Information

Welche statistischen Tests sollten bei der Analyse von NASA TLX verwendet werden?

Welche statistischen Tests sollten bei der Analyse von NASA TLX verwendet werden?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Der NASA Task Load Index (NASA-TLX) ist ein subjektives, mehrdimensionales Bewertungsinstrument, das die wahrgenommene Arbeitsbelastung bewertet. Eine Reihe verschiedener Skalen (Mental Demand, Physical Demand, Temporal Demand, Performance, Effort, Frustration) werden zu einer Messgröße von 0 bis 100, dem Task Load Index, kombiniert.

Mit welchen statistischen Tests können diese Testergebnisse verglichen werden? Mir geht es vor allem darum, ob der Task-Load-Index als Intervallvariable angesehen werden könnte und damit beispielsweise ein einfacher Schüler T-Test verwendet werden könnte. Ist insbesondere der NASA-TLX-Skalar invariant? Kann eine Differenz zwischen zwei Mittelwerten (z. B. 50 und 60) als gleich einer Differenz zwischen zwei anderen Mittelwerten (z. B. 10 und 20) interpretiert werden?

Wenn nicht, welche Konsequenzen hat ein falscher Test? Was ist ein passender Test?


In Stevens' Level-of-Measurement-Framework ist die NASA-TLX eine Ordinalskala, keine Intervallskala, weil es keine Möglichkeit gibt, a priori zu wissen, wie viel "Arbeitsbelastung" jeder Punkt entspricht. Mit anderen Worten, wir können erst nach der Beobachtung der Daten aus unserer Stichprobe wissen, wie viel Arbeitsaufwand ein Punkt entspricht. Tatsächlich deutet Harts eigene Überprüfung des NASA-TLX darauf hin, dass die Arbeitsbelastung "ungenau definiert" ist (Hart, 2006).

Während die Messebenen in den Verhaltens- und Sozialwissenschaften oft als anerkannte Tatsache gelehrt werden, sind die Messebenen jedoch unter Methodikern ziemlich umstritten. Es ist eine nützliche heuristische Taxonomie für didaktische Zwecke, aber es ist nicht bekannt, dass sie es ist folgernd sinnvoll. Analytische Verwandte des t-Tests (d. h. Regression der kleinsten Quadrate/maximale Wahrscheinlichkeit) existieren für alle vier Typen, daher sollte Sie die Art der Skala hier nicht unbedingt zu sehr beunruhigen. Außerhalb der Verhaltenswissenschaften bin ich darauf nicht gestoßen.

Statistische Inferenz ist im Wesentlichen ein mathematischer Pfadfinder, der eine bestimmte Frage anhand von Beweisen formal mit einer bestimmten Antwort in Beziehung setzt. Es ist daher unmöglich zu sagen, was ein geeigneter Test wäre, ohne die spezifische(n) Frage(n) zu kennen―verschiedene Analysen testen verschiedene Fragen. Für denselben Datensatz kann eine Analyse für eine Frage sinnvoll sein (d. h. zwischen denkbaren Antworten unterscheiden), für eine andere jedoch nicht; für eine andere Analyse kann dies umgekehrt werden. Die Verwendung eines falschen Tests hat zur Folge, dass Sie eine Frage, die Sie nicht gestellt haben, effektiv beantworten, während Sie die von Ihnen gestellte Frage nicht beantworten.

Verweise

  • Hart SG. NASA-Task Load Index (NASA-TLX): 20 Jahre später. Vortrag an der HFES; San Francisco, Kalifornien. 2006.

Ich bin besonders besorgt darüber, ob der Task-Last-Index als Intervallvariable betrachtet werden könnte oder nicht.

Jep.

Dies ist eine grundlegende Annahme, die Menschen beim Konstruieren, Verwalten und Analysieren von Maßen nach dem Paradigma der klassischen Testtheorie (CTT) machen, d.h. Items zählen und addieren.

Das heißt, Ihre Variable wird sicherlich so behandelt, als ob sie linear wäre, aber sind die Partituren eigentlich linear? Ist es zulässig, die Punktzahlen für jeden Faktor zu kombinieren, um eine andere Punktzahl abzuleiten?

Nehmen wir noch weiter konzeptionell an, dass zwei Individuen die gleicher Task-Lastindex. Besitzen sie quantitativ die gleiche Menge der latenten Variablen? Nicht unbedingt.

Dies ist eine grundlegende Annahme und ein inhärenter Fehler der klassischen Testtheorie.

Kann eine Differenz zwischen zwei Mittelwerten (z. B. 50 und 60) als gleich einer Differenz zwischen zwei anderen Mittelwerten (z. B. 10 und 20) interpretiert werden?

Sie könnten sein, aber dies ist eine Annahme, die Sie durch die Anwendung der klassischen Testtheorie treffen. Wie oben erwähnt, gehen Sie auch davon aus, dass zwei Personen mit derselben Punktzahl gleich sind. Dies ist auch eine Annahme, die richtig sein kann oder nicht.

Wenn nicht, welche Konsequenzen hat ein falscher Test?

Dies ist ein Kinderspiel und Sie kennen die Antwort sicher: Es werden falsche Rückschlüsse auf Ergebnisse und deren sinnvolle Anwendung gezogen.

Angenommen, die wahrgenommene Arbeitsbelastung ist nicht linear und stattdessen, sagen wir, exponentiell, und sie korreliert eng mit der „Wahrscheinlichkeit, völlig aus dem Ruder zu laufen“. HINWEIS: Trotz ernsthafter Lobbyarbeit in meinem Namen war es mir nicht gelungen, die APA davon zu überzeugen, dies in Betracht zu ziehen Störung mit niedriger Spaz-Schwelle zur Aufnahme in das DSM-V. Na ja, DSM-VI gibt es immer. Trotzdem kann die fälschlicherweise angenommene lineare Arbeitsbelastung dazu führen, dass Sie fälschlicherweise glauben, dass jemand mit einer Punktzahl von 70 nur eine geringfügig höhere Wahrscheinlichkeit hat, im Vergleich zu einer Person mit einer Punktzahl von 60 aus dem Ruder zu laufen.

Was ist ein geeigneter Test?

Wenn Sie das tatsächlich betrifft – und es sollte, wenn Sie Wert auf eine valide Messung des Konstrukts legen, schauen Sie sich die Item-Response-Theorie (IRT) an, die von der allgemein angewandten CTT abweicht.

Kurz gesagt, IRT ist ein statistisches Modell, das die Wahrscheinlichkeit jeder Antwortoption auf ein Item als Funktion des zu messenden Zielmerkmals angibt. Die Befragten werden nicht mehr nach der Anzahl der Items bewertet, die sie richtig beantworten. Stattdessen wird ihnen eine Schätzung ihres Standorts auf der zugrunde liegenden Fähigkeitsverteilung (ϴ) zugewiesen. Obwohl es allgemein für Prüfungen verwendet wird, wo der Begriff Fähigkeit eine Bedeutung hat, kann Fähigkeit auch als Grad von Depression, Stress, Glück, Aufschub oder anderen latenten Eigenschaften von Interesse verstanden werden. In Ihrem Fall wahrgenommene Arbeitsbelastung.

Das IRT kann die nichtlineare Beziehung zwischen der Punktzahl einer Person und ihrem -Niveau berücksichtigen. Bei der Schätzung des ϴ einer Person können Parameter wie Itemschwierigkeit und Diskriminierung berücksichtigt werden.

Für jedes Item lässt sich eine Item Characteristic Curve (ICC) ableiten, die die Wahrscheinlichkeit der Befürwortung eines Items entsprechend der individuellen Fähigkeiten abbildet. Stellen Sie sich ϴ so vor, als würde es in Standardabweichungen bewertet. Diese Abbildung zeigt den ICC für eine dichotome Variable.

Von größerer Relevanz für Ihr Problem, kann dies auch für polytome Gegenstände durchgeführt werden. Beachten Sie, wie sich das geschätzte ϴ auf nichtlineare Weise verschiebt, wenn wir schrittweise von 0, 1…3 indossieren. Das heißt, innerhalb eines einzelnen Items kann sich der Grad von ϴ zwischen der Wahrscheinlichkeit, „stimme zu“ oder „stimme voll und ganz zu bestätigen“ erheblich unterscheiden.

Eine Testkennlinie kann auch wie unten gezeigt abgeleitet werden. Die wahre Punktzahl ist die im Wesentlichen die Rohpunktzahl. Wie Sie sehen können, trennen etwa 15 Punkte Personen mit ϴ = -1 gegenüber 0, während etwa 10 Punkte zwischen ϴ = 1 gegenüber 2 liegen. Sobald die Fähigkeitsschätzungen bestimmt sind, können geeignete statistische Tests durchgeführt werden.

Theoretisch denke ich du könnten Wenden Sie IRT auf die NASA-TLX an. Sie müssten wahrscheinlich jede Unterskala so behandeln, als ob sie tatsächlich ein Item wäre, mit dem Arbeitslastindex als Summenpunktzahl. Es gibt auch mehrere Annahmen, die bei der Anwendung von IRT berücksichtigt werden müssen. Eine wichtige in Ihrem Kontext ist, dass davon ausgegangen wird, dass ein einzelnes latentes Merkmal gemessen wird. Da ich wenig über NASA-TLX weiß, ist mir unklar, ob dies der Fall ist. Und Sie benötigen einen großen Datensatz, um die Kurvenfunktionen zu kalibrieren.

Eine einfache, aber informative Einführung finden Sie hier:

Eine einfache Anleitung zur Item-Response-Theorie (IRT) und Rasch-Modellierung

http://www.creative-wisdom.com/computer/sas/IRT.pdf

Hinweis: Das Rasch-Modell ist das gebräuchlichste Modell der IRT, es handelt sich jedoch um dichotome Daten. Was Sie suchen, ist ein polytomes Modell, aber Sie tun gut daran, zuerst zu verstehen, wie das Rasch-Modell angewendet wird.


Kognitive Belastungsidentifikation von Piloten basierend auf physiologisch-psychologischen Merkmalen in komplexen Umgebungen

Kognitive Belastung wird von Piloten im Prozess der Informationserkennung über die Flugzeugsteuerung erzeugt und steht in engem Zusammenhang mit der Flugsicherheit. Kognitive Belastung ist das physiologische und psychologische Bedürfnis, das ein Pilot erzeugt, wenn er eine Mission erfüllt. Daher ist es sinnvoll, die dynamische Identifikation der kognitiven Belastung des Piloten unter der komplexen Mensch-Flugzeug-Umwelt-Interaktion zu untersuchen. In diesem Artikel wurde das Flugsimulationsexperiment für Flugfeldverkehrsmuster entworfen und verwendet, um die physiologischen EKG- und die psychologischen NASA-TLX-Daten zu erhalten. Die Wavelet-Transformations-Vorverarbeitung und die mathematische Statistikanalyse wurden jeweils darauf angewendet. Darüber hinaus wird die Methode der Korrelationsanalyse nach Pearson verwendet, um die charakteristischen Indikatoren psychophysiologischer Daten nach der Vorverarbeitung auszuwählen. Basierend auf den psycho-physiologischen charakteristischen Indikatoren wird das Modell zur Identifizierung der kognitiven Belastung des Piloten durch die Kombination von RNN und LSTM konstruiert. Die Ergebnisse dieser Studie sind genauer im Vergleich zu den kognitiven Lastidentifikationsmodellen, die mit anderen Methoden wie dem neuronalen RNN-Netzwerk und der Support-Vektor-Maschine erstellt wurden. Diese Forschung ist in der Lage, eine nützliche Referenz zur Vermeidung und Reduzierung menschlicher Fehler, die durch die kognitive Belastung während Flugmissionen verursacht werden, bereitzustellen. Es besteht das Potenzial, eine intelligente Steuerung des Flugzeugcockpits zu realisieren, das Flugsteuerungsverhalten zu verbessern und die Flugsicherheit aufrechtzuerhalten.

1. Einleitung

Mit der rasanten Entwicklung intelligenter Flugzeug-Cockpits haben die Komplexität und Integration luftgestützter Systeme von Flugzeugen sukzessive zugenommen. Gleichzeitig wird der Interaktionsprozess Mensch-Flugzeug-Umgebung immer komplizierter und auch die Schwierigkeit der Flugmission steigt entsprechend. Um die Start-, Nivellierungs-, Lande- und Rollprozesse abzuschließen, müssen Piloten viele Aufgaben übernehmen, um das Flugzeug genau zu steuern. Die meisten Teile der Hauptaufgaben beziehen sich direkt auf das Manövrieren des Flugzeugs, wie Informationswahrnehmung, Urteilsvermögen, Entscheidungsfindung und Ausführung. Sekundäre Aufgaben umfassen hauptsächlich Frühwarnung, Erkennung von Informationsschnittstellen und Sprachanrufe. Aufgrund der begrenzten Informationsverarbeitungskapazität von Piloten können Informationen aus mehreren Quellen aus verschiedenen Aufgaben leicht zu einer „Informationsüberflutung“ im Gehirn führen. Dies kann zu einer erhöhten kognitiven Belastung von Piloten führen, die sich nachteilig auf ihr Betriebsverhalten auswirkt und eine potenzielle Bedrohung für die Flugsicherheit darstellt. Daher ist die genaue Identifizierung der kognitiven Belastung von Piloten von großer Bedeutung, um eine intelligente Steuerung des Flugzeugcockpits zu realisieren, das Steuerverhalten der Flugbesatzung zu verbessern und die Flugsicherheit aufrechtzuerhalten.

Viele Forscher haben die kognitive Belastung von Piloten seit dem frühen 20. Jahrhundert untersucht [1], [2]. Gelehrte interessierten sich für die Anforderungen von Piloten, die sich schnell kultivieren und die Auswirkungen von übergewichtiger kognitiver Belastung auf Missionen zu reduzieren. Die kognitive Belastung von Piloten wurde aus der Perspektive der psychologischen Selektion und Identifizierung mittels Bewegungskoordinations-Reaktionserkennung, Papierstift oder Intelligenzerkennung identifiziert [3–5]. Obwohl diese Studien zukunftsweisend waren, hatten die meisten von ihnen eine gewisse subjektive Neigung zur Einmischung. Aufgrund der enormen Fortschritte auf dem Gebiet der künstlichen Intelligenz und der Computertechnologie besteht eine höhere Nachfrage nach der Untersuchung des psychologischen Status von Piloten wie der kognitiven Belastung. Viele Wissenschaftler haben sich auf Studien der kognitiven Belastung durch physiologische Indikatoren von Piloten konzentriert, die durch objektive Experimente erhalten wurden. Noel et al. [6] nutzten künstliche neuronale Netze, um die kognitive Merkmalskombination von Piloten zu den verschiedenen Flugzeiten zu klassifizieren. Zu diesen Merkmalen gehören das Elektrokardiogramm (EKG), die Elektroenzephalographie (EEG) und Augenbewegungen. Gray et al.[7] analysierte die Korrelation zwischen dem Herzfrequenzwert des Piloten, dem Wert der visuellen Scanbereichsänderung und der Landeabweichung des Flugzeugs. Dies lag an negativen Emotionen wie Angst, die durch die psychische Überlastung der Piloten verursacht wurde. Es zeigte sich, dass die Angst, die durch ihre psychische Belastung verursacht wird, einen signifikanten Einfluss auf die Flugleistung hat. Das Problem unterschiedlicher kognitiver Belastungen, die von verschiedenen Typen von Piloten derselben Aufgabe erzeugt werden, wurde von Mansikka et al. [8] untersucht. Basierend auf den Herzfrequenzdaten des Piloten, die aus Flugsimulationsexperimenten gewonnen wurden, verwendete der Forscher den Shapiro-Wilk-Test und wiederholte Messungen der Varianz, um die Flugleistung des Piloten unter den verschiedenen kognitiven Belastungen zu bestimmen. Es wurde von Andrew [9] für die Regel gefunden, dass die Herzfrequenzparameterwerte am empfindlichsten auf Veränderungen der kognitiven Belastung reagieren. Insbesondere steigt die psychische Belastung des Piloten mit zunehmender Schwierigkeit der Aufgabe und sinkt die niederfrequente Komponente der Herzfrequenzvariabilität. Jonathanet al. [10] verwendeten visuelles Verhalten, um Veränderungen in der Aufmerksamkeit des Piloten bei der Durchführung von Landeoperationen in einer Angstsituation zu untersuchen. Tjolleng et al. [11] etablierten ein künstliches neuronales Netz basierend auf dem Klassifikationsmodell der kognitiven Belastung gemäß dem Zeitbereichsindex des EKG-Signals des Piloten und dem Frequenzbereichsindex. Die Zeitbereichsindikatoren umfassen hauptsächlich das Durchschnittsintervall, das Standardintervall des RR-Intervalls und den quadratischen Mittelwert des RR-Intervalls. Die Frequenzbereichsindikatoren umfassen die Nieder- und Hochfrequenzleistung und deren Verhältnis. Diese Studie bewertet effektiv die kognitive Belastung des Piloten, was eine gute theoretische Grundlage für die Flugausbildung bietet. Wang [12] und andere haben die Zunahme der kognitiven Belastung des Piloten durch die große Menge an Informationen auf der Mensch-Maschine-Anzeigeschnittstelle des Flugzeugcockpits diskutiert. Basierend auf dem Augenbewegungsindex erstellten einige Forscher eine visuelle Informationsquellenmatrix, um die quantitative Untersuchung der kognitiven Belastung zu realisieren. Unter diesen umfassen Augenbewegungsindikatoren hauptsächlich die Anzahl der Blicke, die Blickzeit, die Blinzelzeit und den Pupillendurchmesser. Die physiologischen Eigenschaften, die mit der Gehirnaktivität verbunden sind, wurden von Gianluca [13] und anderen während des Übergangs vom normalen Flug zu hoher kognitiver Belastung und Ermüdung durch den Piloten untersucht. Scannellaet al. [14] versuchten, die Arbeitsbelastung der Piloten in realen Flugphasen auf individueller Ebene genau zu unterscheiden. Die gemittelten Werte von Herzfrequenz (HR), Herzfrequenzvariabilität (HRV), Fixationsdauer, Sakkadenfrequenz und visueller Entropie aus den realen Flügen wurden verwendet, um die Flugphase des Flugplatzverkehrsmusters zu klassifizieren. Antonio [15] führte physiologische Signale wie die Herzfrequenz (HR) und die Herzfrequenzvariabilität (HRV) ein, um den psychologischen Zustand des Piloten zu testen, um psychologische Fehler zu reduzieren, die durch die kognitive Belastung von Piloten verursacht werden. Mit zunehmender Schwierigkeit der Mission ändern sich die kognitive Belastungsdosis der Piloten und auch physiologische Indikatoren wie HR und HRV entsprechend. Wayanet al. [16] lieferte die Blinzelfrequenz der Elektroakupunktur, um die kognitive Belastung von Piloten während Flugsimulationsmissionen zu beurteilen, was zeigte, dass die Blinkfrequenz mit zunehmender psychischer Belastung abnahm. Diese Ergebnisse liefern einen neuen Beweis für einen Einfluss der mentalen Arbeitsbelastung auf die kognitive Funktion während des Fluges.

Viele Forscher haben eine Vielzahl von Methoden vorgestellt, um die kognitive Belastung von Piloten aus Sicht der Physiologie und Psychologie von Piloten zu untersuchen. Sie zeigen, dass die physiologischen Eigenschaften von Piloten einen signifikanten Einfluss auf die kognitive Belastung auf den verschiedenen Ebenen haben. Diese Studien sind vielversprechend und ermutigen zu einer tieferen Erforschung der physiologischen und psychologischen Eigenschaften von Piloten, um die Beziehung zwischen ihnen und der kognitiven Arbeitsbelastung im Flug zu untersuchen. Das Modell der kognitiven Belastungsidentifikation des bestehenden Piloten spiegelt in gewissem Maße die Intelligenz des Piloten wider. Aufgrund der intrinsischen Analyse der Dynamik und der Verknüpfung von physiologischen und psychologischen Merkmalen konnte sie jedoch die tatsächliche Leistung des Flugsteuerungsprozesses unter Berücksichtigung der Auswirkungen der verschiedenen kognitiven Belastungen nicht widerspiegeln. Vor diesem Hintergrund liefert diese Arbeit zunächst die physiologischen und psychologischen dynamischen Daten von Piloten unter dem Flugplatz-Verkehrsmuster durch einige flugsimulierte Experimente. Die physiologischen Daten sind hauptsächlich EKG-Merkmale des Piloten. Psychologische Daten werden mit der NASA-TLX-Skala zur Aufgabenschwierigkeit während des Flugplatzverkehrsmusters gemessen, um die kognitive Belastung zu quantifizieren. Darüber hinaus werden basierend auf den Vorverarbeitungsergebnissen physiologischer und psychologischer Daten, rekurrente neuronale Netze (RNN) und langes Kurzzeitgedächtnis (LSTM) verwendet, um ein kognitives Belastungsidentifikationsmodell für fliegende Kadetten in der komplexen Umgebung zu erstellen. Die vorliegende Studie zielt darauf ab, eine dynamische, nicht-invasive und kostengünstige Echtzeit-Identifizierung der kognitiven Belastung des Piloten basierend auf ihren physiologisch-psychologischen Eigenschaften in komplexen Flugumgebungen zu erreichen.

2. Methoden

2.1. Kognitives Lastidentifikationsmodell basierend auf LSTM-RNN
2.1.1. RNN-Netzwerkstruktur

RNN kann verwendet werden, um semantische Informationen und Zeitreiheninformationen in Daten zu ermitteln. Ein typisches zyklisches neuronales Netzwerkmodell umfasst hauptsächlich eine Eingabeschicht, eine verborgene Schicht und eine Ausgabeschicht [17], wie in Abbildung 1 dargestellt.

ist ein Eingang des Netzwerks zur Zeit T.

ist ein versteckter Zustand des Netzwerks zur Zeit T und ist auch die Speichereinheit des Netzwerks.

ist eine Ausgabe zur Zeit T. Ebenfalls,

ist eine endgültige Ausgabe des Modells. U, W und V repräsentieren eine Gewichtungsmatrix für die Eingabeschicht, die verborgene Schicht bzw. die Ausgabeschicht. Dieselben Parameter der Gewichtungsmatrix (U, W und V) werden in einem rekurrenten neuronalen Netzwerk zu verschiedenen Zeitpunkten in jeder Netzwerkschicht geteilt.


Welche statistischen Tests sollten bei der Analyse von NASA TLX verwendet werden? - Psychologie

Schlesische Technische Universität

Gegenstand: Wirtschaft, Verkehr, Verkehrswissenschaft und -technologie

eISSN: 2300-861X

VOLUMEN 14 , AUSGABE 2 (Juni 2019) > Liste der Artikel

AUSWIRKUNGEN DER PILOTEN&RSquo AUF DAS ERGEBNIS DER PSYCHOLOGISCHEN TESTS

  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Technische Universität Košice, Fakultät für Luftfahrt, Rampová 7, 041 21 Košice, Slowakei
  1. Technische Universität Košice, Fakultät für Luftfahrt, Rampová 7, 041 21 Košice, Slowakei

Zitationsinformationen: Transportprobleme. Band 14, Ausgabe 2, Seiten 55-67, DOI: https://doi.org/10.20858/tp.2019.14.2.5

Lizenz: (CC VON 4.0)

Empfangsdatum : 03-Dezember-2017 / Akzeptiert: 03-Juni-2019 / Online veröffentlicht: 14-Juli-2019

ARTIKEL

ABSTRAKT

Die vorliegende Arbeit orientiert sich vor allem an der experimentellen Überprüfung des Einflusses von Ermüdung auf die psychische Verfassung des fliegenden Personals durch psychologische und leistungsbezogene Tests. Zur Bewertung einer Pilotleistung wurde das 24-Stunden-Experiment durchgeführt. Insgesamt nahmen acht Probanden an den experimentellen Messungen teil. Acht Teilnehmer durchliefen mehrere Tests, darunter Simulatorflüge, um die Auswirkungen der Müdigkeit auf die Ergebnisse psychologischer Messungen zu untersuchen. Zu den Messungen gehörten die Workload-Evaluierung mit dem NASA-Task-Load-Evaluation-Konzept und Leistungstests mit dem sogenannten OR-Test. Signifikante statistische Unterschiede zwischen Messungen, die während 24 Stunden durchgeführt wurden, wurden im Fall der NASA Task Load Scores nicht gefunden. Im Fall des OR-Tests zeigen Friedman ANOVA und anschließende Post-hoc-Analyse, dass der größte Leistungsabfall in etwa 22 Stunden Wachheit, also etwa in der Hälfte des Messvorgangs, beobachtet wurde. Das Konzept der 24-Stunden-Messung zur Quantifizierung von Ermüdung wird noch nicht gebräuchlich, ebenso wie die Objektivierung durch Leistungstests. Da die offensichtliche Wirkung von Fatigue hauptsächlich auf die Ergebnisse von Leistungstests zurückzuführen ist, kann argumentiert werden, dass diese Arbeit als Grundlage für weitere Studien zur Fatigue dienen könnte. Es könnte auch als Unterstützung für die Einführung neuer psychologischer Testverfahren für Piloten in der Zukunft dienen, was zu den aktuellen Bemühungen zur Verbesserung der Flugsicherheit beitragen könnte.

Inhalt nicht verfügbar Zurück zum Abstract PDF Share

ABBILDUNGEN & TABELLE

VERWEISE

1. Abd-Elfattah, H.M. & Abdelazeim, F. H. & Elshennawy, S. Physische und kognitive Folgen von Müdigkeit: Eine Überprüfung. Zeitschrift für fortgeschrittene Forschung. 2015. Bd.-Nr. 6. Nr. 3. S. 351-358.

