La charge mentale est un concept très utile dans les domaines dont l’objet d’étude et d’analyse est le travail et la performance humaine. Typiquement, la charge mentale est mesurée à l’aide des mesures subjectives (c.-à-d. des questionnaires) ou par des mesures comportementales (c.-à-d. les actions des individus). La charge mentale peut également être mesurée à l’aide de l’activité physiologique périphérique (p.ex. l’activité cardiaque). Il est cependant difficile de déterminer la source de la charge mentale à l’aide des mesures physiologiques périphérique. En effet, les sous-dimensions de la charge mentale, comme l’exigence, l’effort, le stress et la fatigue, provoquent souvent des manifestations physiologiques similaires. En plus de cette problématique, les mesures physiologiques de la charge mentale sont trop souvent étudiées dans des contextes de laboratoire et trop rarement étudiées dans des milieux de travail réels. Il est donc crucial d’investiguer leur potentiel dans des contextes réels. Cette thèse vise donc à investiguer le potentiel diagnostique (le potentiel à déterminer la source) des mesures physiologiques périphériques de la charge mentale. Pour y arriver, une méthode combinant l’approches cognitive traditionnelle et l’apprentissage automatique est utilisée. La thèse rapporte les résultats de deux expériences : une première menée en contexte de laboratoire et une seconde menée dans une simulation de commandement et contrôle reproduisant un milieu de travail réel. Les résultats montrent que les mesures physiologiques périphériques peuvent prédire, avec une bonne précision, la sousdimension qui est à l’origine de la charge mentale en contexte de tâche simple. Bien que moins précise, il reste possible de faire cette prédiction dans des contextes de tâche réelle. Dans l’ensemble, cette thèse apporte plusieurs contributions essentielles afin de rendre possible les mesures physiologiques périphériques de la charge mentale dans les milieux de travail réels. / Mental workload stands out as a key concept as soon as human work and human performance is discussed. Mental workload is often measured using subjective questionnaires or behavioral cues. Peripheral physiological measures (e.g. heart rate) can also be used to measure workload. However, it is particularly difficult to determine the source of workload using peripheral physiological measures. Sub-divisions of mental workload, such as task load, mental effort, stress and fatigue, often trigger similar physiological reactions, blurring the diagnostic potential of physiological measures. Furthermore, physiological measures are too often investigated in laboratory settings, making it hazardous to determine their performance in real world settings. This thesis aims at investigating the diagnostic potential of peripheral physiological measures. A mixed methodology, combining traditional cognitive approach as well as machine learning techniques, is used. This thesis presents results of both a laboratory setting experimental as well as an ecological command and control simulation. Results show that peripheral measures can be used to predict, with high accuracy, the source of workload in laboratory settings. While not as accurate, results also show that it is possible to perform a diagnostic measure of workload in an ecological work simulation. This thesis contribute to improve the potential of peripheral physiological measures in real work settings.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/33770 |
| Date | 26 February 2019 |
| Creators | Parent, Mark |
| Contributors | Tremblay, Sébastien |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | thèse de doctorat, COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xiv, 219 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0018 seconds