Bilişsel Yükü Elektrokardiyografik Ölçüm Kullanarak Tahmin Edin: İnsan-Yapay Zeka İşbirliği Görevi
5 Aralık 2025
Bu protokol, insan-yapay zeka işbirliğine dayalı görevlerde farklı görev zorluk seviyelerinde bilişsel yük değişimlerini ölçmek için fizyolojik göstergelerin kullanımını açıklar. Bulgular, insanların karar alma süreçlerini görev zorluğuna göre uyarladığını ve böylece farklı bilişsel yük seviyelerini yansıttığını gösteriyor.
Delegasyon ortamında yapay zeka ile çalışırken insanların bilişsel yükünün nasıl değiştiğini inceliyoruz. Başlangıç olarak, katılımcıya deneysel süreci tanıtın ve çalışmadan tam olarak bilgi sahibi olduğundan emin olun. Elektrokardiyogram veri toplama sistemini hazırlayın ve önceden jellenmiş, tek kullanımlık elektrokardiyogram elektrotları dahil olmak üzere gerekli tüm malzemeleri toplayın.
Veri toplama sistemini elektrokardiyogram veri alıcı modülüne bağlayın. Erkekten dişiye kurdele kablosu kullanılarak, veri toplama sistemi ile uyarıcı sunumu için kullanılan bilgisayar arasında bir bağlantı kurun. Ethernet kablosu kullanarak, veri toplama sistemi ile veri kaydı için kullanılan bilgisayar arasında bir bağlantı kurulabilir.
Sistemi stabil bir güç kaynağına takın. Şimdi, katılımcının cildini üç noktada alkollü mendil ile temizleyin. Sol kaburganın altında, sağ köprücük köprücüğünün altında ve sağ karın bölgesinde yer alır.
Her temiz bölgeye tek kullanımlık elektrokardiyogram elektrot bandı takın. Sonra lead tel konnektörünü elektrokardiyogram vericisine sıkıca bağlayın ve lead telin metal klipsini ilgili elektrota bağlayın. Elektrokardiyogram vericisini katılımcının vücuduna esnek kancalı bağlantı kayışlarıyla sabitleyin ve vericinin yerinde kalmasını ve katılımcı için rahat kalmasını sağlamak için kayışın gerginliğini ayarlayın.
Elektrokardiyogram vericisinin anahtarını açın ve elektrokardiyogram veri toplama sistemini açın. Veri toplama sisteminin verici ile alıcı modülü arasındaki kablosuz bağlantı durumunu kontrol edin. Şimdi, elektrokardiyogram veri toplama yazılımını başlatın.
Yeni bir grafik dosyası oluşturun. Cihaz listesinden elektrokardiyogram alıcı modülünü seçin. Uygun elektrokardiyogram kayıt kanalını seçin ve yeni görüntülenen verici bağlantı durumu penceresinde Ok'a tıklayın.
Elektrokardiyogram veri toplamaya başlamak için veri toplama yazılımı arayüzünde başlat tuşuna tıklayın. Elektrokardiyogram dalga formunun ekranda stabil göründüğünü doğrulayın. Şimdi, katılımcıya deneysel göreve başlamasını söyleyin.
Görev tamamlandıktan sonra, kayıt oturumunu sonlandırmak için veri toplama yazılımında dur tuşuna tıklayın. Elektrot yamalarından lead tel klipslerini ayırın. Esnek kanca-halka bağlantı kayışlarını gevşetin ve elektrokardiyogram vericisini katılımcının vücudundan çıkarın.
Katılımcıya tek kullanımlık elektrot yamalarını elle nazikçe çıkarmasını öğretin ve yardımcı olun. Sonra, veri analiz yazılımında kaydedilmiş elektrokardiyogram veri dosyasını açın. Elektrokardiyogram kanalını seçin ve dijital filtreleme uygulayın.
Menü çubuğunda, dönüşüm bölümüne gidin, ardından dijital filtreler ve tarak bant durdurucu. Sonra diyalog kutusunda, temel frekansın altında sabit seçeneği seçin. 50 hertz girin ve filtreyi uygulamak için tamam'a tıklayın.
Sonra, menü çubuğunda dönüştür tuşuna tıklayın. Dijital filtreleri seçin, sonra FIR, ardından bant geçişi var. Diyalog kutusunda, düşük frekans kesme altında, sabit at seçeneğini seçip bir hertz girin.
