17. Mattes i in. wykazali, że choć tDCS wpływało na oceny pewności siebie uczestników zarówno w zadaniach metapoznawczych, jak i mentalnych, nie zmieniło ich wrażliwości metapoznawczej18. Wykazano, że tymczasowe zakłócenia lub uszkodzenia kory przedczołowej – konkretnie obszary Brodmanna 46 i 10 – zarówno u ludzi, jak i małp wywołują zmiany w procesach metapoznawczych14. Ponadto wcześniejsze badania dostarczyły dowodów przyczynowych łączących stymulację DLPFC z umiejętnościami metapoznawczymi19,20. Prawa DLPFC odgrywa kluczową rolę w sieci neuronowej leżącej u podstaw kontroli poznawczej21,22, która jest ściśle powiązana z wymaganiami naszego zadania eksperymentalnego. Dlatego wybraliśmy odpowiednie DLPFC jako docelowe miejsce stymulacji. Zgodnie z ustalonymi protokołami w badaniach tDCS dotyczących metapoznania, zastosowaliśmy prąd 2 mA przez 21 minut, w tym 1-minutową fazę zwiększania i zmniejszania tempa 17,23. Obecnie najwyższa intensywność prądu stosowana w tDCS wynosi 4 mA, co wykazano, że jest tolerowalne dla uczestników badania przeprowadzonego przez Workman i in.24.

Wysokorozdzielcza przezczaszkowa stymulacja prądem stałym (HD-tDCS) to precyzyjna modyfikacja konwencjonalnego tDCS, oferująca bardziej ukierunkowaną neuromodulację poprzez specjalistyczne montaże elektrod. W porównaniu do konwencjonalnego tDCS, który wykorzystuje dwie duże elektrody padowe, HD-tDCS pozwala na bardziej ukierunkowaną i ogniskową stymulację określonych obszarów mózgu, co skutkuje bardziej trwałymi efektami25,26. W przeciwieństwie do technik neurofeedbacku, które również mają na celu poprawę wydajności poznawczej27, HD-tDCS oferuje kilka praktycznych zalet, w tym krótszy czas aktywacji, prostsze procedury aplikacyjne oraz niższe koszty implementacji28. Z perspektywy delegowania zadań człowiek-AI, HD-tDCS oferuje wyższą precyzję przestrzenną, łatwość obsługi oraz opłacalność. Ponadto pozwala uczestnikom na długotrwałe zadania związane z delegowaniem i refleksją w kontekstach zbliżonych do rzeczywistych lub zawodowych scenariuszy, co czyni go szczególnie odpowiednim do badania metapoznania w delegowaniu człowiek-AI. W tym badaniu zastosowano HD-tDCS do dostarczania bardziej ukierunkowanej stymulacji do DLPFC.

Projektowanie eksperymentalne

Materiały eksperymentalne pochodziły z ImageNet Large Scale Visual Recognition Challenge (ILSVRC)29. Model AI to GoogLeNet Inception v3, jeden z najlepiej działających modeli w zadaniach klasyfikacji obrazów30.

Zadanie eksperymentalne było zadaniem delegacji człowieka i SI, a konkretnie zadaniem klasyfikacji obrazów. Klasyfikacja obrazów polega na przypisaniu docelowego obrazu do kategorii i jest to ogólne zadanie, które nie wymaga specjalistycznego szkolenia ani wcześniejszej wiedzy. Zadania oparte na konkretnych sytuacjach mogą ograniczać uogólnialność. Na przykład w sytuacjach o wysokiej stawce związanych z potencjalną stratą, ludzie mają tendencję do delegowania decyzji AI31, co w praktyce czyni ją kozłem ofiarnym zespołu32. Zadanie użyte w tym badaniu zostało zaadaptowane z paradygmatu klasyfikacji współpracy człowiek-AI opracowanego przez Fuegenera i in. oraz Gassa i in.8,33.

