飛行訓練期間多模態壓力與疲勞模式之映射研究
arXiv - Human-Computer InteractionAtandrila Chowdhury, Sudip Vhaduri, Julius Keller, Debra Henneberry, Mark Wilson
本研究結合生理訊號與自我報告，揭示了學生飛行員在訓練過程中隨時間累積的壓力與疲勞模式。
AI 幫你先抓重點
AI 重點 1
多模態數據融合（生理訊號 + 主觀量表）的必要性
滑鼠懸停看 AI 判斷理由
單一數據源可能產生誤判，例如心率可能僅反映瞬時壓力，而 EDA 則能捕捉長期累積的負荷。結合兩者能提供更全面的學習者狀態圖譜，這對於精準評估學習者的認知負荷至關重要。
AI 重點 2
從「瞬時反應」轉向「趨勢監測」的評估視角
滑鼠懸停看 AI 判斷理由
研究區分了事件驅動的壓力（心率）與累積性的疲勞（EDA/溫度），這提醒設計者在開發學習監測系統時，不應只關注單一學習行為的起伏，更需關注學習者狀態的長期演變趨勢。
核心研究發現
- 1
研究發現隨著飛行時間增加，皮膚電活動（EDA）與皮膚溫度呈現穩定上升趨勢，顯示工作負荷導致的疲勞感隨時間累積。
- 2
心率（HR）反應呈現事件特異性，主要在飛行過程中的高需求階段出現短暫的尖峰反應。
- 3
飛行後的自我報告疲勞感與生理數據一致，證實了生理訊號與主觀感受在捕捉疲勞狀態上的關聯性。
對教育工作者的啟發
對於設計高風險或高認知負荷學習環境（如模擬器或專業技能訓練）的設計者，建議導入多模態監測系統。首先，應區分「瞬時壓力」與「長期疲勞」，設計不同的反饋機制：針對瞬時壓力提供即時引導，針對長期疲勞則應設計強制休息或調整訓練強度的機制。其次，利用生理數據的趨勢分析，可以預測學習者的崩潰點，從而實現動態調整教學難度，優化學習者的自主學習體驗與心理健康。
原始文獻資訊
- 英文標題：
- Mapping Multimodal Pilot Stress and Fatigue During Flight Sessions
- 作者：
- Atandrila Chowdhury, Sudip Vhaduri, Julius Keller, Debra Henneberry, Mark Wilson
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- /models/gemma-4-26B-A4B-it
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。