基于過程識(shí)別的認(rèn)知性VDT監(jiān)控作業(yè)績(jī)效形成機(jī)理

黃琨，廖斌

(1.四川城市職業(yè)學(xué)院 信息技術(shù)學(xué)院，四川 成都 610101；2.四川師范大學(xué) 商學(xué)院，四川 成都 610101)

監(jiān)控作業(yè)是核電站、化工廠、空中交通管制中心等場(chǎng)所的常見工作形式，信息化的深入正促使傳統(tǒng)的模擬式監(jiān)控向數(shù)字化監(jiān)控轉(zhuǎn)變。數(shù)字化控制室中，計(jì)算機(jī)及控制軟件終端成為作業(yè)人員的“工具機(jī)”[1]?！肮ぞ邫C(jī)”通常以視頻顯示終端 (visual display terminal，VDT) 的形式呈現(xiàn)[2]，VDT監(jiān)控作業(yè)已成為數(shù)字化控制室的主要?jiǎng)趧?dòng)形式。VDT監(jiān)控作業(yè)分為“簡(jiǎn)單判斷型”和“認(rèn)知型”兩類，后者 (認(rèn)知性VDT監(jiān)控作業(yè)) 的應(yīng)用越來越普遍，它要求作業(yè)者持續(xù)注視顯示終端獲取信息，通過大腦處理后完成輸出[3]。由于計(jì)算機(jī)信息處理技術(shù)的不斷提高，人的可靠性已成為認(rèn)知性VDT監(jiān)控作業(yè)系統(tǒng)績(jī)效薄弱環(huán)節(jié)的重要組成部分[4]，如何提高人的績(jī)效水平成為當(dāng)前亟待解決的重要社會(huì)問題。

另一方面，科學(xué)管理最基本的邏輯是通過過程控制實(shí)現(xiàn)管理目標(biāo)，Gilbraith通過“動(dòng)素”分解各種體力作業(yè)過程，極大提高了勞動(dòng)者的作業(yè)績(jī)效[5]。認(rèn)知性VDT監(jiān)控作業(yè)屬于內(nèi)隱性腦力勞動(dòng)，目前相關(guān)學(xué)者主要從認(rèn)知負(fù)荷識(shí)別[6-7]、監(jiān)控任務(wù)特征[6,8]、作業(yè)時(shí)間制度[9]、作業(yè)環(huán)境改善[10-11]等外顯屬性展開研究，從過程解析視角進(jìn)行的作業(yè)績(jī)效改善研究還很少見。

基于此，本文將在筆者近期研究成果[2]的基礎(chǔ)上，運(yùn)用隱馬爾可夫模型 (hidden Markov model，HMM) 解碼認(rèn)知性VDT監(jiān)控作業(yè)的隱狀態(tài)過程，通過分析3種難度水平下作業(yè)過程及績(jī)效的差異，探究績(jī)效的形成機(jī)理，以期為從過程解析視角改善認(rèn)知性VDT監(jiān)控作業(yè)績(jī)效提供理論依據(jù)。

1 認(rèn)知性VDT監(jiān)控作業(yè)的HMM結(jié)構(gòu)分析

HMM是一種描述隨機(jī)過程的概率模型，對(duì)于復(fù)雜時(shí)間序列具有很好的建模能力[12]。隱馬爾可夫過程中狀態(tài)是不可觀測(cè)的，可觀測(cè)到的只是這些狀態(tài)所表現(xiàn)出來的觀察量[12]。

1.1 隱狀態(tài)集合

文獻(xiàn)[2]提出，認(rèn)知性VDT作業(yè)過程可以通過元認(rèn)知、信息辨識(shí)等13個(gè)認(rèn)知?jiǎng)铀?(cognitive therbligs，CT) 解析，將這13個(gè)認(rèn)知?jiǎng)铀卦O(shè)為認(rèn)知性VDT監(jiān)控作業(yè)隱馬爾可夫過程的狀態(tài)集合S={s1,s2,···,s13}，見表1。根據(jù)人的信息處理階段模型理論[13]，認(rèn)知性VDT作業(yè)過程中某時(shí)刻的信息處理狀態(tài)取決于前時(shí)刻的作業(yè)狀態(tài)。

