Design problems for cognitive ergonomics research: what we can learn from atm-like micro-worlds
Bibliographic record
Abstract
RéSUMé Les problèmes de conception pour la recherche en ergonomie cognitive : ce que peuvent nous apprendre les micro-mondes de gestion du trafic aérien. Les pratiques de recherche en ergonomie cognitive, visant l’acquisition et la validation de connaissances de conception, exigent de spécifier des problèmes de conception, pour que ces connaissances puissent faire la preuve de leurs capacités à résoudre ces problèmes. Les problèmes opérationnels ne sont pas des formulations acceptables pour acquérir ces connaissances, mais ils le sont pour les appliquer. Il est donc nécessaire de développer une spécification de problèmes de conception pour la recherche, problèmes qui ont néanmoins une relation avec les problèmes opérationnels. Ce texte décrit et illustre un cadre pour exprimer ce type de problème de conception de l’ergonomie cognitive, en s’appuyant sur un micro-monde de contrôle de trafic aérien. Un problème de conception est exprimé informellement comme la conception des interactions des utilisateurs avec des dispositifs afin de réaliser un travail efficace. L’illustration inclut à la fois les modèles-cadres (c’est-à-dire, le problème de conception, le système de travail, le domaine, la performance et la représentation qu’a l’opérateur du domaine) et leur opérationnalisation sous la forme de données. Le texte conclut que, comme ils sont moins complexes, les micro-mondes peuvent fournir un meilleur environnement pour le développement initial de la spécification des problèmes de conception pour l’ergonomie cognitive, que les situations opérationnelles ou macro-mondes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.014 | 0.048 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.004 | 0.032 |
| Scholarly communication | 0.018 | 0.040 |
| Open science | 0.005 | 0.007 |
| Research integrity | 0.006 | 0.007 |
| Insufficient payload (model declined to judge) | 0.014 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".