摘要

壓力起源于個人與周圍環境之間的交流，以及前者對后者的刺激的反應。環境刺激與應對能力之間失去平衡，就會產生非適應性反應，威脅到復原力，并可能損害心理健康的維持。

在正常的生理條件下，急性壓力刺激會觸發導致皮質醇釋放的機制，通常被稱為 "壓力荷爾蒙"。在適當的條件和足夠的濃度下，這種荷爾蒙對個人有功能和保護作用，并成為讓某人面對警報或危險情況的核心。它還在調節與神經元趨向性相關的神經化學機制和更廣泛的神經元可塑性方面發揮著關鍵的生理作用。如果皮質醇水平過高，其釋放持續時間過長，其影響可能是有害于認知的。

在服役和執行任務期間，受雇的軍事人員暴露在關鍵事件中，其心理情感價值與創傷的發病機制相關。創傷的影響打破了主體的活動，降低了適應策略的效率和效果。

在軍事領域，人們一直特別關注提高人員心理復原力的技術。事實上，為了幫助軍事人員管理壓力，已經制定了專門的指導方針和有效的預防和培訓計劃（部署前和部署后）。作為一個例子，想想壓力接種訓練和復原力訓練的技術，這是壓力管理培訓計劃的一部分。

為了使這些技術更加有效，虛擬現實 "VR "技術被廣泛使用，它在高度互動、生態有效和情感參與的氛圍中提供了一個多感官的信號表現。

由于VR在部署前的沉浸性，人們在整個漸進的多步驟脫敏技術中被引導在緊張的情況下行動。這使得人們可以提前學習在情緒-生理、行為和程序層面上掌握現實的必要過程。

在部署后階段，如果創傷性事件或高度緊張的情況對卓越的認知能力產生了負面影響，恢復這些功能就變得至關重要。

為此目的而創造的虛擬技術的一個例子是大腦-虛擬認知康復，一個VR系統分為三個模塊，每個認知領域都有一個模塊。

它是各種治療途徑的附加工具，能夠結合創新和吸引力，并能夠減少在純軍事背景下工作的人員和所謂的 "數字一代"的恥辱感。

對VR進行的各種研究的結果突出了沉浸感是其主要特征。對大腦進行的研究使用了39人的樣本，證實了這一特點。事實上，接受測試的人呈現出與暴露在真實環境中的受試者相同的情感參與和心理物理激活。因此，在整個軍事行動周期內使用這項技術來治療干擾認知表現的疾病的好處可以很容易地推斷出來。

關鍵詞：壓力，虛擬現實，軍事，腦膜。

摘要:社會性量化的需要

在2020年新冠肺炎大流行之后，制定新方法和應對戰略以保持世界各地社區的社會凝聚力和心理復原力顯然成為一個優先事項。我們稱這種社會認知行為為“社會性”。社交是我們作為個人和更廣泛群體的一部分有效發揮作用的能力，盡管外部限制在關鍵環境中變得更有意義，如軍事干預，非軍事行動，如緊急反應，ICU衛生操作員，空乘和深空探索。諸如Social XR[1]等數字技術的獨特功能為滿足這些需求提供了機會，并部署可擴展和靈活的解決方案，以促進內部團隊的穩定性和更好的運營性能。

在軍事和非軍事環境中，設計和部署精神上和社會上可持續的行動的先決條件是選擇具有彈性的個人，并為他們提供一個合作框架，確保平衡的關系和高質量的人際溝通。社會凝聚力是計劃行動成功的一個重要因素，及時監測、檢測和預測其有效性的能力對于管理潛在的行為異常是有意義的。對目標團隊內部發生的群體動態的研究，以及任務控制，可以提供關鍵的和早期的線索，鼓勵建設性的交流，阻止關鍵的關系模式[3]。