表1 認(rèn)知性VDT監(jiān)控作業(yè)狀態(tài)集Table 1 State set of a cognitive VDT monitoring operation

1.2 觀察指標(biāo)體系

認(rèn)知性VDT監(jiān)控作業(yè)的過程狀態(tài)不可觀測(cè)，但是這些狀態(tài)下的各種生理參數(shù)是可觀測(cè)的。

眼動(dòng)追蹤技術(shù)是研究認(rèn)知心理學(xué)的重要工具[14]。個(gè)體的眼動(dòng)行為是自發(fā)的，眼動(dòng)指標(biāo)具有良好的生態(tài)效度和時(shí)空分辨率，能真實(shí)反映個(gè)體認(rèn)知過程特征[15]，具有很好的實(shí)時(shí)性、無(wú)干擾性和可操作性。針對(duì)認(rèn)知性VDT監(jiān)控作業(yè)，作業(yè)者任意時(shí)刻的眼動(dòng)觀測(cè)結(jié)果取決于該時(shí)刻的作業(yè)狀態(tài)，與其他時(shí)刻的觀測(cè)及狀態(tài)無(wú)關(guān)?；诖?，本課題將選擇眼動(dòng)生理參數(shù)作為認(rèn)知性VDT監(jiān)控作業(yè)過程的觀察集。

Luke等[16]研究發(fā)現(xiàn)，在閱讀、視覺搜索和場(chǎng)景觀看時(shí)，對(duì)工作記憶量要求越大的任務(wù)，被試者的眼跳幅度 (saccade range，SR) 就越小，長(zhǎng)注視的比例越高；Henderson等[17]認(rèn)為認(rèn)知過程中，人的注視時(shí)間 (fixation time，F(xiàn)T) 分布特點(diǎn)與大腦皮層的眼動(dòng)控制網(wǎng)絡(luò) (頂內(nèi)溝、額下回等區(qū)域) 存在關(guān)聯(lián)。Joshi等[18]提出藍(lán)斑是大腦合成和釋放去甲腎上腺素的主要中樞，能調(diào)節(jié)大腦注意系統(tǒng)的運(yùn)作，瞳孔直徑(pupil diameter，PD) 的變化與藍(lán)斑的活動(dòng)存在共變性，瞳孔直徑是人類認(rèn)知活動(dòng)中反映注意資源分配的有效指標(biāo)；Hayes等[19]研究任務(wù)狀態(tài)下個(gè)體認(rèn)知活動(dòng)誘發(fā)的瞳孔反應(yīng)，發(fā)現(xiàn)探索型問題導(dǎo)致的瞳孔擴(kuò)張顯著大于規(guī)則運(yùn)用型問題。可見，SR、FT、PD是研究人類認(rèn)知問題的有效眼動(dòng)指標(biāo)。

本研究將SR、FT、PD設(shè)為認(rèn)知性VDT監(jiān)控作業(yè)隱馬爾可夫過程的觀察指標(biāo)，然后設(shè)計(jì)試驗(yàn)，采集3個(gè)觀察指標(biāo)的時(shí)序數(shù)據(jù)，通過聚類分析構(gòu)建觀察集合V={v1,v2,···,vm}。

1.3 隱馬爾可夫過程概念模型

考慮認(rèn)知性VDT監(jiān)控作業(yè)過程中的狀態(tài)轉(zhuǎn)移特征及眼動(dòng)觀察結(jié)果獨(dú)立性，結(jié)合前文提出的狀態(tài)集合S和觀察集合V，構(gòu)建認(rèn)知性VDT監(jiān)控作業(yè)的隱馬爾可夫過程概念模型，如圖1所示。

