Yöntem makalesi

Metabilişsel Duyarlılığı Artırmak için Sağ Dorsolateral Prefrontal Korteks Üzerinde Yüksek Çözünürlüklü Transkraniyal Doğru Akım Stimülasyonu

DOI:

10.3791/68824

⸱

26 Eylül 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

Bu makalede

Özet

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

Bu çalışma, insan-yapay zeka delegasyon görevlerinde insan üstbilişini geliştirmek için Yüksek Çözünürlüklü Transkraniyal Doğru Akım Stimülasyonunu (HD-tDCS) uygulayan deneysel bir paradigma önerdi. Sonuçlar, HD-tDCS'nin üstbilişsel duyarlılığı artırmadaki etkinliğini göstermiştir.

Özet

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

İnsan-yapay zeka işbirliğinde görev delegasyonu kritik bir bileşendir. İdeal olarak, bir kişi bir görevi tamamlayabileceğine inanıyorsa, bunu kendisi yapmalıdır; aksi takdirde görev karşı tarafa devredilmelidir. Bu tür delegasyon kararları, bireylerin üstbiliş (kişinin kendi kapasitelerini değerlendirme kapasitesi) tarafından şekillendirilen kendi yeteneklerine ilişkin değerlendirmelerinden etkilenir. Yüksek Çözünürlüklü Transkraniyal Doğru Akım Stimülasyonu (HD-tDCS), insan performansını artırmak için serebral korteksin uyarılabilirliğini düzenleyebilen, invazif olmayan bir beyin stimülasyon teknolojisidir. Bu protokol, insan-yapay zeka delegasyon görevleri sırasında insan üstbilişi üzerindeki etkilerini araştırmak için HD-tDCS'yi kullanan ve dorsolateral prefrontal kortekse (DLPFC) anodal, katodal veya sahte stimülasyon uygulama prosedürünü detaylandıran bir yöntem sunar. Stimülasyon, bir hedef elektrot ve dört dönüş elektrodu dahil olmak üzere beş elektrottan oluşan çevresel bir düzenleme kullanılarak taşınabilir bir HD-tDCS cihazı kullanılarak gerçekleştirildi. Stimülasyon toplam 21 dakika sürdü ve akım yoğunluğu 2 mA idi. Bu yöntemin, insan-yapay zeka işbirlikçi görev delegasyonu sürecinde insanların sinirsel mekanizmalarının ve davranışsal düzenlemelerinin daha derinlemesine araştırılması için yeni bir araştırma yolu sağlaması ve insan-yapay zeka işbirlikçi görevlerin daha da optimize edilmesi için sağlam bir teorik temel sağlaması bekleniyor.

Giriş

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

Yapay zeka (AI) hem günlük yaşamlarımızla hem de iş yerlerimizle giderek daha fazla iç içe geçiyor. Bununla birlikte, birçok gerçek dünya bağlamında, yapay zeka henüz karar verme süreçlerini tam olarak otomatikleştirme yeteneğine sahip değildir1. Bazı görevler, mevcut teknolojik sınırlamaların yanı sıra etik ve yasal hususlar nedeniyle yapay zeka için özellikle zorlayıcı olmaya devam ediyor. Sonuç olarak, belirli alanlarda yapay zekaya tam özerklik vermek genellikle pratik değildir veya tavsiye edilmez 2,3. Bu nedenle insanlar işyerinde vazgeçilmez bir rol oynamaya devam ediyor ve insan-yapay zeka işbirliğinin gelecekte baskın bir üretim ve hizmet sunumu modu haline gelmesi bekleniyor. Sağlık, konaklama ve insan kaynakları gibi alanlarda yapılan araştırmalar, insanlar ve yapay zeka arasındaki işbirlikçi çabaların maliyetleri azaltabileceğini ve bazı durumlarda verimliliği artırabileceğini göstermiştir 4,5,6.

