DOI: https://doi.org/10.56830/ijsie202602
تاريخ النشر: 2026-03-08
المؤلف: Shrutika Prakash Mokashi وآخرون
الموضوع الرئيسي: التفاعل بين الإنسان والآلات والسلامة
نظرة عامة
تقدم البحث التوأم الرقمي النفسي الاجتماعي (PDT)، وهو إطار مبتكر ينشئ نموذجًا افتراضيًا في الوقت الحقيقي لحالة العامل الإدراكية داخل بيئات التصنيع. يتناول هذا النهج الإغفال عن المشغلين البشريين في أنظمة التوأم الرقمي التقليدية، التي تركز عادةً على المعدات. يدمج PDT مصادر بيانات متنوعة، بما في ذلك مقاييس أداء الآلات، والظروف البيئية، ومؤشرات فسيولوجية غير جراحية، لمراقبة وتوقع ضغط العمل والعبء على العاملين. أظهر تجربة شملت 70 عامل مصنع ذو خبرة فعالية PDT، الذي حقق دقة بنسبة 87.4% في توقع أحداث الضغط، وقلل من الحلقات المجهدة المبلغ عنها بنسبة 42%، وانخفضت الأخطاء المتعلقة بالمهام بنسبة 28% مقارنة بأساليب المراقبة التقليدية.
تشير النتائج إلى أن PDT لا يعزز فقط الاستقرار التشغيلي ولكن أيضًا يحسن تجربة العاملين من خلال السماح للمشرفين بإجراء محاكاة “ماذا لو” لتقييم تأثير التغييرات المحتملة على رفاهية الموظفين. يبرز هذه الدراسة إمكانية PDT لتعزيز نهج يركز على الإنسان في التصنيع الذكي، مما يقترح أن الإنتاجية ورفاهية العامل يمكن تحسينهما بشكل متزامن، بدلاً من اعتباره أهدافًا متعارضة.
مقدمة
تناقش مقدمة هذه الورقة البحثية الأهمية المتزايدة للتوائم الرقمية في التصنيع الحديث، والذي يتضمن إنشاء نسخ افتراضية من الآلات، وخطوط الإنتاج، أو سلاسل الإمداد. تسهل هذه النماذج الرقمية اكتشاف المشكلات مبكرًا وكفاءة التشغيل، مما يسمح للمديرين بمراقبة الأداء ومحاكاة سيناريوهات مختلفة. ومع ذلك، يتم تحديد قيد حرج: غالبًا ما تتجاهل الأطر الحالية للتوأم الرقمي العنصر البشري، حيث تعالج العمال كمتغيرات فقط بدلاً من كونهم مكونات أساسية في عملية التصنيع. يمكن أن يؤدي هذا الإغفال إلى زيادة الحمل الإدراكي والتعب العقلي بين العمال، مما يؤثر سلبًا على أدائهم وسلامتهم.
تشدد الورقة على ضرورة دمج النهج المتمحور حول الإنسان في تصميم التوائم الرقمية، خاصة مع تطور مهام التصنيع لتتطلب التعاون مع الأنظمة المستقلة وتفسير البيانات المعقدة. تجادل بأن إدارة العوامل النفسية الاجتماعية المتعلقة برفاهية العامل أمر أساسي لتحسين الكفاءة التشغيلية وتعزيز التعاون بين الإنسان والذكاء الاصطناعي. يتم التأكيد على الحاجة الملحة لهذا النهج من خلال التحديات المعاصرة مثل تقلبات سلسلة الإمداد والحاجة إلى تحسين استراتيجيات الاحتفاظ بالعمال. بالإضافة إلى ذلك، تبرز الورقة أهمية التحقق المستمر من النموذج والتكيف، حيث يجب تحديث أنظمة الذكاء الاصطناعي بانتظام لتظل فعالة عبر إعدادات مختلفة وخصائص القوى العاملة.
الطرق
استخدمت الدراسة تصميمًا تجريبيًا مختلطًا للتحقق من إطار التوأم الرقمي النفسي الاجتماعي (PDT) كأداة تنبؤية. تم إجراء التجربة في خلية عمل تصنيع افتراضية عالية الدقة (VR)، تم تطويرها باستخدام محرك Unity، مما سمح بالتلاعب المنضبط في صعوبة المهام والعوامل البيئية مع تمكين تسجيل البيانات في الوقت الحقيقي. تم استخدام مادتين بحثيتين رئيسيتين: سوار Empatica E4 لالتقاط نبض حجم الدم (BVP) والنشاط الكهربائي للجلد (EDA)، ونظارات Tobii Pro 3 لتتبع العين لتقييم السلوك البصري والتركيز الانتباهي.