2. Menschliche Leistungsfähigkeit und Begrenzung: JAA ATPL-Ausbildung. Zweite Ausgabe. Neu-Isenburg: Jeppesen. 2007.

3. Sundelin, T. & Lekander, M. & Kecklund, G. & Van Someren, J. W. & Olsson, A. & Axelsson, J. Cues of Fatigue: Auswirkungen von Schlafentzug auf das Erscheinungsbild des Gesichts. Schlaf. 2013. Bd.-Nr. 36. Nr. 9. S. 1355-1360.

4. Creeeley, H. & Nesthus, T. Vorhersage der Ermüdung durch Stimmanalyse. Luft-, Raumfahrt- und Umweltmedizin. 2007. Bd.-Nr. 78. Nr. 7. S. 730-743.

5. Kozuba, J. & Pil'a, J. Aircraft Automation Systems versus Pilot Situational Awareness (SA) – Ausgewählte Aspekte. In: Proceedings of 19th International Conference "Transport Means". Kaunas: Technische Universität Kaunas. 2015. S. 688-693.

6. Kozuba, J. & Piľa, J. Ausgewählte Aspekte des Situationsbewusstseins von Piloten. Nase mehr. 2015. Bd.-Nr. 62. Nein. SI. S. 175-180.

7. Madej, K. & Kozuba, J. Technologie als Leistungssteigerung im Lufttraining. In: Proceedings of 6th International Conference on "Military Technologies". Brünn: Universität für Verteidigung. 2017. S. 467-476.

8. Morris, M. B. & Wiedbusch, M.D. & Gunzelmann, G. Fatigue Incident Antecedentents, Consequences, and Aviation Operational Risk Management Resources. Luft- und Raumfahrtmedizin und menschliche Leistung. 2018. Bd. 2018 89. Nr. 8. S. 708-716.

9. Bennett, S.A. Arbeitsbelastung und Ermüdung des Piloten auf Kurzstrecken: eine Bewertung, die durch sofortige Selbsteinschätzung und Ethnographie unterstützt wird. Zeitschrift für Risikoforschung. 2016. Bd. 2016 21. Nr. 5. S. 645-677.

10. Weiland, M. & Nesthus, T. & Compatore, C. & Popkin, S. & Mangie, J. & Thomas, L.C. & Flynn-Evans, E. Luftfahrtmüdigkeit: Probleme bei der Entwicklung von Fatigue-Risikomanagementsystemen. In: Proceedings of the Human Factors and Ergonomics Society. San Diego. 2013. S. 1-5.

11. Avers, K. &. Hauck, E.L. & Blackwell, L. V. & Nesthus, T. E. Eine qualitative und quantitative Analyse des Trainings zur Ermüdungsbekämpfung in der Luftfahrtindustrie. Internationale Zeitschrift für angewandte Luftfahrtstudien. 2010. Bd.-Nr. 10. Nr. 2. S. 51-66.

12. Caldwell, J. A. Müdigkeit in der Luftfahrt. Reisemedizin und Infektionskrankheiten. 2005. Bd.-Nr. 3. Nr. 2. S. 85-96.

13. Mehta, R. K. & Peres, S.C. & Steege, L.M. & Potvin, J.R. & Wahl, M. & Stanley, L.M. & Nesthus, T.E. Ermüdungsüberwachung und -management in verschiedenen Branchen. In: Proceedings of the Human Factors and Ergonomics Society. Washington. 2016. S. 993-996.

14. Anto&scaronko, M. & Sabo, J & In: Proceedings of 21st International Conference "Transport Means". Juodkrante: Technische Universität Kaunas. 2017. S. 1062-1065.

15. Anto&scaronko, M. &. Pil'a, J. &. Korba, P. &. Lipovský, P. Psychologische Bereitschaft von Fluglotsen für ihren Job. Nase mehr. 2014. Bd. 2014 61. Nr. 1-2. S. 5-8.

16. Gregory, K. B. & Winn, W. & Johnson, K. & Rosekind M.R. Pilot-Ermüdungsuntersuchung: Untersuchung von Ermüdungsfaktoren bei luftmedizinischen Operationen. Luftmedizinisches Journal. 2010. Bd.-Nr. 29. Nr. 6. S. 309-319.

17. Bourgeois-Bougrine, S. & Carbon, P & Gounelle, C. & Mollard, R. & Coblentz, A. Wahrgenommene Müdigkeit bei Kurz- und Langstreckenflügen: eine Umfrage unter 739 Fluglinienpiloten. Luft-, Raumfahrt- und Umweltmedizin. 2003. Bd.-Nr. 74. Nr. 10. S. 1072-1077.


Die Beziehungen zwischen mentaler Arbeitsbelastung und Entscheidungsfindung zeigen ein komplexes Muster mit Hinweisen auf nichtlineare Beziehungen.

Aktuelle organisatorische Rahmenbedingungen implizieren häufig eine hohe Komplexität und hohe Anforderungen an ihre Mitarbeiter. Die berufliche Tätigkeit kann daher Anspruchsniveaus mit sich bringen, die über das kognitive Analyse- und Entscheidungsvermögen der Person hinausgehen ( Ferrer & Dalmau, 2004 14. Ferrer, R. & Dalmau, I. (2004). Revisión del concepto de carga mental: Evaluación, consecuencias y proceso de normalización [Überprüfung des Konzepts der psychischen Arbeitsbelastung: Bewertung, Konsequenzen und Standardisierung]. Anuario De Psicologia, 35(4), 521–545. Rolo, Díaz & Hernández, 2009 40. Rolo, G., Díaz, D, &. Hernández, E. (2009). Desarrollo de una escala subjetiva de carga mental de trabajo (ESCAM) [Entwicklung einer subjektiven mentalen Arbeitsbelastungsskala (SCAM)]. Revista de Psicología del Trabajo und de las Organizaciones, 25(1), 29–37. ). Die vorliegenden empirischen Studien zeigen Indikatoren in diese Richtung. So weisen jüngste offizielle Erhebungen im europäischen Umfeld auf eine zunehmende Häufigkeit von Arbeitsproblemen hin, die sich in Indikatoren für die psychische Beanspruchung widerspiegeln: erforderliche Aufmerksamkeit, vorgeschriebener Arbeitsrhythmus, einzuhaltende Fristen und Monotonie der Aufgabe ( INSHT, 2011, 2014) 23. INSHT (Instituto Nacional de Seguridad e Higiene). (2011). Encuesta Nacional Condiciones de Trabajo 2011 [Nationale Erhebung über Arbeitsbedingungen 2011]. Madrid: INSHT. , 2014 24. INSHT (Instituto Nacional de Seguridad e Higiene). (2014). Segunda Encuesta Europea de Empresas sobre Riesgos Nuevos y Emergentes (ESENER 2) [2nd European Survey of Enterprises on New and Emerging Risks]. Madrid: INSHT. ).

Der Grad der Überlastung ist wichtig für die Leistungsfähigkeit und das Wohlbefinden der Arbeitnehmer. Aus diesem Grund haben Forscher aus unterschiedlichen Wissensgebieten versucht, Konstrukte und Instrumente zu definieren, die eine adäquate Bewertung ermöglichen. Unter ihnen die Geistige Arbeitsbelastung ist eines der am häufigsten zitierten Konzepte in der ergonomischen Forschung und Praxis ( Hancock und Meshkati, 1998 16. Hancok, PA, & Meshkati, N. (1998). Menschliche geistige Arbeitsbelastung. Oxford: Nordholland. Salvendy, 1997 43. Salvendy, G. (1997). Handbuch der menschlichen Faktoren und Ergonomie. New York: John Wiley und Söhne. Wickens, 2008 49. Wickens, CD. (2008). Mehrere Ressourcen und mentale Arbeitsbelastung. Menschliche Faktoren, 50(3), 449–455. Jung, Brookhuis, Wickens, & Hancock, 2015 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. ). Die psychische Arbeitsbelastung (MWL) versucht zu messen, inwieweit die berufliche Tätigkeit den Ressourcen des Arbeitnehmers entspricht oder diese übersteigt. In diesem Sinne wurde es aus zwei wesentlichen Perspektiven untersucht. Die erste geht davon aus, dass MWL ein Faktor ist, der ausschließlich von Aufgabenanforderungen abhängt, an die sich das Subjekt anpasst. Die zweite, derzeit stärker geförderte, konzeptualisiert MWL als Konsequenz aus dem Verhältnis von Aufgabenanforderungen und Kompetenzen des Faches im Sinne einer Bedarfs-Ressourcen-Balance ( Díaz, Rubio, Martin und Luceño, 2010 11. Díaz, E, Rubio, S, Martin, J, & Luceño, L. (2010). Estudio Psicométrico del Índice de Carga Mental NASA-TLX con una Muestra de Trabajadores Españoles [Psychometrische Studie des NASA-TLX Workload Index in einer Stichprobe spanischer Arbeiter]. Revista de Psicología del Trabajo y de las Organizaciones, 2010, 26(3), 191–199. Ferrer & Dalmau, 2004 14. Ferrer, R. & Dalmau, I. (2004). Revisión del concepto de carga mental: Evaluación, consecuencias y proceso de normalización [Überprüfung des Konzepts der psychischen Arbeitsbelastung: Bewertung, Konsequenzen und Standardisierung]. Anuario De Psicologia, 35(4), 521–545. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . Die Multidimensionalität des MWL-Konzepts und der damit verbundenen subjektiven Wahrnehmung impliziert verschiedene grundlegende Aspekte wie Merkmale der Aufgabe, Merkmale des Bedieners, Umgebungskontext, in dem die Leistung stattfindet, Zeitdruck und damit verbundene subjektive Aspekte wie Stress oder die Wahrnehmungsmüdigkeit ( Hart & Staveland, 1988 19. Hart, SG, & Staveland, LE. (1988). Entwicklung von NASA-TLX (Task Load Index): Ergebnisse empirischer und theoretischer Forschung. In PA Hancock & N. Meshkati (Hrsg.), Human Mental Workload (S. 139–183). Amsterdam: Nordholland. Eggemeier, 1988 13. Eggemeier, FT. (1988). Eigenschaften von Workload-Assessment-Techniken. Fortschritte in der Psychologie, 52(C), 41-62. doi:10.1016/S0166-4115(08)62382-1.
https://doi.org/10.1016/S0166-4115(08)62. ISO, 2000) 26. ISO. (2000). ISO 10075. Ergonomische Prinzipien in Bezug auf die geistige Arbeitsbelastung. Brüssel: CEN. . Um diese Dimensionen zusammenzuführen und eine globale Definition von MWL bereitzustellen, Jung und Stanton (2005) 54. Young, MS und Stanton, NA. (2005). Geistige Arbeitsbelastung. In NA Stanton, A Hedge, K. Brookhuis, E. Salas, & HW Hendrick (Hrsg.), Handbook of Human Factors and Ergonomics Methods (S. 39–1). London: Taylor & Francis. haben vorgeschlagen, dass MWL das Niveau der Aufmerksamkeitsressourcen widerspiegelt, die erforderlich sind, um sowohl objektive als auch subjektive Leistungskriterien zu erfüllen, die durch Aufgabenanforderungen, externe Unterstützung und frühere Erfahrungen vermittelt werden können.

Die durchgeführten empirischen Arbeiten haben gezeigt, dass MWL dynamische und komplexe Zusammenhänge mit der Leistung aufweist, die auch je nach Merkmalen der Probanden variieren können. In diesem Sinne hat sich gezeigt, dass eine Zunahme oder Abnahme des MWL durch die Investition zusätzlicher Ressourcen bis zu einem gewissen Grad kompensiert werden kann und somit die Leistungsfähigkeit auf Kosten der individuellen Belastung erhalten bleibt ( Hancock & Warm, 2003 17. Hancock, PA, & Warm, JS. (2003). Ein dynamisches Modell von Stress und anhaltender Aufmerksamkeit. Journal of Human Performance in Extreme Environments, 7(1), 4. Matthews und Davies, 2001) 33. Matthews, G, & Davies, DR. (2001). Individuelle Unterschiede in energetischer Erregung und anhaltender Aufmerksamkeit: Eine Dual-Task-Studie. Persönlichkeit und individuelle Unterschiede, 31(4), 575–589. . Wenn Intensität und Dauer des zur Aufgabenerfüllung erforderlichen Aufwands ausgewogen sind, findet die Aktivierung in einem optimalen Bereich statt, der das Subjekt effizient macht. Wenn die Anstrengung jedoch über einen längeren Zeitraum aufrechterhalten werden muss, tritt Ermüdung auf und die funktionelle Leistungsfähigkeit des Probanden ist vorübergehend beeinträchtigt ( ISO, 1991 25. ISO. (1991). ISO 10075. Ergonomische Prinzipien in Bezug auf geistige Arbeitsbelastung – allgemeine Begriffe und Definitionen. Genf: ISO. Pretorius & Cilliers, 2007 38. Pretorius, A, & Cilliers, PJ. (2007). Entwicklung eines mentalen Workload-Index: Ein systemischer Ansatz. Ergonomie, 50(9), 1503–1515. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . Andererseits kann eine zu geringe Stimulation zu einer Unterlastung führen. Da in diesem Fall Ressourcen entweder anderweitig zugewiesen werden oder anderweitig durch Unterbeanspruchung abnehmen, kann die Leistung des Probanden ebenfalls negativ beeinflusst werden ( Jung & Stanton, 2002 53. Young, MS, & Stanton, NA. (2002). Theorie der formbaren Aufmerksamkeitsressourcen: Eine neue Erklärung für die Auswirkungen mentaler Unterbelastung auf die Leistung. Human Factors: The Journal of the Human Factors and Ergonomics Society, 44(3), 365–375. Wilson & Rajan, 1995 51. Wilson, JR, &. Rajan, JA. (1995). Mensch-Maschine-Schnittstellen für die Anlagensteuerung. In JR Wilson &. EN Corlett (Hrsg.), Evaluation of Human Work: A Practical Ergonomics Methodology (S. 357–405). London: Taylor & Francis. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . In Anbetracht der ersteren, wie Younget al. (2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. Es besteht ein starker Konsens darüber, dass eine mentale Unterforderung der Leistung genauso abträglich sein kann wie eine mentale Überlastung, die zu Leistungseinbußen, Aufmerksamkeitsverlusten und Fehlern führen kann. Die Beziehung zwischen MWL und Leistung kann daher einem ähnlichen Muster folgen wie beim klassischen „invertierten U“ der Yerkes-Dodson-Kurve ( Yerkes & Dodson, 1908) 52. Yerkes, RM, & Dodson, JD. (1908). Das Verhältnis von Reizstärke zur Schnelligkeit der Gewohnheitsbildung. Zeitschrift für vergleichende Neurologie und Psychologie, 18(5), 459–482. , wobei die optimale Leistung zwischen niedrigem und hohem MWL liegt ( Brookhuis & Waard, 2002 5. Brookhuis, KA, & Waard, DD. (2002). Zur Einschätzung der (geistigen) Arbeitsbelastung und anderer subjektiver Qualifikationen. Ergonomie, 45(14), 1026–1030. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. .

Die MWL-Literatur konzentrierte sich jedoch hauptsächlich auf die Leistungsmessung durch operative Aufgaben, wie z Bowling & Kirkendall, 2012 4. Bowling, NA, & Kirkendall, C. (2012). Arbeitsbelastung: Eine Überprüfung der Ursachen, Folgen und möglichen Interventionen. In J. Houdmont, S. Leka, & RR Sinclair (Hrsg.), Contemporary Occupational Health Psychology: Global Perspectives on Research and Practice, Volume 2 (S. 221–238). Chichester, Großbritannien: Wiley. doi:10.1002/9781119942849.ch13.
https://doi.org/10.1002/9781119942849.ch. Brookhuis & Waard, 2002 5. Brookhuis, KA, & Waard, DD. (2002). Zur Einschätzung der (geistigen) Arbeitsbelastung und anderer subjektiver Qualifikationen. Ergonomie, 45(14), 1026–1030. Hart, 2006 18. Hart, S. G. (2006). NASA-Task Load Index (NASA-TLX) 20 Jahre später. Proceedings of the Human Factors and Ergonomics Society Jahresversammlung, 50(9), 904–908. und Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . In diesem Sinne haben sich nur wenige und sehr neue Arbeiten auf den Bezug von MWL und einem der Schlüsselkonzepte in qualifizierten Arbeitsumgebungen konzentriert: Entscheidungsfindung ( Byrne, 2013 6. Byrne, A. (2013). Psychische Arbeitsbelastung als Schlüsselfaktor bei der klinischen Entscheidungsfindung. Fortschritte in der Ausbildung in Gesundheitswissenschaften, 18(3), 537–545. doi:10.1007/s10459-012-9360-5.
https://doi.org/10.1007/s10459-012-9360-. Baethge, Müller & Rigotti, 2016 2. Baethge, A, Müller, A, &. Rigotti, T. (2016). Pflegeleistung unter hoher Arbeitsbelastung: Eine Tagebuchstudie zur moderierenden Rolle von Auswahl-, Optimierungs- und Vergütungsstrategien. Journal of Advanced Nursing, 72(3), 545–557. Jackson, Kleitman & Aidman, 2014 27. Jackson, S. A., Kleitman, S., &. Aidman, E. (2014). Geringe kognitive Belastung und reduzierte Erregung behindern die Auswirkungen des Übens auf die exekutive Funktion, das metakognitive Vertrauen und die Entscheidungsfindung: E115689. PLoS One, 9(12) doi:10.1371/journal.pone.0115689
https://doi.org/10.1371/journal.pone.011. ).

Das Konzept der Entscheidungsfindung (DM) unterscheidet sich in relevanten Merkmalen von klassischen Leistungsindikatoren, die in der MWL-Literatur verwendet werden. Es umfasst eine Abfolge von Aktionen, die es ermöglichen zu verstehen, wie Probanden komplexe Probleme in beruflichen Kontexten sehen und lösen ( Hodgkinson & Starbuck, 2008 21. Hodgkinson, G.P., & Starbuck, W.H. (2008). Organisatorische Entscheidungsfindung: Kartierung von Terrains auf verschiedenen Planeten. In G. P. Hodgkinson & W. H. Starbuck, The Oxford Handbook of Organizational Decision Making (S. 1–29). New York: Oxford University Press. doi:10.1093/oxfordhb/9780199290468.003.0001.
https://doi.org/10.1093/oxfordhb/9780199. ). Entscheidungen in beruflichen Kontexten haben eine interaktive soziale Dimension und basieren auf Vorkenntnissen, die für sich genommen keinen Erfolg bei der Anwendung der getroffenen Entscheidungen garantieren ( Argandoña, 2011 1. Argandoña, A. (2011). La ética y la toma de Decisiones en la empresa [Ethik und Entscheidungsfindung im Geschäftsleben]. Universia Business Review, 2011(30), 22–30. Vonfrage, 2009 35. Offrage, R. (2009). Influencia de las creencias causales en los procesos de toma de Decisiones [Der Einfluss kausaler Überzeugungen auf Entscheidungsprozesse]. Revista Mexicana de Psicología, 26(1), 103–111. Weick und Sutcliffe, 2008) 48. Weick, KE, &. Sutcliffe, KM. (2008). Informationsüberflutung erneut aufgegriffen. In GP Hodgkinson & WH Starbuck (Hrsg.), The Oxford Handbook of Organizational Decision Making (S. 56–75). Oxford, Großbritannien: Oxford University Press.. Sie werden wiederum in Kontexten entwickelt, die weit von den klassischen Paradigmen der rationalen Wahl entfernt sind. So werden Entscheidungen durch Elemente wie offene Probleme bedingt unsichere und dynamische Rahmenbedingungen sich ändernde, multiple und wettbewerbsorientierte Ziele multiples Feedback Zeitdruck und kontrastierende Konsequenzen mit einigen Risiken multiple Entscheidungsträger und externe Standards ( Orasanu & Connolly, 1993 36. Orasanu, J. & Connolly, T. (1993). Die Neuerfindung der Entscheidungsfindung. In GA Klein, J. Orasanu, R. Calderwood, &. CE Zsambok (Hrsg.), Decision Making in Action: Models and Methods (S. 3–20). Norwood, NJ: Ablex. Csaszar & Eggers, 2013) 10. Csaszar, F, & Eggers, J. (2013). Organisatorische Entscheidungsfindung: Eine Informationsaggregationsansicht. Managementwissenschaft, 59(10), 2257–2277. doi:10.1287/mnsc.1120.1698.
https://doi.org/10.1287/mnsc.1120.1698. . DM hat kritische Auswirkungen auf die berufliche Leistung und erlangt besondere Relevanz, wenn Leistungen und Handlungen unmittelbare Auswirkungen auf die Integrität oder das Wohlbefinden von Menschen haben ( Secchi, 2014) 45. Secchi, D. (2014). Erweiterbare Rationalität: Entscheidungsfindung in Organisationen verstehen. New York: Springer. .

Wie bereits erwähnt, gibt es kaum Hinweise auf Beziehungen zwischen MWL und DM. In Bezug auf die klinische Entscheidungsfindung, Byrne (2013) 6. Byrne, A. (2013). Psychische Arbeitsbelastung als Schlüsselfaktor bei der klinischen Entscheidungsfindung. Fortschritte in der Ausbildung in Gesundheitswissenschaften, 18(3), 537–545. doi:10.1007/s10459-012-9360-5.
https://doi.org/10.1007/s10459-012-9360-. hat auf der Grundlage der vorliegenden Forschung vorgeschlagen, dass MWL und Komplexität der Informationen Schlüsselfaktoren sein können, um zu bestimmen, welche Art von klinischer Entscheidungsfindung entwickelt wird: schemabasierte Methoden oder bewusste Metakognitionsverfahren. Baethge et al. (2016) 2. Baethge, A, Müller, A, &. Rigotti, T. (2016). Pflegeleistung unter hoher Arbeitsbelastung: Eine Tagebuchstudie zur moderierenden Rolle von Auswahl-, Optimierungs- und Vergütungsstrategien. Journal of Advanced Nursing, 72(3), 545–557. haben empirisch gezeigt, dass der Einfluss von MWL auf die Leistungsqualität durch den Umgang der Pflegenden mit Auswahl, Optimierung und Kompensation von Ressourcen und Zielen moderiert wird. Jacksonet al. (2014) 27. Jackson, S. A., Kleitman, S., &. Aidman, E. (2014). Geringe kognitive Belastung und reduzierte Erregung behindern die Auswirkungen des Übens auf die exekutive Funktion, das metakognitive Vertrauen und die Entscheidungsfindung: E115689. PLoS One, 9(12) doi:10.1371/journal.pone.0115689
https://doi.org/10.1371/journal.pone.011. , unter Verwendung von Fahrsimulationsstrategien, haben die Existenz einer MWL-Zone optimaler DM-Leistung unterstützt, unterhalb oder oberhalb derer eine schlechtere DM-Qualität erzeugt wird, wie es für die Beziehung zwischen MWL und anderen klassischen Leistungsmaßen vorgeschlagen wurde. Es lohnt sich auch, die Beweise zu erwähnen, die von den Arbeiten geliefert wurden, die den Zusammenhang zwischen individuellem DM und Stress analysiert haben. Neuere Reviews und Metaanalysen postulieren, dass Stress immer dann auftritt, wenn ein Bedarf die Regulationsfähigkeit eines Organismus übersteigt, insbesondere in unvorhersehbaren und unkontrollierbaren Situationen ( Dickerson &. Kemeny, 2004 12. Dickerson, SS und Kemeny, ME. (2004). Akute Stressoren und Cortisolreaktionen: Eine theoretische Integration und Synthese der Laborforschung. Psychologisches Bulletin, 130(3), 355–391. Koolhaas et al., 2011) 29. Koolhaas, JM, Bartolomucci, A, Buwalda, BD, De Boer, SF, Flügge, G, Korte, SM, & Richter-Levin, G. (2011). Stress revisited: Eine kritische Bewertung des Stresskonzepts. Neurowissenschaften & Biobehavioral Reviews, 35(5), 1291–1301. . Stress bezieht sich in diesem Sinne nur auf Situationen, die innerhalb des MWL-Bereichs konzeptualisiert werden. Darüber hinaus wird die Entstehung von Stress in Abhängigkeit von externen Anforderungen durch Bewertungsstrategien vermittelt ( Lazarus, 1999) 30. Lazarus, R. (1999). Stress und Emotion: Eine neue Synthese. New York: Springer. . Somit sind Beziehungen zwischen Stress und DM nur bedingt auf den Bereich der MWL übertragbar. Es ist jedoch interessant, die vorhandenen Beweise über den Zusammenhang zwischen Stress und DM in natürlichen Umgebungen kurz zu erwähnen. In diesem Sinne wird angenommen, dass Stress mit einer dysfunktionalen Strategieanwendung, einer veränderten Feedbackverarbeitung, einer erhöhten Belohnungssensitivität und einer verringerten Bestrafungssensitivität zusammenhängt ( Starcke und Marke, 2012) 47. Starcke, K. &. Brand, M. (2012). Entscheidungsfindung unter Stress: Eine selektive Überprüfung. Neurowissenschaften & Biobehavioral Reviews, 36(4), 1228–1248.

