Моделирование производительности человека

Моделирование деятельности человека ( HPM ) — это метод количественной оценки человеческого поведения, познания и процессов. Это инструмент, используемый исследователями и практиками человеческого фактора как для анализа функций человека, так и для разработки систем, предназначенных для оптимального взаимодействия с пользователем. Это дополнительный подход к другим методам тестирования удобства использования для оценки влияния функций интерфейса на производительность оператора.

История

Общество человеческого фактора и эргономики (HFES) сформировало Техническую группу по моделированию человеческой деятельности в 2004 году. Несмотря на то, что это новая дисциплина, специалисты по человеческому фактору создают и применяют модели человеческой деятельности со времен Второй мировой войны . Известные ранние примеры моделей деятельности человека включают модель целенаправленного двигательного движения Пола Фиттса (1954), модели времени реакции выбора Хика (1952) и Хайман (1953), и Светс и др. (1964) работают над обнаружением сигналов. Предполагается, что самые ранние разработки в области HPM возникли из-за необходимости количественной оценки обратной связи между человеком и системой для тех военных систем, которые разрабатывались во время Второй мировой войны (см. Теорию ручного управления ниже), при этом постоянный интерес к разработке этих моделей подкреплялся когнитивной революцией. (см. «Познание и память» ниже).

Модели человеческой деятельности

Модели деятельности человека прогнозируют поведение человека в задаче, области или системе. Однако эти модели должны быть основаны на эмпирических данных о человеке и сравниваться с ними , чтобы гарантировать правильность прогнозов производительности человека. Поскольку человеческое поведение по своей сути сложно, упрощенные представления взаимодействий необходимы для успеха данной модели. Поскольку ни одна модель не способна отразить всю широту и детализацию деятельности человека в системе, области или даже задаче, детали абстрагируются, чтобы модели оставались управляемыми. Хотя упущение деталей является проблемой в фундаментальных психологических исследованиях, это не вызывает беспокойства в прикладных контекстах, которые больше всего интересуют специалистов по человеческому фактору. Это связано с между внутренней и внешней валидностью компромиссом . В любом случае, разработка модели деятельности человека — это упражнение в науке о сложности . Коммуникация и исследование наиболее важных переменных, управляющих данным процессом, часто так же важны, как и точное предсказание результата с учетом этих переменных.

Цель большинства моделей деятельности человека — собрать достаточно деталей в конкретной области, чтобы их можно было использовать в целях исследования, проектирования или оценки; таким образом, область применения любой конкретной модели часто весьма ограничена. Определение и сообщение области данной модели является важной особенностью практики – и всей совокупности человеческих факторов – как системной дисциплины. Модели деятельности человека содержат как явные, так и неявные предположения или гипотезы, от которых зависит модель, и обычно являются математическими, состоящими из уравнений или компьютерного моделирования, хотя существуют также важные модели, которые носят качественный характер.

Отдельные модели различаются по своему происхождению, но имеют общие способы применения и использования для решения проблем с точки зрения человеческого фактора. Это могут быть модели продуктов деятельности человека (например, модель, которая дает те же результаты принятия решений, что и люди-операторы), процессов, участвующих в деятельности человека (например, модель, которая моделирует процессы, используемые для принятия решений), или и то, и другое. Как правило, они относятся к одной из трех областей: восприятие и распределение внимания, командование и контроль или познание и память; хотя модели других областей, таких как эмоции, мотивация и социальные/групповые процессы, продолжают развиваться в рамках этой дисциплины. Интегрированные модели также приобретают все большее значение . Антропометрические и биомеханические модели также являются важнейшими инструментами человеческого фактора в исследованиях и практике и используются наряду с другими моделями деятельности человека, но имеют почти полностью отдельную интеллектуальную историю, поскольку индивидуально больше интересуются статическими физическими качествами, чем процессами или взаимодействиями.

Модели применимы во многих отраслях и областях, включая военную, авиация, ядерная энергетика, автомобильный, космические операции, производство, дизайн пользовательского опыта/пользовательского интерфейса (UX/UI), и т. д. и использовались для моделирования взаимодействий человека и системы, как простых, так и сложных.