圖1 隱馬爾可夫過程概念模型Figure 1 Conceptual model of hidden Markov process

模型表明，每次作業(yè)過程均會(huì)產(chǎn)生1個(gè)內(nèi)隱的狀態(tài)序列Q=[q1,q2,···,qT]，qt∈S={s1,s2,···,s13}；對(duì)應(yīng)這個(gè)狀態(tài)序列，會(huì)產(chǎn)生1個(gè)外顯觀察序列O=[o1,o2,···,oT]，ot∈V={v1,v2,···,vm}。狀態(tài)序列和觀察序列共同描述某次作業(yè)過程，過程特征可以用參數(shù)λ=[A,B,π]表示。

式中，aij=Pr(si/sj)，表示狀態(tài)si轉(zhuǎn)移到狀態(tài)sj的概率。

式中，bj(k)=Pr[sj(ok)]，表示狀態(tài)sj下產(chǎn)生ok的概率。

式中，π為初始狀態(tài)矢量，ci為初始狀態(tài)q1=si的概率。

2 試驗(yàn)方法

2.1 試驗(yàn)設(shè)計(jì)

根據(jù)N-back范式設(shè)計(jì)心算監(jiān)控任務(wù)，任務(wù)由9個(gè)trial構(gòu)成，通過E-Prime2.0編程實(shí)現(xiàn)。每個(gè)trail從屏幕中間呈現(xiàn)提示符“+”開始，然后依次呈現(xiàn)4個(gè)整數(shù) (按呈現(xiàn)順序，依次設(shè)為T1、T2、T3、T4，T1、T2、T3、T4∈[1,9])，最后在探測(cè)界面呈現(xiàn)心算任務(wù)。任務(wù)要求被試者記憶之前呈現(xiàn)4個(gè)數(shù)字中的2個(gè)，完成心算 (加法/減法) 并判斷等式正誤，比如，T1+T3=5，如果等式正確單擊“Enter”鍵，錯(cuò)誤則單擊“Space”鍵。單trial呈現(xiàn)方式見圖2。

圖2 單trail呈現(xiàn)方式Figure 2 Presentation of a single trail

N-back范式中“N”指以探測(cè)界面為起點(diǎn)，按數(shù)字T1、T2、T3、T4呈現(xiàn)時(shí)序倒數(shù)的步數(shù)，T4:N=1，T3:N=2，T2:N=3，T1:N=4。N越大則記憶難度越大。設(shè)心算任務(wù)中2個(gè)待運(yùn)算數(shù)字對(duì)應(yīng)的N的和為SN，根據(jù)SN的大小確 定3個(gè)難度水 平Di(i=1,2,3)，分別為D1:SN=3，D2:SN=4，D3:SN=5。每個(gè)難度水平設(shè)計(jì)3個(gè)trial，任務(wù)包括3個(gè)難度水平，共9個(gè)trial，隨機(jī)呈現(xiàn)。被試者對(duì)試驗(yàn)變量的設(shè)置不知情。

因此，試驗(yàn)以難度水平為自變量 (被試內(nèi))，被試者在探測(cè)界面的正確反應(yīng)時(shí)間 (correct response time，CRT) 為因變量 (作業(yè)績(jī)效指標(biāo))。

2.2 被試者

在學(xué)校的本科生及研究生中甄選被試者30人，男12人，女生18人，平均年齡21.4歲。所有被試者均無(wú)生理和心理方面的既往病史，裸眼視力或矯正視力達(dá)1.0以上，色覺正常，均為右利手。

2.3 試驗(yàn)設(shè)備及測(cè)評(píng)量表

試驗(yàn)主設(shè)備為搭載15英寸顯示屏的戴爾筆記本電腦，安裝ErgoLAB3.0試驗(yàn)平臺(tái)，連接Tobii Pro X2-30眼動(dòng)儀 (采樣率30Hz)，試驗(yàn)任務(wù)通過E-Prime 2.0軟件編程實(shí)現(xiàn)。

