Đánh Giá Hiệu Suất Hệ Thống Tích Hợp Con Người Trong Điều Kiện Thay Đổi Theo Thời Gian

Luận án tiến sĩ nghiên cứu hiệu suất hệ thống tích hợp con người trong môi trường thay đổi. Đánh giá và đo lường khả năng thích ứng của hệ thống.

• Tác giả: Nguyen-Vang-Phuc Nguyen
• Người hướng dẫn: Dr. Steve Landry
• Trường học: Purdue University
• Chuyên ngành: Industrial Engineering
• Đề tài: A Measure Of Human-Integrated System Performance Under Time-Varying Circumstances
• Loại tài liệu: Dissertation
• Năm xuất bản: 2018
• Địa điểm: West Lafayette

Tóm tắt

I. Tổng Quan Về Đánh Giá Hiệu Suất Hệ Thống Tích Hợp 55 ký tự

Đánh giá hiệu suất hệ thống tích hợp con người là quá trình quan trọng để xác định khả năng của hệ thống trong việc hỗ trợ con người hoàn thành nhiệm vụ. Việc này càng trở nên phức tạp hơn trong điều kiện thay đổi theo thời gian, khi môi trường và các yếu tố liên quan liên tục biến động. Các phương pháp đánh giá truyền thống thường tập trung vào các môi trường làm việc tĩnh, lý tưởng, bỏ qua những tác động thực tế của sự thay đổi lên hiệu suất. Do đó, cần có những phương pháp đánh giá mới, linh hoạt và toàn diện hơn để phản ánh chính xác hiệu suất hệ thống trong các tình huống thực tế. Nghiên cứu của Nguyen-Vang-Phuc Nguyen (2018) nhấn mạnh sự cần thiết của việc phát triển các mô hình đánh giá thích ứng, có khả năng đo lường và phân tích hiệu suất trong các môi trường động. Việc hiểu rõ và định lượng được khả năng thích ứng của hệ thống là chìa khóa để tối ưu hóa hiệu suất và đảm bảo an toàn cho người sử dụng.

1.1. Tầm quan trọng của đánh giá hệ thống tích hợp người máy

Đánh giá hiệu suất hệ thống người-máy không chỉ giúp xác định điểm mạnh và điểm yếu của hệ thống mà còn cung cấp thông tin quan trọng để cải thiện thiết kế, đào tạo và quy trình làm việc. Khi hệ thống tích hợp người và công nghệ hoạt động hiệu quả, nó có thể tăng năng suất, giảm sai sót và cải thiện sự hài lòng của người dùng. Ngược lại, một hệ thống không được thiết kế tốt có thể dẫn đến stress làm việc, tải nhận thức cao và thậm chí gây nguy hiểm cho người vận hành.

1.2. Ảnh hưởng của điều kiện thay đổi theo thời gian

Điều kiện thay đổi theo thời gian có thể bao gồm các yếu tố như ánh sáng, tiếng ồn, nhiệt độ, áp lực thời gian và sự gián đoạn. Những yếu tố này có thể ảnh hưởng đến sự chú ý và tập trung của người vận hành, khả năng ra quyết định và khả năng phản ứng với các tình huống bất ngờ. Việc đánh giá hiệu suất con người trong hệ thống cần phải xem xét đến những tác động này để có được bức tranh toàn diện về hiệu suất thực tế.

1.3. Mục tiêu của việc xây dựng mô hình thích ứng

Mục tiêu của mô hình thích ứng là đo lường các thông số thích ứng để biết cách hệ thống tích hợp thích ứng với điều kiện thay đổi theo thời gian. Để từ đó so sánh và đánh giá các hệ thống khác nhau, lựa chọn hệ thống tối ưu có thể tối ưu hóa hiệu suất khi hệ thống phải làm việc qua các điều kiện khác nhau trong thực tế.

