목적: 조건부 자동 주행(SAE 레벨 3)은 자동화 시스템이 실패할 경우 운전자가 차량을 인수해야 한다. 이러한 인수(takeover) 상황에서 발생할 수 있는 정신적 작업부하(mental workload)는 운전자의 행동과 안전에 직접적인 영향을 줄 수 있는 중요한 인간 요인이므로 예측하는 것이 중요하다. 따라서 본 연구는 ACT-R(Adaptive Control of Thought-Rational) 인지 아키텍처를 사용하여 자동 주행 중 인수 상황에서의 정신적 작업부하를 예측하는 방법을 제시한다. 본 연구에서 제안하는 정신적 작업부하 예측 모델은 향후 자율주행 상황에서의 대두되는 충돌 회피 기술을 위한 기반이 될 수 있는 계산 모델이다. 방법: 본 방법론은 인지 과정을 모델링하고 수행을 예측하는 데 있어 견고함으로 알려진 ACT-R 인지 아키텍처를 통합한다. 제안된 인수 인지 모델은 운전 상황을 반복적으로 점검하고 인수에 대한 의사결정을 수행하기 위한 상징적 구조뿐 아니라 비운전 관련 업무(Non-Driving-Related Tasks, NDRT)도 포함한다. 우리는 자동 주행 시나리오에서 인수 동안의 정신적 작업부하를 예측하기 위해 ACT-R 인지 모델을 사용하였다. 모델의 예측은 검증 시험에서의 생리학적 데이터와 수행 데이터에 대해 검증하였다. 결과: 모델은 r-square 값 0.97로 높은 정확도를 보였으며, 이는 예측된 정신적 작업부하와 실제 정신적 작업부하 간의 강한 상관관계를 나타낸다. 모델은 운전 시나리오에서의 다중작업(multitasking)의 미묘한 차이를 성공적으로 포착하였고, 인수 동안 다양한 인지적 요구를 나타내는 데 있어 적응성을 보여주었다. 결론: 본 연구는 자동 주행 인수 상황에서의 정신적 작업부하 예측에 ACT-R 모델의 효능을 확인한다. 이는 운전자 보조 시스템을 개선하고, 차량 안전성을 향상시키며, 인간-기계 역할의 효율적인 통합을 보장할 수 있는 모델의 잠재력을 강조한다. 본 연구는 인지 모델링 분야에 유의미하게 기여하며, 견고한 예측과 자동 주행 과업에서의 인간 행동에 대한 통찰을 제공한다.

Stroop 과제는 특히 ACT-R 인지 아키텍처의 맥락에서 인지 처리 과정에서의 인간 오류를 이해하기 위해 사용된다. 기존 ACT-R 모델에서는 Stroop 효과가 직관적 과정과 의도적 과정 간의 경쟁에 의해 유도된다. 그러나 직관과 의도성을 구분하는 기준을 정하기는 어렵다. 본 연구에서는 Stroop 과제를 위해 이원 과정 이론(dual process theory)에 기반한 새로운 방법을 제안한다. 우리는 ACTR을 기반으로 한 인지부하(cognitive load)의 정량적 예측값을 통해 직관적 과정과 의도적 과정 간의 전환을 나타낸다. 제안된 인지 모델은 검증 실험을 통해 Stroop 효과를 비교적 양호하게 재현함을 보여준다. 이 방법은 Stroop 과제에서 직관적 의사결정으로 인한 인간 오류를 재현할 수 있게 함으로써 ACT-R 모델링 분야의 확장에 기여한다.