本項目重點介紹一種技術支持的群體動態方法，能夠遠程和自主地捕捉人類互動的復雜性，并返回對預防和管理個人和群體行為異常有用的可操作的見解[4]。群體互動的復雜性需要一系列的人類主題專業知識(SME)來觀察、評估、測量、評估、預測、預防和應用必要的對策[5]。在現實世界中，讓這個龐大的從業人員團隊隨叫隨到或在現場對任務團隊進行持續監測是不切實際的。技術支持系統，如本文所述，將提高過程提供遠程操作軟件為基礎的工具，以幫助專家評估和自我效能，以維持社會凝聚力。一個自動化的、遠程操作的嵌入式系統將提供持續的測量和評估，以識別微妙和微妙的社會脆弱性指標。這將節省時間和資源，提供不引人注目的預防措施，以提高團隊業績，減少風險和增加任務成功的可能性。

該研究框架基于對隔離高危人群進行的初步研究。諸如AR頭戴式顯示器(HMD)等技術接口已被用于在人際群體互動中收集第一人稱視角，然后根據所得數據對量化的見解進行人類專業評估(圖1)。機器學習算法已被應用于人類觀察和感知計算，以驗證參與技術并計劃最佳對策[6]。由此產生的人機交互模型表明，有機會開發一個適合隨時隨地執行的非本地化和異步社會支持系統，由于系統自主性的增長，人類評估的時間預計會減少。

摘要

國防人員是被選中并接受訓練以在壓力下工作的眾多職業之一。在以信息過載、不確定性和時間壓力下的復雜決策為特征的未來操作環境中，對優化認知性能的重視程度將不斷提高。認知被廣泛認為是身體和精神表現的關鍵驅動力，然而，支持最佳表現的認知功能的核心要素、它們的機制和它們的可修改范圍卻缺乏清晰的認識。具體來說，人們對高壓力環境下認知能力的生物決定因素了解有限。

了解認知功能的基因組結構和分子機制對于更好地理解個人在認知挑戰任務中的表現至關重要。目前的認知評估工具是為適應表現數據而開發的，與潛在的生物學無關。雖然這些標準化的測試對做出關于能力的決定是有用的，但它們并不能說明潛在的生物表型，因此對設計基于生物的干預措施的幫助有限。我們的項目正在建立一個以生物學為基礎的認知測量框架，這將使以表現為重點的認知評估系統更加連貫，并為監測和干預方案的制定提供一個更加系統和有針對性的方法。

通過全基因組關聯（GWAS）方法研究的一般認知能力（g）的遺傳組成，由于表型定義和測量的巨大差異，仍然沒有結論。如果考慮到g的子成分和認知功能的非g維度，如執行功能，問題就更大了。為了增進我們對認知功能的遺傳結構的理解，需要對表型的定義和測量進行徹底的改進。為此，我們選擇將重點放在認知測試數據中最小的可測量成分上，并研究其遺傳關聯。30年前提出的這一解決方案（Atchley and Hall 1991）并不可行，原因是：（1）對多種認知能力在遺傳上的可分離性缺乏了解；（2）認知的高度多基因性，促使認知基因組學研究需要大量的樣本量（數十萬）。我們以前的研究開始解決這些限制，證明了G與特定認知能力（如執行功能）的遺傳分離性（Ciobanu等人，2021）。我們目前的研究通過研究世界上最大的數據集（英國生物銀行）的遺傳和認知評估數據，完善了認知功能的核心維度，該數據集有超過50萬名參與者。首先，我們將通過應用多變量混合模型GWAS方法，確定與基本認知單元相關的遺傳變異。第二，對于這些變量中的每一個，我們將比較整個基因組的關聯模式。第三，我們將研究特定測試的遺傳變異如何結合起來代表更廣泛的認知結構以及這些更廣泛的結構是如何相互關聯的。這些關聯將共同形成我們的認知功能的基因組信息模型，這反過來將為認知評估的設計和應用提供信息，這些評估是根據選拔、訓練和操作支持應用的明顯不同要求而定制的。

引言

1.1 情報和認知過程的評估

1.1.1 智力的性質

對于認知能力和智力的研究，有兩種不同的方法。一種是專注于人口中單一智力結構的個體差異。另一種是適用于臨床神經心理學的更詳細的多層次、多成分的模型，并且可能更容易轉化為底層的生物分析。