İnsan-yapay zeka işbirliğinde, her bir tarafın kendi güçlü yönleriyle uyumlu görevleri üstlenmesi ve daha az uygun görevleri diğerine devretmesi beklenir. Bu nedenle, başarılı işbirliği ve optimum performans sonuçları için etkili görev dağılımı şarttır. Adam ve ark. delegasyon süreci tamamen otomatikleştirildiğinde ve insan müdahalesi olmadan yalnızca yapay zeka tarafından ele alındığında, insanların daha yüksek öz tehdit algıları yaşama eğiliminde olduğunu bulmuşlardır7. Fuegener ve ark. ayrıca, görevleri yapay zekaya devretme sürecinde, insanların genellikle kendi yeteneklerini doğru bir şekilde değerlendirmekte veya görev zorluğunu değerlendirmekte zorlandıklarını, bunun da düşük düzeyde bir üstbilişi yansıttığını bildirmiştir8. Bu bulgular, işbirliğinin verimliliğini ve kalitesini artırmak için insan-yapay zeka delegasyon senaryolarında üstbilişi geliştirmenin önemini vurgulamaktadır.

Üstbiliş, bireyin kendi yeteneklerini değerlendirme yeteneğini ifade eder9. İnsanlar ve yapay zeka arasındaki karşılıklı delegasyon bağlamında, yalnızca karşı tarafın yeteneklerine ilişkin doğru bir anlayış oluşturmak değil, aynı zamanda delegasyonun ne zaman uygun olduğunu belirlemek için kişinin kendi yeteneklerini değerlendirmesi de önemlidir. Jussupow ve ark. insan-yapay zeka işbirliğinin, insanlar yüksek düzeyde üstbiliş sergilediklerinde, yani hem kendi yeteneklerini hem de yapay zekanın yeteneklerini doğru bir şekilde değerlendirebildiklerinde en etkili olduğunu buldu10. Benzer şekilde, Atchley ve ark. eğitim ortamlarında üstbilişi teşvik etmenin, insanlar ve yapay zeka sistemleri arasında daha derin ve daha etkili işbirliğini teşvik edebileceğini bulmuşlardır11. İnsan-yapay zeka işbirliğine ilişkin önceki çalışmalar, üstbilişi genellikle öz bildirim anketleri yoluyla veya dolaylı ölçümler olarak insan güven derecelendirmelerini kullanarak değerlendirmişti. Bununla birlikte, psikolojik araştırmalarda, üstbilişin daha yerleşik ve titiz bir ölçüsü üstbilişsel duyarlılıktır (meta-d')12. Bu çalışmada, üstbilişsel duyarlılığı değerlendirmek için Maniscalco ve ark.13.

Transkraniyal doğru akım stimülasyonu (tDCS), üstbilişi geliştirmeyi amaçlayan araştırmalarda yaygın olarak kullanılmaktadır14. Üstbilişin temel yönleri prefrontal korteks ile yakından ilişkilidir. tDCS, belirli beyin bölgelerine zayıf bir doğru akım verir, nöronal uyarılabilirliği ve sinaptik plastisiteyi invaziv olmayan ve müdahaleci olmayan bir şekilde modüle eder, böylece araştırmacıların çeşitli bilişsel işlevleri geliştirmesine olanak tanır15. Harty ve ark. sağ dorsolateral prefrontal korteks (DLPFC) üzerindeki anodal stimülasyonun, bir hata farkındalığı görevinde katılımcıların hata algılama performansını artırdığını ve böylece bilişsel performansın üstbilişsel izlemesini iyileştirdiğini bulmuşlardır16. Bona ve Silvanto, anodal tDCS'nin bir çalışma belleği görevinde üstbilişsel önyargıyı etkilediğini bildirdi17. Mattes ve ark. tDCS'nin katılımcıların hem üstbiliş hem de zihinselleştirme görevlerindeki güven derecelerini etkilerken, üstbilişsel duyarlılıklarını değiştirmediğini gösterdi18. Hem insanlarda hem de maymunlarda prefrontal kortekste (özellikle Brodmann bölgeleri 46 ve 10) geçici bozulma veya hasarın üstbilişsel süreçlerde değişikliklere neden olduğu gösterilmiştir14. Ek olarak, önceki çalışmalar, DLPFC'nin uyarılmasını üstbilişsel yeteneklere bağlayan nedensel kanıtlar sağlamıştır19,20. Özellikle doğru DLPFC, deneysel görevimizin talepleriyle yakından ilgili olan bilişsel kontrolün21,22 altında yatan sinir ağı içinde önemli bir rol oynar. Bu nedenle, stimülasyon için hedef bölgemiz olarak doğru DLPFC'yi seçtik. Üstbiliş üzerine tDCS çalışmalarında yerleşik protokollerle tutarlı olarak, 1 dakikalık bir yukarı ve aşağı rampa fazı17,23 dahil olmak üzere 21 dakika boyunca 2 mA'lik bir akım uyguladık. Şu anda tDCS'de kullanılan en yüksek akım şiddeti 4 mA'dır ve Workman ve ark.24 tarafından yapılan çalışmaya katılanlar için tolere edilebilir olduğu gösterilmiştir.

