5 de dezembro de 2025
Esse protocolo descreve o uso de indicadores fisiológicos para medir variações na carga cognitiva entre diferentes níveis de dificuldade em tarefas colaborativas entre humanos e IA. Os resultados sugerem que as pessoas adaptam seus processos de tomada de decisão de acordo com a dificuldade da tarefa, refletindo assim diferentes níveis de carga cognitiva.
Estudamos como a carga cognitiva das pessoas muda ao trabalhar com IA em um contexto de delegação. Para começar, apresente o procedimento experimental ao participante e certifique-se de que ele esteja totalmente informado sobre o estudo. Prepare o sistema de aquisição de dados do eletrocardiograma e reúna todos os materiais necessários, incluindo os eletrodos eletrocardiogramas descartáveis e pré-gelificados.
Conecte o sistema de aquisição de dados ao módulo receptor de dados do eletrocardiograma. Usando o cabo fita macho para fêmea, estabeleça uma conexão entre o sistema de aquisição de dados e o computador usado para a apresentação do estímulo. Usando um cabo ethernet, estabeleça uma conexão entre o sistema de aquisição de dados e o computador usado para gravação de dados.
Conecte o sistema a uma fonte de alimentação estável. Agora, limpe a pele do participante com lenços alcoólicos em três locais. Abaixo da costela esquerda, abaixo da clavícula direita e no abdômen direito.
Anexe um adesivo eletrodo eletrocardiograma descartável em cada local limpo. Depois, conecte o conector do fio de derivação de forma firme ao transmissor do eletrocardiograma e conecte o clipe metálico do fio de derivação ao eletrodo correspondente. Fixe o transmissor eletrocardiograma ao corpo do participante usando tiras elásticas de fecho em forma de gancho e laço e ajuste a tensão da cinta para garantir que o transmissor permaneça no lugar e confortável para o participante.
Ligue o interruptor do transmissor do eletrocardiograma e ligue o sistema de aquisição de dados do eletrocardiograma. Verifique o status da conexão sem fio entre o transmissor e o módulo receptor do sistema de aquisição de dados. Agora, lance o software de aquisição de dados para eletrocardiogramas.
Crie um novo arquivo de grafo. Selecione o módulo receptor de eletrocardiograma na lista de dispositivos. Escolha o canal apropriado de gravação do eletrocardiograma e clique em OK na janela de status da conexão do transmissor recém-exibida.
Clique em iniciar na interface do software de aquisição de dados para iniciar a coleta de dados do eletrocardiograma. Verifique se a forma de onda do eletrocardiograma aparece estável na tela. Agora, instrua o participante a iniciar a tarefa experimental.
Após a conclusão da tarefa, clique em parar no software de aquisição de dados para encerrar a sessão de gravação. Desconecte os clipes do fio de chumbo dos remendos de eletrodos. Afrouxe as tiras elásticas dos fechos em forma de gancho e remova o transmissor eletrocardiograma do corpo do participante.
Instrua e ajude o participante a remover cuidadosamente os adesivos descartáveis de eletrodos manualmente. Em seguida, abra o arquivo de dados de eletrocardiograma gravado no software de análise de dados. Selecione o canal do eletrocardiograma e aplique filtragem digital.
Na barra de menus, navegue para transformar seguido de filtros digitais e parar a banda de pente. Depois, na caixa de diálogo, selecione fixo abaixo da frequência base. Digite 50 hertz e clique em ok para aplicar o filtro.
Em seguida, clique em transformar na barra de menu. Selecione filtros digitais, depois FIR, seguido de passagem de banda. Na caixa de diálogo, sob o corte de baixa frequência, selecione fixo em e insira um hertz.
Sob corte de alta frequência, selecione fixo em e insira 35 hertz. Agora, crie áreas de foco baseadas no desenho experimental, gere e exporte dados de frequência cardíaca selecionando análise, seguido pela hemodinâmica e extração do intervalo de ECG a partir da barra de menu. Na opção de analisar, escolha apenas áreas de foco e, na opção de resultados de exibição, selecione apenas planilha do Excel.
Clique em ok para confirmar e concluir a exportação. Para gerar dados de variabilidade da frequência cardíaca, abra a análise e selecione HRV e RSA seguidos por estatísticas multiépicas de HRV. No campo do canal do ECG, selecione o canal eletrocardiograma pré-processado e em extração estatísticas de HRV para escolher as áreas de foco.
Vá em resultados de saída, selecione planilha e clique em ok para gerar e exportar os resultados no domínio do tempo. Por fim, abra novamente a análise e selecione HRV e RSA seguidos pelo espectro HRV e RSA multiépicos. No campo do canal do ECG, selecione o canal do eletrocardiograma pré-processado.
Em extrair HRV e RSA para escolher, escolha áreas de foco. No tipo de saída, selecione apenas planilha Excel e clique em ok para exportar os resultados no domínio da frequência. A frequência cardíaca média foi significativamente menor sob a condição de imagem difícil em comparação com a condição de imagem fácil.
A variabilidade da frequência cardíaca em alta frequência foi significativamente maior durante a condição difícil da imagem em comparação com a condição fácil. A raiz quadrática média das diferenças sucessivas seguiu uma tendência semelhante e foi significativamente maior durante a condição difícil da imagem. Os participantes delegaram significativamente com mais frequência sob a condição de imagem difícil do que sob a condição de imagem fácil.
Descobrimos que as pessoas ajustam sua carga cognitiva delegando tarefas ao trabalhar com AI.In futuro, vamos analisar como diferentes abordagens de co-aprendizagem afetam os resultados quando humanos e IA aprendem juntos.
Veja a transcrição completa e aceda a milhares de vídeos científicos
Este protocolo descreve o uso de indicadores fisiológicos para medir variações na carga cognitiva em diferentes níveis de dificuldade de tarefas em tarefas colaborativas humano-IA. Os resultados sugerem que as pessoas adaptam seus processos de tomada de decisão de acordo com a dificuldade da tarefa, refletindo assim diferentes níveis de carga cognitiva.
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.
This method integrates into the discovery-to-preclinical continuum by providing real-time cognitive state analytics during human-AI collaborative tasks.