考慮到第一種方法，許多當代的研究可以追溯到查爾斯-斯皮爾曼（Charles Spearman）（1904）的工作，以及根據他對各種認知任務之間正相關的觀察，發現了一般智力因素 "g"[1]。斯皮爾曼使用因子分析的統計方法，聲稱 "g "是一個單一的基本智力因素，它可以解釋各種可觀察到的能力的個體差異。從統計學上看，"g "是一個單一的因素/組成部分，它解釋了智商測試中約40%的表現差異。從心理測量學的角度來看，"g "可以捕捉到一個人在任何數量的認知任務中的表現。在心理學上，"g "被解釋為類似于 "能量 "或 "功率 "的東西，是整個大腦皮層表現的一個函數。最近，A.詹森（1923-2012）和H.艾森克（1916-1997）的工作將 "g "與心理速度聯系在一起，通過檢查時間和選擇反應時間的測量來體現。關于人類智力是否存在一個單一的可量化的因素，仍然存在激烈的爭論。

摘要

解釋團隊表現的基本因素仍然是一個激烈的研究課題。在成功的團隊合作中，信息必須被快速有效地傳遞，而解決方案必須通過一個被稱為團隊認知的過程利用團隊的集體知識。加強團隊合作不僅提供了提高生產力、安全性和滿意度的手段，而且在高壓/高風險情況下需要快速和戰略反應時，也變得非常必要。越來越多地，電子競技中的合作已經成為動態快節奏的團隊工作過程和更普遍的團隊認知的代表模式。特別是在競爭激烈的團隊電競中，團隊快速協調和參與戰略決策的能力可以轉化為巨大的優勢，使團隊能夠超越對手，即使在其他技能水平可能是平等的。盡管對團隊合作的機制進行了幾十年的研究，但直到最近，非侵入性神經影像學才為研究多個個體參與現實的團隊合作場景提供了可利用的方法。在本文中，我們調查了成功的團隊表現的基本因素，以及電子競技游戲為研究這些因素提供靈活背景的方式。接下來，我們介紹了參與人際互動和協作的神經生理機制，以及測量人際神經同步性及其與團隊認知的相關性的方法。最后，我們介紹了一個正在進行的團隊認知研究中的超掃描協議，并討論了基于團隊的神經影像學方法在現實世界中的應用前景。

關鍵詞：神經工程學、功能性近紅外光譜（fNIRS）、皮膚電活動（EDA）、超掃描、人際同步性、團隊工作、協作

引言

雖然一個人可能擁有很大程度的角色靈活性，并能獨自完成各種不同的任務，但與其他人一起工作能夠完成明顯更復雜的項目，并取得本來無法實現的結果。團隊合作不僅在較高的復雜情況下是必要的，而且在必須快速、平行和響應地處理信息的情況下也是至關重要的[1]。這種情況在高壓力的職業中經常遇到，比如緊急醫療服務、第一反應者和軍事行動[2]-[4]。由于在快速戰略反應中失敗的代價往往非常高，團隊表現的機制往往被置于顯微鏡下，以便找出成功合作的基本要素。從這一研究思路來看，團隊績效的幾個關鍵因素已經被描述出來，包括認知風格、個性、經驗、信任和領導角色的影響[5]-[7]。然而，這些研究大多集中在行為和定性評價上，對于大腦如何在快節奏和動態環境中促進成功的合作，人們了解得相對較少。