2.4 試驗(yàn)程序

提前與需要參加試驗(yàn)的被試者約定時(shí)間，提醒被試者參加試驗(yàn)之前充分休息。正式試驗(yàn)之前，讓被試者保持舒適坐姿，調(diào)整被試者視距，確保眼動(dòng)儀正常捕捉被試者的眼動(dòng)數(shù)據(jù)。為被試者講解試驗(yàn)規(guī)則和注意事項(xiàng)，被試者充分理解后正式開始試驗(yàn)。打開ErgoLAB3.0錄屏功能，同時(shí)運(yùn)行E-Prime程序，被試者完成9個(gè)Trial測(cè)試任務(wù)。執(zhí)行完畢后停止E-prime程序，關(guān)閉ErgoLAB錄屏。

2.5 數(shù)據(jù)采集與整理

試驗(yàn)過程中，E-prime程序自動(dòng)采集績(jī)效數(shù)據(jù)CRT，Tobii眼動(dòng)儀采集被試者眼動(dòng)數(shù)據(jù)SR、FT、PD，ErgoLAB平臺(tái)保存眼動(dòng)數(shù)據(jù)。運(yùn)用SPSS軟件，按D1、D2、D3水平將CRT、SR、FT、PD (左、右瞳孔直徑均值) 指標(biāo)數(shù)據(jù)進(jìn)行分類整理，剔除錯(cuò)誤反應(yīng)數(shù)據(jù)后，分別獲取D1、D2、D3水平下指標(biāo)數(shù)據(jù)87、86、79組。

3 基于HMM的認(rèn)知性VDT監(jiān)控作業(yè)過程識(shí)別

實(shí)驗(yàn)過程中，所有被試者在D1、D2、D33個(gè)水平的正確反應(yīng)trial數(shù)分別為87、86、79，合計(jì)252組。對(duì)3水平的CRT進(jìn)行差異分析，方差分析結(jié)果見表2。

表2 方差分析結(jié)果Table 2 Results of varionce analysis

結(jié)果顯示，在不同難度水平下作業(yè)績(jī)效存在極顯著差異 (P=0.005＜0.05)。分別對(duì)D1、D2、D3水平的作業(yè)過程進(jìn)行識(shí)別，后文以D1水平為例闡述研究過程。

3.1 確定觀察集合及觀察序列

3.1.1 生理觀察數(shù)據(jù)離散化

D1水平下共有30名被試者正確完成了87個(gè)trial的測(cè)試任務(wù)。Tobii Pro X2-30眼動(dòng)儀采集了每次測(cè)試過程的眼動(dòng)數(shù)據(jù)，該設(shè)備的采樣頻率為30 Hz，每個(gè)trial的采樣時(shí)刻總量為30×C RT/1 000，將每個(gè)采樣時(shí)刻記為hi。PD為時(shí)刻數(shù)據(jù)，以hi時(shí)刻的左右瞳孔直徑均值對(duì)該時(shí)刻的PD賦值。SR、FT為時(shí)段數(shù)據(jù)，按30 Hz的采用頻率，將SR、FT轉(zhuǎn)化為時(shí)刻數(shù)據(jù)。具體轉(zhuǎn)化方式如下。SR：在有眼跳的時(shí)段hi-1～hi，以hi-1時(shí)刻視點(diǎn)像素位置與hi時(shí)刻視點(diǎn)像素位置的距離對(duì)hi時(shí)刻SR賦值，沒有眼跳的時(shí)段hi-1～hi，hi時(shí)刻賦值0；FT：在有注視的時(shí)段hi-1～hi，hi時(shí)刻賦值33 ms (設(shè)備采樣率為30 Hz，1 000 ms/30=33 ms)，沒有注視的時(shí)段hi-1～hi，hi時(shí)刻賦值0。由此，每個(gè)trial的眼動(dòng)觀察數(shù)據(jù)可以離散化為3×x的矩陣觀察數(shù)據(jù)，x由該trial的采樣時(shí)刻總量決定。D1水平下共產(chǎn)生87組3×x的矩陣觀察數(shù)據(jù)。由于篇幅原因，僅給出第1個(gè)trial的矩陣觀察數(shù)據(jù) (3×84)，見表3。