Nach den bisherigen Überlegungen bezieht sich unsere Forschungsfrage auf die Beziehung zwischen MWL und DM in organisatorischen Settings. Es gibt mehrere Gründe, die die Relevanz dieser Frage stützen, auf die sich die vorliegende Arbeit konzentrieren wird, insbesondere die Knappheit von Arbeiten, die die Beziehung zwischen MWL und DM untersuchen, die Relevanz, die im organisatorischen Kontext impliziert wird, und der Nachweis komplexer Beziehungen zwischen MWL und DM. Unser allgemeines Ziel ist es daher, die Auswirkungen von MWL auf die Aufgabenerfüllung im Arbeitsumfeld eingehend zu untersuchen und die Beziehungen zwischen MWL und DM bei Arbeitnehmern, die ihre Tätigkeit in realen Kontexten ausüben, empirisch zu analysieren. In diesem Sinne sind unsere spezifischen Ziele (1) die Analyse der Beziehung zwischen der Erwartung des Arbeiters an die MWL vor der Aufgabenerfüllung (Pre-Task WL) und der Qualität der DM nach der Aufgabenerfüllung (2) die Analyse der Beziehung zwischen der wahrgenommenen MWL nach der Aufgabe (Post-Task WL) und der Qualität des nach der Aufgabe erbrachten DM und (3) zum einen das Verhältnis der Unterschiede zwischen dem erwarteten MWL und dem nach der Aufgabe wahrgenommenen MWL (differentielle mentale Arbeitsbelastung) zu analysieren, und die Qualität der durchgeführten DM zum anderen.

Um das Konzept von MWL zu adressieren, haben wir aus dem Konzeptualisierungsmodell des NASA-Task Load Index (NASA-TLX) ( Hart & Staveland, 1988 19. Hart, SG, & Staveland, LE. (1988). Entwicklung von NASA-TLX (Task Load Index): Ergebnisse empirischer und theoretischer Forschung. In PA Hancock & N. Meshkati (Hrsg.), Human Mental Workload (S. 139–183). Amsterdam: Nordholland. ). Die Eignung dieser Methode wurde durch zahlreiche Studien belegt, da sie genauere Ergebnisse liefert als andere Techniken wie die SWAT oder die modifizierte Cooper-Harper-Skala ( Hill et al., 1992 20. Hill, SG, Iavecchia, HP, Byers, JC, Bittner, AC, Zaklad, AL, & Christ, RE. (1992). Vergleich von vier subjektiven Bewertungsskalen für die Arbeitsbelastung. Menschliche Faktoren, 34, 429–439. Rubio, Diaz, Martin und Puente, 2004 41. Rubio, S, Diaz, E, Martin, J, &. Puente, JM. (2004). Bewertung der subjektiven mentalen Arbeitsbelastung: Ein Vergleich von SWAT-, NASA-TLX- und Arbeitsbelastungsprofilmethoden. Angewandte Psychologie: An International Review, 53(1), 61-86. doi:10.1111/j.1464-0597.2004.00161.x.
https://doi.org/10.1111/j.1464-0597.2004. ). Dieser Nachweis, zusammen mit der Einfachheit seiner Verwendung, macht das NASA-TLX derzeit zum am weitesten verbreiteten Instrument zur Bewertung von MWL ( Noyes & Bruneau, 2007 34. Noyes, JM & Bruneau, DPJ. (2007). Eine Selbstanalyse der NASA-TLX-Workload-Messung. Ergonomie, 50(4), 514–519. doi:10.180/00140130701235232.
https://doi.org/10.1080/0014013070123523. Rutledge et al., 2009) 42. Rutledge, T, Stucky, E, Dollarhide, A, Shively, M, Jain, S, & Wolfson, T. (2009). Eine Echtzeitbewertung des Arbeitsstresses bei Ärzten und Pflegepersonal. Gesundheitspsychologie, 28(2), 194–200. . Diese Methode erlaubt eine mehrdimensionale Bewertung der Aufgabenstellung und hat sich aufgrund ihrer diagnostischen Kapazität hinsichtlich möglicher Belastungsquellen als sinnvoll erwiesen ( Díaz et al., 2010) 11. Díaz, E, Rubio, S, Martin, J, & Luceño, L. (2010). Estudio Psicométrico del Índice de Carga Mental NASA-TLX con una Muestra de Trabajadores Españoles [Psychometrische Studie des NASA-TLX Workload Index in einer Stichprobe spanischer Arbeiter]. Revista de Psicología del Trabajo y de las Organizaciones, 2010, 26(3), 191–199. . Zu seinen Kernstärken gehört die Anwendbarkeit in einem naturwissenschaftlichen Arbeitsumfeld, da die Arbeiter die ausgeführte Aufgabe sowohl wenige Augenblicke nach ihrer Ausführung als auch rückwirkend schnell einschätzen können ( Recarte, Pérez, Conchillo und Nunes, 2008 39. Recarte, MA, Pérez, E, Conchillo, A, &. Nunes, LM. (2008). Psychische Arbeitsbelastung und Sehbehinderung: Unterschiede zwischen Pupille, Blinzeln und subjektiver Bewertung. The Spanish Journal of Psychology, 11(2), 374–385. ). In Studien zu retrospektiven Assessments wurden hohe Korrelationen zwischen den so gewonnenen Daten und den unmittelbaren Scores gefunden ( Wierwille & Eggemeier, 1993) 50. Wierwille, WW, & Eggemeier, FT. (1993). Empfehlungen für die Test- und Bewertungsumgebung zur Messung der mentalen Arbeitsbelastung. Menschliche Faktoren, 35(2), 263–281. . Das NASA-TLX-Messverfahren wird im Abschnitt „Methoden“ ausführlicher beschrieben.

Im Fall von DM haben wir das von Soria-Oliver und ihrem Team erarbeitete Konzeptualisierungs- und Messmodell verwendet ( Sanz de Acedo Lizarraga, Sanz de Acedo Baquedano, Soria-Oliver, Closas, 2009 44. Sanz de Acedo Lizarraga, ML, Sanz de Acedo Baquedano, MT, Soria-Oliver, M, & Closas, A. (2009). Entwicklung und Validierung eines Entscheidungsfragebogens. British Journal of Guidance & Counselling, 37(3), 357–373. doi:10.180/03069880902956959.
https://doi.org/10.1080/0306988090295695. Soria-Oliver, 2010 46. ​​Soria-Oliver, M. (2010). Factores que influyen en la toma de Decisiones: elaboración y validación de un cuestionario [Faktoren, die die Entscheidungsfindung beeinflussen: Entwicklung und Validierung eines Entscheidungsfragebogens]. Granada, SP: Zumaya-UNESCO. ). In diesem Modell wird DM als eine komplexe Abfolge von Handlungen verstanden, die die Beachtung verschiedener Parameter erfordern, die durch die zeitlichen und organisatorischen Bedürfnisse bedingt sind. Sie werden in den folgenden Schritten spezifiziert: Planung des Prozesses, Definition der Ziele, Generierung von Optionen, Bewertung dieser und Auswahl der besten unter Berücksichtigung sowohl des Einflusses persönlicher Variablen als auch der Variablen des Setting. Nach den Richtlinien von Byrnes (1998) 7. Byrnes, JP. (1998). Wesen und Entwicklung der Entscheidungsfindung. Mahwah, NJ: Erlbaum. , Cannon-Bowers, Salas und Pruitt (1996) 9. Cannon-Bowers, JA, Salas, E, & Pruitt, JS. (1996). Festlegung der Grenzen eines Paradigmas für die Entscheidungsforschung. Menschliche Faktoren, 38 (2), 193–205. und Kanonenbogen und Salas (2002) 8. Cannon-Bowers, JA, & Salas, E. (2002). Einzel- und Teamentscheidung unter Stress: Theoretische Grundlagen. In JA Cannon-Bowers & E. Salas (Hrsg.), Entscheidungen unter Stress treffen (S. 17–38). Washington, DC: Amerikanische Psychologische Vereinigung. , nimmt dieses Modell drei Quellen von Variablen an, die die naturalistische Entscheidungsfindung charakterisieren: Aufgaben-, Subjekt- und Kontextvariable. Aufgabenvariablen sind mit der Art der Entscheidung selbst verbunden, zum Beispiel die mit jeder Alternative verbundene Unsicherheit, Zeit- und Gelddruck, Quantität und Qualität der Informationen, vorgeschlagene Ziele und mögliche Konsequenzen der Entscheidung. Zu den Subjekt- oder Entscheidungsträgermerkmalen zählen die internen Faktoren der Darsteller: Motivation, gründliche Selbstregulierung der Entscheidungsschritte, entscheidende Informationsverarbeitung, Expertise in einem bestimmten Bereich und die Emotionen, die fast immer eine Entscheidung begleiten. Schließlich definieren die Umweltmerkmale den Kontext, in dem die Entscheidung stattfindet, insbesondere Faktoren, die nicht direkt Teil der Entscheidungsaufgabe selbst sind: soziale und berufliche Einflüsse und ablenkende Ereignisse. Dieses Modell wiederum hat zur empirischen Ausarbeitung eines Fragebogens (Decision-Making Questionnaire, DMQ ( Soria-Oliver, 2010 46. ​​Soria-Oliver, M. (2010). Factores que influyen en la toma de Decisiones: elaboración y validación de un cuestionario [Faktoren, die die Entscheidungsfindung beeinflussen: Entwicklung und Validierung eines Entscheidungsfragebogens]. Granada, SP: Zumaya-UNESCO. )), das die Qualität von DM in organisatorischen Kontexten misst, unter Berücksichtigung der verschiedenen theoretischen Dimensionen des Modells. Detaillierte Eigenschaften von DMQ werden im Abschnitt „Methoden“ vorgestellt.

Unsere Studie zieht einige vorläufige Hypothesen, die in jedem Fall durch ihren explorativen und korrelativen Charakter bedingt sind. Daher werden wir untersuchen, inwieweit die Beziehung zwischen DM einerseits und Pre-Task WL und Post-Task WL andererseits dem allgemeinen Muster folgt, das für andere Leistungsindikatoren nachgewiesen wurde ( Brookhuis & Waard, 2002 5. Brookhuis, KA, & Waard, DD. (2002). Zur Einschätzung der (geistigen) Arbeitsbelastung und anderer subjektiver Qualifikationen. Ergonomie, 45(14), 1026–1030. Wilson & Rajan, 1995 51. Wilson, JR, &. Rajan, JA. (1995). Mensch-Maschine-Schnittstellen für die Anlagensteuerung. In JR Wilson &. EN Corlett (Hrsg.), Evaluation of Human Work: A Practical Ergonomics Methodology (S. 357–405). London: Taylor & Francis. Jung & Stanton, 2002 53. Young, MS, & Stanton, NA. (2002). Theorie der formbaren Aufmerksamkeitsressourcen: Eine neue Erklärung für die Auswirkungen mentaler Unterbelastung auf die Leistung. Human Factors: The Journal of the Human Factors and Ergonomics Society, 44(3), 365–375. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . Dieses Muster kann wie folgt definiert werden: erstens durch einen niedrigen erwarteten oder tatsächlich wahrgenommenen MWL-Bereich, in dem eine geringe Stimulation die Qualität von DM-Strategien verringern kann, zweitens durch einen optimalen Leistungsbereich des erwarteten oder tatsächlich wahrgenommenen MWL, in dem eine ausgewogene Stimulation angemessen zu den Probanden passt '-Ressourcen und DM-Qualität ist ein höheres Drittel, ein hoher erwarteter oder tatsächlicher MWL-Bereich, der die Ressourcen der Probanden überfordert und zu einer schlechteren DM-Qualität führen kann. In Bezug auf Differential WL erwarten wir, dass die erwartete MWL (Pre-Task WL) als Moderator der Beziehungen zwischen Differential WL und DM fungieren kann. Wenn der erwartete MWL (Pre-Task WL) der Probanden niedrig ist, kann der reale MWL (Post-Task WL), der dieser Erwartung entspricht (Adjusted Differential WL) oder darunter bleibt (Low Differential WL), eine geringere DM-Qualität aufgrund fehlender Stimulation erzeugen . Wenn Probanden mit niedrigem Pre-Task WL mit einem höheren realen MWL als erwartet zurechtkommen müssen (High Differential WL), kann DM besser sein, wenn die Ressourcen der Probanden nicht überfordert werden. Wenn der erwartete MWL (Pre-Task WL) der Probanden hoch ist, würde ein niedrigerer realer MWL (Low Differential WL) aufgrund der Stimulationsabnahme zu einer schlechteren DM-Qualität führen. Wenn der reale MWL dem erwarteten MWL (Adjusted Differential WL) entspricht, ist die DM-Qualität hoch, da die Probanden eine ausreichende Stimulation haben. In diesem Fall, wenn die reale MWL höher ist als erwartet (hohe Differenziale WL), ist DM möglicherweise nur dann besser, wenn die Probanden ihre Ressourcen verwalten können, um die angeforderte Kontextanforderung zu bewältigen. Unser empirisches Design, das professionelle Entscheidungen in einem realen Umfeld ohne Manipulation misst, erlaubt es uns jedoch nicht, a priori vorherzusagen, welche erwarteten oder realen MWL-Werte gefunden werden können und folglich, ob sie alle in unseren Hypothesen vorgeschlagenen Bereiche abdecken würden .


Nach Angaben des Institute of Medicine (IOM) sterben in den USA jedes Jahr zwischen 44.000 und 98.000 Menschen in Krankenhäusern an medizinischen Fehlern. Mehrere physiologische und psychologische Faktoren können die Aufmerksamkeitsspanne des Gesundheitsdienstleisters beeinträchtigen und medizinische Fehler wahrscheinlicher machen. Einige dieser Faktoren sind erhöhte Arbeitsbelastung, Müdigkeit, kognitive Überlastung, ineffektive zwischenmenschliche Kommunikation und fehlerhafte Informationsverarbeitung. Postanästhesie-Krankenschwestern, die für die Versorgung von instabilen Patienten verantwortlich sind, die mit mehreren lebensbedrohlichen Zuständen aus der Anästhesie kommen, müssen von Minute zu Minute kritische Entscheidungen treffen. Die aktuellen ASPAN-Leitlinien zur Patientenklassifizierung/Empfohlene Personalbesetzung berücksichtigen die unterschiedlichen Versorgungsanforderungen der Patienten nicht ausreichend. Wenn ein Instrument gefunden werden könnte, das die Arbeitsbelastung des Personals effektiv bewertet, würde die laufende Bewertung verbessert und die Ressourcen besser genutzt. Der National Aeronautics and Space Administration-Task Load Index (NASA-TLX), ein facettenreiches Instrument zur Bewertung der perzeptuellen (subjektiven) Arbeitsbelastung, hat umfangreiche Anwendungen erfahren und wird weithin als das stärkste verfügbare Instrument zur Berichterstattung über die Wahrnehmung der Arbeitsbelastung angesehen. In diesem Artikel werden verschiedene Verwendungen des NASA-TLX untersucht und die möglichen Verwendungen dieses Werkzeugs in der Peranästhesiepflege betrachtet.

Gloria Young, MSN, CRNA, ist eine CRNA am Medical College of Georgia Hospital and Clinics, Augusta, GA

Lyubov Zavelina, MSN, CRNA, ist eine CRNA am Medical Center of Central Georgia, Macon, GA

Vallire D. Hooper, MSN, RN, CPAN, ist Perianästhesie-Beraterin, Doktorandin und Clinical Assistant Professor, School of Nursing, Medical College of Georgia, Augusta, GA

Vallire Hooper, Mitherausgeberin des Journal of PeriAnesthesia Nursing, war weder an der redaktionellen Überprüfung noch an der Entscheidung zur Veröffentlichung dieses Artikels beteiligt. Der gesamte Prozess von der Einreichung über die Vergabe der Gutachter bis hin zu den redaktionellen Entscheidungen wurde von Jan Odom-Forren, dem anderen Mitherausgeber dieser Zeitschrift, abgewickelt.


Informationen zum Autor

Mitgliedschaften

Human Factors im Gesundheitswesen, Techna Institute, University Health Network, Toronto, Kanada

Plinio P. Morita, Peter B. Weinstein, Christopher J. Flewwelling, Carleene A. Bañez, Tabitha A. Chiu, Mario Iannuzzi, Aastha H. Patel, Ashleigh P. Shier & Joseph A. Cafazzo

Institute of Health Policy, Management and Evaluation, University of Toronto, Toronto, Kanada

Plinio P. Morita & Joseph A. Cafazzo

Institut für Biomaterialien und Biomedizinische Technik, University of Toronto, Toronto, Kanada


Messung der Arbeitsbelastung in kollaborativen Kontexten: Merkmals- versus Zustandsperspektiven

Zielsetzung: In der vorliegenden Studie haben wir die Zustands- und Merkmalsaspekte von Maßnahmen zur Aufgaben- und Teamarbeitsbelastung in einer Katastrophensimulation untersucht.

Hintergrund: Es besteht häufig die Notwendigkeit, die Arbeitsbelastung sowohl in individuellen als auch in kollaborativen Umgebungen zu bewerten. Forscher auf diesem Gebiet verwenden häufig den NASATask Load Index (NASA-TLX) als globales Maß für die Arbeitsbelastung, indem sie die Komponentenelemente des NASA-TLX aggregieren. Bei dieser Praxis kann man die Unterscheidung zwischen Merkmalen und Zuständen übersehen.

Methode: Fünfzehn dyadische Teams (11 unerfahrene, 4 erfahrene) absolvierten fünf Sitzungen eines Tsunami-Katastrophensimulators.Nach jeder Sitzung absolvierten die Teilnehmer eine modifizierte Version des NASA-TLX, die Messungen der Teamarbeitsbelastung beinhaltete. Anschließend untersuchten wir die Arbeitsbelastungselemente unter Verwendung einer Zwischen-Subjekt- und Innerhalb-Subjekt-Perspektive.

Ergebnisse: Zwischen-Fächer- und innerhalb-Fach-Korrelationen zwischen den Items angegeben Die Workload-Items sind innerhalb der Subjekte (als Zustände) unabhängiger als zwischen den Subjekten (als Merkmale). Auch die Korrelationen zwischen den Workload-Items und der Simulationsleistung waren auf Merkmals- und Zustandsebene unterschiedlich.

Abschluss: Die Arbeitsbelastung kann sich auf Merkmalsebene (zwischen den Fächern) und Zustand (innerhalb der Fächer) unterschiedlich verhalten.

Anwendung: Forschende, die sich für die Messung der Arbeitsbelastung als Staat interessieren, sollten in ihren Analysen eine fächerinterne Perspektive einnehmen.


NASA-TLX-basierte Arbeitsbelastungsbewertung für das Empfehlungssystem für akademische Ressourcen

Von Empfehlungssystemen wird erwartet, dass sie eine schülerzentrierte Lehr- und Lernumgebung fördern. Das Zeitalter der Informationsfülle hat gezeigt, dass es solche Systeme benötigt. Empfehlungssysteme wurden verwendet, um Lerninhalte zu empfehlen, die sich auf die Forschungsinteressen der Studierenden beziehen. Serendipity hat auch in der akademischen Umgebung Einzug gehalten, da die Systeme den Lernenden nützliche und überraschende Elemente empfehlen. Für Studenten, die zufällige Empfehlungssysteme verwenden, ist es wichtig, die Arbeitsbelastung der Benutzer zu verstehen. In dieser Studie untersuchen wir verschiedene Benutzerschnittstellen für akademische Empfehlungssysteme, indem wir Studenten untersuchen, die versuchen, zufällige Empfehlungen für ihre akademischen Aufgaben zu erhalten. Die Studie wurde anhand des NASA Task Load Index (NASA-TLX) ausgewertet. Unsere Priorität war es, die mentalen, physischen und anderen Arbeitsbelastungsattribute zu verstehen, die sich ändern können, wenn Schüler zufällige Empfehlungen suchen. Wir haben Mendeley, Google Scholar, Academia.edu und ResearchGate studiert. Unsere Studie fand keine wesentlichen zufälligen Empfehlungen, die von den Benutzern beobachtet wurden, aber einige Spuren von zufälligen Erfahrungen wurden beobachtet. Außerdem wurde keine wesentliche Arbeitsbelastung bei der Verwendung der Systeme festgestellt. Das Empfehlungssystem hat jedoch bei wiederholten Sitzungen unterschiedliche Benutzererfahrungen geschaffen. Darüber hinaus ist mit den in der Wissenschaft verwendeten Empfehlungssystemen eine Vielzahl von Aufgabenlasten verbunden, von gemischten Designs mit umfangreichen Benutzersteuerungen bis hin zu sehr wenigen Steuerungen. Diese Forschung lieferte uns Erkenntnisse, die Designern helfen können, neue Funktionen zu integrieren und anzupassen und kalkulierte Risiken einzugehen, wenn sie eine zufällige Bildungstechnologie entwickeln.

Dies ist eine Vorschau von Abonnementinhalten, auf die Sie über Ihre Institution zugreifen können.


Materialen und Methoden

Themen

Zehn unter 23, männliche Rennradfahrer (20,0 ± 1,2 Jahre, 66,1 ± 7,6 kg, 180,4 ± 5,6 cm, VO2max 69,0 ± 4,4 ml · min –1 · kg –1 , Spitzenleistung 380 ± 39 W, > 4 Trainingseinheiten pro Woche, > 300 km pro Woche, > 3 Jahre Radfahrerfahrung) nahmen freiwillig an dieser Studie teil. Die Teilnehmer waren Mitglieder verschiedener unter 23-Radsportteams, die dem italienischen Radsportverband angeschlossen sind. Unter Berücksichtigung der VO . jedes Teilnehmers2max und Trainingshistorie sowie gemäß Leitlinien zur Beschreibung des Leistungsniveaus der Teilnehmer in der sportwissenschaftlichen Forschung [20] wurden die Probanden der Leistungsstufe 4 (gut trainiert) zugeordnet. Die Auswahlkriterien waren wie folgt: frei von bekannten medizinischen Erkrankungen, Verletzungen, Farbsehstörungen und Lernstörungen, frei von jeglichen Medikamenten. Studiendesign und -verfahren wurden von der Ethikkommission der Università degli Studi di Milano genehmigt und folgten den ethischen Grundsätzen für die medizinische Forschung am Menschen, die in der Deklaration des Weltärztebundes von Helsinki festgelegt wurden. Nach der ethischen Genehmigung wurden von den Teilnehmern eine schriftliche Einverständniserklärung und eine medizinische Erklärung gemäß den von der Forschungsethikkommission der lokalen Institution festgelegten Verfahren eingeholt. Die Probanden wurden über die Verfahren und möglichen Risiken informiert. Sie wurden auch darüber informiert, dass es ihnen freisteht, die Studie jederzeit abzubrechen.

Experimentelles Design

Für die experimentelle Komponente der vorliegenden Studie wurde ein randomisiertes, ausgeglichenes Cross-Over-Design verwendet. Die Reihenfolge der experimentellen Behandlungen (Interventionskontrolle) wurde nach dem Zufallsprinzip basierend auf ausgewogenen Permutationen zugewiesen, die von einem webbasierten Computerprogramm (www.randomization.com) generiert wurden.

Experimentelle Übersicht

Die Probanden führten vier Testsitzungen zu vier verschiedenen Gelegenheiten durch, in einem Zeitraum von nicht mehr als drei Wochen zwischen dem ersten und dem letzten Besuch. Besuche wurden im Universitätslabor durchgeführt. Kognitive und körperliche Aufgaben wurden in einem isolierten und klimatisierten Raum bei einer konstanten Temperatur von 19 ± 1 °C und einer relativen Luftfeuchtigkeit von etwa 40–50% durchgeführt. Vor jedem Besuch wurden die Teilnehmer angewiesen, mindestens 8 Stunden zu schlafen, auf den Konsum von Alkohol und Koffein zu verzichten und während der 36 Stunden vor den Testsitzungen jede heftige Bewegung zu vermeiden. Die Teilnehmer wurden auch angewiesen, am Tag der Testsitzungen alle geistig anspruchsvollen Aufgaben zu vermeiden. Jeder Teilnehmer führte die Besuche einzeln und zur gleichen Tageszeit (innerhalb von 1 Stunde, zwischen 9:00 und 12:00 Uhr) durch. Während der Visite 1 wurden Gewicht und Größe der Teilnehmer gemessen. Anschließend machten sie sich mit den Verfahren der experimentellen Sitzungen vertraut, d. h. der Stroop-Aufgabe (für die Zeit, die benötigt wird, um mindestens 95 % der Genauigkeit zu erreichen), psychologischen Fragebögen und der körperlichen Aufgabe, d. h. einem Zeitfahren auf einem Fahrradergometer. Während Besuch 2 absolvierten die Teilnehmer einen inkrementellen Belastungstest, um ihre VO . zu bestimmen2max. Eine grafische Darstellung von Besuch 3 und 4 ist in Abb. 1 gezeigt.

HR – Herzfrequenz HRV – Herzfrequenzvariabilität RPE – Bewertung der wahrgenommenen Anstrengung ST – Stroop-Aufgabe CON – Kontrolle.

Experimentelle Behandlung

Der Zustand der mentalen Erschöpfung bestand in einer 30-minütigen modifizierten Stroop-Farbwortaufgabe. Die Stroop-Aufgabe erfordert Reaktionshemmung und anhaltende Aufmerksamkeit [21] und hat zuvor gezeigt, dass sie geistige Erschöpfung hervorruft [2]. Die in unserem Protokoll verwendete modifizierte Stroop-Aufgabe war dieselbe Version und hatte dieselben Implementierungsregeln, die von Martin et al. [6]. Die Teilnehmer wurden angewiesen, so schnell und so genau wie möglich zu antworten. Die Teilnehmer machten sich während des Vorbesuchs 5 min mit der Stroop-Aufgabe vertraut. Zusätzlich waren 24 Übungsversuche vor der experimentellen Aufgabe erlaubt, um sicherzustellen, dass die Teilnehmer die Anweisungen vollständig verstanden. Die Reaktionszeit der richtigen Antworten und Genauigkeit wurden über 6 Blöcke von 5 Minuten gemittelt.

Der Kontrollversuch umfasste das Ansehen eines 30-minütigen Videos über amphibische Bagger unter den gleichen Bedingungen wie bei der Stroop-Aufgabe.