II. Vấn Đề Khi Đánh Giá Hiệu Suất Trong Môi Trường Động 59 ký tự

Một trong những thách thức lớn nhất trong việc đánh giá hiệu suất hệ thống tích hợp con người là sự phức tạp của môi trường động. Các phương pháp đánh giá truyền thống thường dựa trên các giả định về sự ổn định và có thể không còn phù hợp khi điều kiện thay đổi theo thời gian. Việc thu thập và phân tích dữ liệu trong môi trường động cũng gặp nhiều khó khăn, đòi hỏi các công cụ và kỹ thuật tiên tiến hơn. Ngoài ra, việc xác định các chỉ số hiệu suất (KPI) phù hợp để đo lường khả năng thích ứng của hệ thống là một thách thức không nhỏ. Theo Nguyen (2018), cần phải phát triển các phương pháp đánh giá hiệu suất mới, có khả năng theo dõi và phân tích sự thay đổi trong hiệu suất theo thời gian, đồng thời xem xét đến các yếu tố yếu tố con người trong hệ thống.

2.1. Sự phức tạp của môi trường làm việc thực tế

Môi trường làm việc thực tế thường rất phức tạp và khó dự đoán, với nhiều yếu tố có thể ảnh hưởng đến hiệu suất của người vận hành. Các yếu tố này có thể bao gồm sự thay đổi về ánh sáng, tiếng ồn, nhiệt độ, áp lực thời gian và sự gián đoạn. Việc đánh giá hiệu suất hệ thống cần phải xem xét đến những yếu tố này để có được bức tranh toàn diện về hiệu suất thực tế.

2.2. Thiếu các công cụ và kỹ thuật đánh giá phù hợp

Các công cụ và kỹ thuật đánh giá truyền thống thường không được thiết kế để xử lý sự phức tạp và biến động của môi trường động. Cần có các công cụ và kỹ thuật mới, có khả năng thu thập và phân tích dữ liệu trong thời gian thực, đồng thời xem xét đến các yếu tố yếu tố con người trong hệ thống. Một số nghiên cứu đã đề xuất sử dụng học máy trong đánh giá hiệu suất để phát hiện các mẫu và dự đoán hiệu suất trong môi trường động.

2.3. Xác định các chỉ số KPI để đo lường khả năng thích ứng

Việc xác định các chỉ số hiệu suất (KPI) phù hợp để đo lường khả năng thích ứng của hệ thống là một thách thức không nhỏ. Các KPI này cần phải phản ánh khả năng của hệ thống trong việc duy trì hiệu suất ổn định trong điều kiện thay đổi theo thời gian, đồng thời xem xét đến các yếu tố yếu tố con người trong hệ thống.

III. Hướng Dẫn Đánh Giá Hệ Thống Người Máy Thích Ứng 57 ký tự

Để đánh giá hiệu suất hệ thống tích hợp con người trong điều kiện thay đổi theo thời gian một cách hiệu quả, cần áp dụng một phương pháp tiếp cận toàn diện và linh hoạt. Phương pháp này cần bao gồm các bước sau: xác định rõ mục tiêu đánh giá, lựa chọn các chỉ số hiệu suất (KPI) phù hợp, thu thập dữ liệu trong môi trường thực tế hoặc mô phỏng, phân tích dữ liệu và đưa ra các kết luận và khuyến nghị. Việc sử dụng các công cụ và kỹ thuật tiên tiến như mô phỏng hệ thống, phản hồi thời gian thực và học máy có thể giúp tăng cường độ chính xác và hiệu quả của quá trình đánh giá. Theo Nguyen (2018), việc đánh giá hiệu suất cần phải được thực hiện một cách liên tục và lặp đi lặp lại để đảm bảo rằng hệ thống luôn đáp ứng được yêu cầu và thích ứng với các thay đổi trong môi trường.

3.1. Xác định mục tiêu và phạm vi đánh giá rõ ràng

Trước khi bắt đầu quá trình đánh giá, cần xác định rõ mục tiêu và phạm vi đánh giá. Mục tiêu đánh giá có thể là xác định điểm mạnh và điểm yếu của hệ thống, so sánh hiệu suất của các hệ thống khác nhau hoặc đánh giá tác động của một thay đổi cụ thể đến hiệu suất. Phạm vi đánh giá cần xác định rõ các yếu tố và điều kiện sẽ được xem xét trong quá trình đánh giá.

