The effects of Augmented Reality on operator Situation Awareness and Head-Down Time
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
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.
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) | 0,000 | 0,001 |
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