تم تعيين المشاركين عشوائيًا إلى إما مجموعة التحكم (N=35)، التي استخدمت لوحة معلومات تقليدية للاستخبارات التجارية (BI)، أو مجموعة التجربة (N=35)، التي استخدمت لوحة معلومات متقدمة للاستخبارات التجارية مدمجة مع PDT. كانت المجموعة الأخيرة مطلوبة لمحاكاة التغييرات التشغيلية المحتملة لتوقع تأثيرها على مؤشر الحمل الإدراكي (CLI) قبل اتخاذ القرارات. استخدمت التحليل الذكاء الاصطناعي نموذج الذاكرة الطويلة القصيرة (LSTM)، الذي تم تقييمه من خلال نهج التحقق المتقاطع “ترك موضوع واحد خارجًا” لمنع الإفراط في التكيف. تم تقييم دقة النموذج التنبؤية من خلال مقارنة درجات CLI المتوقعة مع تقييمات الحمل الذاتي المبلغ عنها، باستخدام متوسط الخطأ المطلق (MAE) كمقياس للتقييم.
النتائج
تسلط نتائج هذه الدراسة الضوء على فعالية التوأم الرقمي النفسي الاجتماعي (PDT) كأداة لتعزيز تصميم مكان العمل من خلال المحاكاة التنبؤية. من خلال استخدام PDT، تمكن المشرفون من اتخاذ قرارات مستنيرة قللت بشكل كبير من العبء العقلي للموظفين، مما أدى إلى زيادة ملحوظة بنسبة 18% في الإنتاجية. تشير نتائج الدراسة إلى انخفاض بنسبة 21.7% في الحمل الإدراكي، متجاوزة الانخفاضات النموذجية بنسبة 10-15% التي لوحظت في دراسات هندسية سابقة، مما يظهر التأثير الكبير لدمج تدفقات بيانات متعددة الحساسات في عمليات اتخاذ القرار.
توضح ثلاث تطبيقات عملية لـ PDT فائدته: في تجميع السيارات، حددت الزيادات المحتملة في معدلات الأخطاء بسبب تعقيد المهام، مما دفع إلى إعادة تصميم استباقية؛ في تصنيع الإلكترونيات، خففت من مخاطر الحمل الإدراكي العالي من خلال تعديل أنظمة الإنذار؛ وفي تعبئة الأدوية، وازنت بين زيادة السرعة مع تحسين الإضاءة للحفاظ على الجودة. المساهمة الأساسية لهذا البحث هي الإطار المعتمد لـ PDT، الذي يستخدم شبكة عصبية متكررة لتوليد مؤشر الحمل الإدراكي (CLI) في الوقت الحقيقي. لم يقلل هذا الإطار من أحداث الحمل الإدراكي العالي بنسبة 42% والأخطاء المتعلقة بالمهام بنسبة 28% فحسب، بل قدم أيضًا منهجية موثوقة للبحوث المستقبلية من خلال تحليل البيانات متعددة الأنماط وتوقع النتائج في سيناريوهات العالم الحقيقي.
المناقشة
تؤكد قسم المناقشة في الورقة البحثية على الحاجة إلى توأم رقمي نفسي اجتماعي (PDT) يدمج تكنولوجيا التوأم الرقمي، وعلم النفس الإدراكي، ونمذجة مدفوعة بالذكاء الاصطناعي لتعزيز رفاهية العاملين وإنتاجيتهم في بيئات التصنيع. تكشف الأدبيات الحالية عن فجوة كبيرة في معالجة العنصر البشري ضمن أطر التوأم الرقمي، التي تركز بشكل أساسي على تحسين الأنظمة الفيزيائية مع تجاهل العوامل الإدراكية والعاطفية. يهدف PDT إلى سد هذه الفجوة من خلال استخدام بيانات فسيولوجية في الوقت الحقيقي، مثل تقلب معدل ضربات القلب وتتبع العين، لمراقبة وتوقع الحمل الإدراكي، مما يمكّن من التعديلات الاستباقية في تصميم العمل التي تتماشى مع القدرات والقيود البشرية.