Категории моделей

Командование и контроль

Модели человеческой деятельности в Command & Control описывают результаты поведения оператора и часто также являются моделями ловкости при взаимодействии для определенных задач.

Закон Хика-Хаймана

Хик (1952) и Хайман (1953) отмечают, что сложность выбора времени реакции во многом определяется информационной энтропией ситуации. Они предположили, что информационная энтропия ( H ) является функцией количества альтернатив ( n ) в задаче выбора, H = log ₂ ( n + 1) ; и что время реакции (RT) человека-оператора является линейной функцией энтропии: RT = a + bH . Это известно как закон Хика-Хаймана для времени отклика выбора.

Указывая

Наведение на стационарные цели, такие как кнопки, окна, изображения, пункты меню и элементы управления на дисплеях компьютеров, является обычным явлением и имеет хорошо зарекомендовавший себя инструмент моделирования для анализа - закон Фиттса (Фиттс, 1954), который гласит, что время для прицеливания движение (МТ) является линейной функцией показателя сложности движения: МТ = a + bID . Индекс сложности (ID) для любого данного движения является функцией отношения расстояния до цели (D) и ширины цели (W): ID = log ₂ (2D/W) – соотношение, выводимое из теории информации. . закон Фиттса на самом деле ответственен за повсеместное распространение компьютерной мыши Согласно исследованиям Карда, Инглиша и Берра (1978) . Расширения закона Фитта также применимы к наведению на движущиеся в пространстве цели посредством закона управления , первоначально открытого К. Г. Друри в 1971 году. и позже вновь открыт в контексте взаимодействия человека и компьютера Аккоттом и Чжаем (1997, 1999).

Теория ручного управления

Сложные двигательные задачи, например, выполняемые музыкантами и спортсменами, плохо моделируются из-за их сложности. Однако поведение человека по отслеживанию цели представляет собой сложную двигательную задачу, которая является примером успешного HPM.

История теории ручного управления обширна, начиная с 1800-х годов, когда речь шла об управлении водяными часами. Однако в 1940-х годах, когда во время Второй мировой войны были изобретены сервомеханизмы, были проведены обширные исследования непрерывного управления и стабилизации современных систем, таких как радиолокационные антенны, артиллерийские башни и корабли/самолеты, посредством сигналов управления с обратной связью.

Были разработаны методы анализа, которые предсказывали, какие системы управления необходимы для обеспечения стабильного и эффективного управления этими системами (Джеймс, Николс и Филлипс, 1947). Первоначально интересуясь временной реакцией - взаимосвязью между воспринимаемым выходным сигналом и моторным выходом как функцией времени - Джеймс и др. (1947) обнаружили, что свойства таких систем лучше всего характеризуются пониманием временного отклика после того, как он был преобразован в частотный отклик; отношение выходной и входной амплитуды и задержка реакции в диапазоне частот, к которым они чувствительны. Для систем, которые линейно реагируют на эти входные данные, функция частотной характеристики может быть выражена в математическом выражении, называемом передаточной функцией . Сначала это было применено к машинным системам, а затем к системам «человек-машина» для максимизации производительности человека. Тастин (1947), занимавшийся проектированием турелей для управления человеком, первым продемонстрировал, что нелинейная реакция человека может быть аппроксимирована передаточной функцией. МакРуер и Кренцель (1957) обобщили все работы, начиная с Тастина (1947), измеряя и документируя характеристики передаточной функции человека, и открыли эпоху моделей ручного управления деятельностью человека. Когда в самолеты были внедрены электромеханические и гидравлические системы управления полетом, автоматизация и электронные системы искусственной устойчивости начали позволять пилотам-человекам управлять высокочувствительными системами. Эти же передаточные функции до сих пор используются в технике управления .

На основе этого была разработана модель оптимального управления (Pew & Baron, 1978), чтобы смоделировать способность человека-оператора усваивать динамику системы и минимизировать целевые функции, такие как среднеквадратическая ошибка (RMS) от цели. Модель оптимального управления также распознает шум в способности оператора наблюдать сигнал ошибки и распознает шум в выходной системе двигательной активности человека.

