Source avec lien : Theoretical Issues in Ergonomics Science, (En ligne). 10.1080/1463922X.2022.2144962
Les modèles biomathématiques (BMM) sont des modèles paramétriques qui prédisent quantitativement la fatigue et sont couramment mis en œuvre dans les systèmes de gestion des risques liés à la fatigue sur des lieux de travail de plus en plus diversifiés. Des appels répétés ont été lancés en faveur d’une « nouvelle génération » de BMM améliorés, capables de fournir des prévisions plus précises et plus ciblées de la fatigue humaine. Cet article examine les principales caractéristiques des progrès de la prochaine génération de BMM, notamment l’adaptation aux données de terrain, le réglage des paramètres au niveau individuel et la prédiction de la fatigue en temps réel, les extensions pour tenir compte des facteurs supplémentaires qui influencent la fatigue, et les méthodologies non paramétriques émergentes qui peuvent compléter les BMM ou leur fournir des solutions de rechange.
Biomathematical models (BMMs) are parametric models that quantitatively predict fatigue and are routinely implemented in fatigue risk management systems in increasingly diverse workplaces. There have been consistent calls for an improved ‘next generation’ of BMMs that provide more accurate and targeted predictions of human fatigue. This article examines the core characteristics of next-generation advancements in BMMs, including tailoring with field data, individual-level parameter tuning and real-time fatigue prediction, extensions to account for additional factors that influence fatigue, and emerging nonparametric methodologies that may augment or provide alternatives to BMMs. Examination of past literature and quantitative examples suggests that there are notable challenges to advancing BMMs beyond their current applications. Adoption of multi-model frameworks, including quantitative joint modelling and machine-learning, was identified as crucial to next-generation models. We close with general recommendations for researchers, practitioners, and model developers, including focusing research efforts on understanding the cognitive dynamics underpinning fatigue-related vigilance decrements, applying emerging dynamic modelling methods to fatigue data from field settings, and improving the adoption of open scientific practices in fatigue research.