Przeprowadzono wstępny eksperyment oceniający poziom trudności obrazu. Trudność obrazu to średnia dokładność odpowiadającego obrazu w warunkach człowieka. Jak pokazano na Rysunku 1, każde badanie składało się z docelowego obrazu oraz pięciu zestawów opcji obrazowych. Uczestnicy zostali poproszeni o wybór zestawu opcji najlepiej odpowiadającego docelowemu obrazowi. Łącznie 217 uczestników ukończyło badanie wstępne. Wszyscy uczestnicy badania wstępnego zostali wykluczeni z rekrutacji do głównego eksperymentu.

figure-introduction-1
Rysunek 1: Interfejs eksperymentu wstępnego. Interfejs pokazany uczestnikom wstępnego eksperymentu, gdzie wybrali jedną odpowiedź spośród pięciu opcji. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

W formalnym interfejsie eksperymentu (patrz Rysunek 2) na górze ekranu wyświetlany jest obraz docelowy. Dodatkowo dostępnych jest pięć opcji grupowania obrazów oraz jedna opcja delegacji (znajdująca się w prawym górnym rogu ekranu). Uczestnicy muszą zdecydować, czy delegować zadanie AI, czy wykonać je samodzielnie. W tym drugim przypadku wybiera się jedną z pięciu kategorii obrazów, która najlepiej odpowiada docelowemu obrazowi. Po każdej decyzji interfejs przechodzi na kolejną stronę, gdzie uczestnicy są proszeni o ocenę zaufania do decyzji delegacji w skali od 1 do 4. Przed rozpoczęciem formalnego eksperymentu uczestnicy zostali poinformowani, że system AI ma średnią dokładność 76%.

figure-introduction-2
Rysunek 2: Formalny interfejs eksperymentu. Główny interfejs pokazywany uczestnikom podczas zadania. (a) Interfejs zadań; (B) interfejs oceny zaufania. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Łącznie do głównego eksperymentu zrekrutowano 62 praworęcznych uczestników. Wszyscy uczestnicy byli studentami studiów magisterskich, którzy nie mieli wcześniejszego doświadczenia z podobnymi zadaniami eksperymentalnymi. Kryteria wykluczenia były następujące: uczestnicy nie mogą przyjmować żadnych leków uspokajających ani substancji psychoaktywnych w ciągu 24 godzin przed eksperymentem, nie mogą mieć wad czaszki (np. lub złamań) oraz nie mogą mieć metalowych implantów w czaszce (np. metalowych płytek). Dwóch uczestników zostało wykluczonych: jeden z powodu zapalenia dermologicznego, które uniemożliwiało stymulację HD-tDCS, a drugi za spożycie napoju z kofeiną przed eksperymentem. Pozostałych 60 uczestników (średni wiek = 22,68 ± 0,91 roku) ukończyło eksperyment. Zostali losowo przydzieleni do jednego z trzech warunków stymulacji – anodalnego, katodalnego lub sham-każdego z 20 uczestnikami. Symulacje pola elektrycznego pokazano na Rysunku 3. Każdy uczestnik wykonał zadanie klasyfikacji obrazów raz przed i raz po stymulacji, co dało 120 zestawów danych do analizy. Procedura HD-tDCS została zilustrowana na Rysunku 4, a proces eksperymentalny podsumowany na Rysunku 5. Przeprowadziliśmy apriori analizę mocy z użyciem G*Power 3.134, zakładając potęgę 90% (1 - β = 0,90), rozmiar efektu f = 0,25 oraz poziom alfa 0,05. Analiza wskazała, że wymagane będzie minimum 18 uczestników na grupę. Ostateczna wielkość próbki spełniała ten wymóg.

figure-introduction-3
Rysunek 3: Symulacja pola elektrycznego. Widok boczny rozkładu pola elektrycznego (prawa strona). (A) Stan stymulacji anodalnej. (B) Stan stymulacji katodowej. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-introduction-4
Rysunek 4: Eksperymentalne rozwiązanie HD-tDCS. Zdjęcie eksperymentalnego zestawu HD-tDCS, ilustrujące rozmieszczenie elektrod i pozycję urządzenia podczas stymulacji. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

figure-introduction-5
Rysunek 5: Eksperymentalny schemat blokowy. Eksperyment składał się z trzech faz, w tym zadań klasyfikacji obrazów przeprowadzonych przed i po stymulacji. Skróty: HD-tDCS = przezczaszkowa przezczaszkowa stymulacja prądem stałym w wysokiej rozdzielczości; rDLPFC = prawy grzbietowo-boczny kora przedczołowa. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej figurki.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to zostało przeprowadzone zgodnie z zasadami Deklaracji Helsińskiej i zatwierdzone przez Instytucjonalną Radę Przeglądową Uniwersytetu Nauki i Technologii w Jiangsu. Uzyskaliśmy świadomą zgodę uczestników na wykorzystanie i udostępnienie ich danych.