Однако технологический прогресс и последующая автоматизация уменьшили необходимость и желание ручного управления системами. Человеческий контроль над сложными системами в настоящее время часто носит надзорный характер над данной системой, и как человеческий фактор, так и HPM сместились от исследования перцептивно-моторных задач к когнитивным аспектам деятельности человека.

Внимание и восприятие

Теория обнаружения сигналов (SDT)

Хотя теория обнаружения сигналов не является формальной частью HPM, она оказывает влияние на метод, особенно в рамках интегрированных моделей. SDT почти наверняка является самой известной и наиболее широко используемой структурой моделирования человеческого фактора и ключевым элементом образования в области человеческих ощущений и восприятия. В приложении представляет интерес ситуация, в которой человек-оператор должен сделать двоичное суждение о том, присутствует или отсутствует сигнал на шумовом фоне. Это суждение может быть применено в любом количестве жизненно важных контекстов. Помимо ответа оператора, есть два возможных «истинных» состояния мира — либо сигнал присутствовал, либо его не было. Если оператор правильно идентифицирует сигнал как присутствующий, это называется попаданием ( H). Если оператор отвечает, что сигнал присутствовал, хотя сигнала не было, это называется ложной тревогой (FA). Если оператор правильно реагирует при отсутствии сигнала, это называется правильным отклонением (CR). Если сигнал присутствует, но оператор не может его идентифицировать, это называется мисс (М).

В прикладной психологии и человеческом факторе SDT применяется для решения исследовательских задач, включая распознавание, память, проверку способностей и бдительность. Бдительность , подразумевающая способность операторов обнаруживать редкие сигналы с течением времени, важна для человеческого фактора в различных областях.

Визуальный поиск

Развитой областью внимания является контроль зрительного внимания – модели, которые пытаются ответить: «Куда человек будет смотреть дальше?» Подмножество этого вопроса касается вопроса визуального поиска: насколько быстро можно обнаружить указанный объект в поле зрения? Это распространенный предмет озабоченности человеческим фактором в различных областях, имеющий обширную историю в когнитивной психологии. Это исследование продолжается с использованием современных концепций значимости и карт значимости . Методы моделирования деятельности человека в этой области включают работу Меллоя, Даса, Грамопадхи и Духовски (2006) относительно моделей Маркова , предназначенных для получения верхней и нижней оценок времени, затрачиваемого человеком-оператором на сканирование однородного дисплея. Другой пример из Witus and Ellis (2003) включает вычислительную модель обнаружения наземных транспортных средств на сложных изображениях. Столкнувшись с неравномерной вероятностью того, что опция меню будет выбрана пользователем компьютера при выделении определенных подмножеств элементов, Фишер, Коури, Тенгс и Даффи (1989) вывели уравнение для оптимального количества выделенных элементов для заданного общего количества элементы заданного распределения вероятностей. Поскольку визуальный поиск является важным аспектом многих задач, модели визуального поиска теперь разрабатываются в контексте интеграции систем моделирования. Например, Флитвуд и Бирн (2006) разработали модель визуального поиска ACT-R посредством отображения помеченных значков, предсказывая влияние качества значков и размера набора не только на время поиска, но и на движения глаз.

Визуальная выборка

Многие домены содержат несколько дисплеев и требуют большего, чем простое дискретное измерение времени ответа «да/нет». Критическим вопросом в таких ситуациях может быть: «Сколько времени операторы потратят на просмотр X относительно Y?» или «Какова вероятность того, что оператор совершенно не увидит критическое событие?» Визуальная выборка является основным средством получения информации из мира. Ранней моделью в этой области является модель Sender (1964, 1983), основанная на мониторинге операторами нескольких наборов номеров, каждый из которых имеет разную скорость изменения. Операторы стараются, насколько это возможно, восстановить исходный набор циферблатов на основе дискретной выборки. Это основано на математической теореме Найквиста , утверждающей, что сигнал частотой Вт Гц можно восстановить путем выборки каждые 1/Вт секунды. Это было объединено с измерением скорости генерации информации для каждого сигнала, чтобы спрогнозировать оптимальную частоту дискретизации и время задержки для каждого набора. Человеческие ограничения не позволяют человеческой деятельности соответствовать оптимальной производительности, но предсказательная сила модели повлияла на будущие работы в этой области, такие как расширение модели Шериданом (1970) с учетом стоимости доступа и ценности выборки информации.