임의적 멀티태스킹(discretionary multitasking)은 인간-컴퓨터 상호작용 연구에서 널리 퍼져 있고 중요한 분야로 부상하고 있다. 멀티태스킹에서 인간의 행동을 통찰하고 예측하기 위해 ACT-R과 같은 인지 아키텍처(cognitive architectures) 기반 모델링에 관한 연구는 비판적으로 중요하다. 그러나 ACT-R 모델링에 관한 연구는 주로 예약된 작업 전환을 포함한 동시적 및 순차적 멀티태스킹에 초점을 맞춰 왔다. 따라서 본 연구에서는 임의적 멀티태스킹에서의 작업 전환(task switching)에 대한 ACT-R 인지 모형을 개발하여 인간이 언제 그리고 어떻게 작업 전환을 결정하는지에 대한 통합적 설명을 제공하고자 하였다. 본 모형은 작업 전환 과정을 강제된 요구에 의한 자기-중단(self-interruption)과 전환을 결정하는 의사결정(decision to switch)으로서 나타내는 인지적 과정을 표상하는 상징적 구조(symbolic structure)와 하위 상징적(subsymbolic) 방정식(equations)으로 구성된다. 모형의 타당성을 검증하기 위해 이를 기억 게임(memory game)과 즉시산(순간개수판별, subitizing) 과제를 포함하는 예시적 이중 과제에 적용하였고, 그 결과를 인간 데이터와 비교하였다. 그 결과는 과제 난이도 수준에 따라 하위 과제 직후의 작업 전환 비율(task-switching percent), 하위 과제 동안의 작업 전환 횟수, 그리고 수행 시간(performance time)을 기준으로 볼 때, 본 모형이 비교적 정확한 표현을 제공할 수 있음을 보여준다. 또한 본 모형은 멀티태스킹에서의 인간 행동 예측에서 향상된 성능을 보이며, ACT-R이 자발적 작업 전환에 대한 설명을 어떻게 가능하게 하는지를 입증한다.

목적: 본 연구의 목적은 다중작업 환경에서 자발적 작업 전환(voluntary task switching)이 언제 발생하는지를 설명하고 예측할 수 있는 인지 모델을 제안하는 것이다. 배경: 다중작업에서 자발적 작업 전환은 일반적인 업무 환경에서 널리 나타나지만, 인지적 손실을 유발하고 작업자의 생산성에 영향을 줄 수 있다. 따라서 자발적 작업 전환에 대한 이해를 증진하고, 자발적 작업 전환이 언제 발생하는지를 정량적으로 예측하는 것이 필수적이다. 방법: 문헌 검토의 결과, 자발적 작업 전환은 주로 과제의 난이도와 인지적 능력 간의 불균형에 의해 발생하는 것으로 요약될 수 있다. 이를 바탕으로 자발적 작업 전환의 ACT-R 인지 모델을 개발하고, 기억 게임(memory game)과 시각 탐색(visual search task) 과제를 포함하는 예시적 다중 과제에 적용하였다. 본 연구에서 모델을 검증하기 위해 과제 난이도 수준에 따른 자발적 작업 전환의 횟수에 관한 실험을 수행하였으며, 모델의 결과를 인간 데이터와 비교하였다. 결과: 모델과 피험자 모두의 결과는 과제 난이도 수준이 자발적 작업 전환의 빈도에 영향을 미친다는 것을 보여주었다. 또한 적합도(goodness-of-fit) 측정에 따르면, 본 모델은 인간 데이터의 경향 일치성과 정확한 일치 정도를 잘 반영하는 것으로 나타났다. 결론: 연구 결과에 따르면, 제안된 모델은 자발적 작업 전환이 수행되는 시점을 비교적 정확하게 표현할 수 있다. 제안된 모델은 다중작업 환경에서 자기 중단(self-interruption)이 언제 발생하는지 예측하는 데 통찰을 제공하며, ACT-R이 자발적 작업 전환에 대한 설명을 어떻게 가능하게 하는지를 보여준다. 적용: 본 연구의 인지 모델은 다중작업에서 보조 시스템을 평가하기 위한 실용적 도구로 활용될 수 있다.