Körperliche Tests

Beim zweiten Besuch wurden die Teilnehmer einem inkrementellen Belastungstest auf einem Fahrradergometer (Cyclus 2, RBM elektronik automation GmbH, Leipzig) unterzogen, um ihre VO2max. Der inkrementelle Belastungstest begann bei 100 W und steigerte sich alle 30 s um 25 W bis zur willentlichen Erschöpfung.

Die Teilnehmer führten das Zeitfahren während der folgenden zwei Besuche im Labor durch. Vor jedem Zeitfahren wurde von allen Teilnehmern ein standardisiertes Warm-Up bei der konstanten Leistung von 100 W absolviert. Beides wurde auf dem Cyclus 2 Ergometer durchgeführt. Die Teilnehmer wurden angewiesen, innerhalb von 30 Minuten so viel Distanz wie möglich zurückzulegen. Das Zeitfahren begann in einem Standardgang, den Teilnehmern stand es jedoch frei, während des Zeitfahrens die Gänge zu ändern. Ein Timer wurde vorne rechts von den Teilnehmern platziert und blieb während des Zeitfahrens sichtbar. Die Teilnehmer wurden für alle anderen Leistungs- und physiologischen Daten geblendet. Nach dem Test wurden die mittlere Leistungsabgabe und die mittlere Trittfrequenz in 10 Blöcken von jeweils 3 Minuten analysiert. Die durchschnittliche Leistung und Trittfrequenz während des Ganzzeitfahrens wurde ebenfalls aufgezeichnet.

Physiologische Maßnahmen

Kapillarblutproben wurden unmittelbar vor dem Aufwärmen und zweimal nach Abschluss des Zeitfahrens (1 min und 5 min) während der Besuche 3 und 4 entnommen. Die Proben wurden sofort mit dem Lactate Pro 2 (Arkray, Japan) auf die Blutlaktatkonzentration analysiert. Analysator. Bei den Visiten 3 und 4 wurde die HF während der letzten 10 s der 10 Blöcke von jeweils 3 min mit einem HF-Monitor mit Brustgurt aufgezeichnet.

Psychologische Maßnahmen

RPE wurde während der letzten 10 s der 10 Blöcke von jeweils 3 min mit dem von Borg entwickelten 11-Punkte-CR10 registriert [22]. Die Teilnehmer waren mit der Waage vertraut, da sie während ihrer täglichen Trainingseinheiten mindestens sechs Monate vor den Tests verwendet wurde.

Die Brunel Mood Scale (BRUMS) von Terry et al. [23] wurde verwendet, um Veränderungen der Stimmung zu Beginn und nach der Behandlung zu beurteilen. Der Fragebogen besteht aus 24 Items, die in 6 stimmungsbezogene Subskalen unterteilt sind (Depression, Müdigkeit, Vitalität, Verwirrung, Wut, Anspannung). Die Teilnehmer wurden gebeten, jedes Item auf einer 5-Punkte-Likert-Skala (von 0 = gar nicht bis 4 = extrem) entsprechend ihrer aktuellen Stimmung („Wie fühlst du dich gerade?“) zu bewerten. Jeder Subskalenwert mit vier relevanten Items kann von 0 bis 16 reichen.

Die subjektive Arbeitsbelastung wurde nach den Behandlungen mit der italienischen Version des National Aeronautics and Space Administration Training Load Index (NASA-TLX) erfasst [24]. Dabei handelt es sich um ein mehrdimensionales Ratingverfahren mit 6 Subskalen (Mentaler Bedarf, Körperlicher Bedarf, Zeitlicher Bedarf, Anstrengung, Frustration). Die Probanden wurden gebeten, jeden von ihnen auf einer Skala von 0 bis 20 zu bewerten, die durch bipolare Deskriptoren (hoch/niedrig) verankert war. Jede Punktzahl wurde mit 5 multipliziert, sodass die Endpunktzahl jeder Subskala von 0 bis 100 reicht.

Die Motivation zum Zeitfahren wurde nach den Behandlungen mit einem einzigen Item auf einer 5-Punkte-Likert-Skala gemessen (0 = gar nicht, 1 = ein bisschen, 2 = etwas, 3 = sehr, 4 = extrem) [6].

Die HRV wurde zu Beginn, nach der Stroop-Aufgabe und zweimal nach dem Zeitfahren (5 min und 30 min) unter beiden Bedingungen gemessen. Bei allen Messungen blieben die Teilnehmer fünf Minuten lang liegend, mit normaler Atemfrequenz, in Stille und ohne Körperbewegungen. Um die HF-Daten zu sammeln, zeichnete ein Polar T61 Brustgurt, der mit einer Aufzeichnungsuhr (Polar Electro, Kempele, Finnland) verbunden war, eine Herzschlag-zu-Beat-HF mit einer Zeitauflösung von 1 ms auf [25]. Gelegentliche ektopische Schläge wurden visuell identifiziert und manuell durch interpolierte benachbarte R-R-Intervallwerte ersetzt. Um die HRV im Zeitbereich zu identifizieren, wurden durchschnittliche R-R-Intervalle (RR-Mittel) und der quadratische Mittelwert aufeinanderfolgender Differenzen zwischen benachbarten R-R-Intervallen (RMSSD) analysiert. Alle Analysen wurden mit der Kubios HRV Analysis Software v2.2 (Gruppe für Biosignalanalyse und medizinische Bildgebung, University of Eastern Finland, Finnland) durchgeführt [26].

Statistische Analyse

Alle Daten werden als Mittelwert ± Standardabweichung dargestellt. Annahmen statistischer Tests wie Normalverteilung und Sphärizität der Daten wurden nach Bedarf überprüft. Die Greenhouse-Geisser-Korrektur der Freiheitsgrade wurde angewendet, wenn eine Verletzung der Sphärizität vorlag. Die Einweg-ANOVA wurde verwendet, um die Auswirkungen der Zeit auf die Reaktionszeit und Genauigkeit während der Stroop-Aufgabe zu bestimmen. t-Tests mit gepaarten Stichproben wurden verwendet, um die Auswirkungen der Kondition auf die mittlere HF während der Stroop-Aufgabe, die NASA-TLX-Subskalen, die Motivation in Bezug auf das Zeitfahren und die durchschnittliche Leistung, Trittfrequenz und HF während des Zeitfahrens zu bestimmen. ANOVAs mit wiederholten Messungen wurden verwendet, um die Auswirkungen von Zustand und Zeit auf Blutlaktatkonzentration, RMSSD, Stimmungs-Subskalen und HR, RPE, Trittfrequenz und Leistungsabgabe während des Zeitversuchs zu bestimmen. Bonferroni-Tests wurden verwendet, wenn signifikante Wechselwirkungen gefunden wurden. Darüber hinaus wird die Effektstärke für jeden statistischen Test als partielles Eta-Quadrat (η 2 p) angegeben, wobei die Interpretation der Effektstärke klein = 0,02, mittel = 0,13 und groß = 0,26 verwendet wird [27]. Die Signifikanz wurde auf 0,05 (2-tailed) festgelegt. Alle Datenanalysen wurden mit den Statistikpaketen für Sozialwissenschaften (SPSS Version 24) durchgeführt.


Methoden

Teilnehmer

Elf professionelle, männliche Rennradfahrer (23,4 ± 6,4 Jahre, 68,2 ± 4,3 kg, 180 ± 7 cm, Spitzenleistung 414 ± 48 W, > 5 Trainingseinheiten pro Woche, > 500 km pro Woche, > 5 Jahre Radfahrerfahrung) und neun männliche Freizeitrennradfahrer (25,6 ± 5,3 Jahre, 80,7 ± 11,3 kg, 177 ± 7 cm, Spitzenleistung 261 ± 28 W,

3 Trainingseinheiten pro Woche,

80 km pro Woche, durchschnittlich 2 Jahre Radfahrerfahrung) meldeten sich freiwillig zur Teilnahme an dieser Studie. Unter Berücksichtigung der Spitzenleistung und der Trainingshistorie jedes Teilnehmers und in Übereinstimmung mit Leitlinien zur Beschreibung des Leistungsniveaus der Teilnehmer in der sportwissenschaftlichen Forschung [11] wurden die Radprofis in die Leistungsstufe 5 und die Freizeitradler zwischen eingestuft Leistungsstufe 1 und 2. Jeder Teilnehmer gab vor Beginn der Prüfung eine schriftliche Einverständniserklärung. Studiendesign und -verfahren wurden vom Ausschuss für Ethik in der Humanforschung der Universität Canberra genehmigt. Alle Teilnehmer erhielten schriftliche Anweisungen, die den Studienablauf beschrieben, waren aber gegenüber den wahren Zielen und Hypothesen naiv. Die Teilnehmer wurden davon überzeugt, dass das Hauptziel der Studie darin bestand, die Auswirkungen mentaler Anstrengung auf die physiologischen Reaktionen während des Zeitfahrens zu untersuchen. Weitere Angaben wurden nicht gemacht. Am Ende des letzten Besuchs wurden die Teilnehmer nachbesprochen und gebeten, die wahren Ziele der Studie nicht mit anderen Teilnehmern zu besprechen. Einer der Radprofis konnte verletzungsbedingt nicht alle Besuche absolvieren. Die Daten dieses Teilnehmers wurden nur in die Analyse der Stroop-Leistung einbezogen.

Versuchsprotokoll

Für die experimentelle Komponente der vorliegenden Studie wurde ein randomisiertes Crossover-Design verwendet. Die Reihenfolge der experimentellen Behandlung (mentale Anstrengung/Kontrolle oder Kontrolle/mentale Anstrengung) wurde nach dem Zufallsprinzip basierend auf ausgewogenen Permutationen zugewiesen, die von einem webbasierten Computerprogramm (www.randomization.com) generiert wurden. Die Teilnehmer mussten das Labor viermal besuchen (Abb. 1), in einem Zeitraum von nicht mehr als zwei Wochen zwischen dem ersten und dem letzten Besuch. Die Tests während der Besuche 3 und 4 wurden zur gleichen Tageszeit abgeschlossen. Während des ersten Besuchs absolvierten die Teilnehmer einen inkrementellen Belastungstest und machten sich mit der Stroop-Aufgabe und allen psychologischen, wahrnehmungsbezogenen und physiologischen Maßnahmen vertraut. Beim zweiten Besuch wurden die Teilnehmer mit dem Zeitfahren vertraut gemacht. Während der Besuche 3 und 4 füllten die Teilnehmer den Grundstimmungsfragebogen aus, gefolgt von entweder der Stroop-Aufgabe oder der Kontrollaufgabe. Nach der Bewertung ihrer Motivation bezüglich des bevorstehenden Zeitfahrens wurden die Teilnehmer auf ein Fahrradergometer gebracht, wo sie ein standardisiertes Aufwärmen und ein 20-minütiges Zeitfahren absolvierten. Nach dem Abkühlen bewerteten die Teilnehmer erneut ihre aktuelle Stimmung. Vor den Besuchen drei und vier wurden die Teilnehmer angewiesen, am Tag vor dem Laborbesuch 35 ml Wasser pro Kilogramm Körpergewicht zu trinken, mindestens 7 Stunden zu schlafen, keinen Alkohol zu konsumieren und jede starke körperliche Betätigung zu vermeiden. Die Teilnehmer wurden außerdem angewiesen, vor dem Test mindestens 3 Stunden lang Koffein und geistig anstrengende Aufgaben zu vermeiden. Am Tag von Besuch 3 wurden die Teilnehmer gebeten, Zeit und Inhalt der vor dem Test eingenommenen Mahlzeiten aufzuzeichnen und diese am Tag von Besuch 4 konsistent zu halten. Zu Beginn der Besuche 3 und 4 wurden die Teilnehmer gebeten, eine Checkliste auszufüllen, um sich vergewissern, dass sie die ihnen erteilten Anweisungen befolgt haben. Die Teilnehmer wurden auch gebeten anzugeben, ob sie an dem Tag Medikamente/Medikamente eingenommen hatten oder eine akute Krankheit, Verletzung oder Infektion hatten.

# – Blutlaktatprobe. 4DMS – Die vierdimensionale Stimmungsskala. MOT – Bewertung der Motivation im Zusammenhang mit dem Zeitfahren. NASA-TLX – Der Task Load Index der National Aeronautics and Space Administration. RPE – Bewertung der wahrgenommenen Anstrengung.

Experimentelle Behandlung

Die Bedingung der mentalen Anstrengung bestand aus einer 30-minütigen modifizierten inkongruenten Version der Stroop-Farbwortaufgabe. Die Teilnehmer führten diese kognitive Aufgabe an einem Computer aus, während sie bequem in einem ruhigen, schwach beleuchteten Raum saßen. Diese Stroop-Aufgabe besteht aus vier Wörtern (gelb, blau, grün, rot), die seriell auf dem Computerbildschirm präsentiert werden, die angezeigt werden, bis der Teilnehmer antwortet, gefolgt von einem 1,5-sekündigen Pausenintervall. Die Teilnehmer wurden angewiesen, eine von vier farbigen Tasten auf der Tastatur (gelb, blau, grün, rot) zu drücken, wobei die richtige Antwort die Taste war, die der Tintenfarbe (entweder gelb, blau, grün, rot) des angezeigten Wortes entspricht der Bildschirm. Wenn beispielsweise das Wort Blau in gelber Tinte auftauchte, musste die gelbe Taste gedrückt werden. Wenn jedoch die Tintenfarbe rot war, war die zu drückende Taste die Taste, die mit dem geschriebenen Wort verknüpft ist, nicht die Tintenfarbe (z. B. wenn das Wort blau in Rot erscheint, war die Taste blau zu drücken). Wenn die Tintenfarbe Blau, Grün oder Gelb war, dann stimmte die richtige gedrückte Taste mit der Tintenfarbe überein. Das dargestellte Wort und seine Tintenfarbe wurden zufällig vom Computer ausgewählt. Zwanzig Übungsversuche waren erlaubt, um sicherzustellen, dass der Teilnehmer die Anweisungen vollständig verstand. Die Stroop-Aufgabe wurde auch während der Eingewöhnung in Besuch 1 5 min lang durchgeführt. Die Teilnehmer wurden angewiesen, so schnell und genau wie möglich zu reagieren. Visuelles Feedback wurde nach jedem Wort in Form von richtiger oder falscher Antwort, Reaktionszeit und bisheriger Genauigkeit gegeben. Antworten, die schneller als 200 ms waren, wurden aus der Analyse ausgeschlossen, da es wahrscheinlich ist, dass der Teilnehmer reagierte, bevor er das Wort sah [12]. Antworten über 2 s wurden als Versäumnisse aufgezeichnet und aus der Analyse entfernt. Dieser Wert wurde willkürlich als bester Handelswert gewählt, um die Daten zu normalisieren und gleichzeitig die größte Anzahl von Antworten und die höchste statistische Aussagekraft beizubehalten [2]. Die durchschnittliche Reaktionszeit für die richtigen Antworten und die Genauigkeit (Prozentsatz der richtigen Antworten) wurden für jede der sechs 5-Minuten-Epochen während der 30-Minuten-Stroop-Aufgabe (5., 10., 15., 20., 25. und 30. Minute) berechnet. Die Gesamtzahl der richtigen Antworten wurde auch für die gesamte 30-minütige Stroop-Aufgabe berechnet.

Die Kontrollbedingung bestand aus einer einfachen kognitiven Aufgabe, die unter den gleichen Bedingungen wie die Stroop-Aufgabe durchgeführt wurde. Die Teilnehmer wurden angewiesen, ruhig vor dem Computerbildschirm zu sitzen und sich 10 Minuten lang auf das zentrierte schwarze Kreuz auf weißem Hintergrund zu konzentrieren.

Inkrementeller Belastungstest und Zeitfahren

Während des ersten Besuchs wurden die Teilnehmer einem inkrementellen Belastungstest unterzogen, um die Spitzenleistung zu beurteilen.Der inkrementelle Belastungstest wurde auf einem Fahrradergometer (Lode Excalibur Sport, Lode, Niederlande) durchgeführt, wobei der Test bei 125 W begann und alle 3 min um 25 W bis zur willentlichen Erschöpfung anwächst.

Die Teilnehmer absolvierten das Zeitfahren bei jedem der anderen drei Besuche im Labor. Vor jedem Zeitfahren wurde von allen Teilnehmern ein standardisiertes Aufwärmen mit einem elektromagnetisch gebremsten SRM-Ergometer (Hochleistungsergometer, Schoberer Rad MeBtechnik, Deutschland) absolviert. Anschließend wurde das Zeitfahren auf einem weiteren elektromagnetisch gebremsten Fahrradergometer (Velotron Pro, RacerMate Inc., USA) absolviert. Alle Ergometer wurden so angepasst, dass sie die Fahrradpositionen der Teilnehmer nachbilden. Die Teilnehmer wurden angewiesen, über 20 Minuten so viel Distanz wie möglich zurückzulegen. Das Zeitfahren begann in einem Standardgang, den Teilnehmern stand es jedoch frei, während des Zeitfahrens die Gänge zu ändern. Ein Timer wurde vorne links von den Teilnehmern platziert und blieb während des Zeitfahrens sichtbar. Die Teilnehmer wurden gegenüber allen anderen Leistungs- und physiologischen Daten verblindet. Ein Ventilator wurde hinter der Zeitschaltuhr platziert und auf Wunsch der Teilnehmer eingeschaltet, und Wasser wurde nach Belieben bereitgestellt.

Während der Besuche 3 und 4 ermutigte ein Forscher, der für die experimentelle Behandlung der Teilnehmer blind war, während des gesamten Tests verbal. Dieser Forscher war innerhalb der Teilnehmer konsistent. Ein anderer Forscher erfasste die Leistungsabgabe in der 1., 4., 8., 12., 16. und 20. Minute des Zeitfahrens. Auch die Durchschnittsgeschwindigkeit und die zurückgelegte Gesamtstrecke während des Zeitfahrens wurden aufgezeichnet.

Physiologische und wahrnehmungsbezogene Maßnahmen

Kapillarblutproben wurden vor und direkt nach Abschluss des Zeitversuchs während der Besuche 3 und 4 gesammelt. Die Proben wurden sofort auf die Blutlactatkonzentration unter Verwendung des Lactate Pro 2 (Arkray, Japan)-Analysators analysiert. Bei den Visiten 3 und 4 wurde die Herzfrequenz am Ende des Aufwärmens und während der letzten 15 s der 1., 4., 8., 12., 16. und 20. Minute des Zeitfahrens mit aufgezeichnet ein Herzfrequenzmesser mit Brustgurt (T34 unverschlüsselter Herzfrequenzsender, Polar, Finnland).

Die Bewertung der wahrgenommenen Anstrengung (RPE) wurde mit der Borg 6–20-Skala [13] gemessen. Bei Visite 1 wurde das RPE während des inkrementellen Belastungstests mit Standardverfahren verankert [14]. Bei den Besuchen 3 und 4 wurde das RPE am Ende des Aufwärmens und während der letzten 15 s der 1., 4., 8., 12., 16. und 20. Minute des Zeitfahrens gemessen. Zum geeigneten Zeitpunkt wurden die Teilnehmer gebeten, auf einer großen Borg 6–20-Skala die Zahl anzugeben, die ihrer Wahrnehmung von Anstrengung entspricht, definiert als „das bewusste Empfinden, wie hart, schwer und anstrengend das Training ist“ [15].

Psychologische Maßnahmen

Zur Beurteilung der subjektiven Belastung der kognitiven Aufgaben wurde der National Aeronautics and Space Administration Task Load Index (NASA-TLX) verwendet [16]. Der NASA-TLX setzt sich aus sechs Subskalen zusammen: mentaler Bedarf (Wie viel geistige und Wahrnehmungsaktivität war erforderlich?), Körperlicher Bedarf (Wie viel körperliche Aktivität war erforderlich?), Zeitlicher Bedarf (Wie viel Zeitdruck haben Sie aufgrund der Rate verspürt oder Tempo, in dem die Aufgabe durchgeführt wurde?), Leistung (Wie erfolgreich waren Sie Ihrer Meinung nach beim Erreichen der vom Experimentator festgelegten Ziele der Aufgabe?), Anstrengung (Wie hart mussten Sie arbeiten, um Ihr Leistungsniveau zu erreichen?) und Frustration (Wie irritierend oder nervig empfanden Sie die Aufgabe?). Die Teilnehmer wurden gebeten, jedes der Items auf einer Skala zu bewerten, die in 20 gleiche Intervalle unterteilt war, die durch die bipolaren Deskriptoren hoch und niedrig verankert waren. Dieser Wert wurde mit 5 multipliziert, was zu einem Endwert zwischen 0 und 100 für jede der Subskalen führte. In der vorliegenden Studie wurden nur die Subskalen mentaler Bedarf, zeitlicher Bedarf, Anstrengung und Frustration verwendet.

Die vierdimensionale Stimmungsskala (4DMS) wurde verwendet, um Stimmungsschwankungen vom Anfang bis zum Ende der Besuche 3 und 4 zu beurteilen. Die 4DMS besteht aus 20 Adjektiven und wurde entwickelt, um positive Energie, Müdigkeit, negative Erregung und Entspannung zu messen. Die Teilnehmer bewerteten jedes Adjektiv anhand einer 5-Punkte-Likert-Skala, inwieweit es ihren aktuellen Stimmungszustand beschreibt. Über Zuverlässigkeit und Validität dieser Skala wurde bereits berichtet [17].

Die Motivation im Zusammenhang mit dem Zeitfahren wurde anhand eines einzelnen Items („Ich bin motiviert zum Zeitfahren“) gemessen, das auf einer 5-Punkte-Likert-Skala (0 = überhaupt nicht, 1 = ein wenig, 2 = etwas, 3 .) bewertet wurde = sehr viel, 4 = extrem).

Statistische Analyse

Alle Daten sind als Mittelwert ± eine Standardabweichung angegeben, sofern nicht anders angegeben. Annahmen statistischer Tests wie Normalverteilung und Sphärizität der Daten wurden nach Bedarf überprüft. Bei Verletzungen der Sphärizität wurde eine Greenhouse-Geisser-Korrektur der Freiheitsgrade angewendet. Unabhängige Stichproben-t-Tests wurden verwendet, um den Effekt der Gruppe (Profi- und Freizeitradfahrer) auf die Gesamtzahl der richtigen Antworten während der Stroop-Aufgabe zu bestimmen. Eine gemischte 2 x 6 ANOVA wurde verwendet, um die Auswirkungen von Gruppe und Zeit (5., 10., 15., 20., 25. und 30. Minute) auf die Reaktionszeit während der Stroop-Aufgabe zu bestimmen. Gemischte 2 x 2 ANOVAs wurden verwendet, um die Auswirkungen von Gruppe und Kondition (mentale Anstrengung vs. Kontrolle) auf die NASA-TLX-Subskalen, die Motivation in Bezug auf das Zeitfahren und die durchschnittliche Geschwindigkeit und die während des Zeitfahrens zurückgelegte Gesamtstrecke zu bestimmen. Eine gemischte 2 x 2 x 2 ANOVA wurde verwendet, um die Auswirkungen von Gruppe, Zustand und Zeitpunkt (vor und nach dem Zeitversuch) auf die Blutlaktatkonzentration zu bestimmen. Eine gemischte 2 x 2 x 2 ANOVA wurde verwendet, um die Auswirkungen von Gruppe, Kondition und Zeitpunkt (Beginn und Ende des Besuchs) auf die Stimmung zu bestimmen. Gemischte 2 x 2 x 6 ANOVAs wurden verwendet, um die Auswirkungen von Gruppe, Zustand und Zeit (1., 4., 8., 12., 16. und 20. Minute) auf Herzfrequenz, RPE und Leistungsabgabe während der Zeit zu bestimmen Versuch. Signifikante Wechselwirkungen wurden gegebenenfalls mit Bonferroni-Tests nachverfolgt. Wenn keine signifikanten Wechselwirkungen gefunden wurden, werden die meisten relevanten Haupteffekte berichtet. Die Signifikanz wurde für alle Analysen auf 0,05 (2-tailed) gesetzt. Die Effektstärken für die ANOVAs mit wiederholten Messungen wurden als partielles Eta-Quadrat (η²p) berechnet, wobei die Interpretation der Effektstärke klein = 0,02, mittel = 0,13 und groß = 0,26 verwendet wurde [18]. Alle Datenanalysen wurden mit den Statistikpaketen für Sozialwissenschaften (SPSS Version 20) durchgeführt.


Ergebnisse

Fußgängerüberweg Veranstaltung

Insgesamt wurde der Anteil der Autofahrer berechnet, die dem Fußgänger beim Rechtsabbiegen nachgegeben haben. Die Ergebnisse zeigen, dass signifikant mehr Fahrer anhielten und dem Teilnehmer erlaubten, die Kreuzung in der Navigationsbedingung (44%) zu überqueren, verglichen mit der 𠇏ollow a friend”-Bedingung (0%). z(30) = 3.42, P = 0,002. Die Figuren 2A, B zeigen jeweils die mittlere Geschwindigkeit und die mittlere Standardabweichung des Lenkradwinkels während der Ausführung des Rechtsabbiegens an der Fußgängerüberwegkreuzung. Ein paar Proben T-Test ergab, dass die durchschnittliche Fahrgeschwindigkeit in der Bedingung 𠇏ollow a friend” signifikant höher war, m = 21.7 (SD = 4,8), im Vergleich zum Navigationszustand, m = 13.2 (SD = 5.6), T(15) = 5.5, P < 0,001, D = 1,4, 95 %-KI 0,67𠄲.1. Die mittlere Variabilität des Lenkradwinkels war auch in der Bedingung 𠇏ollow a friend” signifikant größer. m = 9.6 (SD = 1,0), im Vergleich zum Navigationszustand, m = 7.5 (SD = 0.9), T(15) = 7.5, P < 0,001, D = 1,9, 95 %-KI 1,0𠄲.7.