Современная концептуализация Wickens et al. (2008) представляет собой модель значимости, усилий, ожиданий и ценности (SEEV). Он был разработан исследователями (Wickens et al., 2001) как модель поведения сканирования, описывающая вероятность того, что данная область интереса привлечет внимание (AOI). Модель SEEV описывается формулой p(A) = sS - efEF + (exEX)(vV) , где p(A) — вероятность того, что определенная область будет выборкой, S — заметность этой области; EF представляет собой усилие , необходимое для перераспределения внимания на новый AOI, связанное с расстоянием от текущего посещаемого места до AOI; EX ( ожидание ) — это ожидаемая частота событий (пропускная способность), а V — это ценность информации в этом AOI, представленная как произведение релевантности и приоритета (R*P). Значения в нижнем регистре являются константами масштабирования. Это уравнение позволяет вывести оптимальные и нормативные модели поведения оператора и охарактеризовать его поведение. Wickens et al., (2008) также разработали версию модели, которая не требует абсолютной оценки свободных параметров окружающей среды - только сравнительной значимости других регионов по сравнению с регионом, представляющим интерес.

Визуальная дискриминация

Модели визуального распознавания отдельных букв включают модели Гибсона (1969), Бриггса и Хосевара (1975), а также Макклелланда и Румельхарта (1981), последняя из которых является частью более широкой модели распознавания слов, известной своим объяснением слова . эффект превосходства . Отмечается, что эти модели очень детализированы и позволяют количественно предсказывать небольшие эффекты конкретных букв.

Восприятие глубины

Качественный пример HPM включает модель восприятия глубины Каттинга и Виштона (1995), которая показывает, что сигналы восприятия глубины более эффективны на различных расстояниях.

Рабочая нагрузка

Хотя точное определение или метод измерения структуры рабочей нагрузки обсуждается сообществом специалистов по человеческому фактору, важнейшая часть идеи заключается в том, что люди-операторы имеют некоторые ограничения производительности и что такие ограничения могут быть превышены только с риском ухудшения производительности. Что касается физической рабочей нагрузки, то можно понимать, что существует максимальная сумма, которую человека следует попросить поднимать, например, неоднократно. Однако понятие рабочей нагрузки становится более спорным, когда способность, которую следует превысить, касается внимания: каковы пределы человеческого внимания и что именно подразумевается под вниманием? Моделирование деятельности человека дает ценную информацию в этой области.

Бирн и Пью (2009) рассматривают пример основного вопроса о рабочей нагрузке: «В какой степени задачи А и Б мешают друг другу?» Эти исследователи указывают на это как на основу парадигмы психологического рефрактерного периода (PRP). Участники выполняют две задачи на выбор времени реакции, и эти две задачи будут в некоторой степени мешать — особенно когда участник должен реагировать на стимулы для двух задач, когда они близки друг к другу во времени — но степень вмешательства обычно меньше, чем общее время, затраченное на выполнение каждой задачи. Модель узкого места выбора ответа (Pashler, 1994) хорошо моделирует эту ситуацию, поскольку каждая задача состоит из трех компонентов: восприятие, выбор ответа (познание) и двигательная активность. Ограничение внимания – и, следовательно, локус рабочей нагрузки – заключается в том, что выбор ответа может выполняться только для одной задачи за раз. Модель делает множество точных предсказаний, а те, которые она не может объяснить, решаются когнитивными архитектурами (Byrne & Anderson, 2001; Meyer & Kieras, 1997). В простых ситуациях, связанных с выполнением двух задач, внимание и рабочая нагрузка оцениваются количественно, и становятся возможными значимые прогнозы.