تشير النتائج إلى أن PDT يمكن أن يقلل بشكل كبير من الحمل الإدراكي والأخطاء المتعلقة بالمهام بينما يحسن مقاييس الأداء العامة. على وجه التحديد، أظهرت المجموعة التجريبية التي تستخدم PDT انخفاضًا بنسبة 42% في أحداث الحمل الإدراكي العالي و28% في أخطاء المهام مقارنة بمجموعة التحكم. تؤكد هذه النتائج على إمكانية نهج يركز على الإنسان في التصنيع الذي لا يعزز فقط رفاهية العاملين ولكن أيضًا يحسن الكفاءة التشغيلية. ومع ذلك، فإن الانتقال من النماذج النظرية إلى التنفيذ العملي يطرح تحديات، خاصة فيما يتعلق بخصوصية البيانات، والتكامل مع الأنظمة القديمة، وتعزيز ثقة العمال. يجب أن تركز الأبحاث المستقبلية على تطوير أنظمة قابلة للتكيف تسهل التعاون بين المشغلين البشريين والذكاء الاصطناعي، مما يضمن أن التكنولوجيا تكمل بدلاً من أن تحل محل الحكم البشري في مكان العمل.
القيود
في قسم القيود، يعترف المؤلفون بأنه بينما يمثل التوأم الرقمي النفسي الاجتماعي تقدمًا كبيرًا في أدوات المحاكاة التنبؤية داخل بيئات التصنيع، هناك قيود متأصلة على قابليته للتطبيق. بشكل ملحوظ، قد تكون نتائج الدراسة محدودة بالسياقات المحددة التي تم اختبار الأداة فيها، مما قد يؤثر على إمكانية تعميم النتائج عبر سيناريوهات تصنيع متنوعة. بالإضافة إلى ذلك، قد يؤدي الاعتماد على افتراضات معينة في عملية النمذجة إلى إدخال تحيزات قد لا تكون موجودة في التطبيقات الواقعية.
يقترح المؤلفون أن تركز الأبحاث المستقبلية على التحقق من صحة التوأم الرقمي النفسي الاجتماعي في مجموعة أوسع من سياقات التصنيع واستكشاف تكامله مع أدوات التحليل التنبؤية الأخرى. سيعزز ذلك من قوة النتائج ويوفر فهمًا أكثر شمولاً لفائدته في إعدادات تشغيلية متنوعة.
DOI: https://doi.org/10.56830/ijsie202602
Publication Date: 2026-03-08
Author(s): Shrutika Prakash Mokashi et al.
Primary Topic: Human-Automation Interaction and Safety
Overview
The research presents the Psychosocial Digital Twin (PDT), an innovative framework that creates a real-time virtual model of a worker’s cognitive state within manufacturing environments. This approach addresses the oversight of human operators in traditional digital twin systems, which typically focus on equipment. The PDT integrates diverse data sources, including machine performance metrics, environmental conditions, and non-invasive physiological indicators, to monitor and predict worker stress and workload. An experiment involving 70 experienced factory workers demonstrated the effectiveness of the PDT, which achieved an 87.4% accuracy in predicting stress events, reduced reported stressful episodes by 42%, and decreased task-related errors by 28% compared to conventional monitoring methods.
The findings indicate that the PDT not only enhances operational stability but also improves worker experience by allowing supervisors to conduct “what-if” simulations to assess the impact of potential changes on employee well-being. This study underscores the potential of the PDT to foster a human-centered approach in smart manufacturing, suggesting that productivity and worker well-being can be improved concurrently, rather than viewed as opposing objectives.
Introduction
The introduction of this research paper discusses the growing significance of digital twins in modern manufacturing, which involves creating virtual replicas of machines, production lines, or supply chains. These digital models facilitate early issue detection and operational efficiency, allowing managers to monitor performance and simulate various scenarios. However, a critical limitation is identified: existing digital twin frameworks often overlook the human element, treating workers merely as variables rather than integral components of the manufacturing process. This neglect can lead to increased cognitive load and mental fatigue among workers, adversely affecting their performance and safety.
The paper emphasizes the necessity of incorporating human-centric approaches in the design of digital twins, particularly as manufacturing tasks evolve to require collaboration with autonomous systems and complex data interpretation. It argues that managing psychosocial factors related to worker well-being is essential for optimizing operational efficiency and enhancing human-AI collaboration. The urgency for this approach is underscored by contemporary challenges such as supply chain volatility and the need for improved worker retention strategies. Additionally, the paper highlights the importance of continuous model validation and adaptation, as AI systems must be regularly updated to remain effective across different settings and workforce demographics.