1. Przygotowanie

  1. Przygotuj się do zadania eksperymentalnego.
    1. Pobierz dane obrazowe ze strony ImageNet (https://image-net.org/).
      UWAGA: Pobrane obrazy są kategoryzowane, a każda kategoria zawiera wiele obrazów.
    2. Uruchom kod Pythona związany z modelem GoogLeNet Inception v3, aby sklasyfikować obrazy (patrz Plik Uzupełniający 1). Zapisz pięć najważniejszych przewidywanych kategorii dla każdego zdjęcia wraz z dokładnością klasyfikacji Top-1.
      UWAGA: Ten kod w Pythonie wykonuje klasyfikację obrazów poprzez ładowanie modelu Inception V3. Dla każdego docelowego obrazu generuje pięć najważniejszych przewidywanych kategorii. Zestawy obrazów odpowiadające tym pięciu przewidywanym kategoriom są prezentowane uczestnikom jako opcje odpowiedzi w eksperymencie. Jeśli poprawna kategoria nie znajduje się wśród pięciu najlepszych prognoz, jedna z przewidywanych kategorii jest zastępowana poprawną, aby zapewnić jej uwzględnienie w opcjach.
    3. Użyj Pythona lub dowolnego programu do losowego próbkowania, aby wybrać obraz docelowy spośród sklasyfikowanych przez model obrazów.
    4. Dla każdego docelowego obrazu wyodrębnij 10 obrazów z każdej z pięciu kategorii, które będą służyć jako opcje odpowiedzi. Zmień rozmiar wszystkich obrazów, aby zapewnić jednolite wymiary.
    5. Przeprowadź wstępne badanie i zaproś uczestników do udziału w eksperymencie.
      UWAGA: Wstępne badanie było podobne do formalnego eksperymentu, z tą różnicą, że uczestnicy musieli samodzielnie ukończyć wszystkie badania, bez możliwości delegowania i bez procesu oceny zaufania.
    6. Rejestruj dokładność każdego uczestnika w reagowaniu na każde zdjęcie i obliczaj wskaźnik dokładności dla każdego obrazu. Używaj wyników dokładności jako wskaźnika trudności obrazu, aby odpowiednio je sklasyfikować.
      UWAGA: Wszystkie obrazy są posortowane według dokładności, przy czym wyższa dokładność oznacza niższy poziom trudności. Na przykład, gdy 10% uczestników poprawnie reaguje na obraz, trudność tego obrazu jest ustalana na 90%.
    7. Podziel obrazy na dwa zestawy o porównywalnym poziomie trudności w zależności od ich ocen. Wykorzystaj oba zestawy obrazów jako materiały eksperymentalne do stworzenia formalnego programu eksperymentalnego za pomocą E-prime 3 (patrz Plik Uzupełniający 1).
      UWAGA: Ten eksperymentalny program został zaprojektowany do przedstawienia zadania klasyfikacji obrazów.
  2. Upewnij się, że uczestnik nie ma przeciwdynaków do HD-tDCS i nie spełnia żadnych kryteriów wykluczających. Wprowadź uczestnikom procedurę eksperymentalną i uzyskaj pisemną świadomą zgodę po potwierdzeniu ich zrozumienia badania.
    UWAGA: Zapytaj uczestnika o jego dominującą rękę i potwierdź to, obserwując, której ręki używa do pisania.
  3. Zmierz obwód głowy uczestnika za pomocą taśmy miarkowej i wybierz odpowiedni rozmiar głowicy z neoprenu HD-tDCS (patrz Tabela materiałów).
  4. Sprawdź, czy urządzenie HD-tDCS jest w pełni naładowane. Upewnij się, że wszystkie akcesoria – w tym elektrody, żel elektrod, strzykawka dołączona do instrumentu, kable elektrod oraz komputer używany do obsługi systemu HD-tDCS – są gotowe do użycia.
  5. Losowo wybierz jedno z dwóch zadań eksperymentalnych jako warunek pretestowy. Polec uczestnikowi wykonać zadanie klasyfikacji obrazu.
    UWAGA: Generator liczb losowych może być używany do losowego przypisywania warunków eksperymentalnych.
    1. Otwórz program.
    2. Kliknij RUN, wpisz numer obiektu i numer sesji, potwierdź informacje, a następnie kliknij YES , aby rozpocząć zadanie eksperymentalne.

