Flight emotions unleashed: Navigating training phases and difficulty levels in simulated flying
Notice bibliographique
Résumé
Abstract Background Flying accuracy is influenced by pilots' affective reactions to task demands. A better understanding of task‐related emotions and flying performance is needed to enhance pilot training. Objective Understand pilot trainees' performance and emotional dynamics (intensity, frequency and variability) based on training phase and difficulty level in a flight simulator. Methods Twenty‐three volunteers performed basic flight manoeuvres. Trials were divided into three phases: Introduction (trials 1–7), session A (trials 8–15) and session B (trials 16–22). Three task difficulty levels were implemented (low, medium and high). Flying performance was evaluated using root mean square error (RMSE) and expert ratings. Emotional intensity was inferred from physiological (electrodermal activity) and behavioural (facial expressions) emotional responses. Emotional variability was calculated to understand fluctuations among multiple emotions. Emotional responses were mapped into task‐relevant emotions, like sadness with boredom, and fear with anxiety. Results and Conclusions The most frequent facial expressions neutral, anger and surprise. Neutral and anger were interpreted as deep focus states. Surprise was likely a response to unexpected events. Flying performance and emotional dynamics varied across training phases and difficulty levels. During introduction, performance was less accurate, and emotions were less frequent. During session A, performance improved while participants experienced more physiological arousal and emotional variability. During session B, performance was the most accurate. In high‐difficulty tasks, performance was the least accurate, participants expressed emotions with more frequency, more variability and higher physiological arousal. Future studies can use simulated flying tasks for trainees to familiarize with their emotional reactions to task demands expecting to improve training outcomes.
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 | 0,003 |
| 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 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 ».