prikaz prve stranice dokumenta Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama
No public access
master's thesis
Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama
Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. urn:nbn:hr:168:356100
Čuma, Tomislav
University of Zagreb
Faculty of Electrical Engineering and Computing

Institutional repository: FER Repository

Cite this document

Čuma, T. (2023). Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama (Master's thesis). Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing. Retrieved from https://urn.nsk.hr/urn:nbn:hr:168:356100

Čuma, Tomislav. "Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:356100

Čuma, Tomislav. "Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama." Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, 2023. https://urn.nsk.hr/urn:nbn:hr:168:356100

Čuma, T. (2023). 'Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama', Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, accessed 28 December 2024, https://urn.nsk.hr/urn:nbn:hr:168:356100

Čuma T. Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama [Master's thesis]. Zagreb: University of Zagreb, Faculty of Electrical Engineering and Computing; 2023 [cited 2024 December 28] Available at: https://urn.nsk.hr/urn:nbn:hr:168:356100

T. Čuma, "Analiza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama", Master's thesis, University of Zagreb, Faculty of Electrical Engineering and Computing, Zagreb, 2023. Available at: https://urn.nsk.hr/urn:nbn:hr:168:356100

Metadata
TitleAnaliza višemodalnih indikatora mentalne rezilijentnosti kao prediktora performanci pod stresom u simulacijskim vježbama
Title (english)Analysis of multimodal indicators of mental resilience as predictors of performance under stress in simulation exercises
AuthorTomislav Čuma
MentorSiniša Popović (mentor)
Committee memberSiniša Popović (predsjednik povjerenstva)
Committee memberAlan Jović (član povjerenstva)
Committee memberMirko Sužnjević (član povjerenstva)
GranterUniversity of Zagreb
Faculty of Electrical Engineering and Computing
Zagreb
Defense date and country2023-02-24, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Computing
Abstract
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.
Abstract (english)
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.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:168:356100
Study programmeTitle: Computing
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka računarstva (magistar/magistra inženjer/inženjerka računarstva)
Type of resourceText
File originBorn digital
Access conditionsClosed access
Terms of useLicence In copyright icon
Public note
Created on2023-07-13 10:00:36