MétaCan
Menu
Retour à la cohorte
Enregistrement W2020210343 · doi:10.2514/1.21900

Effect of Simulator Motion on Pilot Behavior and Perception

2006· article· en· W2020210343 sur OpenAlexaffabout
Peter R. Grant, Bonnie Yam, Ruud Hosman, Jeffery A. Schroeder

Notice bibliographique

RevueJournal of Aircraft · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueAerospace and Aviation Technology
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésFidelityYawFlight simulatorMotion (physics)SimulationComputer scienceTask (project management)Driving simulatorWorkloadMotion simulatorMotion captureEngineeringArtificial intelligenceAutomotive engineering

Résumé

récupéré en direct d'OpenAlex

A set of experiments were conducted on the University of Toronto Institute for Aerospace Studies flight research simulator to determine the effects of translational and yaw motion on pilot performance, workload, fidelity, pilot compensation, and motion perception for three helicopter yaw control tasks. The three control tasks were a yaw capture, a disturbance rejection task, and a tracking task. The yaw capture experiment was a duplication of an experiment previously run at a different simulator facility. The results of the yaw capture task were in general agreement with the previous study with the exception that, in the current study, yaw motion had a larger impact on pilot performance than the previous study. The current study found that translational motion improves performance and increases fidelity for all three tasks. Yaw motion increased performance for the yaw capture and disturbance rejection tasks. Translational motion generally improved fidelity and was easier to detect than yaw motion for all three tasks. Finally, if translational motion was present, the addition of yaw motion usually provided little additional benefit to performance, workload, compensation, or fidelity for all three tasks.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,004
Tête enseignante GPT0,219
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of AircraftMême sujetAerospace and Aviation TechnologyTravaux en français237 207