Yüksek çözünürlüklü transkraniyal doğru akım stimülasyonu (HD-tDCS), geleneksel tDCS'nin yüksek hassasiyetli bir modifikasyonudur ve özel elektrot montajları yoluyla daha hedefli nöromodülasyon sunar. İki büyük ped elektrodu kullanan geleneksel tDCS ile karşılaştırıldığında, HD-tDCS, belirli beyin bölgelerinin daha hedefli ve fokal uyarılmasına izin vererek daha kalıcı etkiler sağlar25,26. Bilişsel performansı27 artırmayı da amaçlayan neurofeedback tekniklerinin aksine, HD-tDCS, daha kısa aktivasyon süresi, daha basit uygulama prosedürleri ve daha düşük uygulama maliyetleri28 dahil olmak üzere çeşitli pratik avantajlar sunar. İnsan-yapay zeka görev delegasyonu açısından bakıldığında HD-tDCS, daha yüksek mekansal hassasiyet, kullanım kolaylığı ve maliyet etkinliği sunar. Dahası, katılımcıların gerçek hayat veya işyeri senaryolarına yaklaşan bağlamlar dahilinde delegasyon ve derinlemesine düşünmeyi içeren sürekli görevlere katılmalarına olanak tanır ve bu da onu özellikle insan-yapay zeka delegasyonunda üstbilişin araştırılması için uygun hale getirir. Bu çalışmada, DLPFC'ye daha hedefli stimülasyon sağlamak için HD-tDCS kullanıldı.

Deneysel tasarım

Deneysel materyaller ImageNet Büyük Ölçekli Görsel Tanıma Yarışması'ndan (ILSVRC)29'dan alınmıştır. Yapay zeka modeli, görüntü sınıflandırma görevlerinde 30 en iyi performans gösteren modellerden biri olan GoogLeNet Inceptionv3'tü.

Deneysel görev, bir insan-yapay zeka delegasyon görevi, özellikle de bir görüntü sınıflandırma göreviydi. Görüntü sınıflandırması, bir kategoriye hedef görüntü atamayı içerir ve alana özgü herhangi bir eğitim veya önceden uzmanlık gerektirmeyen genel bir görevdir. Belirli durumsal arka planlara dayalı görevler genellenebilirliği tehlikeye atabilir. Örneğin, potansiyel kayıp içeren yüksek riskli senaryolarda, insanlar kararları AI31'e devretme eğilimindedir ve bu da onu etkili bir şekilde ekibin günah keçisi32 haline getirir. Bu çalışmada kullanılan görev, Fuegener ve ark. ve Gass ve ark.8,33 tarafından geliştirilen insan-yapay zeka işbirlikçi sınıflandırma paradigmasından uyarlanmıştır.