2. Stymulacja HD-tDCS

  1. Włóż dolne części pięciu elektrod w odpowiednie miejsca na neoprenowej głowie. Te pięć pozycji służy jako miejsca stymulacji.
    UWAGA: Aby celować w prawy DLPFC, użyj następujących pięciu pozycji elektrod: F4, Fp2, Fz, C4 i F8.
  2. Poinstruuj uczestnika, aby wygodnie usiadł na krześle. Przednią krawędź neoprenowej głowy umieść około 1-2 cm nad brwiami. Upewnij się, że Cz jest wyrównany z punktem środkowym między dwoma punktami przedusznymi. Załóż czapkę pewnie na głowę uczestnika, zapewniając prawidłowe ustawienie.
    UWAGA: Podczas zakładania głowicy upewnij się, że zlokalizujesz Cz, inion, nasion oraz lewy i prawy punkt przeduszny zgodnie z międzynarodowym systemem EEG 10-20.
  3. Na każde miejsce stymulacji należy nałożyć żel elektrod (patrzT materiały) za pomocą strzykawki dołączonej do instrumentu, aby zmniejszyć impedancję między elektrodami a skórą głowy.
    UWAGA: Żel elektrody jest wysoce przewodzącym i rozpuszczalnym w wodzie żelem.
    1. Napełnij strzykawkę żelem elektrodowym.
    2. Dla każdej elektrody rozdziel włosy strzykawką, aby odsłonić skórę głowy.
    3. Wstrzyknij odpowiednią ilość żelu elektrod na odsłoniętą skórę głowy wewnątrz dolnych części wszystkich elektrod.
    4. Przykręć górną i dolną część wszystkich elektrod.
  4. Podłącz urządzenie HD-tDCS.
    1. Włącz urządzenie HD-tDCS i uruchom odpowiednie oprogramowanie sterujące (patrz Tabela materiałów).
      UWAGA: Komputer uruchamiający oprogramowanie sterujące musi spełniać co najmniej następujące wymagania: Procesor: 1,6 GHz; RAM: 2 GB; Interfejs: USB lub WiFi; Rozdzielczość ekranu: 1 280 x 768.
    2. Włącz Bluetooth na komputerze. W oprogramowaniu sterującym wybierz UŻYJ urządzeń Wi-Fi , aby rozpocząć proces połączenia.
    3. Poczekaj, aż adres MAC urządzenia pojawi się na liście. Gdy się pojawi, wybierz urządzenie.
    4. W ustawieniu filtra szumów liniowych wybierz 50 Hz, aby wyeliminować zakłócenia elektryczne.
      UWAGA: Wybrana częstotliwość powinna odpowiadać częstotliwości mocy AC używanej w kraju, w którym prowadzony jest eksperyment.
    5. Na dole panelu ustawień kliknij przycisk Użyj tego urządzenia . Oprogramowanie następnie nawiąże połączenie z urządzeniem.
  5. Konfiguruj protokół stymulacji HD-tDCS.
    1. Kliknij ikonę w kształcie głowy na lewym panelu oprogramowania sterowania. Następnie kliknij DODAJ NOWY PROTOKÓŁ , aby utworzyć nowy protokół stymulacji.
    2. Ustaw czas trwania protokołu na 21 minut, z 30-sekundowym okresem zwiększania i 30-sekundowym okresem ograniczania dla bieżącej dostawy.
      UWAGA: Jeśli protokół jest stymulacją pozorną, włącz opcję .
    3. Przeciągnij elektrodę F4 do kolumny stymulacyjnej po prawej. Ustaw kanał w tryb stymulacji, wprowadź intensywność prądu 2 000 μA35, wybierz stymulację anodalną.
      UWAGA: Oznaczenie anody i katody zależy od zamierzonego typu stymulacji.
    4. Elektrody dragowe Fp2, Fz, C4 i F8 do kolumny stymulacji. Ustaw każdy kanał na tryb powrotny, przypisując każdemu 25% całkowitego prądu. Zachowaj protokół.
    5. Wybierz skonfigurowany protokół stymulacji. Przymocuj urządzenie HD-tDCS do paska na rzepy z tyłu głowki. Użyj kabli elektrod, aby połączyć urządzenie z elektrodą.
      UWAGA: Upewnij się, że każdy kabel jest podłączony do właściwej pozycji elektrody, zgodnie z konfiguracją zawartą w oprogramowaniu.
    6. Sprawdź, czy wszystkie kable są prawidłowo podłączone. Kliknij przycisk LOAD PROTOCOL w prawym dolnym rogu.
  6. Kliknij przycisk CHECK IMPEDANCE , aby wykonać test impedancji.
    UWAGA: Upewnij się, że wskaźniki stanu połączenia dla wszystkich wybranych elektrod są zielone (0-10 kΩ) lub pomarańczowe (10-15 kΩ). Jeśli jakiś wskaźnik pojawi się na czerwono (>15 kΩ), ponownie nałóż żel elektrody lub dostosuj włosy, aby odsłonić więcej skóry głowy i zmniejszyć impedancję.
  7. Kliknij przycisk start (ikona trójkąta skierowanego w prawo), aby rozpocząć stymulację.
  8. Poinstruuj uczestników, aby zgłaszali swoje odczucia w kilku momentach podczas sesji stymulacyjnej.
    UWAGA: Jeśli uczestnik zgłasza dyskomfort przekraczający normalne doznania, natychmiast kliknij przycisk STOP w programie, usuń urządzenie z uczestnika i sprawdź stan skóry głowy.