Хорри и Викенс (2003) рассматривают вопросы: в какой степени второстепенная задача будет влиять на качество вождения и зависит ли это от характера вождения и от интерфейса, представленного во второй задаче? Используя модель, основанную на теории множественных ресурсов (Wickens, 2002, 2008; Navon & Gopher, 1979), которая предполагает, что существует несколько локусов многозадачного взаимодействия (стадии обработки, коды обработки и модальности ), исследователи предполагают, что взаимовлияние между задачами увеличивается пропорционально тому, в какой степени две задачи используют одни и те же ресурсы в пределах данного измерения: визуальное представление задачи повторного чтения должно больше мешать вождению, чем слуховое представление, потому что само вождение предъявляет более высокие требования к вождению. зрительная модальность, чем слуховая.

Хотя теория множественных ресурсов является наиболее известной моделью рабочей нагрузки в области человеческого фактора, ее часто представляют качественно. Подробные вычислительные реализации являются лучшей альтернативой для применения в методах HPM, включая модель Хорри и Викенс (2003), которая является достаточно общей, чтобы ее можно было применять во многих областях. Интегрированные подходы, такие как моделирование сети задач, также становятся все более распространенными в литературе.

Набор чисел — важная перцептивно-моторная задача, эффективность которой может варьироваться в зависимости от темпа, стратегии пальцев и срочности ситуаций. Человеческий процессор сетевой модели массового обслуживания (QN-MHP), вычислительная архитектура, позволяет математически моделировать выполнение перцептивно-моторных задач. В текущем исследовании QN-MHP дополнен механизмом управления сверху вниз, контролем движения с обратной связью и механизмом управления моторикой, связанным с пальцами, для учета помех в задачах, уменьшения конечной точки и дефицита силы соответственно. Модель также включала теорию нейромоторного шума для количественной оценки конечной вариабельности при наборе текста. Предсказания модели относительно скорости и точности набора текста были подтверждены экспериментальными результатами Лина и Ву (2011). Полученные среднеквадратические ошибки составили 3,68% с корреляцией 95,55% для времени ответа и 35,10% с корреляцией 96,52% для точности набора текста. Модель можно применять для обеспечения оптимальной скорости речи для синтеза голоса и проектирования клавиатуры в различных ситуациях набора чисел.

Психологический рефрактерный период (ПРП) — это базовая, но важная форма двойной обработки информации. Существующие модели последовательной или параллельной обработки PRP успешно объясняют различные явления PRP; однако каждый из них также сталкивается как минимум с одним экспериментальным контрпримером своим предсказаниям или механизмам моделирования. В этой статье описывается математическая модель PRP на основе сети массового обслуживания, которая способна моделировать различные экспериментальные результаты в PRP с помощью уравнений замкнутой формы, включая все основные контрпримеры, с которыми сталкиваются существующие модели с меньшим или равным количеством свободных параметров. Эта работа по моделированию также предлагает альтернативное теоретическое объяснение PRP и демонстрирует важность теоретических концепций «очередей» и «гибридных когнитивных сетей» для понимания когнитивной архитектуры и многозадачной производительности.

Познание и память

Сдвиг парадигмы в психологии от бихевиоризма к изучению познания оказал огромное влияние на область моделирования человеческой деятельности. Что касается памяти и познания, исследования Ньюэлла и Саймона в области искусственного интеллекта и решения общих проблем (GPS; Newell & Simon, 1963) продемонстрировали, что вычислительные модели могут эффективно отражать фундаментальное когнитивное поведение человека. Ньюэлла и Саймона интересовал не просто объем информации (скажем, подсчет количества битов, которые человеческая когнитивная система должна была получить от системы восприятия), а скорее сами выполняемые вычисления. Они сыграли решающую роль в раннем успехе сравнения познания с вычислениями, а также в способности вычислений моделировать критические аспекты познания, что привело к созданию субдисциплины искусственного интеллекта в информатике и изменению взглядов на познание в компьютерных науках. психологическое сообщество. Хотя когнитивные процессы не переворачивают биты в буквальном смысле так, как это делают дискретные электронные схемы, пионеры смогли показать, что любая универсальная вычислительная машина может моделировать процессы, используемые в другой, без физической эквивалентности (Phylyshyn, 1989; Turing, 1936). Когнитивная революция позволила подойти к познанию с помощью моделирования, и эти модели теперь охватывают широкий спектр когнитивных областей - от простого запоминания списков до понимания общения, решения проблем и принятия решений, образов и многого другого.

