Our recent research shows that the design philosophy of human factors science in the intelligence age is expanding from "user-centered design" to "human-centered AI". The human-machine relationship presents a trans-era evolution from "human-machine interaction" to "human-machine/AI teaming". These changes have raised new questions and challenges for human factors science. The interdisciplinary field of human factors science includes any work that adopts a human-centered approach, such as human factors, ergonomics, engineering psychology, and human-computer interaction. These changes compell us to re-examine current human factors science's paradigms and research agenda. Existing research paradigms are primarily based on non-intelligent technologies. In this context, this paper reviews the evolution of the paradigms of human factors science. It summarizes the new conceptual models and frameworks we recently proposed to enrich the research paradigms for human factors science, including a human-agent teaming model, a human-agent joint cognitive ecosystem framework, and an intelligent sociotechnical systems framework. This paper further enhances these concepts and looks forward to the application of these concepts. This paper also looks forward to the future research agenda of human factors science in the areas of "human-AI interaction", "intelligent human-machine interface", and "human-machine/AI teaming". It analyzes the role of the research paradigms on the future research agenda. We believe that the research paradigms and agenda of human factors science influence and promote each other. Human factors science in the intelligence age needs diversified and innovative research paradigms, thereby further promoting the research and application of human factors science.


翻译:我们最近的研究显示,人类因素科学的设计哲学正在从“以用户为中心的设计”到“以人为中心的AI”。 人与机器的关系是一个跨时代的进化,从“人与机器的互动”到“人与机器/AI团队”。 这些变化为人类因素科学提出了新的问题和挑战。人类因素科学的跨学科领域包括采用以人为中心的方法的任何工作,如人类因素、人与人之间的工程学、工程心理学和人与计算机的互动。这些变化迫使我们重新审视目前的人类因素科学范式和研究议程。现有的研究范式主要以非智能技术为基础。在这一背景下,本文件回顾了人类因素科学的范式的演变。它总结了我们最近提出的新的概念模型和框架,以丰富人类因素科学的研究范式,包括人与人之间的团队模型、人类因素的联合认知生态系统框架和智能社会-技术系统框架。本文进一步强化了这些概念,并展望这些概念的应用。 现有研究范式主要以非智能技术为基础。 本文还展望人类因素科学的范式模式的演变。 人类因素研究的未来研究议程和人类因素的相互作用 。

0
下载
关闭预览

相关内容

专知会员服务
123+阅读 · 2020年9月8日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
32+阅读 · 2022年5月23日
Arxiv
35+阅读 · 2021年8月2日
A Survey of Deep Learning for Scientific Discovery
Arxiv
29+阅读 · 2020年3月26日
Arxiv
151+阅读 · 2017年8月1日
VIP会员
相关VIP内容
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员