3. Po stymulacji

  1. Wyłącz oprogramowanie sterujące. Odłącz kable od elektrod i ostrożnie wyjmij urządzenie HD-tDCS.
  2. Zdejmij głowicę z głowy uczestnika i odłącz wszystkie elektrody.
  3. Wybierz inny program eksperymentalny, który jeszcze nie został ukończony. Polec uczestnikowi wykonać zadanie klasyfikacji obrazów jako post-test.
  4. Zapewnij uczestnikowi środki do czyszczenia włosów.
  5. Polec uczestnikom wypełnić kwestionariusz sensacyjny po sesji HD-tDCS36. Użyj kwestionariusza, aby ocenić tolerancję uczestników oraz subiektywne doświadczenie stymulacji HD-tDCS.
  6. Wyczyść głowicę i elektrody.
    1. Dokładnie opłucz głowicę wodą. Powieś głowicę do wyschnięcia na powietrzu.
    2. Użyj wody z kranu, aby delikatnie spłukać żel z elektrod.
      UWAGA: Użyj ciepłej wody, aby szybciej rozpuścić żel.
    3. Elektrody zostawiaj do wyschnięcia na powietrzu na ręczniku papierowym lub szmatce, z dala od bezpośredniego światła słonecznego. Po wyschnięciu umieść je w opakowaniu do długoterminowego przechowywania.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Kluczowym rezultatem tego badania jest pomiar wrażliwości metapoznawczej za pomocą meta-d'. Przeprowadzono test normalności na wynikach wrażliwości metapoznawczej uczestników w różnych typach stymulacji, a wyniki wykazały, że normalność utrzymywała się we wszystkich warunkach. Powtórzone pomiary ANOVA zostały przeprowadzone w celu porównania wrażliwości metapoznawczej w różnych typach stymulacji, z wynikami przedstawionymi w Tabeli 1. Chociaż główne efekty czasu i typu st...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aby zapewnić wiarygodność wyników eksperymentalnych, podczas procedury należy uwzględnić kilka czynników. Po pierwsze, podczas podłączania kabli do sprzętu elektrod HD-tDCS kluczowe jest zweryfikowanie, czy każdy kabel dokładnie odpowiada wyznaczonej pozycji elektrody, ponieważ nieprawidłowe połączenia mogą powodować niezamierzone efekty fizjologiczne. Po drugie, ponieważ jest to badanie jednoślepe z udawaną stymulacją, uczestnicy nie mogą mieć możliwości oglądania interfejsu operacyjnego podczas zabiegu HD-tDCS. Po trze...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie to zostało wsparte przez Program Innowacji Badań i Praktyk Podyplomowych prowincji Jiangsu (KYCX25_4311), Narodową Fundację Nauk Przyrodniczych Chin (72374088, 72471105, 72472094, 72001096), 2024 Kluczowy Projekt Planowania Badań Naukowych w szkolnictwie wyższym Chińskiego Stowarzyszenia Szkolnictwa Wyższego (24XX0205, Mechanizmy strategii współpracy człowiek-AI w poprawie wyników uczenia się), 2024 Kluczowy Projekt Planowania Nauk Edukacyjnych w prowincji Jiangsu (B-b/2024/01/162, Budowa modeli i badania empiryczne nad uczeniem się multimodalnym z perspektywy neurobiologii edukacyjnej), Stypendium Rządu Jiangsu na studia zagraniczne (JS-2024-69) oraz Fundusz Nauk Humanistycznych i Społecznych Ministerstwa Edukacji Chin (24YJCZH445).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Kable elektrodNeuroelektrykaKabel 10 elektrodKabel elektrody posiada 10 gniazd medycznych na elektrody.
Żel elektrodyLaboratoria ParkeraSignagel 250g NE016bSłuży do zmniejszenia impedancji i poprawy jakości sygnału.
ElektrodyNeuroelektrykaNG PISTIM NE029NG Pistim składa się z dwóch części: mocowania (górna część) i gwintowanej podkładki (dolna część).
Oprogramowanie eksperymentalneNARZĘDZIA DO PSYCHOLOGIIE-prime3.0 Build 3.0.3.31To oprogramowanie użyte do stworzenia programu eksperymentalnego.
Urządzenie HD-tDCSNeuroelektrykaStarstim 8To urządzenie służy do dostarczania stymulacji HD-tDCS.
Oprogramowanie HD-tDCSNeuroelektrykaNIC2 V2.1.3.6To aplikacja, która pozwala komputerowi na interakcję z urządzeniem HD-tDCS.
LaptopDolinaG5 5500Ten komputer uruchamia oprogramowanie użyte w eksperymencie.
Neoprenowa głowicaNeuroelektrykaMJest to głowa do precyzyjnego umieszczenia elektrod na skórze głowy. Rozmiary: S (49 cm), M (54 cm), L (57 cm), XL (60 cm)
Narzędzie statystyczneIBMSPSS V26Jest wykorzystywany do analizy danych.
Strzykawka-NE014Stosuje się go do wtrysku żelu elektrodowego.

