Evaluating Mental Workload and Productivity in Manufacturing: A Neuroergonomic Study of Human–Robot Collaboration Scenarios
Notice bibliographique
Résumé
The field of human–robot collaboration (HRC) still lacks research studies regarding the evaluation of mental workload (MWL) through objective measurement to assess the mental state of operators in assembly tasks. This research study presents a comparative neuroergonomic analysis to evaluate the mental workload and productivity in three laboratory experimental conditions: in the first, the participant assembles a component without the intervention of the robot (standard scenario); in the second scenario, the participant performs the same activity in collaboration with the robot (collaborative scenario); in the third scenario, the participant is fully guided in the task in collaboration with the robot (collaborative guided scenario) through a system of guiding labels according to Poka-Yoke principles. The assessment of participants’ mental workload is shown through combinative analysis of subjective (NASA TLX) and objective (electroencephalogram—EEG). Objective MWL was assessed as the power waves ratio β/α (Beta—stress indicator, Alpha—relaxation indicator). Furthermore, the research used observational measurements to calculate the productivity index in terms of accurately assembled components across the three scenarios. Through ANOVA RM, mental workload significantly decreased in the activities involving the cobot. Also, an increase in productivity was observed shifting from the manual scenario to the cobot-assisted one (18.4%), and to the collaborative guided scenarios supported by Poka-Yoke principles (33.87%).
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».