A mérnökök és tudósok régóta vizsgálják, hogyan viselkednek az emberek a gépek használata közben, de a hagyományos kísérletekhez nehéz elegendő, megfelelően változatos hátterű résztvevőt találni. Emiatt az így kapott adatok sokszor hiányosak, és nem képviselik megbízhatóan a teljes társadalom döntési folyamatait a váratlan helyzetekben.

Ennek a problémának a megoldására a kutatók a generatív mesterséges intelligenciát (GenAI) hívták segítségül. Virtuális tesztalanyokat hoztak létre, amelyek a meglévő valós emberi adatok alapján tanulnak, majd új, nagy tömegű és szimulált döntési helyzeteket generálnak.

A módszert két izgalmas területen, a mesterséges intelligenciával támogatott autóvezetés és az űrállomások robotkarjainak irányítása során tesztelték. A tesztek egyértelműen kimutatták, hogy a virtuális és valós kísérletek ötvözésével sokkal pontosabb és sokszínűbb képet kaphatunk az emberi viselkedésről.

Ez az újító megközelítés rendkívül fontos, mert kevesebb költséggel és idővel teszi lehetővé robusztus, az egyéni sajátosságokhoz valós időben is alkalmazkodó kognitív modellek építését.

Ez a kutatás kiválóan példázza az Óbudai Egyetem elkötelezettségét a mesterséges intelligencia és a fejlett robotika stratégiai kutatási területei iránt, hiszen egy olyan technológiát alapoz meg, amely a jövőben biztonságosabbá és hatékonyabbá teszi az ember és a gépek mindennapi együttműködését.

Kulcsszavak Mesterséges intelligencia, ergonómia, ember-gép kapcsolat, virtuális szimuláció, fejlett robotika.

További részletek Ye, Peijun, Yijia Li, Imre J. Rudas, and Fei-Yue Wang. „Generative AI-Driven Ergonomics: A Virtual-Real Hybrid Experiment for Human Factors Engineering.” IEEE Transactions on Cybernetics (2025).

Abstract Ergonomics or human factors engineering (HFE) mainly exploits human experiments to discover one’s cognitive and behavioral mechanisms. Such a paradigm, however, suffers from the scale of subject group and the extent to which they can stand for the whole studied population. Additionally, for real-time human–machine tasks, the experiment-modeling-validation-application path may not be applicable since the experiment cannot be flexibly conducted to update cognitive models, leading to a failure of the online system control and management. To solve the dilemma, this article proposes the generative artificial intelligence (GAI)-driven ergonomics to augment the HFE research. By introducing GAI techniques, virtual-real hybrid experiments are combined and supplement more heterogeneous samples, enhancing the input diversity for cognitive modeling and behavioral learning. The case studies of human–machine cooperative driving and aerospace robotic arm operation indicate that the innovative paradigm can effectively and efficiently augment the human experiment data. It can elevate the generality and robustness of human models.

Keywords Cognitive modeling, ergonomics, generative artificial intelligence (GAI), human factors engineering (HFE), psychology.

Az eredeti közlemény elérhető az alábbi linkre kattintva: https://doi.org/10.1109/TCYB.2025.3634826

A mérnökök és tudósok régóta vizsgálják, hogyan viselkednek az emberek a gépek használata közben, de a hagyományos kísérletekhez nehéz elegendő, megfelelően változatos hátterű résztvevőt találni. Emiatt az így kapott adatok sokszor hiányosak, és nem képviselik megbízhatóan a teljes társadalom döntési folyamatait a váratlan helyzetekben.

Ennek a problémának a megoldására a kutatók a generatív mesterséges intelligenciát (GenAI) hívták segítségül. Virtuális tesztalanyokat hoztak létre, amelyek a meglévő valós emberi adatok alapján tanulnak, majd új, nagy tömegű és szimulált döntési helyzeteket generálnak.

A módszert két izgalmas területen, a mesterséges intelligenciával támogatott autóvezetés és az űrállomások robotkarjainak irányítása során tesztelték. A tesztek egyértelműen kimutatták, hogy a virtuális és valós kísérletek ötvözésével sokkal pontosabb és sokszínűbb képet kaphatunk az emberi viselkedésről.

Ez az újító megközelítés rendkívül fontos, mert kevesebb költséggel és idővel teszi lehetővé robusztus, az egyéni sajátosságokhoz valós időben is alkalmazkodó kognitív modellek építését.

Ez a kutatás kiválóan példázza az Óbudai Egyetem elkötelezettségét a mesterséges intelligencia és a fejlett robotika stratégiai kutatási területei iránt, hiszen egy olyan technológiát alapoz meg, amely a jövőben biztonságosabbá és hatékonyabbá teszi az ember és a gépek mindennapi együttműködését.

Kulcsszavak Mesterséges intelligencia, ergonómia, ember-gép kapcsolat, virtuális szimuláció, fejlett robotika.

További részletek Ye, Peijun, Yijia Li, Imre J. Rudas, and Fei-Yue Wang. „Generative AI-Driven Ergonomics: A Virtual-Real Hybrid Experiment for Human Factors Engineering.” IEEE Transactions on Cybernetics (2025).

Abstract Ergonomics or human factors engineering (HFE) mainly exploits human experiments to discover one’s cognitive and behavioral mechanisms. Such a paradigm, however, suffers from the scale of subject group and the extent to which they can stand for the whole studied population. Additionally, for real-time human–machine tasks, the experiment-modeling-validation-application path may not be applicable since the experiment cannot be flexibly conducted to update cognitive models, leading to a failure of the online system control and management. To solve the dilemma, this article proposes the generative artificial intelligence (GAI)-driven ergonomics to augment the HFE research. By introducing GAI techniques, virtual-real hybrid experiments are combined and supplement more heterogeneous samples, enhancing the input diversity for cognitive modeling and behavioral learning. The case studies of human–machine cooperative driving and aerospace robotic arm operation indicate that the innovative paradigm can effectively and efficiently augment the human experiment data. It can elevate the generality and robustness of human models.

Keywords Cognitive modeling, ergonomics, generative artificial intelligence (GAI), human factors engineering (HFE), psychology.

Az eredeti közlemény elérhető az alábbi linkre kattintva: https://doi.org/10.1109/TCYB.2025.3634826