Modell för prediktiv bedömning av kognitiv belastning – PreKo
Forskningsprojekt
, 2018
– 2021
PreKo-projektets övergripande syfte är att bidra till socialt hållbart arbetsliv genom att utforska effekterna av kognitiv belastning vid monteringsarbete, samt utveckla en prediktiv kognitiv bedömningsmodell som beslutsstöd vid tidig utformning av monteringslösningar och arbetsuppgifter. Tanken är att möjliggöra bättre helhetsbedömning i tidigt stadium, med syfte att proaktivt minska kombinatoriska belastningsrisker. Komplexa arbetsmiljöer ställer höga krav på individens förmåga att ta in rätt information och fatta rätt beslut i rätt ögonblick - detta kan resultera i uppgiftsrelaterad stress som kan leda till ohälsa, demotivation och sjukfrånvaro. Projektets tänkta effekt är att skapa kunskap och verktyg för att tidigt upptäcka och förebygga arbetsuppgiftsrelaterad stress, vilket förväntas resultera i förbättrad hälsa och ökad effektivitet och kvalitet på produkter och tjänster. Projektets tillämpningshemvist är primärt monteringsarbete i tillverkningsindustri, men gäller alla arbetsuppgifter som fordrar instruktioner och därmed innebär kognitiv belastning. Modellen bör kunna gagnas omgående efter projektavslut av (industriella) företag med egen utveckling av arbetssystem och organisation.
Deltagare
Cecilia Berlin (kontakt)
Docent vid Chalmers, Industri- och materialvetenskap, Produktionssystem
Maral Babapour Chafi
Forskare vid Chalmers, Industri- och materialvetenskap, Design and Human Factors
Matilda Bergman
Projektassistent vid Chalmers, Industri- och materialvetenskap, Design and Human Factors
Ann-Christine Falck
Gästforskare vid Chalmers, Industri- och materialvetenskap, Produktionssystem
Roland Örtengren
Professor vid Chalmers, Industri- och materialvetenskap, Produktionssystem
Åsa Camilla Söderström
Doktorand vid Chalmers, Industri- och materialvetenskap, Design and Human Factors
Finansiering
AFA Försäkring
Finansierar Chalmers deltagande under 2018–2021
Relaterade styrkeområden och infrastruktur
Hållbar utveckling
Drivkrafter
Produktion
Styrkeområden