表3 第1組觀測(cè)數(shù)據(jù)Table 3 Observation data of the first trial

3.1.2 基于多維有序聚類和K-Means聚類提煉觀察集合

HMM的觀察集合通常從一定數(shù)量的觀察序列中提煉生成，但眼動(dòng)特征觀察數(shù)據(jù)的時(shí)序密度過高，無(wú)法用常規(guī)方法提煉觀察集合。觀察數(shù)據(jù)為時(shí)序數(shù)據(jù)，分類必須滿足相鄰條件，按照類內(nèi)離差平方和最小、類間離差平方和最大的原則，采用文獻(xiàn)[20]提出的多維有序聚類方法，運(yùn)行Matlab 2013a分別對(duì)87組原始矩陣觀察序列數(shù)據(jù)進(jìn)行多維有序聚類，得初步觀察序列i=1,2,···,87。由于篇幅原因，僅給出第1組結(jié)果，見圖3。

圖3 8層分割聚類Figure 3 Eight-layer segmentation clustering

從圖3可知，第1組觀察數(shù)據(jù)按時(shí)序分為8類為最優(yōu)分割，可得初步觀察序列共8個(gè)觀察項(xiàng)，每個(gè)觀察項(xiàng)由3項(xiàng)眼動(dòng)特征信息序列構(gòu)成。87個(gè)初步觀察序列的所有觀察項(xiàng)之和為902(略)，對(duì)902個(gè)觀察項(xiàng)進(jìn)行K-Means聚類分析，結(jié)果見表4。

表4 K-Means聚類結(jié)果Table 4 Resultsof K-Means clustering

表5 F范數(shù)t檢驗(yàn)結(jié)果Table 5 t text results of F norms

由表4可知，當(dāng)聚類數(shù)為12時(shí)，輪廓系數(shù)最大。因此，將902個(gè)觀察項(xiàng)分為12類 (c1,c2,···,c12)，即為認(rèn)知性VDT監(jiān)控作業(yè) (D1水平) 隱馬爾可夫過程觀察集合的基本構(gòu)成要素。由此，觀察集合V={v1,v2,···,v12}，v1=c1,v2=c2,···,v12=c12。

3.1.3 確定最終觀察序列

同理，可分別求解D2、D3水平的86、79個(gè)最終觀察序列。

1.2.2 抗胃癌植物類中藥 以“中藥”“抗腫瘤”等為檢索詞，在中國(guó)知網(wǎng)、維普等數(shù)據(jù)庫(kù)中組合查詢1980年1月－2018年4月發(fā)表的相關(guān)文獻(xiàn)。納入抗胃癌植物類中藥的相關(guān)文獻(xiàn)，包括基礎(chǔ)/臨床研究、綜述、個(gè)案報(bào)道等；排除不在“1.2.1”項(xiàng)下所列品種范圍內(nèi)的相關(guān)文獻(xiàn)。共檢索到抗胃癌植物類中藥相關(guān)文獻(xiàn)478篇，共涉及85個(gè)中藥品種。

