Factors affecting performance on a target monitoring task employing an automatic tracker
Notice bibliographique
Résumé
The experiments in this paper examined the extent to which performance on a task employing an automatic tracker was similar to performance on tasks employing other types of automation that have been studied more extensively. Automated target tracking is being used in many sensor and navigation systems to improve performance and help the operator cope with increased data loads. With many automated systems these goals are not met. In particular, the operator often misses errors made by the automated system and may report no decrease in workload. Several hypotheses have been offered for the operator's failure to monitor an automated system adequately. These include lack of experience with the manual task, a vigilance decrement, complacency, and inappropriate level of automation. The relevance of each of these hypotheses to failure to monitor an automatic tracker adequately was examined. Performance and perceived workload on a target tracking task employing an automatic tracker, in which participants had to detect and then update the position of several targets (e.g. ships) at regular intervals, were measured as a function of number of targets, training with the manual task, experience, and time on task. The results suggested that failure to detect errors made by the automated system was due largely to the lack of visibility of the automation errors relative to other errors. However, complacency could not be ruled out entirely. Unlike some other tasks, the availability of a reliable automatic tracker did lead to a substantial reduction in perceived workload.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».