목적: 조건부 자동 주행(SAE 레벨 3)은 자동화 시스템이 실패할 경우 운전자가 차량을 인수해야 한다. 이러한 인수(takeover) 상황에서 발생할 수 있는 정신적 작업부하(mental workload)는 운전자의 행동과 안전에 직접적인 영향을 줄 수 있는 중요한 인간 요인이므로 예측하는 것이 중요하다. 따라서 본 연구는 ACT-R(Adaptive Control of Thought-Rational) 인지 아키텍처를 사용하여 자동 주행 중 인수 상황에서의 정신적 작업부하를 예측하는 방법을 제시한다. 본 연구에서 제안하는 정신적 작업부하 예측 모델은 향후 자율주행 상황에서의 대두되는 충돌 회피 기술을 위한 기반이 될 수 있는 계산 모델이다. 방법: 본 방법론은 인지 과정을 모델링하고 수행을 예측하는 데 있어 견고함으로 알려진 ACT-R 인지 아키텍처를 통합한다. 제안된 인수 인지 모델은 운전 상황을 반복적으로 점검하고 인수에 대한 의사결정을 수행하기 위한 상징적 구조뿐 아니라 비운전 관련 업무(Non-Driving-Related Tasks, NDRT)도 포함한다. 우리는 자동 주행 시나리오에서 인수 동안의 정신적 작업부하를 예측하기 위해 ACT-R 인지 모델을 사용하였다. 모델의 예측은 검증 시험에서의 생리학적 데이터와 수행 데이터에 대해 검증하였다. 결과: 모델은 r-square 값 0.97로 높은 정확도를 보였으며, 이는 예측된 정신적 작업부하와 실제 정신적 작업부하 간의 강한 상관관계를 나타낸다. 모델은 운전 시나리오에서의 다중작업(multitasking)의 미묘한 차이를 성공적으로 포착하였고, 인수 동안 다양한 인지적 요구를 나타내는 데 있어 적응성을 보여주었다. 결론: 본 연구는 자동 주행 인수 상황에서의 정신적 작업부하 예측에 ACT-R 모델의 효능을 확인한다. 이는 운전자 보조 시스템을 개선하고, 차량 안전성을 향상시키며, 인간-기계 역할의 효율적인 통합을 보장할 수 있는 모델의 잠재력을 강조한다. 본 연구는 인지 모델링 분야에 유의미하게 기여하며, 견고한 예측과 자동 주행 과업에서의 인간 행동에 대한 통찰을 제공한다.

Stroop 과제는 특히 ACT-R 인지 아키텍처의 맥락에서 인지 처리 과정에서의 인간 오류를 이해하기 위해 사용된다. 기존 ACT-R 모델에서는 Stroop 효과가 직관적 과정과 의도적 과정 간의 경쟁에 의해 유도된다. 그러나 직관과 의도성을 구분하는 기준을 정하기는 어렵다. 본 연구에서는 Stroop 과제를 위해 이원 과정 이론(dual process theory)에 기반한 새로운 방법을 제안한다. 우리는 ACTR을 기반으로 한 인지부하(cognitive load)의 정량적 예측값을 통해 직관적 과정과 의도적 과정 간의 전환을 나타낸다. 제안된 인지 모델은 검증 실험을 통해 Stroop 효과를 비교적 양호하게 재현함을 보여준다. 이 방법은 Stroop 과제에서 직관적 의사결정으로 인한 인간 오류를 재현할 수 있게 함으로써 ACT-R 모델링 분야의 확장에 기여한다.

임의적 멀티태스킹(discretionary multitasking)은 인간-컴퓨터 상호작용 연구에서 널리 퍼져 있고 중요한 분야로 부상하고 있다. 멀티태스킹에서 인간의 행동을 통찰하고 예측하기 위해 ACT-R과 같은 인지 아키텍처(cognitive architectures) 기반 모델링에 관한 연구는 비판적으로 중요하다. 그러나 ACT-R 모델링에 관한 연구는 주로 예약된 작업 전환을 포함한 동시적 및 순차적 멀티태스킹에 초점을 맞춰 왔다. 따라서 본 연구에서는 임의적 멀티태스킹에서의 작업 전환(task switching)에 대한 ACT-R 인지 모형을 개발하여 인간이 언제 그리고 어떻게 작업 전환을 결정하는지에 대한 통합적 설명을 제공하고자 하였다. 본 모형은 작업 전환 과정을 강제된 요구에 의한 자기-중단(self-interruption)과 전환을 결정하는 의사결정(decision to switch)으로서 나타내는 인지적 과정을 표상하는 상징적 구조(symbolic structure)와 하위 상징적(subsymbolic) 방정식(equations)으로 구성된다. 모형의 타당성을 검증하기 위해 이를 기억 게임(memory game)과 즉시산(순간개수판별, subitizing) 과제를 포함하는 예시적 이중 과제에 적용하였고, 그 결과를 인간 데이터와 비교하였다. 그 결과는 과제 난이도 수준에 따라 하위 과제 직후의 작업 전환 비율(task-switching percent), 하위 과제 동안의 작업 전환 횟수, 그리고 수행 시간(performance time)을 기준으로 볼 때, 본 모형이 비교적 정확한 표현을 제공할 수 있음을 보여준다. 또한 본 모형은 멀티태스킹에서의 인간 행동 예측에서 향상된 성능을 보이며, ACT-R이 자발적 작업 전환에 대한 설명을 어떻게 가능하게 하는지를 입증한다.

