MétaCan
Menu
Retour à la cohorte
Enregistrement W2571067231 · doi:10.1177/1541931215591043

Pupil Dilation and Eye Movements Can Reveal Upcoming Choice in Dynamic Decision-Making

2015· article· en· W2571067231 sur OpenAlexaff
Vsevolod Peysakhovich, François Vachon, Benoît R. Vallières, Frédéric Dehais, Sébastien Tremblay

Notice bibliographique

RevueProceedings of the Human Factors and Ergonomics Society Annual Meeting · 2015
Typearticle
Langueen
DomainePsychology
ThématiqueHuman-Automation Interaction and Safety
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésPupillary responseDynamic decision-makingComputer scienceOperator (biology)Eye movementEye trackingFixation (population genetics)Decision support systemOptimal decisionSituation awarenessHuman–computer interactionCognitionOperations researchRisk analysis (engineering)Artificial intelligencePupilDecision treeEngineeringPsychology

Résumé

récupéré en direct d'OpenAlex

In dynamic environments such as air-traffic control, emergency response and security surveillance, there are severe constraints to information processing and decision-making. Human operators must constantly monitor, assess, and integrate incoming information in order to make optimal decisions in such complex environments. In order to maximize operators’ performance, there is a need for effective technological support for dynamic decision-making. Eye tracking is one promising avenue that can provide online, non-obtrusive indices of cognitive functioning. Using a simulated maritime decision-making environment, we evaluated whether oculometry may be exploited to foretell the decision made by the operator beforehand. Our results showed that pupil dilation and fixation transitions can reveal the upcoming judgment of the human operator by about half a second before the decision. This finding can be useful to design adaptive support tools for dynamic decision-making by integrating the operator’s cognitive state.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,041
Score d'incertitude au seuil0,575

Scores Codex et Gemma par catégorie

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

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 Opus0,023
Tête enseignante GPT0,327
Écart entre enseignants0,304 · 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 tête enseignante, 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

Citations12
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Human Factors and Ergonomics Society Annual MeetingMême sujetHuman-Automation Interaction and SafetyTravaux en français237 207