Predicting aviation training performance with multimodal affective inferences
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Affect influences learning and training through various cognitive, psychomotor and motivational processes. This research aims to examine the role of affect in aviation training. Participants’ ( N = 19) affect and performance were examined in simulated aviation training while they performed ten tasks. Affective states were inferred from electrodermal activity, facial expression and NASA Taskload Index. Performance accuracy was graded with the rubrics provided by pilot instructors in CAE Inc. We found that arousal (inferred from electrodermal activity) positively predicted performance in the level 2 (easy) task ( F (1, 17) = 7.408, p < 0.05, std β = 0.55). Mental workload (as measured from self‐report) negatively predicted performance in the level 3 (medium difficulty) ( F (1, 15) = 4.598, p < 0.05, std β = −0.54) and level 4 (difficult) tasks ( F (1, 15) = 12.85, p < 0.01, std β = −0.73), controlling for affect valence and arousal. This research is a preliminary step to a reconsideration of affect in theoretical frameworks in aviation. It demonstrates a comprehensive assessment of affect in aviation training, which could provide guidelines for instructional interventions to improve the overall training experience and pilot performance.
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.
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) | 0,001 | 0,000 |
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.
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 découle