3.2. Lựa chọn KPI phù hợp để đo lường khả năng thích ứng

Việc lựa chọn các chỉ số hiệu suất (KPI) phù hợp là rất quan trọng để đảm bảo rằng quá trình đánh giá đo lường được các khía cạnh quan trọng nhất của khả năng thích ứng của hệ thống. Các KPI này có thể bao gồm thời gian hoàn thành nhiệm vụ, tỷ lệ sai sót, mức độ căng thẳng của người vận hành và mức độ hài lòng của người dùng.

3.3. Sử dụng mô phỏng để đánh giá trong điều kiện kiểm soát

Một cách tiếp cận là sử dụng mô phỏng hệ thống để đánh giá hiệu suất con người trong môi trường có kiểm soát, thay đổi kịch bản thay đổi theo thời gian. Việc mô phỏng cho phép các nhà nghiên cứu kiểm soát các biến độc lập và đo lường tác động của chúng đến hiệu suất. Cách tiếp cận này phù hợp khi dữ liệu thu thập trực tiếp từ môi trường thực tế là không thể hoặc quá tốn kém.

IV. Phương Pháp Đo Lường Hiệu Suất và Khả Năng Thích Ứng 58 ký tự

Việc đo lường hiệu suất và khả năng thích ứng của hệ thống tích hợp con người đòi hỏi sự kết hợp của nhiều phương pháp khác nhau, bao gồm cả phương pháp định lượng và định tính. Các phương pháp định lượng có thể bao gồm việc thu thập dữ liệu về thời gian hoàn thành nhiệm vụ, tỷ lệ sai sót và tải nhận thức. Các phương pháp định tính có thể bao gồm việc phỏng vấn người vận hành, quan sát hành vi và phân tích dữ liệu văn bản. Việc kết hợp các phương pháp này có thể cung cấp một bức tranh toàn diện về hiệu suất và khả năng thích ứng của hệ thống. Theo Nguyen (2018), việc đo lường hiệu suất cần phải được thực hiện một cách khách quan và đáng tin cậy, đồng thời xem xét đến các yếu tố yếu tố con người trong hệ thống.

4.1. Thu thập dữ liệu định lượng về hiệu suất hệ thống

Dữ liệu định lượng có thể cung cấp thông tin chính xác và khách quan về hiệu suất của hệ thống. Các chỉ số định lượng có thể bao gồm thời gian hoàn thành nhiệm vụ, tỷ lệ sai sót, mức độ căng thẳng của người vận hành và mức độ hài lòng của người dùng. Dữ liệu định lượng có thể được thu thập thông qua các công cụ và kỹ thuật khác nhau, bao gồm cảm biến, nhật ký hệ thống và bảng câu hỏi.

4.2. Thu thập dữ liệu định tính thông qua phỏng vấn và quan sát

Dữ liệu định tính có thể cung cấp thông tin sâu sắc về trải nghiệm của người vận hành và các yếu tố ảnh hưởng đến hiệu suất. Các phương pháp thu thập dữ liệu định tính có thể bao gồm phỏng vấn người vận hành, quan sát hành vi và phân tích dữ liệu văn bản. Dữ liệu định tính có thể giúp giải thích các kết quả định lượng và cung cấp thông tin chi tiết về cách hệ thống hoạt động trong thực tế.

4.3. Phân tích dữ liệu để xác định các mẫu và xu hướng

Sau khi thu thập dữ liệu, cần phân tích dữ liệu để xác định các mẫu và xu hướng. Phân tích dữ liệu có thể giúp xác định các yếu tố ảnh hưởng đến hiệu suất và khả năng thích ứng của hệ thống. Phân tích dữ liệu cũng có thể giúp xác định các khu vực cần cải thiện và đưa ra các khuyến nghị để tối ưu hóa hiệu suất.

V. Ứng Dụng Thực Tiễn Đánh Giá Hiệu Suất Nghiên Cứu Điển Hình 58 ký tự

Nghiên cứu của Nguyen-Vang-Phuc Nguyen (2018) đã thực hiện một loạt các thí nghiệm để đánh giá hiệu suất của hệ thống tích hợp con người trong điều kiện thay đổi theo thời gian. Nghiên cứu này đã sử dụng một mô hình đánh giá hiệu năng con người trong hệ thống và các thông số thích ứng để đo lường khả năng của hệ thống trong việc thích ứng với các thay đổi trong môi trường. Kết quả nghiên cứu cho thấy rằng các thông số thích ứng có thể được sử dụng để đánh giá hiệu suất của hệ thống và xác định các khu vực cần cải thiện. Nghiên cứu này cũng đã đề xuất một số khuyến nghị để tối ưu hóa hiệu suất của hệ thống tích hợp con người trong điều kiện thay đổi theo thời gian.