목적: 본 연구의 목적은 다중작업 환경에서 자발적 작업 전환(voluntary task switching)이 언제 발생하는지를 설명하고 예측할 수 있는 인지 모델을 제안하는 것이다. 배경: 다중작업에서 자발적 작업 전환은 일반적인 업무 환경에서 널리 나타나지만, 인지적 손실을 유발하고 작업자의 생산성에 영향을 줄 수 있다. 따라서 자발적 작업 전환에 대한 이해를 증진하고, 자발적 작업 전환이 언제 발생하는지를 정량적으로 예측하는 것이 필수적이다. 방법: 문헌 검토의 결과, 자발적 작업 전환은 주로 과제의 난이도와 인지적 능력 간의 불균형에 의해 발생하는 것으로 요약될 수 있다. 이를 바탕으로 자발적 작업 전환의 ACT-R 인지 모델을 개발하고, 기억 게임(memory game)과 시각 탐색(visual search task) 과제를 포함하는 예시적 다중 과제에 적용하였다. 본 연구에서 모델을 검증하기 위해 과제 난이도 수준에 따른 자발적 작업 전환의 횟수에 관한 실험을 수행하였으며, 모델의 결과를 인간 데이터와 비교하였다. 결과: 모델과 피험자 모두의 결과는 과제 난이도 수준이 자발적 작업 전환의 빈도에 영향을 미친다는 것을 보여주었다. 또한 적합도(goodness-of-fit) 측정에 따르면, 본 모델은 인간 데이터의 경향 일치성과 정확한 일치 정도를 잘 반영하는 것으로 나타났다. 결론: 연구 결과에 따르면, 제안된 모델은 자발적 작업 전환이 수행되는 시점을 비교적 정확하게 표현할 수 있다. 제안된 모델은 다중작업 환경에서 자기 중단(self-interruption)이 언제 발생하는지 예측하는 데 통찰을 제공하며, ACT-R이 자발적 작업 전환에 대한 설명을 어떻게 가능하게 하는지를 보여준다. 적용: 본 연구의 인지 모델은 다중작업에서 보조 시스템을 평가하기 위한 실용적 도구로 활용될 수 있다.

자율주행 기술이 발전함에 따라 자율주행차의 장점과 단점이 부각되고 있다. 자동화된 차량이 사회에서 자리를 잡기 위해서는 여론과 수용성이 중요하며, 이에 관한 여러 연구가 진행되고 있다. 본 논문에서는 문화 간 차이와 자동화 차량에 대한 대중의 의견 간의 관련성을 조사하였다. 문헌 검토를 통해 중국, 인도, 일본, 미국, 영국, 호주를 포함한 여러 국가의 대중 여론을 수집하였다. 이러한 자료를 바탕으로 대중의 의견에 대한 문화 간 차이의 영향을 확인하였고, 자율주행차에 대한 여론을 예측하기 위한 통계 모델을 개발하였다. 또한 본 연구에서 수행한 설문조사의 결과를 통해 예측 모델을 검증하였다. 그 결과, 자율주행차에 대한 대중의 의견에 미치는 문화 간 차이의 영향이 확인되었다.