近年來，神經影像學模式的進步使科學家們能夠在個人從事認知任務時同時監測他們的神經生理活動，這一過程被稱為 "超掃描"[8]。這種方法使社會神經科學得到了飛躍式的發展，并使基于大腦的方法能夠研究團隊功能和認知[9]。同時，基于團隊的 "電子競技 "或電競已經從一個相對邊緣的愛好變成了一個價值數百萬美元的產業，擁有龐大的獎金池、觀眾追隨者，甚至是專門建造的競技場[10]。由于電競的競爭性質及其對有效溝通和協作的嚴重依賴，研究人員被授予一個窗口，以了解在這些虛擬環境中重新創建的良好的團隊合作機制[11]。此外，電競在公眾中越來越受歡迎，在普通人群中創造了高度不同的技能范圍，使研究人員能夠研究團隊如何在不同的經驗水平、團隊組成、工作環境和其他因素中運作。最后，電競作為一種團隊合作的模式，也許從來沒有像現在這樣，在經濟變化的推動下，繼續向遠程工作發展，但由于COVID19大流行[12], [13]而大大加快了。在這項工作中，我們介紹了通過當前團隊認知背后的神經生物學理論引入的關鍵概念，電子競技如何作為團隊認知的原型模型發揮作用，量化神經同步的方法，以及這些技術在未來神經工程學背景下的最終應用。

摘要

在航空航天和機器人手術等領域，復雜的高精度人機系統的效率和安全性與操作員的認知準備、管理工作量的能力和態勢感知密切相關。對心理工作量的準確評估有助于防止操作失誤，并通過預測工作負荷過重或刺激不足可能導致的業績下降，從而進行針對性的干預。基于人體和大腦活動測量的神經工效學方法可以為復雜訓練和工作環境下的人類心理工作量提供敏感和可靠的評估。本文概述了可穿戴腦和身體成像方法通過神經/生理信號評估心理工作量的潛力，并提供了一種利用多模態生物傳感器對多領域認知任務中的工作量進行比較評估的研究設計。這種綜合的神經工效學評估利用神經成像和生理監測，可以為開發下一代神經適應接口和更有效的人機交互和操作技能獲取的訓練方法提供信息。

關鍵詞:認知工作量，fNIRS，腦電圖，眼動跟蹤，神經工效學，移動腦/體成像

引言

人類在任何類型的目標或任務上的表現都與熟練完成這些目標或任務所需的認知工作量有關。每個人都有自己獨特的認知模式，在執行某些類型的任務時更有效率。通過有針對性的培訓，可以在更短的時間內提高操作人員的能力，提高工作效率。

心理負荷在許多復雜的指揮控制系統中起著至關重要的作用。在航空航天和機器人手術等領域，復雜的高精度人機系統的效率和安全性與操作員的認知準備、管理工作量的能力和態勢感知密切相關。主觀操作員報告、生理和行為測量不足以可靠地監測可能導致不良結果的認知負荷。心理負荷這個概念反映了大腦為滿足任務需求而努力工作的程度，它的一個關鍵特征是，它可以與行為表現數據分離。經驗豐富的操作員可以通過增加努力、激勵或改變策略，在較長一段時間內保持所需的性能水平，即使面臨更多的任務挑戰。然而，持續的任務需求最終會導致績效下降，除非心理工作量的上升趨勢可以用來預測隨后的績效崩潰。因此，重要的是在訓練和行動任務期間評估獨立于業績衡量的精神工作量。基于人體和大腦活動測量的神經工效學方法可以為復雜訓練和工作環境下的人類心理工作量[2]提供敏感和可靠的評估。

在軍事行動的背景下，評估和衡量操作員的認知工作量尤其重要，因為在軍事行動中，性能故障可能會導致災難性的損失。對心理工作量的準確評估有助于防止操作失誤，并通過預測工作負荷過重或刺激不足可能導致的業績下降，從而進行針對性的干預。

摘要

目前戰斗機飛行員的訓練幾乎無一例外地是按固定的小時數和特定的時間安排設計的。基于績效的訓練是一種旨在優化訓練的概念，最好是個性化的方式。它是關于事先防止訓練/表現差距，而不是事后解決它們。有效的個性化學習假設所提供的學習任務具有最佳難度水平。為此，本文提出了一種基于多種認知負荷指標的飛行員認知負荷實時分類優化負荷模型。該研究旨在測試腦電圖(更具體地說，是個人的上波段功率和θ波段功率)，作為戰斗機駕駛艙環境中該模型的認知負荷指標之一。共有4人參加，他們都是前F-16飛行員。每個參與者都進行了三次多次跑步。第一次測試(記憶測試)的認知負荷預計會比最后一次測試(性能測試)的認知負荷更高。與記憶測試相比，表現測試中的表現和主觀工作量分別更高和更低，而認知負荷指標顯示兩種測試之間的混合結果，這可以歸因于個體間和個體內的高差異。

