Estimativa de Carga de Trabalho para Tarefas Desconhecidas: Uma Pesquisa sobre Aprendizado de Máquina Sob Mudança de Distribuição

Equipes humanas-robô envolvem humanos e robôs colaborando para alcançar tarefas sob diversas condições ambientais. O sucesso do trabalho em equipe exigirá que os robôs se adaptem autonomamente ao estado interno de um membro humano. Um elemento importante de tal adaptação é a capacidade de estimar a carga de trabalho dos colegas humanos em situações desconhecidas. Modelos de carga de trabalho existentes utilizam aprendizado de máquina para modelar as relações entre métricas fisiológicas e carga de trabalho; no entanto, esses métodos são suscetíveis a diferenças individuais e são fortemente influenciados por outros fatores. Esses métodos não podem generalizar para tarefas desconhecidas, pois se baseiam em abordagens padrão de aprendizado de máquina que assumem que os dados consistem em amostras independentes e identicamente distribuídas (IID). Esta suposição não se sustenta necessariamente para estimar a carga de trabalho de novas tarefas. Uma pesquisa de técnicas de aprendizado de máquina não-IID é apresentada, onde técnicas comumente usadas são avaliadas usando três critérios: portabilidade, complexidade do modelo e adaptabilidade. Esses critérios são usados para argumentar quais técnicas são mais aplicáveis para estimar a carga de trabalho para tarefas desconhecidas em ambientes dinâmicos e em tempo real.