FIGUR 2. Fahrverhalten bei der Fußgängerüberwegveranstaltung. (EIN) Mittlere Fahrgeschwindigkeiten (mph). (B) Mittlere Standardabweichung des Lenkradwinkels (Grad). Fehlerbalken sind Standardabweichungen.

Linksabbiegen mit Ereignis mit entgegenkommendem Fahrzeug

Alle Fahrer entschieden sich unter beiden Bedingungen, vor dem entgegenkommenden Fahrzeug abzubiegen. Abbildung 3 zeigt die mittlere Standardabweichung des Lenkradwinkels während der Ausführung der Linkskurve. Ein paar Proben T-Test ergab, dass die Standardabweichung in der Bedingung 𠇏ollow a friend” signifikant größer war, m = 10.9 (SD = 1,8), im Vergleich zum Navigationszustand, m = 6.7 (SD = 1.1), T(15) = 7.2, P < 0,001, D = 1,8, 95 %-KI 0,98𠄲.6. Es gab keinen signifikanten Unterschied zwischen der mittleren Geschwindigkeit während der Ausführung der Kurve für die Navigation (m = 18.4, SD = 6,7) und 𠇎inem Freund folgen” (m = 18.7, SD = 3.7), P = 0.9, D = 0,05, 95 %-KI -0,44 bis 0,53.

FIGUR 3. Mittlere Standardabweichung des Lenkradwinkels (Grad) für das kritische Ereignis beim Linksabbiegen. Fehlerbalken sind Standardabweichungen.

Gelbes Licht-Ereignis

Alle Fahrer in beiden Routenfolgenbedingungen entscheiden sich dafür, über die gelbe Ampel zu fahren, anstatt an der Kreuzung anzuhalten. Bild 4 zeigt die mittlere maximale Längsbeschleunigung beim Durchfahren der Kreuzung. Ein paar Proben T-Test ergab, dass die maximale Beschleunigung in der Bedingung 𠇏ollow a friend” signifikant höher war, m = 0.2 (SD = 0,04), verglichen mit der Navigationsbedingung, m = 0.15 (SD = 0.03), T(14) = 4.5, P < 0,001, D = 1,2, 95 %-KI 0,49𠄱.8.

FIGUR 4. Mittlere maximale Längsbeschleunigung (g) für Gelblicht-kritisches Ereignis. Fehlerbalken sind Standardabweichungen.

Allgemeines Fahrverhalten

Tabelle 1 zeigt die Werte für die verschiedenen Fahrvariablen im Vergleich für die drei verschiedenen Bedingungen. Einweg-ANOVAs mit wiederholten Messungen, die mit diesen Daten durchgeführt wurden, zeigten signifikante Unterschiede in der mittleren Fahrgeschwindigkeit, F(2,30) = 13.7, P < 0,001, η p 2 = 0,48, 95 %-KI 0,18𠄰.63, mittlerer Zeitfortschritt, F(2,28) = 15.6, P < 0,001, η p 2 = 0,53, 95 %-KI 0,22𠄰.67 und mittlere Zeit bis zum Abschluss eines Spurwechselmanövers, F(2,28) = 7.8, P = 0,02, η p 2 = 0,36, 95 %-KI 0,07𠄰,54. In allen Fällen war dies darauf zurückzuführen, dass Fahrer im Follow-a-Friend-Zustand im Vergleich zu den anderen beiden Gruppen riskantere Verhaltensweisen an den Tag legten.

TABELLE 1. Mittelwerte und Standardabweichungen für allgemeine Fahrverhaltensmaße.

NASA-TLX

Die mit den NASA-TLX-Aufgabendaten durchgeführte MANOVA zeigte einen signifikanten Haupteffekt des Fahrzustands, F(12, 50) = 2,98, Wilks λ = 0,30, P = 0,003, η p 2 = 0,41, 95 %-KI 0,07𠄰.47. Tabelle 2 zeigt die Mittelwerte für die mentale, physische und zeitliche Anforderung sowie die Aufgabenleistung, den erforderlichen Aufwand und die Gesamtfrustrationsdimensionen des NASA-TLX-Fragebogens. Die an jedem der Items durchgeführten ANOVAs zeigten signifikante Auswirkungen des Zustands auf die mentale Anforderung, F(2, 30) = 6.5, P = 0,005, η p 2 = 0,30, 95 %-KI 0,04𠄰.49, körperliche Belastung, F(2,30) = 5.4, P = 0,01, η p 2 = 0,26, 95 %-KI 0,02𠄰.46 und zeitlicher Bedarf, F(2,30) = 16.8, P < 0,001, η p 2 = 0,52, 95 %-KI 0,24𠄰.67. Für jede dieser Variablen trat der höchste Mittelwert in der Folge einem Freund-Zustand auf.

TABELLE 2. Mittlere Aufgabenlastantwortbewertungen, die aus dem NASA-TLX-Formular erfasst wurden.


Informationen zum Autor

Mitgliedschaften

Human Factors im Gesundheitswesen, Techna Institute, University Health Network, Toronto, Kanada

Plinio P. Morita, Peter B. Weinstein, Christopher J. Flewwelling, Carleene A. Bañez, Tabitha A. Chiu, Mario Iannuzzi, Aastha H. Patel, Ashleigh P. Shier & Joseph A. Cafazzo

Institute of Health Policy, Management and Evaluation, University of Toronto, Toronto, Kanada

Plinio P. Morita & Joseph A. Cafazzo

Institut für Biomaterialien und Biomedizinische Technik, University of Toronto, Toronto, Kanada


Die Beziehungen zwischen mentaler Arbeitsbelastung und Entscheidungsfindung zeigen ein komplexes Muster mit Hinweisen auf nichtlineare Beziehungen.

Aktuelle organisatorische Rahmenbedingungen implizieren häufig eine hohe Komplexität und hohe Anforderungen an ihre Mitarbeiter. Die berufliche Tätigkeit kann daher Anspruchsniveaus mit sich bringen, die über das kognitive Analyse- und Entscheidungsvermögen der Person hinausgehen ( Ferrer & Dalmau, 2004 14. Ferrer, R. & Dalmau, I. (2004). Revisión del concepto de carga mental: Evaluación, consecuencias y proceso de normalización [Überprüfung des Konzepts der psychischen Arbeitsbelastung: Bewertung, Konsequenzen und Standardisierung]. Anuario De Psicologia, 35(4), 521–545. Rolo, Díaz & Hernández, 2009 40. Rolo, G., Díaz, D, &. Hernández, E. (2009). Desarrollo de una escala subjetiva de carga mental de trabajo (ESCAM) [Entwicklung einer subjektiven mentalen Arbeitsbelastungsskala (SCAM)]. Revista de Psicología del Trabajo und de las Organizaciones, 25(1), 29–37. ). Die vorliegenden empirischen Studien zeigen Indikatoren in diese Richtung. So weisen jüngste offizielle Erhebungen im europäischen Umfeld auf eine zunehmende Häufigkeit von Arbeitsproblemen hin, die sich in Indikatoren für die psychische Beanspruchung widerspiegeln: erforderliche Aufmerksamkeit, vorgeschriebener Arbeitsrhythmus, einzuhaltende Fristen und Monotonie der Aufgabe ( INSHT, 2011, 2014) 23. INSHT (Instituto Nacional de Seguridad e Higiene). (2011). Encuesta Nacional Condiciones de Trabajo 2011 [Nationale Erhebung über Arbeitsbedingungen 2011]. Madrid: INSHT. , 2014 24. INSHT (Instituto Nacional de Seguridad e Higiene). (2014). Segunda Encuesta Europea de Empresas sobre Riesgos Nuevos y Emergentes (ESENER 2) [2nd European Survey of Enterprises on New and Emerging Risks]. Madrid: INSHT. ).

Der Grad der Überlastung ist wichtig für die Leistungsfähigkeit und das Wohlbefinden der Arbeitnehmer. Aus diesem Grund haben Forscher aus unterschiedlichen Wissensgebieten versucht, Konstrukte und Instrumente zu definieren, die eine adäquate Bewertung ermöglichen. Unter ihnen die Geistige Arbeitsbelastung ist eines der am häufigsten zitierten Konzepte in der ergonomischen Forschung und Praxis ( Hancock und Meshkati, 1998 16. Hancok, PA, & Meshkati, N. (1998). Menschliche geistige Arbeitsbelastung. Oxford: Nordholland. Salvendy, 1997 43. Salvendy, G. (1997). Handbuch der menschlichen Faktoren und Ergonomie. New York: John Wiley und Söhne. Wickens, 2008 49. Wickens, CD. (2008). Mehrere Ressourcen und mentale Arbeitsbelastung. Menschliche Faktoren, 50(3), 449–455. Jung, Brookhuis, Wickens, & Hancock, 2015 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. ). Die psychische Arbeitsbelastung (MWL) versucht zu messen, inwieweit die berufliche Tätigkeit den Ressourcen des Arbeitnehmers entspricht oder diese übersteigt. In diesem Sinne wurde es aus zwei wesentlichen Perspektiven untersucht. Die erste geht davon aus, dass MWL ein Faktor ist, der ausschließlich von Aufgabenanforderungen abhängt, an die sich das Subjekt anpasst. Die zweite, derzeit stärker geförderte, konzeptualisiert MWL als Konsequenz aus dem Verhältnis von Aufgabenanforderungen und Kompetenzen des Faches im Sinne einer Bedarfs-Ressourcen-Balance ( Díaz, Rubio, Martin und Luceño, 2010 11. Díaz, E, Rubio, S, Martin, J, & Luceño, L. (2010). Estudio Psicométrico del Índice de Carga Mental NASA-TLX con una Muestra de Trabajadores Españoles [Psychometrische Studie des NASA-TLX Workload Index in einer Stichprobe spanischer Arbeiter]. Revista de Psicología del Trabajo y de las Organizaciones, 2010, 26(3), 191–199. Ferrer & Dalmau, 2004 14. Ferrer, R. & Dalmau, I. (2004). Revisión del concepto de carga mental: Evaluación, consecuencias y proceso de normalización [Überprüfung des Konzepts der psychischen Arbeitsbelastung: Bewertung, Konsequenzen und Standardisierung]. Anuario De Psicologia, 35(4), 521–545. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . Die Multidimensionalität des MWL-Konzepts und der damit verbundenen subjektiven Wahrnehmung impliziert verschiedene grundlegende Aspekte wie Merkmale der Aufgabe, Merkmale des Bedieners, Umgebungskontext, in dem die Leistung stattfindet, Zeitdruck und damit verbundene subjektive Aspekte wie Stress oder die Wahrnehmungsmüdigkeit ( Hart & Staveland, 1988 19. Hart, SG, & Staveland, LE. (1988). Entwicklung von NASA-TLX (Task Load Index): Ergebnisse empirischer und theoretischer Forschung. In PA Hancock & N. Meshkati (Hrsg.), Human Mental Workload (S. 139–183). Amsterdam: Nordholland. Eggemeier, 1988 13. Eggemeier, FT. (1988). Eigenschaften von Workload-Assessment-Techniken. Fortschritte in der Psychologie, 52(C), 41-62. doi:10.1016/S0166-4115(08)62382-1.
https://doi.org/10.1016/S0166-4115(08)62. ISO, 2000) 26. ISO. (2000). ISO 10075. Ergonomische Prinzipien in Bezug auf die geistige Arbeitsbelastung. Brüssel: CEN. . Um diese Dimensionen zusammenzuführen und eine globale Definition von MWL bereitzustellen, Jung und Stanton (2005) 54. Young, MS und Stanton, NA. (2005). Geistige Arbeitsbelastung. In NA Stanton, A Hedge, K. Brookhuis, E. Salas, & HW Hendrick (Hrsg.), Handbook of Human Factors and Ergonomics Methods (S. 39–1). London: Taylor & Francis. haben vorgeschlagen, dass MWL das Niveau der Aufmerksamkeitsressourcen widerspiegelt, die erforderlich sind, um sowohl objektive als auch subjektive Leistungskriterien zu erfüllen, die durch Aufgabenanforderungen, externe Unterstützung und frühere Erfahrungen vermittelt werden können.

Die durchgeführten empirischen Arbeiten haben gezeigt, dass MWL dynamische und komplexe Zusammenhänge mit der Leistung aufweist, die auch je nach Merkmalen der Probanden variieren können. In diesem Sinne hat sich gezeigt, dass eine Zunahme oder Abnahme des MWL durch die Investition zusätzlicher Ressourcen bis zu einem gewissen Grad kompensiert werden kann und somit die Leistungsfähigkeit auf Kosten der individuellen Belastung erhalten bleibt ( Hancock & Warm, 2003 17. Hancock, PA, & Warm, JS. (2003). Ein dynamisches Modell von Stress und anhaltender Aufmerksamkeit. Journal of Human Performance in Extreme Environments, 7(1), 4. Matthews und Davies, 2001) 33. Matthews, G, & Davies, DR. (2001). Individuelle Unterschiede in energetischer Erregung und anhaltender Aufmerksamkeit: Eine Dual-Task-Studie. Persönlichkeit und individuelle Unterschiede, 31(4), 575–589. . Wenn Intensität und Dauer des zur Aufgabenerfüllung erforderlichen Aufwands ausgewogen sind, findet die Aktivierung in einem optimalen Bereich statt, der das Subjekt effizient macht. Wenn die Anstrengung jedoch über einen längeren Zeitraum aufrechterhalten werden muss, tritt Ermüdung auf und die funktionelle Leistungsfähigkeit des Probanden ist vorübergehend beeinträchtigt ( ISO, 1991 25. ISO. (1991). ISO 10075. Ergonomische Prinzipien in Bezug auf geistige Arbeitsbelastung – allgemeine Begriffe und Definitionen. Genf: ISO. Pretorius & Cilliers, 2007 38. Pretorius, A, & Cilliers, PJ. (2007). Entwicklung eines mentalen Workload-Index: Ein systemischer Ansatz. Ergonomie, 50(9), 1503–1515. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . Andererseits kann eine zu geringe Stimulation zu einer Unterlastung führen.Da in diesem Fall Ressourcen entweder anderweitig zugewiesen werden oder anderweitig durch Unterbeanspruchung abnehmen, kann die Leistung des Probanden ebenfalls negativ beeinflusst werden ( Jung & Stanton, 2002 53. Young, MS, & Stanton, NA. (2002). Theorie der formbaren Aufmerksamkeitsressourcen: Eine neue Erklärung für die Auswirkungen mentaler Unterbelastung auf die Leistung. Human Factors: The Journal of the Human Factors and Ergonomics Society, 44(3), 365–375. Wilson & Rajan, 1995 51. Wilson, JR, &. Rajan, JA. (1995). Mensch-Maschine-Schnittstellen für die Anlagensteuerung. In JR Wilson &. EN Corlett (Hrsg.), Evaluation of Human Work: A Practical Ergonomics Methodology (S. 357–405). London: Taylor & Francis. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . In Anbetracht der ersteren, wie Younget al. (2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. Es besteht ein starker Konsens darüber, dass eine mentale Unterforderung der Leistung genauso abträglich sein kann wie eine mentale Überlastung, die zu Leistungseinbußen, Aufmerksamkeitsverlusten und Fehlern führen kann. Die Beziehung zwischen MWL und Leistung kann daher einem ähnlichen Muster folgen wie beim klassischen „invertierten U“ der Yerkes-Dodson-Kurve ( Yerkes & Dodson, 1908) 52. Yerkes, RM, & Dodson, JD. (1908). Das Verhältnis von Reizstärke zur Schnelligkeit der Gewohnheitsbildung. Zeitschrift für vergleichende Neurologie und Psychologie, 18(5), 459–482. , wobei die optimale Leistung zwischen niedrigem und hohem MWL liegt ( Brookhuis & Waard, 2002 5. Brookhuis, KA, & Waard, DD. (2002). Zur Einschätzung der (geistigen) Arbeitsbelastung und anderer subjektiver Qualifikationen. Ergonomie, 45(14), 1026–1030. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. .

Die MWL-Literatur konzentrierte sich jedoch hauptsächlich auf die Leistungsmessung durch operative Aufgaben, wie z Bowling & Kirkendall, 2012 4. Bowling, NA, & Kirkendall, C. (2012). Arbeitsbelastung: Eine Überprüfung der Ursachen, Folgen und möglichen Interventionen. In J. Houdmont, S. Leka, & RR Sinclair (Hrsg.), Contemporary Occupational Health Psychology: Global Perspectives on Research and Practice, Volume 2 (S. 221–238). Chichester, Großbritannien: Wiley. doi:10.1002/9781119942849.ch13.
https://doi.org/10.1002/9781119942849.ch. Brookhuis & Waard, 2002 5. Brookhuis, KA, & Waard, DD. (2002). Zur Einschätzung der (geistigen) Arbeitsbelastung und anderer subjektiver Qualifikationen. Ergonomie, 45(14), 1026–1030. Hart, 2006 18. Hart, S. G. (2006). NASA-Task Load Index (NASA-TLX) 20 Jahre später. Proceedings of the Human Factors and Ergonomics Society Jahresversammlung, 50(9), 904–908. und Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . In diesem Sinne haben sich nur wenige und sehr neue Arbeiten auf den Bezug von MWL und einem der Schlüsselkonzepte in qualifizierten Arbeitsumgebungen konzentriert: Entscheidungsfindung ( Byrne, 2013 6. Byrne, A. (2013). Psychische Arbeitsbelastung als Schlüsselfaktor bei der klinischen Entscheidungsfindung. Fortschritte in der Ausbildung in Gesundheitswissenschaften, 18(3), 537–545. doi:10.1007/s10459-012-9360-5.
https://doi.org/10.1007/s10459-012-9360-. Baethge, Müller & Rigotti, 2016 2. Baethge, A, Müller, A, &. Rigotti, T. (2016). Pflegeleistung unter hoher Arbeitsbelastung: Eine Tagebuchstudie zur moderierenden Rolle von Auswahl-, Optimierungs- und Vergütungsstrategien. Journal of Advanced Nursing, 72(3), 545–557. Jackson, Kleitman & Aidman, 2014 27. Jackson, S. A., Kleitman, S., &. Aidman, E. (2014). Geringe kognitive Belastung und reduzierte Erregung behindern die Auswirkungen des Übens auf die exekutive Funktion, das metakognitive Vertrauen und die Entscheidungsfindung: E115689. PLoS One, 9(12) doi:10.1371/journal.pone.0115689
https://doi.org/10.1371/journal.pone.011. ).

Das Konzept der Entscheidungsfindung (DM) unterscheidet sich in relevanten Merkmalen von klassischen Leistungsindikatoren, die in der MWL-Literatur verwendet werden. Es umfasst eine Abfolge von Aktionen, die es ermöglichen zu verstehen, wie Probanden komplexe Probleme in beruflichen Kontexten sehen und lösen ( Hodgkinson & Starbuck, 2008 21. Hodgkinson, G.P., & Starbuck, W.H. (2008). Organisatorische Entscheidungsfindung: Kartierung von Terrains auf verschiedenen Planeten. In G. P. Hodgkinson & W. H. Starbuck, The Oxford Handbook of Organizational Decision Making (S. 1–29). New York: Oxford University Press. doi:10.1093/oxfordhb/9780199290468.003.0001.
https://doi.org/10.1093/oxfordhb/9780199. ). Entscheidungen in beruflichen Kontexten haben eine interaktive soziale Dimension und basieren auf Vorkenntnissen, die für sich genommen keinen Erfolg bei der Anwendung der getroffenen Entscheidungen garantieren ( Argandoña, 2011 1. Argandoña, A. (2011). La ética y la toma de Decisiones en la empresa [Ethik und Entscheidungsfindung im Geschäftsleben]. Universia Business Review, 2011(30), 22–30. Vonfrage, 2009 35. Offrage, R. (2009). Influencia de las creencias causales en los procesos de toma de Decisiones [Der Einfluss kausaler Überzeugungen auf Entscheidungsprozesse]. Revista Mexicana de Psicología, 26(1), 103–111. Weick und Sutcliffe, 2008) 48. Weick, KE, &. Sutcliffe, KM. (2008). Informationsüberflutung erneut aufgegriffen. In GP Hodgkinson & WH Starbuck (Hrsg.), The Oxford Handbook of Organizational Decision Making (S. 56–75). Oxford, Großbritannien: Oxford University Press. . Sie werden wiederum in Kontexten entwickelt, die weit von den klassischen Paradigmen der rationalen Wahl entfernt sind. So werden Entscheidungen durch Elemente wie offene Probleme bedingt unsichere und dynamische Rahmenbedingungen sich ändernde, multiple und wettbewerbsorientierte Ziele multiples Feedback Zeitdruck und kontrastierende Konsequenzen mit einigen Risiken multiple Entscheidungsträger und externe Standards ( Orasanu & Connolly, 1993 36. Orasanu, J. & Connolly, T. (1993). Die Neuerfindung der Entscheidungsfindung. In GA Klein, J. Orasanu, R. Calderwood, &. CE Zsambok (Hrsg.), Decision Making in Action: Models and Methods (S. 3–20). Norwood, NJ: Ablex. Csaszar & Eggers, 2013) 10. Csaszar, F, & Eggers, J. (2013). Organisatorische Entscheidungsfindung: Eine Informationsaggregationsansicht. Managementwissenschaft, 59(10), 2257–2277. doi:10.1287/mnsc.1120.1698.
https://doi.org/10.1287/mnsc.1120.1698. . DM hat kritische Auswirkungen auf die berufliche Leistung und erlangt besondere Relevanz, wenn Leistungen und Handlungen unmittelbare Auswirkungen auf die Integrität oder das Wohlbefinden von Menschen haben ( Secchi, 2014) 45. Secchi, D. (2014). Erweiterbare Rationalität: Entscheidungsfindung in Organisationen verstehen. New York: Springer. .

Wie bereits erwähnt, gibt es kaum Hinweise auf Beziehungen zwischen MWL und DM. In Bezug auf die klinische Entscheidungsfindung, Byrne (2013) 6. Byrne, A. (2013). Psychische Arbeitsbelastung als Schlüsselfaktor bei der klinischen Entscheidungsfindung. Fortschritte in der Ausbildung in Gesundheitswissenschaften, 18(3), 537–545. doi:10.1007/s10459-012-9360-5.
https://doi.org/10.1007/s10459-012-9360-. hat auf der Grundlage der vorliegenden Forschung vorgeschlagen, dass MWL und Komplexität der Informationen Schlüsselfaktoren sein können, um zu bestimmen, welche Art von klinischer Entscheidungsfindung entwickelt wird: schemabasierte Methoden oder bewusste Metakognitionsverfahren. Baethge et al. (2016) 2. Baethge, A, Müller, A, &. Rigotti, T. (2016). Pflegeleistung unter hoher Arbeitsbelastung: Eine Tagebuchstudie zur moderierenden Rolle von Auswahl-, Optimierungs- und Vergütungsstrategien. Journal of Advanced Nursing, 72(3), 545–557. haben empirisch gezeigt, dass der Einfluss von MWL auf die Leistungsqualität durch den Umgang der Pflegenden mit Auswahl, Optimierung und Kompensation von Ressourcen und Zielen moderiert wird. Jacksonet al. (2014) 27. Jackson, S. A., Kleitman, S., &. Aidman, E. (2014). Geringe kognitive Belastung und reduzierte Erregung behindern die Auswirkungen des Übens auf die exekutive Funktion, das metakognitive Vertrauen und die Entscheidungsfindung: E115689. PLoS One, 9(12) doi:10.1371/journal.pone.0115689
https://doi.org/10.1371/journal.pone.011. , unter Verwendung von Fahrsimulationsstrategien, haben die Existenz einer MWL-Zone optimaler DM-Leistung unterstützt, unterhalb oder oberhalb derer eine schlechtere DM-Qualität erzeugt wird, wie es für die Beziehung zwischen MWL und anderen klassischen Leistungsmaßen vorgeschlagen wurde. Es lohnt sich auch, die Beweise zu erwähnen, die von den Arbeiten geliefert wurden, die den Zusammenhang zwischen individuellem DM und Stress analysiert haben. Neuere Reviews und Metaanalysen postulieren, dass Stress immer dann auftritt, wenn ein Bedarf die Regulationsfähigkeit eines Organismus übersteigt, insbesondere in unvorhersehbaren und unkontrollierbaren Situationen ( Dickerson &. Kemeny, 2004 12. Dickerson, SS und Kemeny, ME. (2004). Akute Stressoren und Cortisolreaktionen: Eine theoretische Integration und Synthese der Laborforschung. Psychologisches Bulletin, 130(3), 355–391. Koolhaas et al., 2011) 29. Koolhaas, JM, Bartolomucci, A, Buwalda, BD, De Boer, SF, Flügge, G, Korte, SM, & Richter-Levin, G. (2011). Stress revisited: Eine kritische Bewertung des Stresskonzepts. Neurowissenschaften & Biobehavioral Reviews, 35(5), 1291–1301. . Stress bezieht sich in diesem Sinne nur auf Situationen, die innerhalb des MWL-Bereichs konzeptualisiert werden. Darüber hinaus wird die Entstehung von Stress in Abhängigkeit von externen Anforderungen durch Bewertungsstrategien vermittelt ( Lazarus, 1999) 30. Lazarus, R. (1999). Stress und Emotion: Eine neue Synthese. New York: Springer. . Somit sind Beziehungen zwischen Stress und DM nur bedingt auf den Bereich der MWL übertragbar. Es ist jedoch interessant, die vorhandenen Beweise über den Zusammenhang zwischen Stress und DM in natürlichen Umgebungen kurz zu erwähnen. In diesem Sinne wird angenommen, dass Stress mit einer dysfunktionalen Strategieanwendung, einer veränderten Feedbackverarbeitung, einer erhöhten Belohnungssensitivität und einer verringerten Bestrafungssensitivität zusammenhängt ( Starcke und Marke, 2012) 47. Starcke, K. &. Brand, M. (2012). Entscheidungsfindung unter Stress: Eine selektive Überprüfung. Neurowissenschaften & Biobehavioral Reviews, 36(4), 1228–1248.

