Notice bibliographique
Résumé
Techniques for monitoring human performance traditionally rely on subjective responses and task-specific scoring, yet research suggests EEG could offer multiple performance metrics with high temporal resolution and accuracy that could be leveraged for human–computer interaction purposes. The objective of the presented work is to investigate which EEG responses correlate with task performance and evaluate whether combinations of these produce effective predictive models, facilitating further understanding of the psychological link to performance. A user study was conducted with 32 participants required to negotiate a driving course with the ambition of learning and improving ability on the course during an EEG recording session. EEG was filtered and post-processed to find power spectral density in alpha ($\alpha$), beta ($\beta$), delta ($\delta$), and theta ($\theta$) frequency bands, as well as frontal alpha asymmetry (FAA). The initial laps were considered a baseline and an average performance improvement was calculated over the remaining laps in terms of percentage improvement in duration of track traversal. Results demonstrate event related desynchronization with increased task performance in the alpha (p=. 000), delta (p=. 000), and theta (p=. 000) bands, as well as evidence of a relationship between overall change in FAA and task efficiency. A full electrode analysis identifies$\delta _{{\rm F}_{4}}$as the optimal for predicting collisions, with efficiency best predicted by a combination of$\beta _{{\rm O}_{\rm z}}$and$\delta _{{\rm F}_{4}}$.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 | 0,000 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».