Görüntünün zorluk seviyesini değerlendirmek için bir ön deney yapıldı. Görüntü zorluğu, yalnızca insan durumunda karşılık gelen görüntünün ortalama doğruluğudur. Şekil 1'de gösterildiği gibi, her deneme bir hedef görüntü ve beş görüntü seçeneği setinden oluşuyordu. Katılımcılardan hedef görüntüye en uygun seçenek setini seçmeleri istendi. Toplam 217 katılımcı ön çalışmayı tamamladı. Ön çalışmadaki tüm katılımcılar ana deney için işe alımdan çıkarıldı.

figure-introduction-1
Şekil 1: Ön deney Arayüzü. Ön deneyde katılımcılara gösterilen arayüz, beş seçenek arasından bir yanıt seçtiler. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın. 

Resmi deney arayüzünde (bkz. Şekil 2), ekranın üst kısmında bir hedef görüntü görüntülenir. Ek olarak, beş görüntü grubu seçeneği ve bir yetkilendirme seçeneği (ekranın sağ üst köşesinde bulunur) sunulur. Katılımcıların, görevi yapay zekaya devretmek ile kendilerinin tamamlamak arasında karar vermeleri gerekir. İkinci durumda, hedef görüntüyle en iyi eşleşen beş görüntü kategorisi seçeneğinden birini seçerler. Her karardan sonra arayüz, katılımcılardan delegasyon kararlarına olan güvenlerini 1'den 4'e kadar derecelendirmelerinin istendiği bir sonraki sayfaya geçer. Resmi deney başlamadan önce katılımcılara yapay zeka sisteminin ortalama %76 doğruluk oranına sahip olduğu bilgisi verildi.

figure-introduction-2
Şekil 2: Resmi deney Arayüzü. Görev sırasında katılımcılara gösterilen ana arayüz. (A) Görev arayüzü; (B) güven derecelendirme arayüzü. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Ana deney için toplam 62 sağ elini kullanan katılımcı işe alındı. Tüm katılımcılar, benzer deneysel görevlerle ilgili daha önce deneyimi olmayan yüksek lisans öğrencileriydi. Dışlama kriterleri şu şekildeydi: katılımcılar deneyden önceki 24 saat içinde herhangi bir sakinleştirici-hipnotik ilaç veya psikoaktif madde almamış olmalı, kafatası kusurları (örn. delikler veya kırıklar) olmamalı ve kafatasında herhangi bir metal implant bulunmamalıdır (örn. metal plakalar). İki katılımcı hariç tutuldu: biri HD-tDCS stimülasyonunu engelleyen dermatolojik inflamasyon nedeniyle, diğeri ise deneyden önce kafeinli bir içecek yuttuğu için. Kalan 60 katılımcı (ortalama yaş = 22.68 ± 0.91 yıl) deneyi tamamladı. Her biri 20 katılımcıyla üç stimülasyon koşulundan (anodal, katodal veya sahte) birine rastgele atandılar. Elektrik alan simülasyonları Şekil 3'te gösterilmektedir. Her katılımcı, görüntü sınıflandırma görevini stimülasyondan önce ve sonra bir kez gerçekleştirdi ve analiz için 120 veri seti elde etti. HD-tDCS prosedürü Şekil 4'te gösterilmiştir ve deneysel iş akışı Şekil 5'te özetlenmiştir. G*Power 3.134 kullanarak, %90 (1 - β = 0.90), etki büyüklüğü f = 0.25 ve alfa seviyesi 0.05 olduğunu varsayarak a priori bir güç analizi gerçekleştirdik. Analiz, grup başına en az 18 katılımcının gerekli olacağını gösterdi. Nihai numune büyüklüğümüz bu gereksinimi karşıladı.

figure-introduction-3
Şekil 3: Elektrik alan simülasyonu. Elektrik alan dağılımının yandan görünümü (sağ taraf). (A) Anodal stimülasyon durumu. (B) Katodal stimülasyon durumu. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-introduction-4
Şekil 4: HD-tDCS deney düzeneği. Stimülasyon sırasında elektrot yerleşimini ve cihaz konumunu gösteren HD-tDCS deney düzeneğinin fotoğrafı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

figure-introduction-5
Şekil 5: Deneysel akış şeması. Deney, stimülasyondan önce ve sonra gerçekleştirilen görüntü sınıflandırma görevleri dahil olmak üzere üç aşamadan oluşuyordu. Kısaltmalar: HD-tDCS = yüksek çözünürlüklü transkraniyal doğru akım stimülasyonu; rDLPFC = sağ dorsolateral prefrontal korteks. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Bu çalışma Helsinki Bildirgesi ilkelerine uygun olarak yürütüldü ve Jiangsu Bilim ve Teknoloji Üniversitesi Kurumsal İnceleme Kurulu tarafından onaylandı. Katılımcıların verilerini kullanmak ve yayınlamak için bilgilendirilmiş onamlarını aldık.