Nach den bisherigen Überlegungen bezieht sich unsere Forschungsfrage auf die Beziehung zwischen MWL und DM in organisatorischen Settings. Es gibt mehrere Gründe, die die Relevanz dieser Frage stützen, auf die sich die vorliegende Arbeit konzentrieren wird, insbesondere die Knappheit von Arbeiten, die die Beziehung zwischen MWL und DM untersuchen, die Relevanz, die im organisatorischen Kontext impliziert wird, und der Nachweis komplexer Beziehungen zwischen MWL und DM. Unser allgemeines Ziel ist es daher, die Auswirkungen von MWL auf die Aufgabenerfüllung im Arbeitsumfeld eingehend zu untersuchen und die Beziehungen zwischen MWL und DM bei Arbeitnehmern, die ihre Tätigkeit in realen Kontexten ausüben, empirisch zu analysieren. In diesem Sinne sind unsere spezifischen Ziele (1) die Analyse der Beziehung zwischen der Erwartung des Arbeiters an die MWL vor der Aufgabenerfüllung (Pre-Task WL) und der Qualität der DM nach der Aufgabenerfüllung (2) die Analyse der Beziehung zwischen der wahrgenommenen MWL nach der Aufgabe (Post-Task WL) und der Qualität des nach der Aufgabe erbrachten DM und (3) zum einen das Verhältnis der Unterschiede zwischen dem erwarteten MWL und dem nach der Aufgabe wahrgenommenen MWL (differentielle mentale Arbeitsbelastung) zu analysieren, und die Qualität der durchgeführten DM zum anderen.

Um das Konzept von MWL zu adressieren, haben wir aus dem Konzeptualisierungsmodell des NASA-Task Load Index (NASA-TLX) ( Hart & Staveland, 1988 19. Hart, SG, & Staveland, LE. (1988). Entwicklung von NASA-TLX (Task Load Index): Ergebnisse empirischer und theoretischer Forschung. In PA Hancock & N. Meshkati (Hrsg.), Human Mental Workload (S. 139–183). Amsterdam: Nordholland. ). Die Eignung dieser Methode wurde durch zahlreiche Studien belegt, da sie genauere Ergebnisse liefert als andere Techniken wie die SWAT oder die modifizierte Cooper-Harper-Skala ( Hill et al., 1992 20. Hill, SG, Iavecchia, HP, Byers, JC, Bittner, AC, Zaklad, AL, & Christ, RE. (1992). Vergleich von vier subjektiven Bewertungsskalen für die Arbeitsbelastung. Menschliche Faktoren, 34, 429–439. Rubio, Diaz, Martin und Puente, 2004 41. Rubio, S, Diaz, E, Martin, J, &. Puente, JM. (2004). Bewertung der subjektiven mentalen Arbeitsbelastung: Ein Vergleich von SWAT-, NASA-TLX- und Arbeitsbelastungsprofilmethoden. Angewandte Psychologie: An International Review, 53(1), 61-86. doi:10.1111/j.1464-0597.2004.00161.x.
https://doi.org/10.1111/j.1464-0597.2004. ). Dieser Nachweis, zusammen mit der Einfachheit seiner Verwendung, macht das NASA-TLX derzeit zum am weitesten verbreiteten Instrument zur Bewertung von MWL ( Noyes & Bruneau, 2007 34. Noyes, JM & Bruneau, DPJ. (2007). Eine Selbstanalyse der NASA-TLX-Workload-Messung. Ergonomie, 50(4), 514–519. doi:10.180/00140130701235232.
https://doi.org/10.1080/0014013070123523. Rutledge et al., 2009) 42. Rutledge, T, Stucky, E, Dollarhide, A, Shively, M, Jain, S, & Wolfson, T. (2009). Eine Echtzeitbewertung des Arbeitsstresses bei Ärzten und Pflegepersonal. Gesundheitspsychologie, 28(2), 194–200. . Diese Methode erlaubt eine mehrdimensionale Bewertung der Aufgabenstellung und hat sich aufgrund ihrer diagnostischen Kapazität hinsichtlich möglicher Belastungsquellen als sinnvoll erwiesen ( Díaz et al., 2010) 11. Díaz, E, Rubio, S, Martin, J, & Luceño, L. (2010). Estudio Psicométrico del Índice de Carga Mental NASA-TLX con una Muestra de Trabajadores Españoles [Psychometrische Studie des NASA-TLX Workload Index in einer Stichprobe spanischer Arbeiter]. Revista de Psicología del Trabajo y de las Organizaciones, 2010, 26(3), 191–199. . Zu seinen Kernstärken gehört die Anwendbarkeit in einem naturwissenschaftlichen Arbeitsumfeld, da die Arbeiter die ausgeführte Aufgabe sowohl wenige Augenblicke nach ihrer Ausführung als auch rückwirkend schnell einschätzen können ( Recarte, Pérez, Conchillo und Nunes, 2008 39. Recarte, MA, Pérez, E, Conchillo, A, &. Nunes, LM. (2008). Psychische Arbeitsbelastung und Sehbehinderung: Unterschiede zwischen Pupille, Blinzeln und subjektiver Bewertung. The Spanish Journal of Psychology, 11(2), 374–385. ). In Studien zu retrospektiven Assessments wurden hohe Korrelationen zwischen den so gewonnenen Daten und den unmittelbaren Scores gefunden ( Wierwille & Eggemeier, 1993) 50. Wierwille, WW, & Eggemeier, FT. (1993). Empfehlungen für die Test- und Bewertungsumgebung zur Messung der mentalen Arbeitsbelastung. Menschliche Faktoren, 35(2), 263–281. . Das NASA-TLX-Messverfahren wird im Abschnitt „Methoden“ ausführlicher beschrieben.

Im Fall von DM haben wir das von Soria-Oliver und ihrem Team erarbeitete Konzeptualisierungs- und Messmodell verwendet ( Sanz de Acedo Lizarraga, Sanz de Acedo Baquedano, Soria-Oliver, Closas, 2009 44. Sanz de Acedo Lizarraga, ML, Sanz de Acedo Baquedano, MT, Soria-Oliver, M, & Closas, A. (2009). Entwicklung und Validierung eines Entscheidungsfragebogens. British Journal of Guidance & Counselling, 37(3), 357–373. doi:10.180/03069880902956959.
https://doi.org/10.1080/0306988090295695. Soria-Oliver, 2010 46. ​​Soria-Oliver, M. (2010). Factores que influyen en la toma de Decisiones: elaboración y validación de un cuestionario [Faktoren, die die Entscheidungsfindung beeinflussen: Entwicklung und Validierung eines Entscheidungsfragebogens]. Granada, SP: Zumaya-UNESCO. ). In diesem Modell wird DM als eine komplexe Abfolge von Handlungen verstanden, die die Beachtung verschiedener Parameter erfordern, die durch die zeitlichen und organisatorischen Bedürfnisse bedingt sind. Sie werden in den folgenden Schritten spezifiziert: Planung des Prozesses, Definition der Ziele, Generierung von Optionen, Bewertung dieser und Auswahl der besten unter Berücksichtigung sowohl des Einflusses persönlicher Variablen als auch der Variablen des Setting. Nach den Richtlinien von Byrnes (1998) 7. Byrnes, JP. (1998). Wesen und Entwicklung der Entscheidungsfindung. Mahwah, NJ: Erlbaum. , Cannon-Bowers, Salas und Pruitt (1996) 9. Cannon-Bowers, JA, Salas, E, & Pruitt, JS. (1996). Festlegung der Grenzen eines Paradigmas für die Entscheidungsforschung. Menschliche Faktoren, 38 (2), 193–205. und Kanonenbogen und Salas (2002) 8. Cannon-Bowers, JA, & Salas, E. (2002). Einzel- und Teamentscheidung unter Stress: Theoretische Grundlagen. In JA Cannon-Bowers & E. Salas (Hrsg.), Entscheidungen unter Stress treffen (S. 17–38). Washington, DC: Amerikanische Psychologische Vereinigung. , nimmt dieses Modell drei Quellen von Variablen an, die die naturalistische Entscheidungsfindung charakterisieren: Aufgaben-, Subjekt- und Kontextvariable. Aufgabenvariablen sind mit der Art der Entscheidung selbst verbunden, zum Beispiel die mit jeder Alternative verbundene Unsicherheit, Zeit- und Gelddruck, Quantität und Qualität der Informationen, vorgeschlagene Ziele und mögliche Konsequenzen der Entscheidung. Zu den Subjekt- oder Entscheidungsträgermerkmalen zählen die internen Faktoren der Darsteller: Motivation, gründliche Selbstregulierung der Entscheidungsschritte, entscheidende Informationsverarbeitung, Expertise in einem bestimmten Bereich und die Emotionen, die fast immer eine Entscheidung begleiten. Schließlich definieren die Umweltmerkmale den Kontext, in dem die Entscheidung stattfindet, insbesondere Faktoren, die nicht direkt Teil der Entscheidungsaufgabe selbst sind: soziale und berufliche Einflüsse und ablenkende Ereignisse. Dieses Modell wiederum hat zur empirischen Ausarbeitung eines Fragebogens (Decision-Making Questionnaire, DMQ ( Soria-Oliver, 2010 46. ​​Soria-Oliver, M. (2010). Factores que influyen en la toma de Decisiones: elaboración y validación de un cuestionario [Faktoren, die die Entscheidungsfindung beeinflussen: Entwicklung und Validierung eines Entscheidungsfragebogens]. Granada, SP: Zumaya-UNESCO. )), das die Qualität von DM in organisatorischen Kontexten misst, unter Berücksichtigung der verschiedenen theoretischen Dimensionen des Modells. Detaillierte Eigenschaften von DMQ werden im Abschnitt „Methoden“ vorgestellt.

Unsere Studie zieht einige vorläufige Hypothesen, die in jedem Fall durch ihren explorativen und korrelativen Charakter bedingt sind. Daher werden wir untersuchen, inwieweit die Beziehung zwischen DM einerseits und Pre-Task WL und Post-Task WL andererseits dem allgemeinen Muster folgt, das für andere Leistungsindikatoren nachgewiesen wurde ( Brookhuis & Waard, 2002 5. Brookhuis, KA, & Waard, DD. (2002). Zur Einschätzung der (geistigen) Arbeitsbelastung und anderer subjektiver Qualifikationen. Ergonomie, 45(14), 1026–1030. Wilson & Rajan, 1995 51. Wilson, JR, &. Rajan, JA. (1995). Mensch-Maschine-Schnittstellen für die Anlagensteuerung.In JR Wilson &. EN Corlett (Hrsg.), Evaluation of Human Work: A Practical Ergonomics Methodology (S. 357–405). London: Taylor & Francis. Jung & Stanton, 2002 53. Young, MS, & Stanton, NA. (2002). Theorie der formbaren Aufmerksamkeitsressourcen: Eine neue Erklärung für die Auswirkungen mentaler Unterbelastung auf die Leistung. Human Factors: The Journal of the Human Factors and Ergonomics Society, 44(3), 365–375. Young et al., 2015) 55. Young, MS, Brookhuis, KA, Wickens, CD und Hancock, PA. (2015). Stand der Wissenschaft: Mentale Arbeitsbelastung in der Ergonomie. Ergonomie, 58(1), 1–17. . Dieses Muster kann wie folgt definiert werden: erstens durch einen niedrigen erwarteten oder tatsächlich wahrgenommenen MWL-Bereich, in dem eine geringe Stimulation die Qualität von DM-Strategien verringern kann, zweitens durch einen optimalen Leistungsbereich des erwarteten oder tatsächlich wahrgenommenen MWL, in dem eine ausgewogene Stimulation angemessen zu den Probanden passt '-Ressourcen und DM-Qualität ist ein höheres Drittel, ein hoher erwarteter oder tatsächlicher MWL-Bereich, der die Ressourcen der Probanden überfordert und zu einer schlechteren DM-Qualität führen kann. In Bezug auf Differential WL erwarten wir, dass die erwartete MWL (Pre-Task WL) als Moderator der Beziehungen zwischen Differential WL und DM fungieren kann. Wenn der erwartete MWL (Pre-Task WL) der Probanden niedrig ist, kann der reale MWL (Post-Task WL), der dieser Erwartung entspricht (Adjusted Differential WL) oder darunter bleibt (Low Differential WL), eine geringere DM-Qualität aufgrund fehlender Stimulation erzeugen . Wenn Probanden mit niedrigem Pre-Task WL mit einem höheren realen MWL als erwartet zurechtkommen müssen (High Differential WL), kann DM besser sein, wenn die Ressourcen der Probanden nicht überfordert werden. Wenn der erwartete MWL (Pre-Task WL) der Probanden hoch ist, würde ein niedrigerer realer MWL (Low Differential WL) aufgrund der Stimulationsabnahme zu einer schlechteren DM-Qualität führen. Wenn der reale MWL dem erwarteten MWL (Adjusted Differential WL) entspricht, ist die DM-Qualität hoch, da die Probanden eine ausreichende Stimulation haben. In diesem Fall, wenn die reale MWL höher ist als erwartet (hohe Differenziale WL), ist DM möglicherweise nur dann besser, wenn die Probanden ihre Ressourcen verwalten können, um die angeforderte Kontextanforderung zu bewältigen. Unser empirisches Design, das professionelle Entscheidungen in einem realen Umfeld ohne Manipulation misst, erlaubt es uns jedoch nicht, a priori vorherzusagen, welche erwarteten oder realen MWL-Werte gefunden werden können und folglich, ob sie alle in unseren Hypothesen vorgeschlagenen Bereiche abdecken würden .


Nach Angaben des Institute of Medicine (IOM) sterben in den USA jedes Jahr zwischen 44.000 und 98.000 Menschen in Krankenhäusern an medizinischen Fehlern. Mehrere physiologische und psychologische Faktoren können die Aufmerksamkeitsspanne des Gesundheitsdienstleisters beeinträchtigen und medizinische Fehler wahrscheinlicher machen. Einige dieser Faktoren sind erhöhte Arbeitsbelastung, Müdigkeit, kognitive Überlastung, ineffektive zwischenmenschliche Kommunikation und fehlerhafte Informationsverarbeitung. Postanästhesie-Krankenschwestern, die für die Versorgung von instabilen Patienten verantwortlich sind, die mit mehreren lebensbedrohlichen Zuständen aus der Anästhesie kommen, müssen von Minute zu Minute kritische Entscheidungen treffen. Die aktuellen ASPAN-Leitlinien zur Patientenklassifizierung/Empfohlene Personalbesetzung berücksichtigen die unterschiedlichen Versorgungsanforderungen der Patienten nicht ausreichend. Wenn ein Instrument gefunden werden könnte, das die Arbeitsbelastung des Personals effektiv bewertet, würde die laufende Bewertung verbessert und die Ressourcen besser genutzt. Der National Aeronautics and Space Administration-Task Load Index (NASA-TLX), ein facettenreiches Instrument zur Bewertung der perzeptuellen (subjektiven) Arbeitsbelastung, hat umfangreiche Anwendungen erfahren und wird weithin als das stärkste verfügbare Instrument zur Berichterstattung über die Wahrnehmung der Arbeitsbelastung angesehen. In diesem Artikel werden verschiedene Verwendungen des NASA-TLX untersucht und die möglichen Verwendungen dieses Werkzeugs in der Peranästhesiepflege betrachtet.

Gloria Young, MSN, CRNA, ist eine CRNA am Medical College of Georgia Hospital and Clinics, Augusta, GA

Lyubov Zavelina, MSN, CRNA, ist eine CRNA am Medical Center of Central Georgia, Macon, GA

Vallire D. Hooper, MSN, RN, CPAN, ist Perianästhesie-Beraterin, Doktorandin und Clinical Assistant Professor, School of Nursing, Medical College of Georgia, Augusta, GA

Vallire Hooper, Mitherausgeberin des Journal of PeriAnesthesia Nursing, war weder an der redaktionellen Überprüfung noch an der Entscheidung zur Veröffentlichung dieses Artikels beteiligt. Der gesamte Prozess von der Einreichung über die Vergabe der Gutachter bis hin zu den redaktionellen Entscheidungen wurde von Jan Odom-Forren, dem anderen Mitherausgeber dieser Zeitschrift, abgewickelt.


NASA-TLX-basierte Arbeitsbelastungsbewertung für das Empfehlungssystem für akademische Ressourcen

Von Empfehlungssystemen wird erwartet, dass sie eine schülerzentrierte Lehr- und Lernumgebung fördern. Das Zeitalter der Informationsfülle hat gezeigt, dass es solche Systeme benötigt. Empfehlungssysteme wurden verwendet, um Lerninhalte zu empfehlen, die sich auf die Forschungsinteressen der Studierenden beziehen. Serendipity hat auch in der akademischen Umgebung Einzug gehalten, da die Systeme den Lernenden nützliche und überraschende Elemente empfehlen. Für Studenten, die zufällige Empfehlungssysteme verwenden, ist es wichtig, die Arbeitsbelastung der Benutzer zu verstehen. In dieser Studie untersuchen wir verschiedene Benutzerschnittstellen für akademische Empfehlungssysteme, indem wir Studenten untersuchen, die versuchen, zufällige Empfehlungen für ihre akademischen Aufgaben zu erhalten. Die Studie wurde anhand des NASA Task Load Index (NASA-TLX) ausgewertet. Unsere Priorität war es, die mentalen, physischen und anderen Arbeitsbelastungsattribute zu verstehen, die sich ändern können, wenn Schüler zufällige Empfehlungen suchen. Wir haben Mendeley, Google Scholar, Academia.edu und ResearchGate studiert. Unsere Studie fand keine wesentlichen zufälligen Empfehlungen, die von den Benutzern beobachtet wurden, aber einige Spuren von zufälligen Erfahrungen wurden beobachtet. Außerdem wurde keine wesentliche Arbeitsbelastung bei der Verwendung der Systeme festgestellt. Das Empfehlungssystem hat jedoch bei wiederholten Sitzungen unterschiedliche Benutzererfahrungen geschaffen. Darüber hinaus ist mit den in der Wissenschaft verwendeten Empfehlungssystemen eine Vielzahl von Aufgabenlasten verbunden, von gemischten Designs mit umfangreichen Benutzersteuerungen bis hin zu sehr wenigen Steuerungen. Diese Forschung lieferte uns Erkenntnisse, die Designern helfen können, neue Funktionen zu integrieren und anzupassen und kalkulierte Risiken einzugehen, wenn sie eine zufällige Bildungstechnologie entwickeln.

Dies ist eine Vorschau von Abonnementinhalten, auf die Sie über Ihre Institution zugreifen können.


Materialen und Methoden

Themen

Zehn unter 23, männliche Rennradfahrer (20,0 ± 1,2 Jahre, 66,1 ± 7,6 kg, 180,4 ± 5,6 cm, VO2max 69,0 ± 4,4 ml · min –1 · kg –1 , Spitzenleistung 380 ± 39 W, > 4 Trainingseinheiten pro Woche, > 300 km pro Woche, > 3 Jahre Radfahrerfahrung) nahmen freiwillig an dieser Studie teil. Die Teilnehmer waren Mitglieder verschiedener unter 23-Radsportteams, die dem italienischen Radsportverband angeschlossen sind. Unter Berücksichtigung der VO . jedes Teilnehmers2max und Trainingshistorie sowie gemäß Leitlinien zur Beschreibung des Leistungsniveaus der Teilnehmer in der sportwissenschaftlichen Forschung [20] wurden die Probanden der Leistungsstufe 4 (gut trainiert) zugeordnet. Die Auswahlkriterien waren wie folgt: frei von bekannten medizinischen Erkrankungen, Verletzungen, Farbsehstörungen und Lernstörungen, frei von jeglichen Medikamenten. Studiendesign und -verfahren wurden von der Ethikkommission der Università degli Studi di Milano genehmigt und folgten den ethischen Grundsätzen für die medizinische Forschung am Menschen, die in der Deklaration des Weltärztebundes von Helsinki festgelegt wurden. Nach der ethischen Genehmigung wurden von den Teilnehmern eine schriftliche Einverständniserklärung und eine medizinische Erklärung gemäß den von der Forschungsethikkommission der lokalen Institution festgelegten Verfahren eingeholt. Die Probanden wurden über die Verfahren und möglichen Risiken informiert. Sie wurden auch darüber informiert, dass es ihnen freisteht, die Studie jederzeit abzubrechen.

Experimentelles Design

Für die experimentelle Komponente der vorliegenden Studie wurde ein randomisiertes, ausgeglichenes Cross-Over-Design verwendet. Die Reihenfolge der experimentellen Behandlungen (Interventionskontrolle) wurde nach dem Zufallsprinzip basierend auf ausgewogenen Permutationen zugewiesen, die von einem webbasierten Computerprogramm (www.randomization.com) generiert wurden.

Experimentelle Übersicht

Die Probanden führten vier Testsitzungen zu vier verschiedenen Gelegenheiten durch, in einem Zeitraum von nicht mehr als drei Wochen zwischen dem ersten und dem letzten Besuch. Besuche wurden im Universitätslabor durchgeführt. Kognitive und körperliche Aufgaben wurden in einem isolierten und klimatisierten Raum bei einer konstanten Temperatur von 19 ± 1 °C und einer relativen Luftfeuchtigkeit von etwa 40–50% durchgeführt. Vor jedem Besuch wurden die Teilnehmer angewiesen, mindestens 8 Stunden zu schlafen, auf den Konsum von Alkohol und Koffein zu verzichten und während der 36 Stunden vor den Testsitzungen jede heftige Bewegung zu vermeiden. Die Teilnehmer wurden auch angewiesen, am Tag der Testsitzungen alle geistig anspruchsvollen Aufgaben zu vermeiden. Jeder Teilnehmer führte die Besuche einzeln und zur gleichen Tageszeit (innerhalb von 1 Stunde, zwischen 9:00 und 12:00 Uhr) durch. Während der Visite 1 wurden Gewicht und Größe der Teilnehmer gemessen. Anschließend machten sie sich mit den Verfahren der experimentellen Sitzungen vertraut, d. h. der Stroop-Aufgabe (für die Zeit, die benötigt wird, um mindestens 95 % der Genauigkeit zu erreichen), psychologischen Fragebögen und der körperlichen Aufgabe, d. h. einem Zeitfahren auf einem Fahrradergometer. Während Besuch 2 absolvierten die Teilnehmer einen inkrementellen Belastungstest, um ihre VO . zu bestimmen2max. Eine grafische Darstellung von Besuch 3 und 4 ist in Abb. 1 gezeigt.

HR – Herzfrequenz HRV – Herzfrequenzvariabilität RPE – Bewertung der wahrgenommenen Anstrengung ST – Stroop-Aufgabe CON – Kontrolle.

Experimentelle Behandlung

Der Zustand der mentalen Erschöpfung bestand in einer 30-minütigen modifizierten Stroop-Farbwortaufgabe. Die Stroop-Aufgabe erfordert Reaktionshemmung und anhaltende Aufmerksamkeit [21] und hat zuvor gezeigt, dass sie geistige Erschöpfung hervorruft [2]. Die in unserem Protokoll verwendete modifizierte Stroop-Aufgabe war dieselbe Version und hatte dieselben Implementierungsregeln, die von Martin et al. [6]. Die Teilnehmer wurden angewiesen, so schnell und so genau wie möglich zu antworten. Die Teilnehmer machten sich während des Vorbesuchs 5 min mit der Stroop-Aufgabe vertraut. Zusätzlich waren 24 Übungsversuche vor der experimentellen Aufgabe erlaubt, um sicherzustellen, dass die Teilnehmer die Anweisungen vollständig verstanden. Die Reaktionszeit der richtigen Antworten und Genauigkeit wurden über 6 Blöcke von 5 Minuten gemittelt.

Der Kontrollversuch umfasste das Ansehen eines 30-minütigen Videos über amphibische Bagger unter den gleichen Bedingungen wie bei der Stroop-Aufgabe.

Körperliche Tests

Beim zweiten Besuch wurden die Teilnehmer einem inkrementellen Belastungstest auf einem Fahrradergometer (Cyclus 2, RBM elektronik automation GmbH, Leipzig) unterzogen, um ihre VO2max. Der inkrementelle Belastungstest begann bei 100 W und steigerte sich alle 30 s um 25 W bis zur willentlichen Erschöpfung.

Die Teilnehmer führten das Zeitfahren während der folgenden zwei Besuche im Labor durch. Vor jedem Zeitfahren wurde von allen Teilnehmern ein standardisiertes Warm-Up bei der konstanten Leistung von 100 W absolviert. Beides wurde auf dem Cyclus 2 Ergometer durchgeführt. Die Teilnehmer wurden angewiesen, innerhalb von 30 Minuten so viel Distanz wie möglich zurückzulegen. Das Zeitfahren begann in einem Standardgang, den Teilnehmern stand es jedoch frei, während des Zeitfahrens die Gänge zu ändern. Ein Timer wurde vorne rechts von den Teilnehmern platziert und blieb während des Zeitfahrens sichtbar. Die Teilnehmer wurden für alle anderen Leistungs- und physiologischen Daten geblendet. Nach dem Test wurden die mittlere Leistungsabgabe und die mittlere Trittfrequenz in 10 Blöcken von jeweils 3 Minuten analysiert. Die durchschnittliche Leistung und Trittfrequenz während des Ganzzeitfahrens wurde ebenfalls aufgezeichnet.

