| Popis: |
U radu su procijenjene različite metode strojnog učenja i njihova sposobnost predviđanja ljudskih performanci na simulacijskim vježbama niske razine vjernosti iz domene kontrole zračnog prometa, primjenom multimodalnih značajki mentalne rezilijentnosti. Istražen je utjecaj različitih podskupova multimodalnih značajki na točnost predviđanja performanci. Otkriveno je da korištenje više značajki iz različitih podskupova općenito poboljšava rezultate predviđanja u usporedbi s korištenjem značajki iz samo jednog podskupa. Rad pruža uvid u važnost razmatranja različitih metoda strojnog učenja i skupova značajki mentalne rezilijentnosti za predviđanje performanci na simulacijskim vježbama u stresnim poslovima, što može imati potencijalni praktični značaj u kontekstu selekcije i obuke za visoko stresna zanimanja. The thesis evaluated different machine learning methods and their ability to predict human performance in low-fidelity simulation exercises within the domain of air traffic control, using multimodal features of mental resilience. The impact of different subsets of multimodal features on the accuracy of performance prediction was investigated. Using multiple features from different subsets was generally found to improve prediction results compared to using features from only a single subset. The thesis provides insight into the importance of considering different machine learning methods and sets of mental resilience features for prediction of performance in simulation exercises in stressful jobs, which may have potential practical significance in the context of selection and training for highly stressful occupations. |