關鍵詞:績效訓練，認知負荷，腦電圖，戰斗機駕駛艙模擬器，保持間隔，戰術攔截

引言

目前，戰斗機飛行員的訓練幾乎無一例外都是在特定的時間內進行固定小時的資格訓練和年度訓練。一般來說，偏離項目與組織要求有關，較少與個體飛行員的要求有關。基于績效的培訓是一個培訓概念，旨在優化培訓，最好是以個性化的方式，以便在正確的時間和正確的資源提供相關的培訓活動。它是關于防止訓練/表現差距，而不是事后解決它們，可以用于目標的最高個人標準，而不是確保最低標準。基于性能的培訓需要先進的技術來測量和記錄飛行員和系統的性能和行為。它還需要先進的分析技術。由于各種各樣的原因，這兩種技術在實踐中很少使用。它們需要組織中缺乏的專業知識，它們需要時間來使用，它們可能會影響任務的執行(它們是“侵入性的”)。我們預計，隨著技術的進步，這些限制將在未來十年消失。

在尋找最佳學習條件的過程中，教育科學研究者提出了個性化學習的概念。與個性化醫學的成功發展類似，個性化學習旨在識別學習中個體差異的遺傳、神經和行為預測因子，并旨在使用預測因子幫助創建最佳教學范式[1]。有效的個性化學習至少假定所提供的學習任務具有最佳的難度水平。最佳任務難度與表現和認知負荷的平衡有關(“認知負荷理論”)。在學習的過程中，需要適當的任務難度來保持平衡。次優的任務難度會導致無效的訓練，例如，向專家提供適合新手的訓練，已經發現會對他們的學習進度產生負面影響。通過提高積極性可以更快地達到平衡。這些發現與Vygotsky的兒童最近發展區(Zone of Proximal Development for children)[5]和游戲設計[7]中應用的流概念Csíkszentmihályi[6]相一致:焦慮和無聊之間的“流通道”(見圖1)。后一個概念強調了任務難度在挑戰性和簡單性活動之間波動的帶寬的重要性，同時避免極端沮喪或無聊的狀態。這種進步可能不僅對游戲有刺激作用，而且對任何類型的活動都有刺激作用，包括Kiili[8]所顯示的學習。

摘要

認知-運動干擾指的是當認知任務和身體任務同時執行時(雙任務)與單獨執行時(單任務)相比，認知或身體表現的下降。本研究旨在探討兩種認知運動干擾測驗在軍事環境下的效度和測驗靜息信度。24名士兵、軍官和學員參加了四次實驗訪問(測試:訪問1和訪問2;在第1次和第3次來訪時，他們進行了10分鐘負重行走、10分鐘精神運動警戒任務(PVT)以及兩項任務的合并(雙任務1);5分鐘的測試，5分鐘的單詞回憶任務，以及在Visit 2和Visit 4同時進行的兩項任務(雙任務2)。在訪視1和3時測量步長、步頻、反應時間和失誤數;在來訪2和4時測量跑步距離和回憶單詞數量。與單任務條件相比，雙任務條件下負重行走的步長更短(t(21) = -0.721, p < 0.001)，步頻更高(Z = -3.523, p < 0.001)。pvt的平均反應時間(t(21) = 0.856, p = 0.402)和失憶次數(Z = -0.721, p = 0.479)均無顯著性差異，跑步距離(t(21) = 5.600, p < 0.001)和記憶單詞數(t(21) = 3.227均有顯著性差異。P = 0.004)。在單任務和雙任務條件下，所有認知和物理變量的信度均表現為良好到優秀，但失誤次數在兩種條件下均表現為低信度。總之，本研究結果表明，跑步+單詞回憶任務測試是一種有效、可靠的雙任務測試，可用于評估軍事環境下的認知運動干擾。進一步提高Marching + PVT試驗的效度和信度仍需進一步研究。