1. Hazırlık

  1. Deney görevine hazırlanın.
    1. ImageNet web sitesinden (https://image-net.org/) görüntü verilerini indirin.
      NOT: İndirilen görseller kategorilere ayrılmıştır ve her kategori birden fazla görsel içerir.
    2. Görüntüleri sınıflandırmak için GoogLeNet Inception v3 modeliyle ilgili Python kodunu çalıştırın ( bkz. Her görüntü için tahmin edilen ilk beş kategoriyi ve İlk 1 sınıflandırma doğruluğunu kaydedin.
      NOT: Bu Python kodu, Inception V3 modelini yükleyerek görüntü sınıflandırması gerçekleştirir. Her hedef görüntü için, tahmin edilen ilk beş kategorinin çıktısını verir. Tahmin edilen bu beş kategoriye karşılık gelen görüntü setleri, deneyde katılımcılara yanıt seçenekleri olarak sunulur. Doğru kategori ilk beş tahmin arasında yer almıyorsa, seçenekler arasında yer almasını sağlamak için tahmin edilen kategorilerden biri doğru kategoriyle değiştirilir.
    3. Model tarafından sınıflandırılan görüntülerden hedef görüntüyü seçmek için Python veya herhangi bir rastgele örnekleme programını kullanın.
    4. Her hedef görüntü için, yanıt seçenekleri olarak hizmet vermek üzere beş kategorinin her biri için 10 görüntü ayıklayın. Tek tip boyutlar sağlamak için tüm görüntüleri yeniden boyutlandırın.
    5. Bir ön çalışma yapın ve katılımcıları deneye katılmaya davet edin.
      NOT: Ön çalışma, katılımcıların tüm denemeleri kendilerinin, yetki verme seçeneği ve bir güven derecelendirme süreci olmadan tamamlamaları gerekmesi dışında, resmi deneye benzerdi.
    6. Her katılımcının her görüntüye yanıt verme doğruluğunu kaydedin ve her görüntü için doğruluk oranını hesaplayın. Görüntüleri buna göre sınıflandırmak için doğruluk puanlarını görüntü zorluğu indeksi olarak kullanın.
      NOT: Tüm görüntüler doğruluğa göre sıralanır ve daha yüksek doğruluk, daha düşük zorluğu gösterir. Örneğin, katılımcıların %10'u bir görsele doğru yanıt verdiğinde, o görselin zorluğu %90 olarak belirleniyor.
    7. Görüntüleri, zorluk puanlarına göre karşılaştırılabilir zorlukta iki gruba ayırın. E-prime 3 aracılığıyla resmi deneysel programı oluşturmak için iki görüntü setini deneysel materyal olarak kullanın (bkz.
      NOT: Bu deneysel program, görüntü sınıflandırma görevini sunmak için tasarlanmıştır.
  2. Katılımcının HD-tDCS'ye karşı herhangi bir kontrendikasyonu olmadığından ve herhangi bir dışlama kriterini karşılamadığından emin olun. Katılımcılara deneysel prosedürü tanıtın ve çalışmayı anladıklarını onayladıktan sonra yazılı bilgilendirilmiş onam alın.
    NOT: Katılımcıya baskın elini sorun ve yazmak için hangi elini kullandığını gözlemleyerek onaylayın.
  3. Bir ölçüm bandı kullanarak katılımcının baş çevresini ölçün ve buna göre uygun HD-tDCS neopren başlık boyutunu seçin ( Malzeme Tablosuna bakınız).
  4. HD-tDCS cihazının tamamen şarj olduğunu doğrulayın. Elektrotlar, elektrot jeli, aletle birlikte verilen şırınga, elektrot kabloları ve HD-tDCS sistemini çalıştırmak için kullanılan bilgisayar dahil olmak üzere tüm aksesuarların kullanıma hazır olduğundan emin olun.
  5. Ön test koşulu olarak iki deneysel görevden birini rastgele seçin. Katılımcıya görüntü sınıflandırma görevini tamamlaması talimatını verin.
    NOT: Deneysel koşulları rastgele atamak için rastgele bir sayı üreteci kullanılabilir.
    1. Programı açın.
    2. ÇALIŞTIR'a tıklayın, konu numarasını ve oturum numarasını girin, bilgileri onaylayın ve deneysel görevi başlatmak için EVET'e tıklayın.