Аткинсона-Шиффрина (1968) Одним из популярных примеров является «модальная» модель памяти . Также см. «Когнитивные модели» для получения информации, не включенной сюда.

Обычные когнитивные навыки

Одна из областей памяти и познания связана с моделированием рутинных когнитивных навыков; когда оператор обладает правильными знаниями о том, как выполнить задачу, и ему просто необходимо выполнить эти знания. Это широко применимо, поскольку многие операторы имеют достаточную практику, поэтому их процедуры стали рутинными. Семейство моделей человеческой деятельности GOMS (цели, операторы, методы и правила выбора), популяризированное и четко определенное исследователями в этой области (Card et al., 1983; John & Kieras, 1996a, 1996b), первоначально применялось к пользователям моделей. компьютерных интерфейсов, но с тех пор были распространены и на другие области. Это полезные инструменты HPM, подходящие для множества различных проблем и масштабов анализа, но ограниченные в отношении анализа ошибок пользователя (см. Wood & Kieras, 2002, о попытке расширить GOMS для обработки ошибок).

Простейшей формой модели GOMS является модель уровня нажатия клавиш (KLM), в которой перечислены все физические действия (например, нажатия клавиш, щелчки мыши), также называемые операциями, которые пользователь должен предпринять для выполнения заданной задачи. Ментальные операции (например, поиск объекта на экране) дополняют это, используя простой набор правил. С каждой операцией связано время (например, 280 мс для нажатия клавиши), а общее время выполнения задачи оценивается путем сложения времени операции. Затем можно сравнить эффективность двух процедур, используя предполагаемое время их выполнения. Хотя эта форма модели является весьма приблизительной (многие предположения принимаются свободно), она используется до сих пор (например, в автомобильных информационных системах и мобильных телефонах).

Существуют подробные версии GOMS, в том числе:

-- CPM-GOMS : «Когнитивный, перцептивный, двигательный» и «метод критического пути» (John & Kieras, 1996a, 1996b) – попытки разбить производительность на примитивные единицы CPM продолжительностью от десятков до сотен миллисекунд (длительность для многих операций). модели CPM-GOMS взяты из опубликованной литературы, особенно Card et al., 1983).

-- GOMSL/NGOMSL : язык GOMS или естественный язык GOMS, который фокусируется на иерархической декомпозиции целей, но с анализом, включающим методы и процедуры, которые люди используют для достижения этих целей. Многие общие мыслительные операции в КЛМ заменены подробными описаниями познавательной деятельности, предполагающими организацию процедурных знаний людей в методы. Подробный анализ GOMSL позволяет спрогнозировать не только время выполнения, но также время, необходимое для изучения процедур, а также объем передачи, который можно ожидать на основе уже известных процедур (Gong and Kieras, 1994). Эти модели не только полезны для информирования о модернизации пользовательских интерфейсов, но и для количественного прогнозирования времени выполнения и обучения для нескольких задач.

Принятие решений

Другой важной когнитивной деятельностью, представляющей интерес для человеческого фактора, является суждение и принятие решений. Эти действия резко контрастируют с рутинными когнитивными навыками, процедуры для которых известны заранее, поскольку во многих ситуациях операторы вынуждены выносить суждения в условиях неопределенности – для получения оценки качества или, возможно, выбора среди множества возможных альтернатив. Хотя многие дисциплины, включая математику и экономику, вносят значительный вклад в эту область исследований, большинство этих моделей не моделируют человеческое поведение, а скорее моделируют оптимальное поведение, например, теория субъективной ожидаемой полезности (Savage, 1954; фон Нейман и Моргенштерн, 1944). . Хотя модели оптимального поведения важны и полезны, они не учитывают базовый уровень сравнения производительности человека - хотя во многих исследованиях по принятию решений человеком в этой области производительность человека сравнивается с математически оптимальными формулировками. Примеры этого включают теорию перспектив Канемана и Тверски (1979). и модель исключения Тверски (1972) по аспектам . Менее формальные подходы включают плодотворную работу Тверски и Канемана по эвристике и предубеждениям, работу Гигеренцера по «быстрым и экономичным» упрощениям (Gigerenzer, Todd & ABC Research Group, 2000) и описательные модели Пауне, Беттмана и Джонсона (1993). по адаптивным стратегиям.