介紹

認知-運動干擾是指當認知任務和身體任務同時執行時(雙任務)與單獨執行時(單任務)相比，認知表現和/或身體表現的下降[1]。大量研究調查了行走時的認知-運動干擾，顯示在雙任務條件下，步態表現明顯受損[2]和更高的認知負荷[3]。然而，對其他體力活動的研究較少，如跑步[4-7]、游泳和爬山。在軍事環境中，同時執行一項以上任務的能力(即多任務處理能力)是至關重要的。然而，由于多任務比單一任務帶來的更高的工作量，錯誤和其他性能損害往往是不可避免的，即使是最專業的人。

不同的策略被提出來提高軍事人員[10]的多任務性能。然而，多任務性能的客觀評估在軍事環境中并不常用。一組康復科學家通過開發軍事多任務性能評估(AMMP)進行了嘗試。AMMP是一個臨床雙任務和多任務的電池，旨在評估受輕度創傷性腦損傷[12]影響的軍事人群的重返任務需求。一些研究也對腦震蕩和輕度創傷性腦損傷后的認知干擾對步態穩定性的影響進行了研究[13-15]，最近，一個旨在評估體力工作時的精神工作量的多模態數據庫[16]被描述。然而，在健康士兵和其他軍事人員中開發有效和可靠的認知運動干擾測試還需要更多的工作。在此，我們描述了一項研究，旨在調查兩項認知運動干擾測試的效度和測試重測信度的士兵，軍官和學員無腦損傷。

摘要

未來的戰斗機飛行員和遠程作戰人員將需要先進的決策和注意力支持，以應對日益復雜、不確定的信息和多智能體協調。監測飛行員的精神狀態和意識，并將其提供給系統，可以更好地實現人與系統的協作，提高聯合性能。研究表明，不同的心理-生理測量技術可以用于評估多種認知和情感狀態，如精神工作量、注意力、疲勞，以及工作相關變量，如任務難度和任務完成情況。然而，對多種傳感技術的實時評估和信號時序的研究卻很少。我們開發了一種實驗性的人工智能管道，使用眼動跟蹤(眼跳、注視時間等)、皮膚電活動(EDA)和心率變量(例如，HR和HRV)實時調查戰斗機飛行員的心理狀態。該系統采用混合分析方法，包括數據流處理和機器學習(ML)，使不同信號事件的實時分析和基于時間的推斷成為可能。我們報告了該方法的優點和缺點，介紹了正在進行的系統實證實驗的結果，并討論了高級注意力指導的可能應用。

關鍵詞:人工智能，戰斗機飛行員，心理狀態，心理生理學，戰斗機。

引言

自適應自動化[1,2]是一種很有前途的方法，可以支持操作人員并保持他們的工作量在適當的水平上。今天，有許多傳感器技術可以佩帶或嵌入到我們的物理工作環境中，如眼動跟蹤眼鏡和智能手表。這些發展使得創建高級應用程序成為可能，這些應用程序跟蹤飛行員與操作任務相關的健康和認知狀態，并在需要時提供支持。因此，未來的工作環境可能會衡量個人和群體的表現、壓力和注意力水平，以優化和平衡個人和群體之間的任務為目標。然而，這種方法需要有方法和算法對操作者的工作量、壓力和注意力水平等認知狀態進行充分的實時分類和評估[4,5,6]，而這只能通過使用心理生理傳感器來實現。未來的應用包括未來軍事概念的飛行員環境，載人和無人駕駛，具有適當水平的自主權來協助飛行員和決策支持，以應對信息過載的影響。此外，對于已知用戶認知需求的特定任務，不同類型的自動化之間的分離可能是有益的。我們的研究旨在探索工作負荷誘導的各種心理生理反應的模式識別的潛力。我們的目標是了解這些反應和信號之間的關系，以便用于未來的自適應自動化技術，以減少操作人員的心理工作量，提高注意力，從而確保性能水平。

