No abstract

No abstract

No abstract

International audienceThis paper presents the COWORK2 method, designed to classify the collective tasks of a fighter jet patrol according to two classification criteria: mental workload (at individual level) and communication quality (at team level). The classification purpose is to detect the tasks for which collective work could be impaired. A three-stage method is developed. Stage 1 consists in carrying out a task analysis with a subject matter expert to identify the collective tasks and characterize them in terms of commonly occurring situations and functions (constraints). In Stage 2, data related to individual mental workload (physiological measures) and team communications (communication recordings) are collected from a low-intrusiveness device in a highly realistic simulation environment. Stage 3 finally produces the classification of patrol collective tasks according to the two levels of analysis: individual and team. This classification is corroborated by the risk-level categorization of collective tasks achieved by a subject matter expert. The results highlight the relevance of the COWORK2 method

Plusieurs études ont montré que des différences interindividuelles pouvaient exister dans la façon dont les conducteurs interagissent avec un véhicule automatisé. S’inscrivant dans la lignée de ces travaux, cet article vise à identifier différentes classes de conducteurs à l’aide de méthodes de clustering et propose d’interpréter ces classes en termes de « mode de contrôle cognitif ». Ce concept a été défini par Hollnagel (1993, 2002). Cet auteur a distingué des modes de contrôle allant des plus réactifs aux plus proactifs et a montré qu’ils étaient associés à différents niveaux de performance.Cette étude repose sur des données recueillies sur simulateur de conduite, auprès de 36 participants ayant expérimenté la conduite d’un véhicule de niveau SAE 3 (SAE J3016, 2018). Les participants étaient invités à jouer sur une tablette de jeu pendant la phase de conduite automatisée, puis devaient reprendre le contrôle du véhicule en mode manuel dans une situation de changement de voie. Les participants disposaient de 10 secondes pour reprendre le contrôle. L’étude porte sur une condition dans laquelle les conducteurs utilisaient un affichage tête haute présentant des informations en réalité augmentée. Plusieurs types de données ont été analysés afin de catégoriser les participants et d’expliquer les classes résultantes ; il s’agit de données véhicule (actions du conducteur et trajectoire du véhicule), de données oculaires et de verbatims recueillis lors d’entretiens d’explicitation.Des méthodes de clustering ont été utilisées pour analyser les données véhicule. Elles ont permis d’identifier trois classes de comportement. La classe 1 est associée à des actions de contrôle du véhicule qui peuvent être qualifiées de « fluides » et à une expérience utilisateur positive ; les participants appartenant à cette classe ont passé plus de temps à regarder la scène de conduite que les autres. La classe 2 est également caractérisée par des actions de contrôle « fluides » mais l’expérience utilisateur des participants est plus mitigée. La classe 3 est opposée aux deux premières. Elle est associée à des actions de freinage brusques, un changement de voie plus rapide, une expérience utilisateur négative, des fixations oculaires sur la tablette de jeu qui persistent après la demande de reprise en main ; au sein de cette classe, la majorité des participants mentionnent qu’ils ont rencontré des difficultés à comprendre les informations affichées en réalité augmentée.Ces classes de comportements ont été interprétées en termes de différents modes de contrôle cognitif : un mode de contrôle « tactique » mis en œuvre lorsque les conducteurs se sont donnés suffisamment de temps pour analyser la situation, un mode de contrôle « erratique » ou « opportuniste » dans le cas contraire.