3.2 HMM參數(shù)訓(xùn)練及驗(yàn)證

3.2.1 參數(shù)訓(xùn)練

BW (Baum-Welch) 算法是確定隱馬爾可夫模型參數(shù) λ=[A,B,π]常用的無(wú)監(jiān)督學(xué)習(xí)方法，由于該方法僅使用1個(gè)觀察序列訓(xùn)練，因而不存在一個(gè)最佳方法來估計(jì)模型參數(shù)。本研究采用多觀察序列無(wú)監(jiān)督算法[21]訓(xùn)練模型參數(shù)。傳統(tǒng)機(jī)器學(xué)習(xí)對(duì)訓(xùn)練樣本比例沒有特定的要求，一般設(shè)置為30%或20%，具體視總樣本量的大小而定，總樣本量較小則訓(xùn)練樣本比例較高。本研究D1水平下總觀測(cè)序列樣本量為87，數(shù)量較小，將30%的觀察序列用于HMM參數(shù)訓(xùn)練[21]。隨機(jī)選擇26 (87×30%) 個(gè)觀測(cè)序列，重新排序構(gòu)成訓(xùn)練觀察序列集合O=[O(k)]=[O(1),O(1),···,O(26)]?；谖墨I(xiàn)[21]的方法，通過Matlab 2013a編程實(shí)現(xiàn)算法。輸入訓(xùn)練觀察序列集合O和初始參數(shù)λ0=[A0,B0,π0]，初始參數(shù)采用均勻賦值方法[12]，設(shè)置迭代次數(shù)5 000，精度0.000 1。訓(xùn)練得到D1水平HMM參數(shù)λ 優(yōu)化后的結(jié)果

同理，可分別求解D2、D3水平HMM參數(shù) λ優(yōu)化的結(jié)果。

3.2.2 參數(shù)可信性驗(yàn)證

3.3 作業(yè)過程識(shí)別

Viterbi算法是HMM解碼問題最常用的方法。該算法采用動(dòng)態(tài)規(guī)劃求解最優(yōu)狀態(tài)序列 (概率最大路徑)，每條路徑對(duì)應(yīng)從初始到終止時(shí)刻的狀態(tài)序列Q=[q1,q2,···,qT]。從t=1開始，推算下一時(shí)刻以各狀態(tài)節(jié)點(diǎn)為終點(diǎn)的所有可能狀態(tài)序列的概率并確定最優(yōu)狀態(tài)序列，直至t=T[12]。具體步驟如下。

首先定義 δt(i)表 示時(shí)刻t狀態(tài)為i的最優(yōu)局部狀態(tài)序列的概率，ψt(i)表 示該狀態(tài)序列的t-1個(gè)節(jié)點(diǎn)。此處以及后面的式 (4)～ (10)，i表示狀態(tài)序列[q1,q2,···,qT]中的時(shí)刻t的狀態(tài)q，值為si，i=1,2,···,13。如i=2，表示時(shí)刻t的狀態(tài)為s2。

1) 按照式 (4) 設(shè)定初始化條件。

式中，δ1(i)表 示在時(shí)刻1狀態(tài)為i的最優(yōu)局部狀態(tài)序列的概率；ψ1(i)表示狀態(tài)序列的第0個(gè)節(jié)點(diǎn)。

3) 通過遞推，計(jì)算最優(yōu)狀態(tài)序列。

式中，Pr?表示最優(yōu)總概率。

式中，I?表示最優(yōu)狀態(tài)序列。

從表6可以看出，狀態(tài)序列反映被試者的認(rèn)知過程。在同一難度水平下，不同被試者的狀態(tài)序列也存在差異；不同難度水平的狀態(tài)序列差異更大，隨著難度水平的增加，狀態(tài)序列的長(zhǎng)度隨之增加。

表6 狀態(tài)序列結(jié)果Table 6 Results of state sequences

4 績(jī)效形成機(jī)理分析

1) 認(rèn)知?jiǎng)铀劓滈L(zhǎng)度對(duì)績(jī)效的影響。

根據(jù)試驗(yàn)數(shù)據(jù)，對(duì)表6中6種認(rèn)知?jiǎng)铀劓湹腃RT均值進(jìn)行差異比較，方差分析結(jié)果見表7。結(jié)果顯示，6種認(rèn)知?jiǎng)铀劓湹腃RT均值差異顯著 (P=0.034＜0.05)。

