Measurement and Quantification of Stress in the Decision Process: A Model-Based Systematic Review
Notice bibliographique
Résumé
This systematic literature review comprehensively assesses the measurement and quantification of decisional stress using a model-based, theory-driven approach. It adopts a dual-mechanism model capturing both System 1 and System 2 thinking. Mental stress, influenced by factors such as workload, affect, skills, and knowledge, correlates with mental effort. This review aims to address 3 research questions: (a) What constitutes an effective experiment protocol for measuring physiological responses related to decisional stresses? (b) How can physiological signals triggered by decisional stress be measured? (c) How can decisional stresses be quantified using physiological signals and features? We developed a search syntax and inclusion/exclusion criteria based on the model. The literature search we conducted in 3 databases (Web of Science, Scopus, and PubMed) resulted in 83 papers published between 1990 and September 2023. The literature synthesis focuses on experiment design, stress measurement, and stress quantification, addressing the research questions. The review emphasizes historical context, recent advancements, identified knowledge gaps, and potential future trends. Insights into stress markers, quantification techniques, proposed analyses, and machine-learning approaches are provided. Methodological aspects, including participant selection, stressor configuration, and criteria for choosing measurement devices, are critically examined. This comprehensive review describes practical implications for decision-making practitioners and offers insights into decisional stress for future research.
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 | 0,030 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,011 |
| Bibliométrie | 0,017 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».