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Brynjolfsson, E., Mitchell, T., Rock, D. What can machines learn, and what does it mean for occupations and the economy? AEA Pap. Proc. 108. , 43-47 (2018).
  2. Gleasure Pieper, M., R, How AI helps to compile human intelligence: An empirical study of emerging augmented intelligence for medical image scanning. Inf Syst J. 35 (5), 1399-1421 (2025).
  3. Ling, B., Dong, B. W., Cai, F. Applicants' fairness perception of human and ai collaboration in resume screening. Int J Hum Comput Interact. 10, (2024).
  4. Ahsen, M. E., Ayvaci, M. U. S., Mookerjee, R., Stolovitzky, G. Economics of AI and human task sharing for decision making in screening mammography. Nat Commun. 16 (1), 2289(2025).
  5. Webster Ivanov, S., C, Automated decision-making: Hoteliers' perceptions. Technol Soc. 76, (2024).
  6. Radonjic, A., Duarte, H., Pereira, N. Artificial intelligence and HRM: HR managers' perspective on decisiveness and challenges. Eur Manag J. 42 (1), 57-66 (2024).
  7. Adam, M., Diebel, C., Goutier, M., Benlian, A. Navigating autonomy and control in human-ai delegation: User responses to technology- versus user-invoked task allocation. Decis Support Syst. 180, 114193(2024).
  8. Fuegener, A., Grahl, J., Gupta, A., Ketter, W. Cognitive challenges in human-artificial intelligence collaboration: Investigating the path toward productive delegation. Inf Syst Res. 33 (2), 678-696 (2022).
  9. Evans, J. A., Foster, J. G. Metaknowledge. Science. 331 (6018), 721-725 (2011).
  10. Jussupow, E., Spohrer, K., Heinzl, A., Gawlitza, J. Augmenting medical diagnosis decisions? An investigation into physicians' decision-making process with artificial intelligence. Inf Syst Res. 32 (3), 713-735 (2021).
  11. Atchley, P., Pannell, H., Wofford, K., Hopkins, M., Atchley, R. A. Human and AI collaboration in the higher education environment: Opportunities and concerns. Cogn Res Princ Implic. 9 (1), (2024).
  12. Lau Fleming, S. M., C, H. How to measure metacognition. Front Hum Neurosci. 8, (2014).
  13. Lau Maniscalco, B., H, A signal detection theoretic approach for estimating metacognitive sensitivity from confidence ratings. Conscious Cogn. 21 (1), 422-430 (2012).
  14. Fleming, S. M. Metacognition and confidence: A review and synthesis. Annu Rev Psychol. 75, 241-268 (2024).
  15. Kadosh Reed, T., C, R. Transcranial electrical stimulation (TES) mechanisms and its effects on cortical excitability and connectivity. J Inherit Metab Dis. 41 (6), 1123-1130 (2018).
  16. Harty, S., et al. Transcranial direct current stimulation over right dorsolateral prefrontal cortex enhances error awareness in older age. J Neurosci. 34 (10), 3646-3652 (2014).
  17. Silvanto Bona, S., J, Accuracy and confidence of visual short-term memory do not go hand-in-hand: Behavioral and neural dissociations. PLoS One. 9 (3), (2014).
  18. Soutschek Mattes, R. S., A, Brain stimulation over dorsomedial prefrontal cortex causally affects metacognitive bias but not mentalising. Cogn Affect Behav Neurosci. , (2025).