Yüksek frekans kesme altında, sabit at seçip 35 hertz girin. Şimdi, deneysel tasarıma dayalı odak alanları oluşturun, analiz seçerek kalp atış hızı verisini üretin ve dışa çıkarın, ardından hemodinamik ve menü çubuğundan EKG aralığı çıkarımı yapın. Analiz seçeneğinde sadece odak alanlarını seçin ve sonuçları göstermek seçeneğinde sadece Excel tablosunu seçin.
Onaylamak ve ihracayı tamamlamak için Ok'a tıklayın. Kalp atış hızı değişkenliği verisi oluşturmak için, analiz açın ve HRV ile RSA seçin, ardından çoklu epik HRV istatistiklerini ekleyin. EKG kanal alanında, önceden işlenmiş elektrokardiyogram kanalını seçin ve odak alanları için HRV istatistiklerini çıkarın.
Sonuçları çıktı bölümüne gidin, elektronik tabloyu seçin ve zaman alanı sonuçlarını oluşturmak ve dışa aktarmak için ok'a tıklayın. Son olarak, tekrar açık analiz ve HRV ile RSA'yı seçin, ardından çoklu epik HRV ve RSA spektral gelin. EKG kanal alanında, önceden işlenmiş elektrokardiyogram kanalını seçin.
HRV ve RSA çıkarma altında odak alanlarını seçin. Çıktı tipinde sadece Excel tablosunu seçin ve frekans alanı sonuçlarını dışa aktarmak için Ok'a tıklayın. Zor görüntü koşullarında ortalama kalp atış hızı, kolay görüntü koşullarına kıyasla anlamlı derecede düşüktü.
Yüksek frekanslı kalp atış hızı değişkenliği, zor görüntü durumunda kolay görüntü koşullarına kıyasla anlamlı derecede yüksekti. Ardışık farkların kök ortalama kare kare benzer bir eğilimi takip etti ve zor görüntü koşullarında belirgin şekilde daha yüksekti. Katılımcılar, zor görüntü koşullarında, kolay görüntü koşullarına göre önemli ölçüde daha sık delegasyon yaptılar.
Gelecekle çalışırken insanların bilişsel yüklerini görevleri devrederek ayarladığını gördük; AI.In gelecekle birlikte öğrendiklerinde farklı ortak öğrenme yaklaşımlarının sonuçları nasıl etkilediğine bakacağız.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu protokol, insan-AI işbirliği görevlerinde farklı görev zorluk seviyeleri boyunca bilişsel yükteki değişimleri ölçmek için fizyolojik göstergelerin kullanımını tanımlar. Bulgular, bireylerin karar verme süreçlerini görev zorluğuna göre ayarladıklarını ve böylece farklı bilişsel yük seviyelerini yansıttıklarını göstermektedir.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Nörobilim
- İnsan-AI etkileşimi
- Bilişsel psikoloji
Arka Plan
- Bilişsel yük, karar vermede kritik bir faktördür.
- Bilişsel yükü anlamak, insan-AI işbirliğini geliştirebilir.
- Fizyolojik göstergeler bilişsel yükün objektif ölçümlerini sağlar.
- Görev zorluğu bilişsel süreçleri etkileyebilir.
Çalışmanın Amacı
- AI destekli görevler sırasında bilişsel yükteki değişimleri ölçmek.
- Görev zorluğunun karar vermeyi nasıl etkilediğini araştırmak.
- Bilişsel yükü değerlendirmek için fizyolojik göstergeleri kullanmak.
Kullanılan Yöntemler
- Elektrokardiyogram veri toplama sistemi kurulumu.
- Ön jellendirilmiş, tek kullanımlık elektrotların hazırlanması.
- Veri toplama sisteminin stimülasyon sunumu ve veri kaydı için bilgisayarlara bağlanması.
- Katılımcılara deney prosedürünün tanıtılması.
Ana Sonuçlar
- Görev zorluk seviyeleri boyunca bilişsel yükteki değişimler gözlendi.
- Katılımcılar, görev zorluğuna göre karar verme süreçlerini ayarlamayı başardı.
- Fizyolojik göstergeler, bilişsel yük değişikliklerini etkili bir şekilde ölçtü.
- Bulgular, insan-AI işbirliği dinamiklerini anlamaya katkıda bulunmaktadır.
Sonuçlar
- Görev zorluğu, işbirlikçi ortamlarda bilişsel yükü önemli ölçüde etkiler.
- Fizyolojik ölçümler bilişsel süreçler hakkında içgörüler sağlayabilir.
- Bilişsel yükü anlamak, insan-AI etkileşimlerini optimize etmek için gereklidir.
Sıkça Sorulan Sorular
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.