2. HD-tDCS uyarımı

  1. Beş elektrotun alt kısımlarını neopren kafa başlığındaki karşılık gelen konumlara yerleştirin. Bu beş pozisyon, stimülasyon bölgeleri olarak hizmet eder.
    NOT: Doğru DLPFC'yi hedeflemek için aşağıdaki beş elektrot konumunu kullanın: F4, Fp2, Fz, C4 ve F8.
  2. Katılımcıya bir sandalyeye rahatça oturmasını söyleyin. Neopren başlığın ön kenarını kaşların yaklaşık 1-2 cm yukarısına yerleştirin. Cz'nin iki preauriküler nokta arasındaki orta nokta ile hizalandığından emin olun. Kapağı katılımcının kafasına güvenli bir şekilde takın ve doğru hizalamayı sağlayın.
    NOT: Başlığı takarken, uluslararası 10-20 EEG sistemine göre Cz, inion, nasion ve sol ve sağ preauriküler noktaları bulduğunuzdan emin olun.
  3. Elektrotlar ve kafa derisi arasındaki empedansı azaltmak için aletle birlikte verilen şırıngayı kullanarak her stimülasyon bölgesine elektrot jeli (bkz.
    NOT: Elektrot jeli oldukça iletken ve suda çözünür bir jeldir.
    1. Şırıngayı elektrot jeli ile doldurun.
    2. Her elektrot için, kafa derisini ortaya çıkarmak için saçı şırıngayla ayırın.
    3. Tüm elektrotların alt kısımlarının içindeki açıkta kalan kafa derisine yeterli miktarda elektrot jeli enjekte edin.
    4. Tüm elektrotların üst ve alt kısımlarını birbirine vidalayın.
  4. HD-tDCS cihazını bağlayın.
    1. HD-tDCS cihazını açın ve ilgili kontrol yazılımını başlatın ( bkz.
      NOT: Kontrol yazılımını çalıştıran bilgisayar en azından aşağıdaki gereksinimleri karşılamalıdır: İşlemci: 1,6 GHz; VERİ DEPOSU: 2 GB; Arayüz: USB veya WiFi; Ekran çözünürlüğü: 1.280 x 768.
    2. Bilgisayarda Bluetooth'u etkinleştirin. Kontrol yazılımında, bağlantı işlemini başlatmak için Wi-Fi Cihazlarını KULLAN'ı seçin.
    3. Cihazın MAC adresinin listede görünmesini bekleyin. Göründüğünde, cihazı seçin.
    4. HatGürültüsü Filtresi ayarında, elektriksel paraziti ortadan kaldırmak için 50 Hz'yi seçin. 
      NOT: Seçilen frekans, deneyin yapıldığı ülkede kullanılan AC güç frekansıyla eşleşmelidir.
    5. Ayarlar panelinin alt kısmında, Bu Cihazı Kullan düğmesine tıklayın. Yazılım daha sonra cihazla bir bağlantı kuracaktır.
  5. HD-tDCS stimülasyon protokolünü yapılandırın.
    1. Kontrol yazılımının sol panelindeki kafa şeklindeki simgeye tıklayın. Ardından, yeni bir stimülasyon protokolü oluşturmak için YENİ PROTOKOL EKLE'ye tıklayın.
    2. Protokol süresini, mevcut teslimat için 30 sn'lik bir artış ve 30 sn'lik bir rampa azaltma süresi ile 21 dakikaya ayarlayın.
      NOT: Protokol sahte bir uyarımsa ise, Sahte seçeneğini etkinleştirin.
    3. F4 elektrodunu sağdaki Stimülasyon sütununa sürükleyin. Kanalı stimülasyon moduna ayarlayın, 2.000 μA35'lik bir akım yoğunluğu girin, anodal stimülasyonu seçin.
      NOT: Anot ve katodun belirlenmesi, amaçlanan stimülasyon tipine bağlıdır.
    4. Fp2, Fz, C4 ve F8 elektrotlarını Stimülasyon sütununa sürükleyin. Her kanal, her birine toplam akımın %25'ini atayarak dönüş moduna ayarlayın. Protokolü kaydedin.
    5. Yapılandırılmış stimülasyon protokolünü seçin. HD-tDCS cihazını başlığın arkasındaki Velcro kayışa takın. Cihazı elektrot donanımına bağlamak için elektrot kablolarını kullanın.
      NOT: Her kablonun, yazılımdaki yapılandırmayla eşleşen doğru elektrot konumuna bağlandığından emin olun.
    6. Tüm kabloların doğru şekilde bağlandığından emin olun. Sağ alt köşedeki PROTOCO L'Yİ YÜKLEdüğmesine tıklayın.
  6. Empedans kontrolü yapmak için EMPEDANSI KONTROL ET düğmesine tıklayın.
    NOT: Seçilen tüm elektrotlar için bağlantı durumu göstergelerinin yeşil (0-10 kΩ) veya turuncu (10-15 kΩ) olduğundan emin olun. Herhangi bir gösterge kırmızı görünüyorsa (>15 kΩ), empedansı azaltmak için elektrot jelini yeniden uygulayın veya saçı daha fazla saç derisini açığa çıkaracak şekilde ayarlayın.
  7. Stimülasyonu başlatmak için başlat düğmesine (sağı gösteren üçgen simgesi) tıklayın.
  8. Katılımcılara, stimülasyon seansı sırasında birden fazla zaman noktasında hislerini bildirmelerini söyleyin.
    NOT: Bir katılımcı normal hislerin ötesinde bir rahatsızlık bildirirse, hemen yazılımdaki STOP düğmesine tıklayın, cihazı katılımcıdan çıkarın ve kafa derisinin durumunu kontrol edin.