5.1. Thiết kế thử nghiệm và thu thập dữ liệu thực nghiệm

Nghiên cứu này đã sử dụng một thiết kế thử nghiệm chặt chẽ để đảm bảo tính khách quan và đáng tin cậy của các kết quả. Các thử nghiệm đã được thực hiện trong môi trường thực tế và mô phỏng để đánh giá hiệu suất của hệ thống trong các điều kiện khác nhau. Dữ liệu đã được thu thập bằng cách sử dụng các công cụ và kỹ thuật khác nhau, bao gồm cảm biến, nhật ký hệ thống và bảng câu hỏi.

5.2. Phân tích kết quả nghiên cứu và rút ra kết luận

Các kết quả nghiên cứu đã được phân tích một cách cẩn thận để xác định các mẫu và xu hướng. Phân tích dữ liệu đã giúp xác định các yếu tố ảnh hưởng đến hiệu suất và khả năng thích ứng của hệ thống. Các kết luận đã được rút ra dựa trên bằng chứng thực nghiệm và được hỗ trợ bởi các tài liệu khoa học khác.

5.3. Đề xuất các khuyến nghị để cải thiện hệ thống

Dựa trên các kết quả nghiên cứu, các tác giả đã đề xuất một số khuyến nghị để cải thiện hiệu suất của hệ thống tích hợp con người trong điều kiện thay đổi theo thời gian. Các khuyến nghị này bao gồm việc thiết kế giao diện người dùng thân thiện hơn, cải thiện đào tạo cho người vận hành và sử dụng các công cụ và kỹ thuật tiên tiến hơn để theo dõi và phân tích hiệu suất.

VI. Tương Lai Của Đánh Giá Hiệu Suất Hệ Thống Tích Hợp 55 ký tự

Trong tương lai, việc đánh giá hiệu suất hệ thống tích hợp con người trong điều kiện thay đổi theo thời gian sẽ ngày càng trở nên quan trọng hơn. Sự phát triển của các công nghệ mới như trí tuệ nhân tạo (AI) và học máy sẽ mở ra những cơ hội mới để theo dõi và phân tích hiệu suất một cách hiệu quả hơn. Việc sử dụng các mô hình dự đoán và các hệ thống hỗ trợ ra quyết định sẽ giúp người vận hành thích ứng tốt hơn với các thay đổi trong môi trường. Theo Nguyen (2018), việc nghiên cứu và phát triển các phương pháp đánh giá mới cần phải được tiếp tục để đảm bảo rằng hệ thống tích hợp con người luôn hoạt động hiệu quả và an toàn trong mọi tình huống.

6.1. Ứng dụng AI và học máy để theo dõi và dự đoán hiệu suất

Trí tuệ nhân tạo (AI) và học máy có thể được sử dụng để theo dõi và phân tích hiệu suất của hệ thống tích hợp con người trong thời gian thực. Các mô hình học máy có thể được huấn luyện để dự đoán hiệu suất và cảnh báo cho người vận hành về các tình huống có thể dẫn đến sai sót.

6.2. Phát triển các hệ thống hỗ trợ ra quyết định thông minh

Các hệ thống hỗ trợ ra quyết định thông minh có thể giúp người vận hành đưa ra các quyết định tốt hơn trong điều kiện thay đổi theo thời gian. Các hệ thống này có thể cung cấp thông tin về tình huống hiện tại, dự đoán các hậu quả có thể xảy ra và đề xuất các hành động phù hợp.

6.3. Nghiên cứu và phát triển các phương pháp đánh giá mới

Việc nghiên cứu và phát triển các phương pháp đánh giá hiệu suất mới cần phải được tiếp tục để đảm bảo rằng hệ thống tích hợp con người luôn hoạt động hiệu quả và an toàn trong mọi tình huống. Các phương pháp đánh giá mới cần phải xem xét đến các yếu tố yếu tố con người trong hệ thống và khả năng thích ứng của hệ thống.

