Oszacuj obciążenie poznawcze za pomocą pomiaru elektrokardiograficznego: zadanie współpracy człowieka i AI
5 grudnia 2025
Protokół ten opisuje wykorzystanie wskaźników fizjologicznych do pomiaru zmienności obciążenia poznawczego na różnych poziomach trudności zadania w zadaniach współpracujących człowiek-AI. Wyniki sugerują, że ludzie dostosowują swoje procesy decyzyjne do trudności zadania, odzwierciedlając tym samym różne poziomy obciążenia poznawczego.
Badamy, jak zmienia się obciążenie poznawcze ludzi podczas pracy z AI w kontekście delegowania. Na początek przedstaw uczestnikowi procedurę eksperymentalną i upewnij się, że jest w pełni poinformowany o badaniu. Przygotuj system zbierania danych z elektrokardiogramu i zbierz wszystkie niezbędne materiały, w tym pre-żelowe, jednorazowe elektrody do elektrokardiogramu.
Podłącz system akwizycji danych do modułu odbiornika danych elektrokardiogramu. Za pomocą kabla męskiego na żeński nawiąż połączenie między systemem akwizycji danych a komputerem używanym do prezentacji bodźców. Za pomocą kabla ethernetowego nawiązujemy połączenie między systemem akwizycji danych a komputerem używanym do zapisu danych.
Podłącz system do stabilnego zasilania. Teraz wyczyść skórę uczestnika chusteczkami alkoholowymi w trzech miejscach. Pod lewym żebrem, pod prawym obojczykiem i na prawym odwłoku.
Przyklej jednorazowy plaster elektrody elektrokardiogramu do każdego oczyszczonego miejsca. Następnie mocno przymocuj złącze przewodu ołowiowego do nadajnika elektrokardiogramu i podłącz metalowy klips przewodu przewodowego do odpowiedniej elektrody. Przymocuj nadajnik elektrokardiogramu do ciała uczestnika za pomocą elastycznych pasków z haczykami i pętlami, regulując napięcie paska, aby nadajnik pozostał na miejscu i był wygodny dla uczestnika.
Włącz przełącznik nadajnika elektrokardiogramu i włącz system akwizycji danych elektrokardiogramowych. Sprawdź status połączenia bezprzewodowego między nadajnikiem a modułem odbiorczym systemu akwizycji danych. Teraz uruchom oprogramowanie do akwizycji danych z elektrokardiogramu.
Stwórz nowy plik grafu. Wybierz moduł odbiornika elektrokardiogramu z listy urządzeń. Wybierz odpowiedni kanał rejestracji elektrokardiogramu i kliknij "ok" w nowo wyświetlonym oknie stanu połączenia nadajnika.
Kliknij start w interfejsie oprogramowania do akwizycji danych, aby rozpocząć zbieranie danych z elektrokardiogramu. Sprawdź, czy przebieg elektrokardiogramu jest stabilny na ekranie. Teraz polec uczestnikowi rozpocząć zadanie eksperymentalne.
Po zakończeniu zadania kliknij stop w oprogramowaniu do akwizycji danych, aby zakończyć sesję nagrywania. Odłącz klamry przewodu od plastr elektrod. Poluzuj elastyczne paski zapinające i usuń nadajnik elektrokardiogramu z ciała uczestnika.
Instruuj i pomagaj uczestnikowi delikatnie ręcznie usuwać jednorazowe plastry elektrod. Następnie otwórz plik z nagranymi datami elektrokardiogramu w oprogramowaniu do analizy danych. Wybierz kanał elektrokardiogramu i zastosuj filtrowanie cyfrowe.
W pasku menu przejdź do transformacji, następnie do filtrów cyfrowych i zatrzymania grzebienia. Następnie w oknie dialogowym wybierz fixed at under base frequency. Wpisz 50 herców i kliknij OK, aby zastosować filtr.
Następnie kliknij przemień w pasku menu. Wybierz filtry cyfrowe, potem FIR, a następnie przejście pasmowe. W oknie dialogowym, w ustawieniach niskoczęstotliwościowego cutoff, wybierz stały na i wpisz jeden herc.
W przypadku cutoffu wysokich częstotliwości wybierz stały przy i wpisz 35 Hz. Teraz stwórz obszary fokusowe na podstawie projektu eksperymentu, generuj i eksportuj dane o tętnie, wybierając analizę, a następnie hemodynamikę i ekstrakcję interwału EKG z paska menu. W opcji analizy wybierz tylko obszary ostrości, a w wynikach wyświetlania wybierz tylko arkusz Excel.
