NeuroTeaming: Using Power Spectral Density for Adjusting Teaming Dynamics in Pilot-AI Task Allocation
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
Human-autonomy teaming (HAT) is becoming a subject of high interest in the human factors literature. It has several applications, including the collaboration between a human and an autonomous unmanned aerial vehicle (UAV) for security and defence use cases (e.g., for search and rescue tasks). This work is focused on methods for task-allocation between human and autonomous UAV agents. The proposed approach is human-centred, using a coactive design framework which relies on enabling adaptive team dynamics where different agents might act as key players for specific tasks based on an interdependent relationship. This method helps solve complex issues in understanding and adjusting to complementary team dynamics where agents might have different skill levels, experiences, roles, and helps understand which agent is more competent to perform a task. Additionally, such a framework promotes transparency towards the control and task-allocation strategies. To demonstrate this task-allocation strategy, this study looked at the use of neurophysiological features as indicators of task-specific capacities in UAV operations, more specifically electroencephalogram (EEG) signals, which opens up for the development of task-allocation adaptive systems, dependent upon variations in brain activity. Results found that EEG spectral power bands have potential to help determine different task-based abilities across groups (i.e., obstacle avoidance vs. target identification), hence contributing to pinpointing variations in the type of autonomous support needed. Overall, this research explores how task-dependencies can be observed through EEG signals for better transparency and explainability of adaptive control in pilot-AI teaming.
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