Trích đoạn nội dung tài liệu

A MEASURE OF HUMAN-INTEGRATED SYSTEM PERFORMANCE UNDER TIME-VARYING CIRCUMSTANCES by Nguyen-Vang-Phuc Nguyen A Dissertation Submitted to the Faculty of Purdue University In Partial Fulfillment of the Requirements for the degree of Doctor of Philosophy School of Industrial Engineering West Lafayette, Indiana May 2018     ProQuest Number: 10808798     All rights reserved  INFORMATION TO ALL USERS The quality of this reproduction is dependent upon the quality of the copy submitted.  In the unlikely event that the author did not send a complete manuscript and there are missing pages, these will be noted. Also, if material had to be removed, a note will indicate the deletion.      ProQuest 10808798  Published by ProQuest LLC (2018 ).

Copyright of the Dissertation is held by the Author.   All rights reserved. This work is protected against unauthorized copying under Title 17, United States Code Microform Edition © ProQuest LLC. 789 East Eisenhower Parkway P.

Box 1346 Ann Arbor, MI 48106 - 1346 ii THE PURDUE UNIVERSITY GRADUATE SCHOOL STATEMENT OF COMMITTEE APPROVAL Dr. Landry, Chair Department of Industrial Engineering Dr. Sara McComb Department of Industrial Engineering Dr. Karen Marais School of Aeronautics and Astronautics Dr.

Denny Yu Department of Industrial Engineering Approved by: Dr. Abhijit Deshmukh Head of the Departmental Graduate Program ii Dedicated to the memory of my parents, And in honor of my aunt and my sister, All for their love and support ii ACKNOWLEDGMENTS I could not have completed this work without the support of many. First and foremost, I would like to express my special thanks to my advisor, Dr. Steve Landry, for his guidance, advice and support throughout my PhD life.

Landry inspired me to explore a new approach in the field of human factors, and I owe a debt of gratitude to him for his time and careful guidance. I also would like to thank my committee members, Drs. Sara McComb, Karen Marais and Denny Yu for their tremendous help. I would like to express my thanks to Dr.

McComb who always encourages me and supports me. Additionally, I would like to thank Dr. Marais and Dr. Yu for appreciating my research and patiently encouraging me to improve my weak aspects.

I owe a deep debt of appreciation to VEF (Vietnam Education Foundation) for giving me a fellowship opportunity to study at one of the nation's leading research institutions. To take this opportunity, I’d like to extend warm thanks to my VEF friends who have shown interest and given encouragement. I am deeply grateful to my peers at Purdue University have provided wonderful support and special thanks go to Yul Kwon, Julian Archer and Harsh Aggarwal. They checked on me, empathized with me, and offered help.

I am also thankful to my friend, Loc Nguyen, for his unconditional friendship and for supporting me when I need it. None of this would have been possible without the love and support of my family. My parents, especially my mom, instilled in me the significance of education at a very young age and was always giving me the freedom to make my life choices. I am particularly grateful for my aunt and my sister, who are supportive in every way and have taken care of my family when I have been absent from home.

Lastly, I would like to show my appreciation to master Minh-Niem who taught me the simple but insightful lessons of self-balancing and living in true happiness. His lessons have changed my thought patterns and my views on many subjects of life. iii TABLE OF CONTENTS LIST OF TABLES. viii LIST OF FIGURES.

x LIST OF ABBREVIATIONS .1 Overview of learning curves .1 Learning curve history.2 Concept of learning curves .3 Concept of learning .4 Log-linear models.2 Estimating the learning rate .3 Learning improvement, learning rate and progress ratio.2 Levels of learning rates .4 Individual and organizational learnings .5 Graphical presentations of human performance with learning curves .6 Family of learning curves models .7 Applications of Learning curves .8 Learning curves with time-varying circumstances. THEORETICAL WORK: THE ADAPTABILITY MODEL .4 Measures of adaptability .5 Learning index of human operators tested in a system .6 Adaptability index of human operators tested in a system design .7 Effectiveness of a system design (EDu/PS) .8 Usability/preference subject score (SS) .5 System design evaluation regarding adaptability parameters .6 Some cases of adaptability parameters. EXPERIMENTAL WORK: DEMONSTRATION STUDY. EXPERIMENTAL WORK: EMPIRICAL EXPERIMENT .3 Purposes and research questions .3 Experimental design table.