表7 方差分析結(jié)果Table 7 Results of variance analysis

根據(jù)表6中6種認(rèn)知?jiǎng)铀劓湆?duì)應(yīng)的90組樣本數(shù)據(jù)，對(duì)認(rèn)知?jiǎng)铀財(cái)?shù)和CRT進(jìn)行相關(guān)性分析，結(jié)果如表8所示?？梢园l(fā)現(xiàn)，認(rèn)知?jiǎng)铀財(cái)?shù)與CRT之間存在顯著的正相關(guān)性，認(rèn)知性VDT監(jiān)控作業(yè)的績(jī)效隨著作業(yè)過程中認(rèn)知?jiǎng)铀財(cái)?shù)量的增加 (即認(rèn)知?jiǎng)铀劓滈L(zhǎng)度的增加) 而降低。從試驗(yàn)設(shè)計(jì)及結(jié)果分析，導(dǎo)致認(rèn)知?jiǎng)铀劓滈L(zhǎng)度增加的主要原因如下。(1) 由任務(wù)信息提示界面與任務(wù)操作界面之間的時(shí)距過長(zhǎng)所致的任務(wù)難度增加；(2) 被試者個(gè)體因素：本文試驗(yàn)數(shù)據(jù)中，不同被試者在同一難度水平下認(rèn)知?jiǎng)铀劓滈L(zhǎng)度存在差異的情況較多。但被試者特征 (比如，人格特征) 與認(rèn)知?jiǎng)铀劓溄Y(jié)構(gòu)之間的關(guān)系還有待進(jìn)一步研究。

表8 相關(guān)分析結(jié)果Table 8 Results of correlation analysis

2) 認(rèn)知?jiǎng)铀劓湗?gòu)成要素及結(jié)構(gòu)。

隨著認(rèn)知?jiǎng)铀劓湹脑鲩L(zhǎng)，構(gòu)成要素之間的結(jié)構(gòu)會(huì)變得愈加復(fù)雜。表6顯示，D3水平兩種認(rèn)知?jiǎng)铀劓湹膭?dòng)素?cái)?shù)量均為13，但是績(jī)效存在差異。這表明構(gòu)成要素的類型及構(gòu)成要素之間的結(jié)構(gòu)差異亦會(huì)影響績(jī)效，但是何種結(jié)構(gòu)會(huì)產(chǎn)生更好的績(jī)效，以及如何通過培訓(xùn)和任務(wù)界面設(shè)計(jì)來重構(gòu)和優(yōu)化作業(yè)者的認(rèn)知?jiǎng)铀劓溸€有待進(jìn)一步研究。

5 結(jié)論

本文針對(duì)認(rèn)知性VDT監(jiān)控作業(yè)過程的內(nèi)隱性，運(yùn)用E-prime設(shè)計(jì)實(shí)驗(yàn)任務(wù)，運(yùn)行ErgoLAB實(shí)驗(yàn)平臺(tái)采集作業(yè)績(jī)效及眼動(dòng)數(shù)據(jù)，運(yùn)用隱馬爾可夫模型解析作業(yè)過程并分析績(jī)效形成機(jī)理。結(jié)果表明，認(rèn)知性VDT監(jiān)控作業(yè)過程可以用認(rèn)知?jiǎng)铀劓湵碚鳎鳂I(yè)者和任務(wù)的不同會(huì)導(dǎo)致認(rèn)知?jiǎng)铀劓湹牟町?；在結(jié)構(gòu)相同的條件下，認(rèn)知?jiǎng)铀劓溤介L(zhǎng)，認(rèn)知性VDT監(jiān)控作業(yè)績(jī)效越差；在長(zhǎng)度相同情況下，認(rèn)知?jiǎng)铀劓湹臉?gòu)成要素和結(jié)構(gòu)差異會(huì)影響認(rèn)知性VDT監(jiān)控作業(yè)績(jī)效。

本文為其他作業(yè)類型的分析和研究提供了可借鑒的范式和思路，但目前的研究還僅限于認(rèn)知性VDT監(jiān)控作業(yè)，作業(yè)者個(gè)體因素對(duì)認(rèn)知?jiǎng)铀劓湹挠绊懸?guī)律，以及如何通過人員培訓(xùn)和任務(wù)優(yōu)化設(shè)計(jì)來重構(gòu)和改進(jìn)作業(yè)者的認(rèn)知?jiǎng)铀劓湹葐栴}還有待進(jìn)一步研究。