Exploring the Impact of Immersion on Situational Awareness and Trust in Remotely Monitored Maritime Autonomous Surface Ships
Notice bibliographique
Résumé
Consistent with the International Maritime Organisation’s roadmap for regulating the operation of autonomous surface ships, most concepts of operations for crewed and uncrewed autonomous shipping rely on monitoring and operation from a Remote Control Centre (RCC). The successful execution of such activities requires that operators have adequate Situational Awareness (SA), while avoiding situations of information overload, and the right amount of, or calibrated, Trust in the system. In this study, we examined how operator SA and Trust were affected by different levels of Immersion of the Human-Machine Interface (HMI). Simulated RCC interfaces were constructed for a scenario where an autonomous container ship traversed the arctic escorted by robotic aids. SA, Trust, and Motion Sickness (MS) were tracked over time. Different Virtual Reality (VR) technologies were used to represent three levels of Immersion: Non-Immersive VR (NVR), Semi-Immersive VR (SVR), and Immersive VR (IVR). The results illustrated various trade-offs – with NVR shown to be less taxing, SVR showing several potential benefits for SA, and IVR showing a strong relationship between Trust and SA accuracy, but increased MS. These results suggest that Immersion is an important factor in Situational Awareness and Trust in automation; future research should consider both the extent of Immersion, potential for MS, and the format of delivery (e.g. head-mounted displays versus immersive projection displays). Understanding these trade-offs between levels of Immersion is a requisite step for designing RCCs.
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 | 0,001 | 0,010 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».