Kliknij OK, aby potwierdzić i zakończyć eksport. Aby wygenerować dane o zmienności tętna, należy otworzyć analizę i wybrać HRV oraz RSA, a następnie wieloepicką statystykę HRV. W polu kanału EKG wybierz kanał przedprocesowanego elektrokardiogramu i w sekcji ekstrakt statystyk HRV wybierz obszary ostrości.
Przejdź do wyjścia wyników do, wybierz arkusz kalkulacyjny i kliknij OK, aby wygenerować i wyeksportować wyniki w dziedzinie czasu. Na koniec ponownie otwórz analizę i wybierz HRV i RSA, a następnie wieloepiskie HRV i RSA spektralne. W polu kanału EKG wybierz kanał elektrokardiogramu przygotowany przed zabiegiem.
W sekcji wyodrębniaj HRV i RSA dla wyborów obszarów skupienia się. W trybie typu wyjścia wybierz tylko arkusz Excel i kliknij OK, aby wyeksportować wyniki z domeny częstotliwości. Średnie tętno było znacząco niższe w trudnej sytuacji obrazowej w porównaniu do łatwej sytuacji.
Zmienność częstotliwość częstotliwość serca była znacząco wyższa podczas trudnego obrazu w porównaniu do warunków łatwych w obrazie. Średnia kwadratowa pierwiastka kolejnych różnic podążała podobnym trendem i była istotnie wyższa podczas trudnych warunków obrazu. Uczestnicy delegowali znacznie częściej w trudnych warunkach obrazu niż w łatwym w warunkach obrazu.
Zauważyliśmy, że ludzie dostosowują swoje obciążenie poznawcze delegując zadania podczas pracy z AI.In przyszłością, przyjrzymy się, jak różne podejścia do współuczenia się wpływają na wyniki nauki człowieka i AI.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Ten protokół opisuje wykorzystanie wskaźników fizjologicznych do pomiaru zmian w obciążeniu poznawczym na różnych poziomach trudności zadań w współpracy człowiek-AI. Wyniki sugerują, że ludzie dostosowują swoje procesy decyzyjne zgodnie z trudnością zadania, odbijając tym samym różne poziomy obciążenia poznawczego.
Kluczowe elementy badania
Dziedzina nauki
- Neuronauki
- Interakcja człowiek-AI
- Psychologia poznawcza
Tło
- Obciążenie poznawcze jest krytycznym czynnikiem w podejmowaniu decyzji.
- Rozumienie obciążenia poznawczego może poprawić współpracę człowiek-AI.
- Wskaźniki fizjologiczne zapewniają obiektywne miary obciążenia poznawczego.
- Trudność zadania może wpływać na procesy poznawcze.
Cel badania
- Aby zmierzyć zmiany w obciążeniu poznawczym podczas zadań wspomaganych przez AI.
- Aby zbadać, jak trudność zadania wpływa na podejmowanie decyzji.
- Aby wykorzystać wskaźniki fizjologiczne do oceny obciążenia poznawczego.
Stosowane metody
- Konfiguracja systemu akwizycji danych elektrokardiogramu.
- Przygotowanie wstępnie żelowanych, jednorazowych elektrod.
- Połączenie systemu akwizycji danych z komputerami do prezentacji stymulacji i rejestracji danych.
- Przedstawienie procedury eksperymentalnej uczestnikom.
Główne wyniki
- Zmiany w obciążeniu poznawczym zostały zaobserwowane na różnych poziomach trudności zadań.
- Uczestnicy dostosowywali swoje procesy decyzyjne w oparciu o trudność zadania.
- Wskaźniki fizjologiczne skutecznie mierzyły zmiany w obciążeniu poznawczym.
- Wyniki przyczyniają się do zrozumienia dynamiki współpracy człowiek-AI.
Wnioski
- Trudność zadania znacząco wpływa na obciążenie poznawcze w ustawieniach współpracy.
- Miary fizjologiczne mogą dostarczyć wglądu w procesy poznawcze.
- Zrozumienie obciążenia poznawczego jest niezbędne dla optymalizacji interakcji człowiek-AI.
Często zadawane pytania
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.