3. Stimülasyon sonrası

  1. Kontrol yazılımını kapatın. Kabloları elektrotlardan ayırın ve HD-tDCS cihazını dikkatlice çıkarın.
  2. Başlığı katılımcının kafasından çıkarın ve tüm elektrotları ayırın.
  3. Henüz tamamlanmamış diğer deneysel programı seçin. Katılımcıya son test olarak görüntü sınıflandırma görevini tamamlamasını söyleyin.
  4. Katılımcıya saçlarını temizlemesi için gerekli malzemeleri sağlayın.
  5. Katılımcılara HD-tDCSoturumu 36'dan sonra bir duyum anketi doldurmalarını söyleyin. Katılımcıların HD-tDCS stimülasyonuna ilişkin toleransını ve öznel deneyimini değerlendirmek için anketi kullanın.
  6. Başlığı ve elektrotları temizleyin.
    1. Başlığı suyla iyice durulayın. Başlığı kurumaya bırakın.
    2. Jeli elektrotlardan nazikçe durulamak için musluk suyu kullanın.
      NOT: Jeli daha hızlı çözmek için ılık su kullanın.
    3. Elektrotları doğrudan güneş ışığından uzakta bir kağıt havlu veya bez üzerinde kurumaya bırakın. Kuruduktan sonra, uzun süreli saklama için ambalajlarına yerleştirin.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Bu çalışmanın temel sonucu, meta-d' kullanılarak üstbilişsel duyarlılığın ölçülmesini içermektedir. Farklı stimülasyon türlerindeki katılımcıların üstbilişsel duyarlılık puanları üzerinde bir normallik testi yapıldı ve sonuçlar her koşulda normalliğin sağlandığını gösterdi. Farklı stimülasyon türleri arasında üstbilişsel duyarlılığı karşılaştırmak için tekrarlanan bir ölçüm ANOVA'sı yapıldı ve sonuçlar Tablo 1'de gösterildi. Zaman ve stim...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Deneysel sonuçların güvenilirliğini sağlamak için, prosedür sırasında çeşitli faktörler göz önünde bulundurulmalıdır. İlk olarak, kabloları HD-tDCS elektrot donanımına bağlarken, yanlış bağlantılar istenmeyen fizyolojik etkilere neden olabileceğinden, her kablonun belirlenen elektrot konumuna tam olarak karşılık geldiğini doğrulamak çok önemlidir. İkincisi, bu sahte bir stimülasyon koşulunu içeren tek kör bir çalışma olduğundan, katılımcılar HD-tDCS prosedürü sırasında operasyon arayüzün...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yoktur.