Physiologische Maßnahmen

Kapillarblutproben wurden unmittelbar vor dem Aufwärmen und zweimal nach Abschluss des Zeitfahrens (1 min und 5 min) während der Besuche 3 und 4 entnommen. Die Proben wurden sofort mit dem Lactate Pro 2 (Arkray, Japan) auf die Blutlaktatkonzentration analysiert. Analysator. Bei den Visiten 3 und 4 wurde die HF während der letzten 10 s der 10 Blöcke von jeweils 3 min mit einem HF-Monitor mit Brustgurt aufgezeichnet.

Psychologische Maßnahmen

RPE wurde während der letzten 10 s der 10 Blöcke von jeweils 3 min mit dem von Borg entwickelten 11-Punkte-CR10 registriert [22]. Die Teilnehmer waren mit der Waage vertraut, da sie während ihrer täglichen Trainingseinheiten mindestens sechs Monate vor den Tests verwendet wurde.

Die Brunel Mood Scale (BRUMS) von Terry et al. [23] wurde verwendet, um Veränderungen der Stimmung zu Beginn und nach der Behandlung zu beurteilen. Der Fragebogen besteht aus 24 Items, die in 6 stimmungsbezogene Subskalen unterteilt sind (Depression, Müdigkeit, Vitalität, Verwirrung, Wut, Anspannung). Die Teilnehmer wurden gebeten, jedes Item auf einer 5-Punkte-Likert-Skala (von 0 = gar nicht bis 4 = extrem) entsprechend ihrer aktuellen Stimmung („Wie fühlst du dich gerade?“) zu bewerten. Jeder Subskalenwert mit vier relevanten Items kann von 0 bis 16 reichen.

Die subjektive Arbeitsbelastung wurde nach den Behandlungen mit der italienischen Version des National Aeronautics and Space Administration Training Load Index (NASA-TLX) erfasst [24]. Dabei handelt es sich um ein mehrdimensionales Ratingverfahren mit 6 Subskalen (Mentaler Bedarf, Körperlicher Bedarf, Zeitlicher Bedarf, Anstrengung, Frustration). Die Probanden wurden gebeten, jeden von ihnen auf einer Skala von 0 bis 20 zu bewerten, die durch bipolare Deskriptoren (hoch/niedrig) verankert war. Jede Punktzahl wurde mit 5 multipliziert, sodass die Endpunktzahl jeder Subskala von 0 bis 100 reicht.

Die Motivation zum Zeitfahren wurde nach den Behandlungen mit einem einzigen Item auf einer 5-Punkte-Likert-Skala gemessen (0 = gar nicht, 1 = ein bisschen, 2 = etwas, 3 = sehr, 4 = extrem) [6].

Die HRV wurde zu Beginn, nach der Stroop-Aufgabe und zweimal nach dem Zeitfahren (5 min und 30 min) unter beiden Bedingungen gemessen. Bei allen Messungen blieben die Teilnehmer fünf Minuten lang liegend, mit normaler Atemfrequenz, in Stille und ohne Körperbewegungen. Um die HF-Daten zu sammeln, zeichnete ein Polar T61 Brustgurt, der mit einer Aufzeichnungsuhr (Polar Electro, Kempele, Finnland) verbunden war, eine Herzschlag-zu-Beat-HF mit einer Zeitauflösung von 1 ms auf [25]. Gelegentliche ektopische Schläge wurden visuell identifiziert und manuell durch interpolierte benachbarte R-R-Intervallwerte ersetzt. Um die HRV im Zeitbereich zu identifizieren, wurden durchschnittliche R-R-Intervalle (RR-Mittel) und der quadratische Mittelwert aufeinanderfolgender Differenzen zwischen benachbarten R-R-Intervallen (RMSSD) analysiert. Alle Analysen wurden mit der Kubios HRV Analysis Software v2.2 (Gruppe für Biosignalanalyse und medizinische Bildgebung, University of Eastern Finland, Finnland) durchgeführt [26].

Statistische Analyse

Alle Daten werden als Mittelwert ± Standardabweichung dargestellt. Annahmen statistischer Tests wie Normalverteilung und Sphärizität der Daten wurden nach Bedarf überprüft. Die Greenhouse-Geisser-Korrektur der Freiheitsgrade wurde angewendet, wenn eine Verletzung der Sphärizität vorlag. Die Einweg-ANOVA wurde verwendet, um die Auswirkungen der Zeit auf die Reaktionszeit und Genauigkeit während der Stroop-Aufgabe zu bestimmen. t-Tests mit gepaarten Stichproben wurden verwendet, um die Auswirkungen der Kondition auf die mittlere HF während der Stroop-Aufgabe, die NASA-TLX-Subskalen, die Motivation in Bezug auf das Zeitfahren und die durchschnittliche Leistung, Trittfrequenz und HF während des Zeitfahrens zu bestimmen. ANOVAs mit wiederholten Messungen wurden verwendet, um die Auswirkungen von Zustand und Zeit auf Blutlaktatkonzentration, RMSSD, Stimmungs-Subskalen und HR, RPE, Trittfrequenz und Leistungsabgabe während des Zeitversuchs zu bestimmen. Bonferroni-Tests wurden verwendet, wenn signifikante Wechselwirkungen gefunden wurden. Darüber hinaus wird die Effektstärke für jeden statistischen Test als partielles Eta-Quadrat (η 2 p) angegeben, wobei die Interpretation der Effektstärke klein = 0,02, mittel = 0,13 und groß = 0,26 verwendet wird [27]. Die Signifikanz wurde auf 0,05 (2-tailed) festgelegt. Alle Datenanalysen wurden mit den Statistikpaketen für Sozialwissenschaften (SPSS Version 24) durchgeführt.


Messung der Arbeitsbelastung in kollaborativen Kontexten: Merkmals- versus Zustandsperspektiven

Zielsetzung: In der vorliegenden Studie haben wir die Zustands- und Merkmalsaspekte von Maßnahmen zur Aufgaben- und Teamarbeitsbelastung in einer Katastrophensimulation untersucht.

Hintergrund: Es besteht häufig die Notwendigkeit, die Arbeitsbelastung sowohl in individuellen als auch in kollaborativen Umgebungen zu bewerten. Forscher auf diesem Gebiet verwenden häufig den NASATask Load Index (NASA-TLX) als globales Maß für die Arbeitsbelastung, indem sie die Komponentenelemente des NASA-TLX aggregieren. Bei dieser Praxis kann man die Unterscheidung zwischen Merkmalen und Zuständen übersehen.

Methode: Fünfzehn dyadische Teams (11 unerfahrene, 4 erfahrene) absolvierten fünf Sitzungen eines Tsunami-Katastrophensimulators. Nach jeder Sitzung absolvierten die Teilnehmer eine modifizierte Version des NASA-TLX, die Messungen der Teamarbeitsbelastung beinhaltete. Anschließend untersuchten wir die Arbeitsbelastungselemente unter Verwendung einer Zwischen-Subjekt- und Innerhalb-Subjekt-Perspektive.

Ergebnisse: Zwischen-Fächer- und innerhalb-Fach-Korrelationen zwischen den Items angegeben Die Workload-Items sind innerhalb der Subjekte (als Zustände) unabhängiger als zwischen den Subjekten (als Merkmale). Auch die Korrelationen zwischen den Workload-Items und der Simulationsleistung waren auf Merkmals- und Zustandsebene unterschiedlich.

Abschluss: Die Arbeitsbelastung kann sich auf Merkmalsebene (zwischen den Fächern) und Zustand (innerhalb der Fächer) unterschiedlich verhalten.

Anwendung: Forschende, die sich für die Messung der Arbeitsbelastung als Staat interessieren, sollten in ihren Analysen eine fächerinterne Perspektive einnehmen.


Methoden

Teilnehmer

Elf professionelle, männliche Rennradfahrer (23,4 ± 6,4 Jahre, 68,2 ± 4,3 kg, 180 ± 7 cm, Spitzenleistung 414 ± 48 W, > 5 Trainingseinheiten pro Woche, > 500 km pro Woche, > 5 Jahre Radfahrerfahrung) und neun männliche Freizeitrennradfahrer (25,6 ± 5,3 Jahre, 80,7 ± 11,3 kg, 177 ± 7 cm, Spitzenleistung 261 ± 28 W,

3 Trainingseinheiten pro Woche,

80 km pro Woche, durchschnittlich 2 Jahre Radfahrerfahrung) meldeten sich freiwillig zur Teilnahme an dieser Studie. Unter Berücksichtigung der Spitzenleistung und der Trainingshistorie jedes Teilnehmers und in Übereinstimmung mit Leitlinien zur Beschreibung des Leistungsniveaus der Teilnehmer in der sportwissenschaftlichen Forschung [11] wurden die Radprofis in die Leistungsstufe 5 und die Freizeitradler zwischen eingestuft Leistungsstufe 1 und 2. Jeder Teilnehmer gab vor Beginn der Prüfung eine schriftliche Einverständniserklärung. Studiendesign und -verfahren wurden vom Ausschuss für Ethik in der Humanforschung der Universität Canberra genehmigt. Alle Teilnehmer erhielten schriftliche Anweisungen, die den Studienablauf beschrieben, waren aber gegenüber den wahren Zielen und Hypothesen naiv. Die Teilnehmer wurden davon überzeugt, dass das Hauptziel der Studie darin bestand, die Auswirkungen mentaler Anstrengung auf die physiologischen Reaktionen während des Zeitfahrens zu untersuchen. Weitere Angaben wurden nicht gemacht. Am Ende des letzten Besuchs wurden die Teilnehmer nachbesprochen und gebeten, die wahren Ziele der Studie nicht mit anderen Teilnehmern zu besprechen. Einer der Radprofis konnte verletzungsbedingt nicht alle Besuche absolvieren. Die Daten dieses Teilnehmers wurden nur in die Analyse der Stroop-Leistung einbezogen.

Versuchsprotokoll

Für die experimentelle Komponente der vorliegenden Studie wurde ein randomisiertes Crossover-Design verwendet.Die Reihenfolge der experimentellen Behandlung (mentale Anstrengung/Kontrolle oder Kontrolle/mentale Anstrengung) wurde nach dem Zufallsprinzip basierend auf ausgewogenen Permutationen zugewiesen, die von einem webbasierten Computerprogramm (www.randomization.com) generiert wurden. Die Teilnehmer mussten das Labor viermal besuchen (Abb. 1), in einem Zeitraum von nicht mehr als zwei Wochen zwischen dem ersten und dem letzten Besuch. Die Tests während der Besuche 3 und 4 wurden zur gleichen Tageszeit abgeschlossen. Während des ersten Besuchs absolvierten die Teilnehmer einen inkrementellen Belastungstest und machten sich mit der Stroop-Aufgabe und allen psychologischen, wahrnehmungsbezogenen und physiologischen Maßnahmen vertraut. Beim zweiten Besuch wurden die Teilnehmer mit dem Zeitfahren vertraut gemacht. Während der Besuche 3 und 4 füllten die Teilnehmer den Grundstimmungsfragebogen aus, gefolgt von entweder der Stroop-Aufgabe oder der Kontrollaufgabe. Nach der Bewertung ihrer Motivation bezüglich des bevorstehenden Zeitfahrens wurden die Teilnehmer auf ein Fahrradergometer gebracht, wo sie ein standardisiertes Aufwärmen und ein 20-minütiges Zeitfahren absolvierten. Nach dem Abkühlen bewerteten die Teilnehmer erneut ihre aktuelle Stimmung. Vor den Besuchen drei und vier wurden die Teilnehmer angewiesen, am Tag vor dem Laborbesuch 35 ml Wasser pro Kilogramm Körpergewicht zu trinken, mindestens 7 Stunden zu schlafen, keinen Alkohol zu konsumieren und jede starke körperliche Betätigung zu vermeiden. Die Teilnehmer wurden außerdem angewiesen, vor dem Test mindestens 3 Stunden lang Koffein und geistig anstrengende Aufgaben zu vermeiden. Am Tag von Besuch 3 wurden die Teilnehmer gebeten, Zeit und Inhalt der vor dem Test eingenommenen Mahlzeiten aufzuzeichnen und diese am Tag von Besuch 4 konsistent zu halten. Zu Beginn der Besuche 3 und 4 wurden die Teilnehmer gebeten, eine Checkliste auszufüllen, um sich vergewissern, dass sie die ihnen erteilten Anweisungen befolgt haben. Die Teilnehmer wurden auch gebeten anzugeben, ob sie an dem Tag Medikamente/Medikamente eingenommen hatten oder eine akute Krankheit, Verletzung oder Infektion hatten.

# – Blutlaktatprobe. 4DMS – Die vierdimensionale Stimmungsskala. MOT – Bewertung der Motivation im Zusammenhang mit dem Zeitfahren. NASA-TLX – Der Task Load Index der National Aeronautics and Space Administration. RPE – Bewertung der wahrgenommenen Anstrengung.

Experimentelle Behandlung

Die Bedingung der mentalen Anstrengung bestand aus einer 30-minütigen modifizierten inkongruenten Version der Stroop-Farbwortaufgabe. Die Teilnehmer führten diese kognitive Aufgabe an einem Computer aus, während sie bequem in einem ruhigen, schwach beleuchteten Raum saßen. Diese Stroop-Aufgabe besteht aus vier Wörtern (gelb, blau, grün, rot), die seriell auf dem Computerbildschirm präsentiert werden, die angezeigt werden, bis der Teilnehmer antwortet, gefolgt von einem 1,5-sekündigen Pausenintervall. Die Teilnehmer wurden angewiesen, eine von vier farbigen Tasten auf der Tastatur (gelb, blau, grün, rot) zu drücken, wobei die richtige Antwort die Taste war, die der Tintenfarbe (entweder gelb, blau, grün, rot) des angezeigten Wortes entspricht der Bildschirm. Wenn beispielsweise das Wort Blau in gelber Tinte auftauchte, musste die gelbe Taste gedrückt werden. Wenn jedoch die Tintenfarbe rot war, war die zu drückende Taste die Taste, die mit dem geschriebenen Wort verknüpft ist, nicht die Tintenfarbe (z. B. wenn das Wort blau in Rot erscheint, war die Taste blau zu drücken). Wenn die Tintenfarbe Blau, Grün oder Gelb war, dann stimmte die richtige gedrückte Taste mit der Tintenfarbe überein. Das dargestellte Wort und seine Tintenfarbe wurden zufällig vom Computer ausgewählt. Zwanzig Übungsversuche waren erlaubt, um sicherzustellen, dass der Teilnehmer die Anweisungen vollständig verstand. Die Stroop-Aufgabe wurde auch während der Eingewöhnung in Besuch 1 5 min lang durchgeführt. Die Teilnehmer wurden angewiesen, so schnell und genau wie möglich zu reagieren. Visuelles Feedback wurde nach jedem Wort in Form von richtiger oder falscher Antwort, Reaktionszeit und bisheriger Genauigkeit gegeben. Antworten, die schneller als 200 ms waren, wurden aus der Analyse ausgeschlossen, da es wahrscheinlich ist, dass der Teilnehmer reagierte, bevor er das Wort sah [12]. Antworten über 2 s wurden als Versäumnisse aufgezeichnet und aus der Analyse entfernt. Dieser Wert wurde willkürlich als bester Handelswert gewählt, um die Daten zu normalisieren und gleichzeitig die größte Anzahl von Antworten und die höchste statistische Aussagekraft beizubehalten [2]. Die durchschnittliche Reaktionszeit für die richtigen Antworten und die Genauigkeit (Prozentsatz der richtigen Antworten) wurden für jede der sechs 5-Minuten-Epochen während der 30-Minuten-Stroop-Aufgabe (5., 10., 15., 20., 25. und 30. Minute) berechnet. Die Gesamtzahl der richtigen Antworten wurde auch für die gesamte 30-minütige Stroop-Aufgabe berechnet.

Die Kontrollbedingung bestand aus einer einfachen kognitiven Aufgabe, die unter den gleichen Bedingungen wie die Stroop-Aufgabe durchgeführt wurde. Die Teilnehmer wurden angewiesen, ruhig vor dem Computerbildschirm zu sitzen und sich 10 Minuten lang auf das zentrierte schwarze Kreuz auf weißem Hintergrund zu konzentrieren.

Inkrementeller Belastungstest und Zeitfahren

Während des ersten Besuchs wurden die Teilnehmer einem inkrementellen Belastungstest unterzogen, um die Spitzenleistung zu beurteilen. Der inkrementelle Belastungstest wurde auf einem Fahrradergometer (Lode Excalibur Sport, Lode, Niederlande) durchgeführt, wobei der Test bei 125 W begann und alle 3 min um 25 W bis zur willentlichen Erschöpfung anwächst.

Die Teilnehmer absolvierten das Zeitfahren bei jedem der anderen drei Besuche im Labor. Vor jedem Zeitfahren wurde von allen Teilnehmern ein standardisiertes Aufwärmen mit einem elektromagnetisch gebremsten SRM-Ergometer (Hochleistungsergometer, Schoberer Rad MeBtechnik, Deutschland) absolviert. Anschließend wurde das Zeitfahren auf einem weiteren elektromagnetisch gebremsten Fahrradergometer (Velotron Pro, RacerMate Inc., USA) absolviert. Alle Ergometer wurden so angepasst, dass sie die Fahrradpositionen der Teilnehmer nachbilden. Die Teilnehmer wurden angewiesen, über 20 Minuten so viel Distanz wie möglich zurückzulegen. Das Zeitfahren begann in einem Standardgang, den Teilnehmern stand es jedoch frei, während des Zeitfahrens die Gänge zu ändern. Ein Timer wurde vorne links von den Teilnehmern platziert und blieb während des Zeitfahrens sichtbar. Die Teilnehmer wurden gegenüber allen anderen Leistungs- und physiologischen Daten verblindet. Ein Ventilator wurde hinter der Zeitschaltuhr platziert und auf Wunsch der Teilnehmer eingeschaltet, und Wasser wurde nach Belieben bereitgestellt.

Während der Besuche 3 und 4 ermutigte ein Forscher, der für die experimentelle Behandlung der Teilnehmer blind war, während des gesamten Tests verbal. Dieser Forscher war innerhalb der Teilnehmer konsistent. Ein anderer Forscher erfasste die Leistungsabgabe in der 1., 4., 8., 12., 16. und 20. Minute des Zeitfahrens. Auch die Durchschnittsgeschwindigkeit und die zurückgelegte Gesamtstrecke während des Zeitfahrens wurden aufgezeichnet.

Physiologische und wahrnehmungsbezogene Maßnahmen

Kapillarblutproben wurden vor und direkt nach Abschluss des Zeitversuchs während der Besuche 3 und 4 gesammelt. Die Proben wurden sofort auf die Blutlactatkonzentration unter Verwendung des Lactate Pro 2 (Arkray, Japan)-Analysators analysiert. Bei den Visiten 3 und 4 wurde die Herzfrequenz am Ende des Aufwärmens und während der letzten 15 s der 1., 4., 8., 12., 16. und 20. Minute des Zeitfahrens mit aufgezeichnet ein Herzfrequenzmesser mit Brustgurt (T34 unverschlüsselter Herzfrequenzsender, Polar, Finnland).

Die Bewertung der wahrgenommenen Anstrengung (RPE) wurde mit der Borg 6–20-Skala [13] gemessen. Bei Visite 1 wurde das RPE während des inkrementellen Belastungstests mit Standardverfahren verankert [14]. Bei den Besuchen 3 und 4 wurde das RPE am Ende des Aufwärmens und während der letzten 15 s der 1., 4., 8., 12., 16. und 20. Minute des Zeitfahrens gemessen. Zum geeigneten Zeitpunkt wurden die Teilnehmer gebeten, auf einer großen Borg 6–20-Skala die Zahl anzugeben, die ihrer Wahrnehmung von Anstrengung entspricht, definiert als „das bewusste Empfinden, wie hart, schwer und anstrengend das Training ist“ [15].

Psychologische Maßnahmen

Zur Beurteilung der subjektiven Belastung der kognitiven Aufgaben wurde der National Aeronautics and Space Administration Task Load Index (NASA-TLX) verwendet [16]. Der NASA-TLX setzt sich aus sechs Subskalen zusammen: mentaler Bedarf (Wie viel geistige und Wahrnehmungsaktivität war erforderlich?), Körperlicher Bedarf (Wie viel körperliche Aktivität war erforderlich?), Zeitlicher Bedarf (Wie viel Zeitdruck haben Sie aufgrund der Rate verspürt oder Tempo, in dem die Aufgabe durchgeführt wurde?), Leistung (Wie erfolgreich waren Sie Ihrer Meinung nach beim Erreichen der vom Experimentator festgelegten Ziele der Aufgabe?), Anstrengung (Wie hart mussten Sie arbeiten, um Ihr Leistungsniveau zu erreichen?) und Frustration (Wie irritierend oder nervig empfanden Sie die Aufgabe?). Die Teilnehmer wurden gebeten, jedes der Items auf einer Skala zu bewerten, die in 20 gleiche Intervalle unterteilt war, die durch die bipolaren Deskriptoren hoch und niedrig verankert waren. Dieser Wert wurde mit 5 multipliziert, was zu einem Endwert zwischen 0 und 100 für jede der Subskalen führte. In der vorliegenden Studie wurden nur die Subskalen mentaler Bedarf, zeitlicher Bedarf, Anstrengung und Frustration verwendet.

Die vierdimensionale Stimmungsskala (4DMS) wurde verwendet, um Stimmungsschwankungen vom Anfang bis zum Ende der Besuche 3 und 4 zu beurteilen. Die 4DMS besteht aus 20 Adjektiven und wurde entwickelt, um positive Energie, Müdigkeit, negative Erregung und Entspannung zu messen. Die Teilnehmer bewerteten jedes Adjektiv anhand einer 5-Punkte-Likert-Skala, inwieweit es ihren aktuellen Stimmungszustand beschreibt. Über Zuverlässigkeit und Validität dieser Skala wurde bereits berichtet [17].

Die Motivation im Zusammenhang mit dem Zeitfahren wurde anhand eines einzelnen Items („Ich bin motiviert zum Zeitfahren“) gemessen, das auf einer 5-Punkte-Likert-Skala (0 = überhaupt nicht, 1 = ein wenig, 2 = etwas, 3 .) bewertet wurde = sehr viel, 4 = extrem).

Statistische Analyse

Alle Daten sind als Mittelwert ± eine Standardabweichung angegeben, sofern nicht anders angegeben. Annahmen statistischer Tests wie Normalverteilung und Sphärizität der Daten wurden nach Bedarf überprüft. Bei Verletzungen der Sphärizität wurde eine Greenhouse-Geisser-Korrektur der Freiheitsgrade angewendet. Unabhängige Stichproben-t-Tests wurden verwendet, um den Effekt der Gruppe (Profi- und Freizeitradfahrer) auf die Gesamtzahl der richtigen Antworten während der Stroop-Aufgabe zu bestimmen. Eine gemischte 2 x 6 ANOVA wurde verwendet, um die Auswirkungen von Gruppe und Zeit (5., 10., 15., 20., 25. und 30. Minute) auf die Reaktionszeit während der Stroop-Aufgabe zu bestimmen. Gemischte 2 x 2 ANOVAs wurden verwendet, um die Auswirkungen von Gruppe und Kondition (mentale Anstrengung vs. Kontrolle) auf die NASA-TLX-Subskalen, die Motivation in Bezug auf das Zeitfahren und die durchschnittliche Geschwindigkeit und die während des Zeitfahrens zurückgelegte Gesamtstrecke zu bestimmen. Eine gemischte 2 x 2 x 2 ANOVA wurde verwendet, um die Auswirkungen von Gruppe, Zustand und Zeitpunkt (vor und nach dem Zeitversuch) auf die Blutlaktatkonzentration zu bestimmen. Eine gemischte 2 x 2 x 2 ANOVA wurde verwendet, um die Auswirkungen von Gruppe, Kondition und Zeitpunkt (Beginn und Ende des Besuchs) auf die Stimmung zu bestimmen. Gemischte 2 x 2 x 6 ANOVAs wurden verwendet, um die Auswirkungen von Gruppe, Zustand und Zeit (1., 4., 8., 12., 16. und 20. Minute) auf Herzfrequenz, RPE und Leistungsabgabe während der Zeit zu bestimmen Versuch. Signifikante Wechselwirkungen wurden gegebenenfalls mit Bonferroni-Tests nachverfolgt. Wenn keine signifikanten Wechselwirkungen gefunden wurden, werden die meisten relevanten Haupteffekte berichtet. Die Signifikanz wurde für alle Analysen auf 0,05 (2-tailed) gesetzt. Die Effektstärken für die ANOVAs mit wiederholten Messungen wurden als partielles Eta-Quadrat (η²p) berechnet, wobei die Interpretation der Effektstärke klein = 0,02, mittel = 0,13 und groß = 0,26 verwendet wurde [18]. Alle Datenanalysen wurden mit den Statistikpaketen für Sozialwissenschaften (SPSS Version 20) durchgeführt.


Ergebnisse

Fußgängerüberweg Veranstaltung

Insgesamt wurde der Anteil der Autofahrer berechnet, die dem Fußgänger beim Rechtsabbiegen nachgegeben haben. Die Ergebnisse zeigen, dass signifikant mehr Fahrer anhielten und dem Teilnehmer erlaubten, die Kreuzung in der Navigationsbedingung (44%) zu überqueren, verglichen mit der 𠇏ollow a friend”-Bedingung (0%). z(30) = 3.42, P = 0,002. Die Figuren 2A, B zeigen jeweils die mittlere Geschwindigkeit und die mittlere Standardabweichung des Lenkradwinkels während der Ausführung des Rechtsabbiegens an der Fußgängerüberwegkreuzung. Ein paar Proben T-Test ergab, dass die durchschnittliche Fahrgeschwindigkeit in der Bedingung 𠇏ollow a friend” signifikant höher war, m = 21.7 (SD = 4,8), im Vergleich zum Navigationszustand, m = 13.2 (SD = 5.6), T(15) = 5.5, P < 0,001, D = 1,4, 95 %-KI 0,67𠄲.1. Die mittlere Variabilität des Lenkradwinkels war auch in der Bedingung 𠇏ollow a friend” signifikant größer. m = 9.6 (SD = 1,0), im Vergleich zum Navigationszustand, m = 7.5 (SD = 0.9), T(15) = 7.5, P < 0,001, D = 1,9, 95 %-KI 1,0𠄲.7.