RESULTS AND DISCUSSION .1 Part 1: Visual examination of data .1 Learning curves under time varying circumstances .2 Calculations on the adaptability parameters .4 Differences on learning rates .2 Part 2: Statistical examination of data .3 Part 3: Calculations on Performance score and usability/preference score.1 Performance score/ Effectiveness .2 Usability/preference subject score. CONCLUSIONS AND RECOMMENDATION FOR FUTURE WORK .2 Limitations and Recommendation for Future Work. LITERATURE REVIEW: FAMILY OF LEARNING CURVE MODELS. LITERATURE REVIEW: TYPICAL LEARNING CURVE APPLICATIONS.

CLASSIFICATION OF ADAPTABILITY COEFFICICENT. SOME PATTERNS OF ADAPTABILITY PARAMETERS. VALIDITY PROCEDURE FOR THE SETTINGS OF DEMONSTRATION EXPERIMENT. LITERATURE REVIEW: VALIDITIES IN RESEARCH PROCESS.

DATA ANALYSIS OF DEMONSTRATION STUDY. RESEARCH PARTICIPANT CONSENT FORM. INSPECTION WEB-FORM. STANDARD COLOR CHART.

RAW DATA COLLECTION. CALCULATIONS OF LEARNING CURVES. CALCULATIONS ON ADAPTABILITY PARAMETERS. CALCULATIONS OF PS.

CALCULATIONS OF SS. FITTING LEARNING SLOPES. GENERAL LINEAR MODEL OF GAMMA-BAR AND BETA-BAR VERSUS SYSTEM, ORDER, DELAY. 261 viii LIST OF TABLES Table 2.1 The meaning of y and x are different under two concepts (Crawford, 1944; Liao, 1988) .2 Cumulative average vs.

cumulative average time (Brookfield, 2005) .3 The relationship between the machine- labor and learning rate .4 Levels of typical learning rates .1 System designs with adaptability parameters .2 Some cases of the adaptability parameters in time varying circumstances .1 Setting values of experiment conditions .2 Settings of the demonstration study .3 Learning slopes and learning indexes .4 Adaptability coefficients and adaptability indexes .5 Design D1: Performance score (PS), b and  .2 Orders of Circumstances .4 Comparison of different metrics for two systems .1 Formulas used for calculating adaptability parameters .3 Converted learning rate .4 Differences |ri-rj| where i: row, j: column .5 The differences between learning rates regarding the ratio of human/machine in task design .6 Fitting gamma-bar in distributions .7 Fitting Beta-bar in distributions .8 Hypotheses on the effects of order and delay .9 Result of GLM on Gamma-bar versus System, Order, Delay .10 Result of GLM on Beta-bar versus System, Order, Delay .11 Test for Equal Variances of Gamma-bar .12 Test for Equal Variances of Beta-bar .13 Kruskal-Wallis Test of Gamma-bar .14 Kruskal-Wallis Test of Beta-bar .15 Performance score/ Effectiveness of System I-iPhone .17 Performance score/ Effectiveness of System II-Tablet.19 Post-Study System Usability Questionnaire (PSSUQ) Scores .20 Scores of two systems .1 Fitted learning slopes for iPhone .2 Fitted learning slopes for Tablet. 235 x LIST OF FIGURES Figure 1.1 Contexts of circumstances. (a) The context of discrete circumstances, (b) The context of continuous series of time-varying circumstances. The point down arrow () indicates a direction that a system design can be tested under a circumstance or a series of circumstances.

The right point arrow () stands for the continuation of circumstantial occurrences.2 An illustration of time-varying circumstances. Within a circumstance, the conditions are unchanging or consistent within the boundary of this circumstance. Ri stands for the ith repetition in a circumstance. Ci stands for the condition in a circumstance.