Teşekkürler

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

Bu çalışma, Jiangsu Eyaleti Lisansüstü Araştırma ve Uygulama İnovasyon Programı (KYCX25_4311), Çin Ulusal Doğa Bilimleri Vakfı (72374088, 72471105, 72472094, 72001096), Çin Yüksek Öğrenim Derneği'nin 2024 Yüksek Öğrenim Bilim Araştırma Planlaması Ana Projesi (24XX0205, Öğrenme Çıktılarını Artırmada İnsan-Yapay Zeka İşbirliği Stratejilerinin Mekanizmaları), 2024 Jiangsu Eyaleti Eğitim Bilim Planlaması Ana Projesi (B-b/2024/01/162, Eğitimsel Sinirbilim Perspektifinden Çok Modlu Öğrenme Üzerine Model Oluşturma ve Ampirik Araştırma), Jiangsu Hükümeti Yurtdışı Çalışmalar Bursu (JS-2024-69) ve Çin Eğitim Bakanlığı Beşeri ve Sosyal Bilimler Fonu (24YJCZH445).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Elektrot kablolarıNöroelektrikler10 elektrotlu kabloElektrot kablosunda 10 elektrot tıbbi soketi bulunur.
Elektrot jeliParker LaboratuvarlarıSignagel 250g NE016bEmpedansı azaltmak ve sinyal kalitesini artırmak için kullanılır.
Elektrot -larNöroelektriklerNG PISTIM NE029NG Pistim iki parçadan oluşur: tutucu (üst kısım) ve dişli süpürge (alt kısım).
Deneysel yazılımPSIKOLOJI YAZILIM ARAÇLARIE-prime3.0 Build 3.0.3.31Bu, deneysel programın hazırlanmasında kullanılan yazılımdır.
HD-tDCS cihazıNöroelektriklerStarstim 8Bu, HD-tDCS uyarısı için kullanılan cihazdır.
HD-tDCS yazılımıNöroelektriklerNIC2 V2.1.3.6Bilgisayarın HD-tDCS cihazı ile etkileşime girmesini sağlayan uygulamadır.
Dizüstü bilgisayarDellG5 5500Bu bilgisayar, deneyde kullanılan yazılımı çalıştırıyor.
Neopren başlıkNöroelektriklerMElektrotları saç derisine tam olarak yerleştirmek için bir başlık başlığıdır. Boyutlar: S (49 cm), M (54 cm), L (57 cm), XL (60 cm)
İstatistiksel araçIBMSPSS V26Veri analizi için kullanılır.
Şırınga-NE014Elektrot jeli enjeksiyonu için kullanılır.

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Y ksek z n rl kl tDCSnsan Yapay Zeka Birli iG rev DelegasyonuAnodal Stim lasyonKatodal Stim lasyonSham Stim lasyonG r nt S n fland rma G reviTekrarlanan l mler ANOVA

İlgili makaleler