The effects of Augmented Reality on operator Situation Awareness and Head-Down Time
Notice bibliographique
Résumé
A lack of navigator's Situation Awareness (SA) is one of the leading causes of maritime accidents. Visually observing the area surrounding a vessel continues to be a critical aspect and best practice of safe navigation to establish and maintain SA. Augmented Reality (AR) allows the placement of information in a user's field of view, which can encourage navigators to spend more time looking up at their external environment whilst still having access to operational data. However, empirical evidence on the impact of AR on maritime operations is limited. This paper investigates the effects of AR on navigator SA & Head-Down Time (HDT) using a within-group quasi-experimental design. Seventeen licensed navigators and nautical students analysed twelve navigation scenarios: six non-AR (control) and six AR (experimental) scenarios using a maritime training simulator. SA was measured via SAGAT scores for each scenario and the SA-SWORD to compare preferences. Each scenario was video recorded and analysed for participant's total amount of HDT and head-down occurrences in each scenario. Results found that the addition of AR significantly reduced participant HDT (by a factor of 2.67) and head-down occurrences (by 62%) in comparison to navigation scenarios without AR. Furthermore, AR did not significantly improve mean SA. This study contributes to the limited empirical data on the effects of AR on operator performance, demonstrating the potential value of AR for improving SA and facilitating increased head-up time during maritime navigation, which in turn could improve safety at sea.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».