fa مرور سیستماتیک کاربرد روش‌های داده‌کاوی جهت پایش وضعیت عملکرد اپراتور در سیستم های انسان- ماشین ارگونومی Ergonomics مروری Review Article مقدمه: پایش مداوم وضعیت عملکرد اپراتور، از مهم&shy;ترین موضوعات مورد بحث در سیستم&shy;های انسان- ماشین است و روش&shy;های داده&shy;کاوی به عنوان ابزاری مناسب برای ارائه مدل&shy;های ارزیابی وضعیت عملکرد محسوب می&shy;شوند. با این حال، تاکنون تحقیق جامعی در مورد استفاده از روش&shy;ها&shy;ی داده&shy;کاوی در این زمینه انجام نشده است. بنابراین مقاله حاضر با هدف مرور سیستماتیک بررسی نقش و اهمیت روش های داده&shy;کاوی جهت پایش وضعیت عملکرد اپراتور در سیستم&shy;های انسان- ماشین انجام شد.<br> روش بررسی: 86 مقاله منتشر شده مربوط به ارزیابی وضعیت عملکرد اپراتور در پنج پایگاه داده&shy; بررسی شد. کلیه مقالات در چهار گروه مربوط به وضعیت عملکرد اپراتور، سه سیستم ایمنی بحرانی و سه نوع تکنیک داده کاوی تحلیل گردید. همچنین سنجش وضعیت عملکردی اپراتور نیز از طریق روش های اندازه گیری فیزیکی، اندازه گیری های فیزیولوژیکی- روانی، روش های اندازه گیری شاخص های عملکرد وظیفه و روش های گزارش دهی یا قضاوت ذهنی مورد بررسی قرار گرفت.<br> یافته ها: اکثر مدل&shy;های داده&shy;کاوی مربوط به حوزه حمل و نقل جاده ای و هوایی بودند که عمدتا بر خستگی و شاخص های عملکرد وظیفه متمرکز می باشند. در بین روش های داده کاوی نیز، مدل های ماشین بردار پشتیبان و شبکه عصبی بیشترین کاربرد را داشتند. نتایج نشان داد که از بین وضعیت های عملکردی، مدل&shy;های خستگی بالاترین تعداد مطالعات را به خود اختصاص داده که در آن ها عمدتا از اندازه&shy;گیری&shy;های فیزیکی استفاده گردیده است، در حالی که بیشترین روش اندازه گیری در مدل&shy;های بار کاری ذهنی و شاخص های عملکرد، مربوط به اندازه گیری های فیزیولوژیکی- روانی بود.<br> نتیجه گیری: ارزیابی جامع روش های داده کاوی ارائه شده و همچنین پارامترهای مورد استفاده در این مدل&shy;ها برای بررسی وضعیت عملکرد اپراتور، سبب شناسایی خلاء تحقیقاتی در این حوزه و انجام مطالعات گسترده تر در جهت بهبود عملکرد انسان خواهد شد. Introduction: Continuous monitoring of operator functional state is one of the most important topics and data mining methods are considered as a suitable tool for providing performance evaluation models. However, there has been no comprehensive study on the use of data mining methods in this field so far, and in so doing, the aim of the present article was to systematically review the role and importance of data mining methods to monitor the operator functional state in human-machine systems.<br> Methods and Materials: A total of 86 published articles evaluated operator functional state were reviewed in five databases. All articles were analyzed in four groups related to operator functional state, three critical safety systems, and three types of data mining techniques. The operator functional state was also assessed through methods of physical measurement, psychophysiological measurement, task-performance indicators, and subjective judgment.<br> Results: Most of the data mining models were related to the field of road and air transportation, which are mainly focused on fatigue and task-performance indicators. Support vector machine and neural network models were the most frequently used data mining methods. The results showed that most studies were performed on fatigue models, among the functional states where mainly physical measurements were used; however, to psychophysiological measurements were the most frequently measurement method applied to mental workload models and task performance indicators.<br> Conclusion: A comprehensive evaluation of data mining methods and the parameters used in these models to assess the operator functional state will identify research gaps in this area and conduct more extensive studies to improve human performance. سیستم انسان- ماشین, داده‌کاوی, وضعیت عملکرد اپراتور Human-machine system, Data Mining, Operator functional state 249 273 http://ioh.iums.ac.ir/browse.php?a_code=A-10-2691-1&slc_lang=fa&sid=1 Marzieh Sadeghian مرضیه صادقیان mrz.sadeghian@gmail.com 13600319475328460038828 13600319475328460038828 No Assistant Professor, Department of Occupational Health, School of Health, Ahvaz Jundishapur University of Medical Sciences, Ahvaz, Iran. استادیار، گروه بهداشت حرفه ای، دانشکده بهداشت، دانشگاه علوم پزشکی جندی شاپور اهواز، اهواز، ایران Soroor Shekarizadeh سرور شکاری زاده soroor.shekarizade@gmail.com 13600319475328460038829 13600319475328460038829 No Msc, Department of Artificial Intelligence, Faculty of Computer Engineering, Amirkabir University of Technology, Tehran, Iran کارشناسی ارشد، گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران Zahra MohammadiFoumani زهرا محمدی z-mohammadi@sbmu.ac.ir 13600319475328460038830 13600319475328460038830 Yes PhD student, Department of Occupational Health and Safety, Student Research Committee, School of Public Health and safety, Shahid Beheshti University of Medical Science, Tehran, Iran دانشجو دکتری، گروه مهندسی بهداشت حرفه ای و ایمنی، کمیته پژوهشی دانشجویان، دانشکده بهداشت و ایمنی، دانشگاه علوم پزشکی شهید بهشتی، تهران، ایران