  19. Rahnev Shekhar, M., D, Distinguishing the roles of dorsolateral and anterior PFC in visual metacognition. J Neurosci. 38 (22), 5078-5087 (2018).
  20. Soutschek, A., Moisa, M., Ruff, C. C., Tobler, P. N. Frontopolar theta oscillations link metacognition with prospective decision making. Nat Commun. 12 (1), 3943(2021).
  21. Cho, S. S., et al. Effect of continuous theta burst stimulation of the right dorsolateral prefrontal cortex on cerebral blood flow changes during decision making. Brain Stimul. 5 (2), 116-123 (2012).
  22. Wout, V. an't, Kahn, M., S, R., Sanfey, A. G., Aleman, A. Repetitive transcranial magnetic stimulation over the right dorsolateral prefrontal cortex affects strategic decision-making. Neuroreport. 16 (16), 1849-1852 (2005).
  23. Han, L. T., et al. Establishing a causal role for left ventrolateral prefrontal cortex in value-directed memory encoding with high-definition transcranial direct current stimulation. Neuropsychologia. (181), e108489(2023).
  24. Workman, C. D., Kamholz, J., Rudroff, T. The tolerability and efficacy of 4 mA transcranial direct current stimulation on leg muscle fatigability. Brain Sci. 10 (1), (2020).
  25. Kuo, H. -I., et al. Comparing cortical plasticity induced by conventional and high-definition 4 x 1 ring tDCS: A neurophysiological study. Brain Stimul. 6 (4), 644-648 (2013).
  26. Parlikar, R., et al. High definition transcranial direct current stimulation (HD-tDCS): A systematic review on the treatment of neuropsychiatric disorders. Asian J Psychiatr. 56, 102542(2021).
  27. Enriquez-Geppert, S., Huster, R. J., Herrmann, C. S. Boosting brain functions: Improving executive functions with behavioral training, neurostimulation, and neurofeedback. Int J Psychophysiol. 88 (1), 1-16 (2013).
  28. Bjekic, J., Zivanovic, M., Filipovic, S. R. Transcranial direct current stimulation (tDCS) for memory enhancement. J Vis Exp. 175 (175), 62681(2021).
  29. Russakovsky, O., et al. Imagenet large scale visual recognition challenge. Int J Comput Vis. 115 (3), 211-252 (2015).
  30. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., Wojna, Z. Rethinking the Inception Architecture for Computer Vision. IEEE Trans Vis Comput Graph. , IEEE. 2818-2826 (2016).
  31. Scherer Candrian, C., A, Rise of the machines: Delegating decisions to autonomous AI. Comput Human Behav. 134, 107308(2022).
  32. Parlangeli, O., Curro, F., Palmitesta, P., Guidi, S. Moral judgements of errors by AI systems and humans in civil and criminal law. Behav Inf Technol. 43 (9), 1718-1728 (2024).
  33. Gass, D. F. Exploring personality-based heterogeneity in metaknowledge and human-AI collaboration. in International Conference on Information Systems, ICIS. , (2023).
  34. Faul, F., Erdfelder, E., Lang, A. -G., Buchner, A. G*power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behav Res Methods. 39 (2), 175-191 (2007).