FIGUR 2. Fahrverhalten bei der Fußgängerüberwegveranstaltung. (EIN) Mittlere Fahrgeschwindigkeiten (mph). (B) Mittlere Standardabweichung des Lenkradwinkels (Grad). Fehlerbalken sind Standardabweichungen.

Linksabbiegen mit Ereignis mit entgegenkommendem Fahrzeug

Alle Fahrer entschieden sich unter beiden Bedingungen, vor dem entgegenkommenden Fahrzeug abzubiegen. Abbildung 3 zeigt die mittlere Standardabweichung des Lenkradwinkels während der Ausführung der Linkskurve. Ein paar Proben T-Test ergab, dass die Standardabweichung in der Bedingung 𠇏ollow a friend” signifikant größer war, m = 10.9 (SD = 1,8), im Vergleich zum Navigationszustand, m = 6.7 (SD = 1.1), T(15) = 7.2, P < 0,001, D = 1,8, 95 %-KI 0,98𠄲.6. Es gab keinen signifikanten Unterschied zwischen der mittleren Geschwindigkeit während der Ausführung der Kurve für die Navigation (m = 18.4, SD = 6,7) und 𠇎inem Freund folgen” (m = 18.7, SD = 3.7), P = 0.9, D = 0,05, 95 %-KI -0,44 bis 0,53.

FIGUR 3. Mittlere Standardabweichung des Lenkradwinkels (Grad) für das kritische Ereignis beim Linksabbiegen. Fehlerbalken sind Standardabweichungen.

Gelbes Licht-Ereignis

Alle Fahrer in beiden Routenfolgenbedingungen entscheiden sich dafür, über die gelbe Ampel zu fahren, anstatt an der Kreuzung anzuhalten. Bild 4 zeigt die mittlere maximale Längsbeschleunigung beim Durchfahren der Kreuzung. Ein paar Proben T-Test ergab, dass die maximale Beschleunigung in der Bedingung 𠇏ollow a friend” signifikant höher war, m = 0.2 (SD = 0,04), verglichen mit der Navigationsbedingung, m = 0.15 (SD = 0.03), T(14) = 4.5, P < 0,001, D = 1,2, 95 %-KI 0,49𠄱.8.

FIGUR 4. Mittlere maximale Längsbeschleunigung (g) für Gelblicht-kritisches Ereignis. Fehlerbalken sind Standardabweichungen.

Allgemeines Fahrverhalten

Tabelle 1 zeigt die Werte für die verschiedenen Fahrvariablen im Vergleich für die drei verschiedenen Bedingungen. Einweg-ANOVAs mit wiederholten Messungen, die mit diesen Daten durchgeführt wurden, zeigten signifikante Unterschiede in der mittleren Fahrgeschwindigkeit, F(2,30) = 13.7, P < 0,001, η p 2 = 0,48, 95 %-KI 0,18𠄰.63, mittlerer Zeitfortschritt, F(2,28) = 15.6, P < 0,001, η p 2 = 0,53, 95 %-KI 0,22𠄰.67 und mittlere Zeit bis zum Abschluss eines Spurwechselmanövers, F(2,28) = 7.8, P = 0,02, η p 2 = 0,36, 95 %-KI 0,07𠄰,54. In allen Fällen war dies darauf zurückzuführen, dass Fahrer im Follow-a-Friend-Zustand im Vergleich zu den anderen beiden Gruppen riskantere Verhaltensweisen an den Tag legten.

TABELLE 1. Mittelwerte und Standardabweichungen für allgemeine Fahrverhaltensmaße.

NASA-TLX

Die mit den NASA-TLX-Aufgabendaten durchgeführte MANOVA zeigte einen signifikanten Haupteffekt des Fahrzustands, F(12, 50) = 2,98, Wilks λ = 0,30, P = 0,003, η p 2 = 0,41, 95 %-KI 0,07𠄰.47. Tabelle 2 zeigt die Mittelwerte für die mentale, physische und zeitliche Anforderung sowie die Aufgabenleistung, den erforderlichen Aufwand und die Gesamtfrustrationsdimensionen des NASA-TLX-Fragebogens. Die an jedem der Items durchgeführten ANOVAs zeigten signifikante Auswirkungen des Zustands auf die mentale Anforderung, F(2, 30) = 6.5, P = 0,005, η p 2 = 0,30, 95 %-KI 0,04𠄰.49, körperliche Belastung, F(2,30) = 5.4, P = 0,01, η p 2 = 0,26, 95 %-KI 0,02𠄰.46 und zeitlicher Bedarf, F(2,30) = 16.8, P < 0,001, η p 2 = 0,52, 95 %-KI 0,24𠄰.67. Für jede dieser Variablen trat der höchste Mittelwert in der Folge einem Freund-Zustand auf.

TABELLE 2. Mittlere Aufgabenlastantwortbewertungen, die aus dem NASA-TLX-Formular erfasst wurden.


Kognitive Belastungsidentifikation von Piloten basierend auf physiologisch-psychologischen Merkmalen in komplexen Umgebungen

Kognitive Belastung wird von Piloten im Prozess der Informationserkennung über die Flugzeugsteuerung erzeugt und steht in engem Zusammenhang mit der Flugsicherheit. Kognitive Belastung ist das physiologische und psychologische Bedürfnis, das ein Pilot erzeugt, wenn er eine Mission erfüllt. Daher ist es sinnvoll, die dynamische Identifikation der kognitiven Belastung des Piloten unter der komplexen Mensch-Flugzeug-Umwelt-Interaktion zu untersuchen. In diesem Artikel wurde das Flugsimulationsexperiment für Flugfeldverkehrsmuster entworfen und verwendet, um die physiologischen EKG- und die psychologischen NASA-TLX-Daten zu erhalten. Die Wavelet-Transformations-Vorverarbeitung und die mathematische Statistikanalyse wurden jeweils darauf angewendet. Darüber hinaus wird die Methode der Korrelationsanalyse nach Pearson verwendet, um die charakteristischen Indikatoren psychophysiologischer Daten nach der Vorverarbeitung auszuwählen. Basierend auf den psycho-physiologischen charakteristischen Indikatoren wird das Modell zur Identifizierung der kognitiven Belastung des Piloten durch die Kombination von RNN und LSTM konstruiert. Die Ergebnisse dieser Studie sind genauer im Vergleich zu den kognitiven Lastidentifikationsmodellen, die mit anderen Methoden wie dem neuronalen RNN-Netzwerk und der Support-Vektor-Maschine erstellt wurden. Diese Forschung ist in der Lage, eine nützliche Referenz zur Vermeidung und Reduzierung menschlicher Fehler, die durch die kognitive Belastung während Flugmissionen verursacht werden, bereitzustellen. Es besteht das Potenzial, eine intelligente Steuerung des Flugzeugcockpits zu realisieren, das Flugsteuerungsverhalten zu verbessern und die Flugsicherheit aufrechtzuerhalten.

1. Einleitung

Mit der rasanten Entwicklung intelligenter Flugzeug-Cockpits haben die Komplexität und Integration luftgestützter Systeme von Flugzeugen sukzessive zugenommen. Gleichzeitig wird der Interaktionsprozess Mensch-Flugzeug-Umgebung immer komplizierter und auch die Schwierigkeit der Flugmission steigt entsprechend. Um die Start-, Nivellierungs-, Lande- und Rollprozesse abzuschließen, müssen Piloten viele Aufgaben übernehmen, um das Flugzeug genau zu steuern. Die meisten Teile der Hauptaufgaben beziehen sich direkt auf das Manövrieren des Flugzeugs, wie Informationswahrnehmung, Urteilsvermögen, Entscheidungsfindung und Ausführung. Sekundäre Aufgaben umfassen hauptsächlich Frühwarnung, Erkennung von Informationsschnittstellen und Sprachanrufe. Aufgrund der begrenzten Informationsverarbeitungskapazität von Piloten können Informationen aus mehreren Quellen aus verschiedenen Aufgaben leicht zu einer „Informationsüberflutung“ im Gehirn führen. Dies kann zu einer erhöhten kognitiven Belastung von Piloten führen, die sich nachteilig auf ihr Betriebsverhalten auswirkt und eine potenzielle Bedrohung für die Flugsicherheit darstellt. Daher ist die genaue Identifizierung der kognitiven Belastung von Piloten von großer Bedeutung, um eine intelligente Steuerung des Flugzeugcockpits zu realisieren, das Steuerverhalten der Flugbesatzung zu verbessern und die Flugsicherheit aufrechtzuerhalten.

Viele Forscher haben die kognitive Belastung von Piloten seit dem frühen 20. Jahrhundert untersucht [1], [2]. Gelehrte interessierten sich für die Anforderungen von Piloten, die sich schnell kultivieren und die Auswirkungen von übergewichtiger kognitiver Belastung auf Missionen zu reduzieren.Die kognitive Belastung von Piloten wurde aus der Perspektive der psychologischen Selektion und Identifizierung mittels Bewegungskoordinations-Reaktionserkennung, Papierstift oder Intelligenzerkennung identifiziert [3–5]. Obwohl diese Studien zukunftsweisend waren, hatten die meisten von ihnen eine gewisse subjektive Neigung zur Einmischung. Aufgrund der enormen Fortschritte auf dem Gebiet der künstlichen Intelligenz und der Computertechnologie besteht eine höhere Nachfrage nach der Untersuchung des psychologischen Status von Piloten wie der kognitiven Belastung. Viele Wissenschaftler haben sich auf Studien der kognitiven Belastung durch physiologische Indikatoren von Piloten konzentriert, die durch objektive Experimente erhalten wurden. Noel et al. [6] nutzten künstliche neuronale Netze, um die kognitive Merkmalskombination von Piloten zu den verschiedenen Flugzeiten zu klassifizieren. Zu diesen Merkmalen gehören das Elektrokardiogramm (EKG), die Elektroenzephalographie (EEG) und Augenbewegungen. Gray et al.[7] analysierte die Korrelation zwischen dem Herzfrequenzwert des Piloten, dem Wert der visuellen Scanbereichsänderung und der Landeabweichung des Flugzeugs. Dies lag an negativen Emotionen wie Angst, die durch die psychische Überlastung der Piloten verursacht wurde. Es zeigte sich, dass die Angst, die durch ihre psychische Belastung verursacht wird, einen signifikanten Einfluss auf die Flugleistung hat. Das Problem unterschiedlicher kognitiver Belastungen, die von verschiedenen Typen von Piloten derselben Aufgabe erzeugt werden, wurde von Mansikka et al. [8] untersucht. Basierend auf den Herzfrequenzdaten des Piloten, die aus Flugsimulationsexperimenten gewonnen wurden, verwendete der Forscher den Shapiro-Wilk-Test und wiederholte Messungen der Varianz, um die Flugleistung des Piloten unter den verschiedenen kognitiven Belastungen zu bestimmen. Es wurde von Andrew [9] für die Regel gefunden, dass die Herzfrequenzparameterwerte am empfindlichsten auf Veränderungen der kognitiven Belastung reagieren. Insbesondere steigt die psychische Belastung des Piloten mit zunehmender Schwierigkeit der Aufgabe und sinkt die niederfrequente Komponente der Herzfrequenzvariabilität. Jonathanet al. [10] verwendeten visuelles Verhalten, um Veränderungen in der Aufmerksamkeit des Piloten bei der Durchführung von Landeoperationen in einer Angstsituation zu untersuchen. Tjolleng et al. [11] etablierten ein künstliches neuronales Netz basierend auf dem Klassifikationsmodell der kognitiven Belastung gemäß dem Zeitbereichsindex des EKG-Signals des Piloten und dem Frequenzbereichsindex. Die Zeitbereichsindikatoren umfassen hauptsächlich das Durchschnittsintervall, das Standardintervall des RR-Intervalls und den quadratischen Mittelwert des RR-Intervalls. Die Frequenzbereichsindikatoren umfassen die Nieder- und Hochfrequenzleistung und deren Verhältnis. Diese Studie bewertet effektiv die kognitive Belastung des Piloten, was eine gute theoretische Grundlage für die Flugausbildung bietet. Wang [12] und andere haben die Zunahme der kognitiven Belastung des Piloten durch die große Menge an Informationen auf der Mensch-Maschine-Anzeigeschnittstelle des Flugzeugcockpits diskutiert. Basierend auf dem Augenbewegungsindex erstellten einige Forscher eine visuelle Informationsquellenmatrix, um die quantitative Untersuchung der kognitiven Belastung zu realisieren. Unter diesen umfassen Augenbewegungsindikatoren hauptsächlich die Anzahl der Blicke, die Blickzeit, die Blinzelzeit und den Pupillendurchmesser. Die physiologischen Eigenschaften, die mit der Gehirnaktivität verbunden sind, wurden von Gianluca [13] und anderen während des Übergangs vom normalen Flug zu hoher kognitiver Belastung und Ermüdung durch den Piloten untersucht. Scannellaet al. [14] versuchten, die Arbeitsbelastung der Piloten in realen Flugphasen auf individueller Ebene genau zu unterscheiden. Die gemittelten Werte von Herzfrequenz (HR), Herzfrequenzvariabilität (HRV), Fixationsdauer, Sakkadenfrequenz und visueller Entropie aus den realen Flügen wurden verwendet, um die Flugphase des Flugplatzverkehrsmusters zu klassifizieren. Antonio [15] führte physiologische Signale wie die Herzfrequenz (HR) und die Herzfrequenzvariabilität (HRV) ein, um den psychologischen Zustand des Piloten zu testen, um psychologische Fehler zu reduzieren, die durch die kognitive Belastung von Piloten verursacht werden. Mit zunehmender Schwierigkeit der Mission ändern sich die kognitive Belastungsdosis der Piloten und auch physiologische Indikatoren wie HR und HRV entsprechend. Wayanet al. [16] lieferte die Blinzelfrequenz der Elektroakupunktur, um die kognitive Belastung von Piloten während Flugsimulationsmissionen zu beurteilen, was zeigte, dass die Blinkfrequenz mit zunehmender psychischer Belastung abnahm. Diese Ergebnisse liefern einen neuen Beweis für einen Einfluss der mentalen Arbeitsbelastung auf die kognitive Funktion während des Fluges.

Viele Forscher haben eine Vielzahl von Methoden vorgestellt, um die kognitive Belastung von Piloten aus Sicht der Physiologie und Psychologie von Piloten zu untersuchen. Sie zeigen, dass die physiologischen Eigenschaften von Piloten einen signifikanten Einfluss auf die kognitive Belastung auf den verschiedenen Ebenen haben. Diese Studien sind vielversprechend und ermutigen zu einer tieferen Erforschung der physiologischen und psychologischen Eigenschaften von Piloten, um die Beziehung zwischen ihnen und der kognitiven Arbeitsbelastung im Flug zu untersuchen. Das Modell der kognitiven Belastungsidentifikation des bestehenden Piloten spiegelt in gewissem Maße die Intelligenz des Piloten wider. Aufgrund der intrinsischen Analyse der Dynamik und der Verknüpfung von physiologischen und psychologischen Merkmalen konnte sie jedoch die tatsächliche Leistung des Flugsteuerungsprozesses unter Berücksichtigung der Auswirkungen der verschiedenen kognitiven Belastungen nicht widerspiegeln. Vor diesem Hintergrund liefert diese Arbeit zunächst die physiologischen und psychologischen dynamischen Daten von Piloten unter dem Flugplatz-Verkehrsmuster durch einige flugsimulierte Experimente. Die physiologischen Daten sind hauptsächlich EKG-Merkmale des Piloten. Psychologische Daten werden mit der NASA-TLX-Skala zur Aufgabenschwierigkeit während des Flugplatzverkehrsmusters gemessen, um die kognitive Belastung zu quantifizieren. Darüber hinaus werden basierend auf den Vorverarbeitungsergebnissen physiologischer und psychologischer Daten, rekurrente neuronale Netze (RNN) und langes Kurzzeitgedächtnis (LSTM) verwendet, um ein kognitives Belastungsidentifikationsmodell für fliegende Kadetten in der komplexen Umgebung zu erstellen. Die vorliegende Studie zielt darauf ab, eine dynamische, nicht-invasive und kostengünstige Echtzeit-Identifizierung der kognitiven Belastung des Piloten basierend auf ihren physiologisch-psychologischen Eigenschaften in komplexen Flugumgebungen zu erreichen.

2. Methoden

2.1. Kognitives Lastidentifikationsmodell basierend auf LSTM-RNN
2.1.1. RNN-Netzwerkstruktur

RNN kann verwendet werden, um semantische Informationen und Zeitreiheninformationen in Daten zu ermitteln. Ein typisches zyklisches neuronales Netzwerkmodell umfasst hauptsächlich eine Eingabeschicht, eine verborgene Schicht und eine Ausgabeschicht [17], wie in Abbildung 1 dargestellt.

ist ein Eingang des Netzwerks zur Zeit T.

ist ein versteckter Zustand des Netzwerks zur Zeit T und ist auch die Speichereinheit des Netzwerks.

ist eine Ausgabe zur Zeit T. Ebenfalls,

ist eine endgültige Ausgabe des Modells. U, W und V repräsentieren eine Gewichtungsmatrix für die Eingabeschicht, die verborgene Schicht bzw. die Ausgabeschicht. Dieselben Parameter der Gewichtungsmatrix (U, W und V) werden in einem rekurrenten neuronalen Netzwerk zu verschiedenen Zeitpunkten in jeder Netzwerkschicht geteilt.


Welche statistischen Tests sollten bei der Analyse von NASA TLX verwendet werden? - Psychologie

Schlesische Technische Universität

Gegenstand: Wirtschaft, Verkehr, Verkehrswissenschaft und -technologie

eISSN: 2300-861X

VOLUMEN 14 , AUSGABE 2 (Juni 2019) > Liste der Artikel

AUSWIRKUNGEN DER PILOTEN&RSquo AUF DAS ERGEBNIS DER PSYCHOLOGISCHEN TESTS

  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Tschechische Technische Universität in Prag, Fakultät für Verkehrswissenschaften, Horska 3, 128 03 Prag, Tschechische Republik
  1. Technische Universität Košice, Fakultät für Luftfahrt, Rampová 7, 041 21 Košice, Slowakei
  1. Technische Universität Košice, Fakultät für Luftfahrt, Rampová 7, 041 21 Košice, Slowakei

Zitationsinformationen: Transportprobleme. Band 14, Ausgabe 2, Seiten 55-67, DOI: https://doi.org/10.20858/tp.2019.14.2.5

Lizenz: (CC VON 4.0)

Empfangsdatum : 03-Dezember-2017 / Akzeptiert: 03-Juni-2019 / Online veröffentlicht: 14-Juli-2019

ARTIKEL

ABSTRAKT

Die vorliegende Arbeit orientiert sich vor allem an der experimentellen Überprüfung des Einflusses von Ermüdung auf die psychische Verfassung des fliegenden Personals durch psychologische und leistungsbezogene Tests. Zur Bewertung einer Pilotleistung wurde das 24-Stunden-Experiment durchgeführt. Insgesamt nahmen acht Probanden an den experimentellen Messungen teil. Acht Teilnehmer durchliefen mehrere Tests, darunter Simulatorflüge, um die Auswirkungen der Müdigkeit auf die Ergebnisse psychologischer Messungen zu untersuchen. Zu den Messungen gehörten die Workload-Evaluierung mit dem NASA-Task-Load-Evaluation-Konzept und Leistungstests mit dem sogenannten OR-Test. Signifikante statistische Unterschiede zwischen Messungen, die während 24 Stunden durchgeführt wurden, wurden im Fall der NASA Task Load Scores nicht gefunden. Im Fall des OR-Tests zeigen Friedman ANOVA und anschließende Post-hoc-Analyse, dass der größte Leistungsabfall in etwa 22 Stunden Wachheit, also etwa in der Hälfte des Messvorgangs, beobachtet wurde. Das Konzept der 24-Stunden-Messung zur Quantifizierung von Ermüdung wird noch nicht gebräuchlich, ebenso wie die Objektivierung durch Leistungstests. Da die offensichtliche Wirkung von Fatigue hauptsächlich auf die Ergebnisse von Leistungstests zurückzuführen ist, kann argumentiert werden, dass diese Arbeit als Grundlage für weitere Studien zur Fatigue dienen könnte. Es könnte auch als Unterstützung für die Einführung neuer psychologischer Testverfahren für Piloten in der Zukunft dienen, was zu den aktuellen Bemühungen zur Verbesserung der Flugsicherheit beitragen könnte.

Inhalt nicht verfügbar Zurück zum Abstract PDF Share

ABBILDUNGEN & TABELLE

VERWEISE

1. Abd-Elfattah, H.M. & Abdelazeim, F. H. & Elshennawy, S. Physische und kognitive Folgen von Müdigkeit: Eine Überprüfung. Zeitschrift für fortgeschrittene Forschung. 2015. Bd.-Nr. 6. Nr. 3. S. 351-358.

2. Menschliche Leistungsfähigkeit und Begrenzung: JAA ATPL-Ausbildung. Zweite Ausgabe. Neu-Isenburg: Jeppesen. 2007.

3. Sundelin, T. & Lekander, M. & Kecklund, G. & Van Someren, J. W. & Olsson, A. & Axelsson, J. Cues of Fatigue: Auswirkungen von Schlafentzug auf das Erscheinungsbild des Gesichts. Schlaf. 2013. Bd.-Nr. 36. Nr. 9. S. 1355-1360.

4. Creeeley, H. & Nesthus, T. Vorhersage der Ermüdung durch Stimmanalyse. Luft-, Raumfahrt- und Umweltmedizin. 2007. Bd.-Nr. 78. Nr. 7. S. 730-743.

5. Kozuba, J. & Pil'a, J. Aircraft Automation Systems versus Pilot Situational Awareness (SA) – Ausgewählte Aspekte. In: Proceedings of 19th International Conference "Transport Means". Kaunas: Technische Universität Kaunas. 2015. S. 688-693.

6. Kozuba, J. & Piľa, J. Ausgewählte Aspekte des Situationsbewusstseins von Piloten. Nase mehr. 2015. Bd.-Nr. 62. Nein. SI. S. 175-180.

7. Madej, K. & Kozuba, J. Technologie als Leistungssteigerung im Lufttraining. In: Proceedings of 6th International Conference on "Military Technologies". Brünn: Universität für Verteidigung. 2017. S. 467-476.

8. Morris, M. B. & Wiedbusch, M.D. & Gunzelmann, G. Fatigue Incident Antecedentents, Consequences, and Aviation Operational Risk Management Resources. Luft- und Raumfahrtmedizin und menschliche Leistung. 2018. Bd. 2018 89. Nr. 8. S. 708-716.

9. Bennett, S.A. Arbeitsbelastung und Ermüdung des Piloten auf Kurzstrecken: eine Bewertung, die durch sofortige Selbsteinschätzung und Ethnographie unterstützt wird. Zeitschrift für Risikoforschung. 2016. Bd. 2016 21. Nr. 5. S. 645-677.

10. Weiland, M. & Nesthus, T. & Compatore, C. & Popkin, S. & Mangie, J. & Thomas, L.C. & Flynn-Evans, E. Luftfahrtmüdigkeit: Probleme bei der Entwicklung von Fatigue-Risikomanagementsystemen. In: Proceedings of the Human Factors and Ergonomics Society. San Diego. 2013. S. 1-5.

11. Avers, K. &. Hauck, E.L. & Blackwell, L. V. & Nesthus, T. E. Eine qualitative und quantitative Analyse des Trainings zur Ermüdungsbekämpfung in der Luftfahrtindustrie. Internationale Zeitschrift für angewandte Luftfahrtstudien. 2010. Bd.-Nr. 10. Nr. 2. S. 51-66.

12. Caldwell, J. A. Müdigkeit in der Luftfahrt. Reisemedizin und Infektionskrankheiten. 2005. Bd.-Nr. 3. Nr. 2. S. 85-96.

13. Mehta, R. K. & Peres, S.C. & Steege, L.M. & Potvin, J.R. & Wahl, M. & Stanley, L.M. & Nesthus, T.E. Ermüdungsüberwachung und -management in verschiedenen Branchen. In: Proceedings of the Human Factors and Ergonomics Society. Washington. 2016. S. 993-996.

14. Anto&scaronko, M. & Sabo, J & In: Proceedings of 21st International Conference "Transport Means". Juodkrante: Technische Universität Kaunas. 2017. S. 1062-1065.

15. Anto&scaronko, M. &. Pil'a, J. &. Korba, P. &. Lipovský, P. Psychologische Bereitschaft von Fluglotsen für ihren Job. Nase mehr. 2014. Bd. 2014 61. Nr. 1-2. S. 5-8.

16. Gregory, K. B. & Winn, W. & Johnson, K. & Rosekind M.R. Pilot-Ermüdungsuntersuchung: Untersuchung von Ermüdungsfaktoren bei luftmedizinischen Operationen. Luftmedizinisches Journal. 2010. Bd.-Nr. 29. Nr. 6. S. 309-319.

17. Bourgeois-Bougrine, S. & Carbon, P & Gounelle, C. & Mollard, R. & Coblentz, A. Wahrgenommene Müdigkeit bei Kurz- und Langstreckenflügen: eine Umfrage unter 739 Fluglinienpiloten. Luft-, Raumfahrt- und Umweltmedizin. 2003. Bd.-Nr. 74. Nr. 10. S. 1072-1077.