MIKE SALOMONE

Mes recherches s’articulent autour de deux axes. Le premier axe porte sur les mécanismes de la collaboration humain-humain et humain-système, en s’intéressant notamment à la confiance, à la prise de décision conjointe et aux effets du stress sur les interactions avec les systèmes automatisés. Il vise à améliorer la compréhension des dynamiques collaboratives et à contribuer à la conception de systèmes, d’interfaces et d’aides à la décision adaptés aux caractéristiques humaines. Le second axe est consacré à l’étude de la fatigue cognitive, à ses mécanismes et à ses conséquences sur les performances comportementales et cognitives. Si cet axe rejoint le premier dans une perspective d’adaptation des situations d’activité aux capacités et aux limites humaines, il s’inscrit également dans une démarche plus fondamentale de compréhension des mécanismes cognitifs et neurophysiologiques de la fatigue cognitive.

Projets en cours

Projet EMOOL
Caractérisation de marqueurs cérébraux et oculométriques de sortie de boucle de contrôle lors de la supervision d’un système automatisé dans le contexte de l'aéronautique.

Au cours des dernières décennies, le monde technologique qui nous entoure a connu de profondes mutations, notamment portées par les progrès dans les domaines de l’autonomie, de la robotique et de l’intelligence artificielle. Aujourd’hui, les opérateurs humains font régulièrement face à des systèmes fortement autonomes, notamment dans le domaine aéronautique, et ont endossé un rôle de superviseur de ces nouveaux partenaires artificiels. Ce changement profond dans le rôle attribué aux opérateurs humains a généré de nouveaux risques relatifs aux facteurs humains qui se traduisent notamment par des difficultés à comprendre les agents artificiels, à détecter leurs erreurs et à les reprendre en main lorsque nécessaire, un ensemble de problèmes regroupés sous le terme de phénomène de sortie de boucle (ou OOL performance problem). Bien que largement étudié, ce phénomène de sortie de boucle reste aujourd’hui bien difficile à caractériser, et plus encore à compenser. Dans ce cadre, notre projet vise plusieurs objectifs qui seront réalisés dans un contexte écologique de type aéronautique (i.e. ici tâche de supervision de système d’assistance à l’évitement d’obstacles).

Objectifs du projet
(1) Comprendre et caractériser ce phénomène de sortie de boucle durant l’activité de supervision d’un système automatisé à travers l’utilisation et l’analyse conjointe de signaux électroencéphalographiques et oculométriques.
(2) Le contexte émotionnel, au combien important dans le contexte aéronautique sera modulé afin d’étudier son influence sur l’activité de supervision et l’émergence du phénomène de sortie de boucle.
(3) Développer un premier modèle d’estimation de l’activité de supervision sur la base des marqueurs cérébraux et/ou oculométriques en utilisant des méthodes d’apprentissage profond et des approches méthodologiques prenant en considération la dynamique spatio-temporelle du phénomène de sortie de boucle.

Source du financement et période : ANR ASTRID, du 1er Janvier 2023 au 31 Octobre 2026

Laboratoires et membres impliqués : Laboratoire de Psychologie et NeuroCognition (Aurélie Campagne, Martial Mermillod, Laurent Torlay – LIG) ; GIPSA-Lab (Anne Guerin-Dugué, Emmanuelle Kristensen, Anton Andreev) ; ONERA (Bruno Berberian, Bertille Somon)

Projet BRAIN-COOP-AI

Neural Mechanisms of Trust in Human–AI collaboration: An EEG and Drift-Diffusion Modeling Approach

L’essor rapide de l’intelligence artificielle conduit à une automatisation croissante de nombreuses activités et à une multiplication des situations de coopération humain-IA. Dans ces contextes, la qualité des décisions dépend en partie de la confiance accordée au système automatisé : une confiance insuffisante peut conduire à ignorer une assistance pertinente, tandis qu’une confiance excessive peut favoriser une dépendance inadaptée à l’automatisation. Ce projet vise à mieux comprendre comment cette confiance influence les mécanismes de prise de décision, ainsi que la manière dont cet effet dépend du moment où l’IA intervient et du contexte de stress. Pour cela, l’utilisation du Social Drift Diffusion Model (sDDM) permettra de caractériser les mécanismes d’accumulation des preuves et d’estimer les contributions respectives des informations propres au participant et de celles fournies par l’IA. En parallèle, la mise en relation des mesures EEG avec les paramètres du sDDM permettra de mieux comprendre les liens entre les mécanismes neuronaux et computationnels de la prise de décision en situation de coopération humain-IA. Ses retombées concernent la conception de systèmes automatisés plus sûrs et mieux calibrés pour les contextes critiques (santé, transport, défense), où une coordination efficace et une confiance adaptée entre humain et IA sont déterminantes pour prévenir les erreurs.

Source du financement et période : MIAI Cluster, du 1er Janvier 2027 au 31 décembre 2027

Laboratoires et membres impliqués : Laboratoire de Psychologie et NeuroCognition (Aurélie Campagne)

Disciplines scientifiques