  35. Reckow, J., et al. Tolerability and blinding of 4x1 high-definition transcranial direct current stimulation (HD-tDCS) at two and three milliamps. Brain Stimul. 11 (5), 991-997 (2018).
  36. Chen, W., Chen, R., He, Q. Stimulation location determination using a 3d digitizer with high-definition transcranial direct current stimulation. J Vis Exp. (154), e60263(2019).
  37. El Jamal, C., et al. Tolerability and blinding of high-definition transcranial direct current stimulation among older adults at intensities of up to 4 mA per electrode. Brain Stimul. 16 (5), 1328-1335 (2023).
  38. Mcintire, L. K., Mckinley, R. A., Goodyear, C., Nelson, J. A comparison of the effects of transcranial direct current stimulation and caffeine on vigilance and cognitive performance during extended wakefulness. Brain Stimul. 7 (4), 499-507 (2014).
  39. Meunier-Duperray, L., et al. Does age affect metacognition? A cross-domain investigation using a hierarchical Bayesian framework. Cognition. 258, 106089(2025).
  40. Filippi, R., Ceccolini, A., Periche-Tomas, E., Bright, P. Developmental trajectories of metacognitive processing and executive function from childhood to older age. Q J Exp Psychol. 73 (11), 1757-1773 (2020).
  41. Workman, C. D., Fietsam, A. C., Rudroff, T. Different effects of 2 mA and 4 mA transcranial direct current stimulation on muscle activity and torque in a maximal isokinetic fatigue task. Front Hum Neurosci. 14, (2020).
  42. Gnewuch, U., Morana, S., Hinz, O., Kellner, R., Maedche, A. More than a bot? The impact of disclosing human involvement on customer interactions with hybrid service agents. Inf Syst Res. 35 (3), 936-955 (2024).
  43. Shrestha, Y. R., Ben-Menahem, S. M., Von Krogh, G. Organizational decision-making structures in the age of artificial intelligence. Calif Manage Rev. 61 (4), 66-83 (2019).
  44. Gomez, C., Cho, S. M., Ke, S., Huang, C. M., Unberath, M. Human-ai collaboration is not very collaborative yet: A taxonomy of interaction patterns in AI-assisted decision making from a systematic review. Front Comput Sci. 6, 1521066(2024).
  45. Pinski, M., Haas, M. J., Benlian, A. AI literacy - towards measuring human competency in artificial intelligence. in Proc Annu Hawaii Int Conf Syst Sci. , 5164-5173 (2024).
  46. Mattioli, F., Maglianella, V., D'antonio, S., Trimarco, E., Caligiore, D. Non-invasive brain stimulation for patients and healthy subjects: Current challenges and future perspectives. J Neurol Sci. 456, 122825(2024).
  47. Rudroff, T., Rainio, O., Klen, R. Leveraging artificial intelligence to optimize transcranial direct current stimulation for long covid management: A forward-looking perspective. Brain Sci. 14 (8), (2024).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

tDCS o wysokiej rozdzielczo ciwsp praca cz owieka z AIdelegowanie zadastymulacja anodowastymulacja katodowastymulacja pozorowana shamzadanie klasyfikacji obraz wANOVA z powtarzanymi pomiarami

Powiązane artykuły