Physical, Cognitive, and Emotional Responses and Their Interrelated Effects on Human–Robot Team Performance in Construction
Notice bibliographique
Résumé
Although human–robot collaboration (HRC) is anticipated to improve construction productivity, the physical, cognitive, and emotional responses of collaborating human workers (i.e., coworkers) can be crucial to the productivity of HRC, because they can influence both human performance and human–robot team cohesion. However, the potential changes in coworkers’ physical, cognitive, and emotional responses during HRC still remain unknown in construction. This paper examines the impacts of robots’ parameters, such as movement speed, on physical, cognitive, and emotional responses during HRC for a construction task. Twenty participants collaborated with a robot in a simulated bricklaying task in a lab setting. Their responses were measured by analyzing electrodermal activity (EDA) and electroencephalogram (EEG) signals collected from wearable biosensors. Results demonstrated significant (p<0.05) variations in physical, cognitive, and emotional responses across all participants, which also changed over time and differed among individuals. Additionally, potential trade-offs were identified between fostering desired coworkers’ responses and maximizing team productivity, which presents the need for further analysis to achieve the balance. The findings indicate the need for a comprehensive understanding of coworkers’ responses as potentially crucial determinants that can influence coworkers’ performance, cohesion with robots, and productivity in human–robot teams.
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 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 | 0,001 | 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 | 0,000 |
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 tête enseignante, 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 ».