Methods
The study employed a mixed-methods experimental design to validate the Psychosocial Digital Twin (PDT) framework as a predictive tool. The experiment was conducted in a high-fidelity virtual reality (VR) manufacturing work cell, developed using the Unity engine, which allowed for controlled manipulation of task difficulty and environmental factors while enabling real-time data logging. Two primary research materials were utilized: the Empatica E4 Wristband for capturing Blood Volume Pulse (BVP) and Electrodermal Activity (EDA), and Tobii Pro Glasses 3 for eye-tracking to assess visual behavior and attentional focus.
Participants were randomly assigned to either a Control Group (N=35), which utilized a traditional business intelligence (BI) dashboard, or an Experimental Group (N=35), which employed an advanced BI dashboard integrated with the PDT. The latter group was required to simulate potential operational changes to predict their impact on the Cognitive Load Index (CLI) before making decisions. The AI analysis utilized a Long Short-Term Memory (LSTM) model, evaluated through a leave-one-subject-out cross-validation approach to prevent overfitting. The model’s predictive accuracy was assessed by comparing predicted CLI scores against self-reported workload ratings, using Mean Absolute Error (MAE) as the evaluation metric.
Results
The findings of this study highlight the effectiveness of the Psychosocial Digital Twin (PDT) as a tool for enhancing workplace design through predictive simulations. By utilizing the PDT, supervisors were able to make informed decisions that significantly reduced employees’ mental workload, leading to a notable 18% increase in productivity. The study’s results indicate a 21.7% reduction in cognitive load, surpassing typical reductions of 10-15% seen in previous ergonomic studies, thus demonstrating the substantial impact of integrating multiple sensor data streams into decision-making processes.
Three practical applications of the PDT illustrate its utility: in automotive assembly, it identified potential increases in error rates due to task complexity, prompting proactive redesigns; in electronics manufacturing, it mitigated high cognitive load risks by adjusting alarm systems; and in pharmaceutical packaging, it balanced speed increases with improved lighting to maintain quality. The core contribution of this research is the validated framework for the PDT, which employs a recurrent neural network to generate a real-time Cognitive Load Index (CLI). This framework not only reduced high cognitive load events by 42% and task-related errors by 28% but also provided a reliable methodology for future research by analyzing multimodal data and predicting outcomes in real-world scenarios.
Discussion
The discussion section of the research paper emphasizes the need for a Psychosocial Digital Twin (PDT) that integrates digital twin technology, cognitive ergonomics, and AI-driven modeling to enhance worker well-being and productivity in manufacturing environments. Current literature reveals a significant gap in addressing the human element within digital twin frameworks, which predominantly focus on optimizing physical systems while neglecting cognitive and emotional factors. The PDT aims to bridge this gap by utilizing real-time physiological data, such as heart rate variability and eye-tracking, to monitor and predict cognitive load, thereby enabling proactive adjustments in work design that align with human capabilities and limitations.
The findings indicate that the PDT can substantially reduce cognitive load and task-related errors while improving overall performance metrics. Specifically, the experimental group utilizing the PDT demonstrated a 42% reduction in high cognitive load events and a 28% decrease in task errors compared to the control group. These results underscore the potential for a human-centric approach to manufacturing that not only enhances worker well-being but also improves operational efficiency. However, the transition from theoretical models to practical implementation poses challenges, particularly concerning data privacy, integration with legacy systems, and fostering worker trust. Future research should focus on developing adaptive systems that facilitate collaboration between human operators and AI, ensuring that technology complements rather than replaces human judgment in the workplace.
Limitations
In the section on limitations, the authors acknowledge that while the Psychosocial Digital Twin represents a significant advancement in predictive simulation tools within manufacturing environments, there are inherent constraints to its applicability. Notably, the study’s findings may be limited by the specific contexts in which the tool was tested, potentially affecting the generalizability of the results across diverse manufacturing scenarios. Additionally, the reliance on certain assumptions in the modeling process could introduce biases that may not be present in real-world applications.
The authors suggest that future research should focus on validating the Psychosocial Digital Twin in a broader range of manufacturing contexts and exploring its integration with other predictive analytics tools. This would enhance the robustness of the findings and provide a more comprehensive understanding of its utility in various operational settings.