The condition Ci only changes in a new circumstance.3 Slopes of a human-performance curve .4 Human performance in individual circumstances (a), and in time-varying circumstances (b). The curves in figure a) describe human performance in discrete circumstances. There are no relations or connections among these curves; The curves in Figure b) describe human performances in continuous series of time-varying circumstances .1 Learning curve with learning period and time .2 A basic learning curve .3 An illustration of different types of the learning curve y = Tx(b) from difficult tasks to easy tasks (left-right and top-down) at Y-axes scale from 0 to 12 .4 Log-linear learning curve .5 Log-log learning curve .6 A presentation of cumulative average and unit curves on the log-log coordinate .7 Unit data plotted for setting concrete floor planks (Thomas et al.8 Cumulative average plot for setting concrete floor planks (Thomas et al.10 The uniform rates (90%, 80%, 70%) of learning curves (Yelle, 1979).11 Interpreting the learning curves: short-term losses vs. long-term gains .12 A conventional log-linear learning curve .13 Bottlenecks affect the learning curve .15 The learning curve of the worker A .16 The learning curve of the worker B .17 Labor time per unit vs.

unit number represents the cumulative average performance curve.18 Output per time period vs. time represents the industry learning curve .19 Learning curves of novices and skills operators.20 The concept of human performance in time-varying circumstances.1 The concept of human performance in time-varying circumstances.2 An illustration of the cumulative number of task-units completed in c=4 time-varying circumstances .3 The lower- and upper-bound ranges in four time-varying circumstances .4 Adaptability coefficients of an operator from CIRi to CIRi+1 .1 The search-and-isolate task .2 Four time-varying circumstances .3 Design 1 – Twin Arm type (Tamiya 3ch Radio Control Robot Construction Set) .4 An experiment setting for the demonstration study .5 Searching area for the demonstration study .6 Learning curve of human-integrated robot system (Subject 1-4) in four time-varying circumstances. The gloves are RUCPAC Professional Tech brand with weather resistant and touchscreen compatible features.3 Cases of colored balls .4 Subjects perform the inspection task in circumstance OG (outside with gloves) with iPhone (left) and tablet (right).5 The subject performs the inspection task in circumstance IN (inside and no-gloves) 71 Figure 6.1 Learning curves of subjects using System I – iPhone .2 Learning curves of subjects using System II - Tablet .3 Learning curves of System I vs. System II on the same scale of y-axis from 0 to1000 seconds .4 Interval plot and boxplot of  vs.5 Interval plot and boxplot of  vs.6 Interval plot and boxplot of b vs order .7 Interval plot and boxplot of b vs delay .8 Probability plots of fitted distributions for gamma-bar (a-d) .9 Probability plots of fitted distributions for beta-bar (a, b, c) .10 Residual plots for gamma-bar .11 Residual plots for beta-bar.

100 xiii LIST OF ABBREVIATIONS Ai(x) Cumulative average performance time of each of the x cumulative task-units completed in time-varying circumstances CIR Circumstance Ci Condition i {C1=Inside} Condition inside {C2=Outside}, Condition outside {C3=Gloves}, Condition with gloves {C4=No-gloves} Condition without gloves or no-gloves {IN}, {OG}, {ON} Individual circumstances xiv ABSTRACT Author: Nguyen-Vang-Phuc, Nguyen. Institution: Purdue University Degree Received: May 2018 Title: A Measure of Human-Integrated System Performance under Time-Varying Circumstances Major Professor: Steven Landry There are many methods to evaluate a system from given options in discrete or fixed situations (‘circumstance’). However, most systems are operated under time-varying circumstances and it’s not known how to evaluate the best system design when the operator in that system moves between time varying circumstances. In this dissertation, an adaptability model has been formalized using symbolic notion, which is based on learning curve theory and the adaptability measures are proposed.

In the first study (‘the demonstration study’), the measures proved that they could be calculated and the learning curves could be plotted in continuous varying-circumstances. In the second study (‘the empirical study’), we tested two systems under three varying-circumstances. The primary purpose of this experiment was to study whether the order and delay of changing circumstances affect the adaptability measures, in which influential circumstances are randomly arranged. The statistical tests showed that order and delay do not have effects on adaptability measures.

However, the results from the graphical analysis provide useful information to adjust the setting of circumstances regarding the levels of order and delay factors in practice.