在本文中，我們提出了一種基于時序時間的分析引擎，用于對多個傳感器數據和心理生理現象進行實時分類和驗證。此外，我們提出了數據收集方法和實驗設置，以驗證假設的眼睛，心臟和皮膚電對外界刺激的反應模式。首先，我們介紹了本研究中用于評估認知狀態的心理測量方法的背景。其次，我們討論了實時處理數據流的人工智能管道。第三，我們介紹了在虛擬現實環境中使用眼動跟蹤、心率和皮電反應的實驗裝置。在本文的其余部分，我們將介紹這種方法的優點和缺點。

摘要

由于軍事戰場日益復雜，國防部門正在尋找最先進的解決方案，為操作人員提供工具，以實現比對手更快和更有效的決策過程。這些工具通常被稱為決策支持系統（DSS），在過去幾十年里一直在使用。人工智能技術通常被應用在決策支持系統中，以確保與個人行為相比，錯誤率更低，決策更快。在決策支持系統中，這種實現的有效性在很大程度上取決于操作者對人工智能提供的建議的理解能力，以及由此產生的信任。可解釋的人工智能（XAI）允許用戶通過在DSS的用戶界面（UI）中可視化的過程來了解系統是如何得出關于某個決策的建議的。然而，這也帶來了一個固有的問題，即：在用戶超載、降低操作者的決策性能之前，應該向用戶展示多少過程？

在這項研究中，一個人工智能驅動的應用程序已經被開發出來，它可以幫助操作員規劃一個軍用直升機任務。在這個場景中，操作者需要為直升機上的士兵找到兩個合適的著陸區域(LZs)，以便接近一個小城市地區的恐怖分子營地。DSS支持選擇合適的降落區域的過程，考慮到各個方面，例如到目標區域的距離、光斑大小、表面類型和坡度。為了評估達到信任和任務績效的最佳水平需要多少透明度，我們定義了四個可解釋性級別，每個級別都增加了信息透明度和控制級別。對于這四個關卡中的每一個，都需要在測試階段設計、開發和評估獨特的ui。結果表明，第三和第四UI設計的性能有所提高(決策制定的時間更少，LZ決策的正確百分比更高，提交的LZ反映了良好的人機交互，感知和實際得分之間的偏差較低)，這比前兩層提供了更多的信息和更多的互動可能性。結果還表明，用戶更喜歡個性化他們的UI，以滿足他們的角色、體驗水平和個人偏好。

當前軍事推演中合成角色的行為能力是有限的，因為它們通常是由基于規則和反應性計算模型生成的，具有最低限度的智能。這種計算模型不能適應反映角色的經驗，導致即使是通過昂貴和勞動密集型過程設計的最有效的行為模型也很脆弱。利用機器學習和合成實體的經驗并結合適當的先驗知識的、具備自適應能力的、基于觀察的行為模型，可以解決現有計算行為模型中的問題，從而在軍事訓練模擬中創造更好的訓練體驗。

南加州大學創新技術研究所介紹了一個框架，旨在創建自主的合成角色，這些角色能夠執行可信行為的連貫序列，同時在訓練模擬中了解人類受訓者及其需求。該框架匯集了三個相互補充的組成部分。第一個組件是基于Unity的仿真環境——快速集成和開發環境（RIDE）——支持One World Terraing（OWT）模型，能夠運行和支持機器學習實驗。第二個是Shiva，這是一個新穎的多智能體強化和模仿學習框架，可以與各種模擬環境接口，并且可以額外利用各種學習算法。最后一個組件是Sigma認知架構，它將通過符號和概率推理能力來增強行為模型。已經成功地創建了概念驗證行為模型，在現實中利用這一框架，作為將機器學習引入軍事模擬的重要一步。

論文全文：

//www.zhuanzhi.ai/paper/2902032e89eae24167b560a5e2e0de47