认知任务和综合统计方法用于评估,建模和预测心理工作负载.
Lina-Estelle Linelle Louis1,2, Saïd Moussaoui2, Aurélien Van Langhenhove3
1Entreprise Onepoint, Nantes, France.
Frontiers in psychology
|May 30, 2023
概括
科尔西测试可靠地预测精神工作负载 (MWL) 类,准确度为80%,优于N-Back任务. 虽然Corsi显示出实时MWL适应的希望,但需要进一步的生理措施才能获得足够的在线准确性.
科学领域:
- 认知心理学 认知心理学
- 人与计算机的交互
- 神经科学是一个神经科学.
背景情况:
- 心理工作负载 (MWL) 评估对于用户体验和适应性系统至关重要.
- 需要准确预测MWL以动态调整任务复杂性.
- 现有的认知任务在建模和预测MWL时的可靠性各不相同.
研究的目的:
- 识别可以可靠地预测不同的心理工作负载类别的认知任务.
- 评估这些任务是否适合实时MWL调整.
- 为了比较Corsi测试和N-Back任务在MWL建模中的有效性.
主要方法:
- 进行了不同复杂度的N-Back和Corsi测试.
- 使用NASA-TLX和工作负载概况调查问卷测量MWL.
- 采用统计方法和分类算法来分析任务性能和预测MWL类.
主要成果:
- 科尔西测试显示了三个不同的MWL类,预测准确率约为80%.
- 科尔西测试显示了MWL适应的潜力 (准确率超过50%),但不足以进行在线调整.
- 单独的性能指标不足以实时适应MWL,这表明需要生理测量.
结论:
- 与N-Back任务相比,Corsi测试是建模和预测MWL的优秀候选者.
- 目前的基于性能的预测模型需要用生理数据来增强,以实现有效的实时MWL适应.
- 进一步的研究应该整合多式联运数据,以实现强大的自适应系统.