목적: 본 연구의 목적은 안정화 시간(stabilization time)을 이용하여 최적 인수요청 리드타임(Take-over request lead time, TORlt)을 계산함으로써 안정화 시간을 인수(인수운전) 관련 연구에 충분히 활용할 수 있고, 선행 연구의 변수가 수행하지 못했던 개인의 운전 성향(personal driving tendency)을 반영할 수 있음을 보이는 것이다.배경: 조건부 자동주행(conditional automated driving)에서는 운전자가 루프 밖(out-of-the-loop) 상황에 놓이게 된다. 이러한 문제를 극복하기 위해 인수요청(take-over request)이 필요하지만, 최적 TORlt에 대한 공식적인 정의는 아직 없다. 선행 연구에서는 다양한 최적 TORlt를 제안하였으나, 개인의 운전 성향을 반영하지 못한다는 공통된 한계가 있었다. 개인의 운전 성향은 수동 운전 시 종·횡방향 제어(longitudinal/lateral control)에서 잘 관찰되며, 운전 성능이 수동 운전 수준에 도달했는지 확인하기 위해 인수 후 안정화(stabilization) 분석이 필요하다.방법: 총 46명의 피험자가 연구에 참여하였다. 본 연구는 OpenDS 시뮬레이터를 사용하여 자동주행 중 장애물이 갑자기 나타나는 상황에서 인수 상황을 기술하였다. 인수 후, 운전자는 차량이 스스로 안정화된 것으로 판단될 때까지 수동주행을 수행하였다. 차량 안정화와 관련된 주행 성능은 속도와 스티어링휠 각(Steering Wheel Angle, SWA)의 표준편차로 측정하였다. 이를 바탕으로 개인별 안정화 기준과 안정화 시간(stabilization time)을 측정하였다. 독립변수로 4가지 TORlt(3초, 7초, 10초, 15초)를 사용하였고, 일요인 반복측정 분산분석(one-factor within-subject ANOVA)과 Fisher

목적: 본 연구의 목적은 NDRT 동안의 자기중단(self-interruption)이 인수(takeover) 성능에 미치는 영향을 조사하는 것이다. 배경: 자율주행 기술이 발전함에 따라 인간 운전자의 역할은 자동화된 차량에서 수동적인 탑승자에 가까워지고 있다. 운전자는 특히 멀티태스킹을 하는 경우 운전을 대신하여 비운전 관련 작업(non-driving related tasks)을 수행하게 된다. NDRT를 수행하는 동안 운전자는 자기중단을 통해 다양한 작업 사이를 전환할 수 있다. 그러나 대부분의 연구에서는 멀티태스킹을 NDRT로 고려하지 않았다. 본 연구에서는 자기중단을 고려한 실험을 수행하고, 자기중단이 인수 성능에 미치는 영향을 조사하였다. 방법: 자기중단이 인수 성능에 미치는 영향을 조사하기 위해 주행 시뮬레이터를 이용한 실험을 실시하였다. 본 실험은 NDRT의 유형에 따라 3가지 시행으로 구성되었다. NDRT로는 짧은 영상 시청을 선택하였다. 자기중단 여부에 따라 NDRT에는 3가지 조건이 있었다. 한 조건은 자기중단이 없었고, 나머지 조건에는 자기중단이 있었다. 자기중단은 영상의 중간에 3초간 광고(advertisement)가 삽입됨으로써 발생하였다. 운전자는 각 조건에서 자기중단과 함께 모니터링 또는 스마트폰 사용을 수행하였다. 결과: 인수 성능은 도로 고정시간(road-fixation time)과 인수 시간(takeover time)으로 측정하였다. 자기중단에 따른 도로 고정시간에는 통계적으로 유의한 차이가 없었다. 그러나 자기중단은 인수 시간에 유의한 영향을 미쳤다. NDRT 동안 자기중단이 있었던 경우 인수 시간이 더 짧았다. 또한 자기중단 동안 스마트폰을 사용하는 것이 더 효과적이었다. 결론: NDRT 동안의 자기중단은 인수 성능을 향상시킨다. 인수 시간은 자기중단이 있는 조건에서 더 양호했으며, 특히 스마트폰을 수행하는 경우에 그러했다. 적용: 자율주행 동안 자기중단을 생성하는 것은 인수 성능에 긍정적인 영향을 미친다. 이러한 결과는 차량 내 장치 설계에 활용될 수 있으며 운전자와 차량 간의 상호작용을 보다 적극적으로 만들 수 있다.