Иногда оптимальная производительность неопределенна. Одним из ярких и популярных примеров является модель линзы (Brunswick, 1952; Cooksey, 1996; Hammond, 1955), которая занимается фиксацией политики , когнитивным контролем и использованием сигналов и использовалась в авиации (Bisantz & Pritchett, 2003), командование и контроль (Bisantz et al., 2000); исследовать человеческие суждения на собеседованиях при приеме на работу (Доэрти, Эберт и Каллендер, 1986), финансовый анализ (Эберт и Крузе, 1978), диагнозы врачей (ЛаДука, Энгель и Чован, 1988), рейтинги учителей (Каркенорд и Стивенс, 1944). ) и многие другие. Хотя у модели действительно есть ограничения [описанные в Byrne & Pew (2009)], она очень мощная и по-прежнему недостаточно используется в сфере человеческого фактора.

Осведомленность о ситуации (SA)

Модели СА варьируются от описательных (Эндсли, 1995) до вычислительных (Шивли и др., 1997). Наиболее полезной моделью в HPM является модель McCarley et al. (2002), известная как модель A-SA (внимание/осведомленность о ситуации). Он включает в себя два полунезависимых компонента: модуль восприятия/внимания и когнитивный модуль, обновляемый SA. Модель P/A этой модели A-SA основана на теории зрительного внимания. (Bundesen, 1990) (см. McCarley et al., 2002).

Интегрированные модели

Многие из описанных моделей весьма ограничены в своем применении. Хотя было предложено множество расширений SDT для охвата множества других областей суждения (см. примеры TD Wickens, 2002), большинство из них так и не прижились, и SDT остается ограниченным бинарными ситуациями. Однако узкая сфера применения этих моделей не ограничивается человеческим фактором — законы движения Ньютона, например, имеют небольшую предсказательную силу в отношении электромагнетизма. Однако это разочаровывает специалистов по человеческому фактору, поскольку реальная деятельность человека in vivo зависит от широкого спектра человеческих способностей. Как описывают Бирн и Пью (2009), «в течение минуты пилот может довольно легко провести визуальный поиск, нацелиться и нажать кнопку, выполнить рутинную процедуру, сделать вероятностное суждение по множеству сигналов» и сделать просто обо всем остальном, описываемом фундаментальными моделями человеческой деятельности. Фундаментальный обзор HPM, проведенный Национальными академиями (Элкинд, Кард, Хохберг и Хьюи, 1990), описал интеграцию как большую нерешенную проблему в HPM. Эту проблему еще предстоит решить, однако предпринимались попытки интегрировать и унифицировать множество моделей и создавать системы, охватывающие разные области. В области человеческого фактора два основных подхода к моделированию, которые достигают этой цели и завоевали популярность, — это моделирование сетей задач и когнитивные архитектуры .

Моделирование сети задач

Термин «сетевая модель» относится к процедуре моделирования, включающей моделирование Монте-Карло, а не к конкретной модели. Хотя основа моделирования является атеоретической, качество моделей, построенных с ее помощью, настолько же высоко, насколько высокое качество теорий и данных, использованных для их создания.

Когда разработчик модели строит сетевую модель задачи, первым шагом является построение блок-схемы, разбивающей задачу на отдельные подзадачи: каждая подзадача как узел, последовательные и параллельные пути, соединяющие их, и логика вентиля, которая управляет последовательным потоком через результирующую сеть. При моделировании производительности человека и системы некоторые узлы представляют процессы принятия человеком решений и/или выполнение человеком задачи, некоторые представляют подзадачи выполнения системы, а некоторые агрегируют производительность человека/машины в один узел. Каждый узел представлен статистически заданным распределением времени завершения и вероятностью завершения. Когда все эти спецификации запрограммированы в компьютер, сеть многократно тестируется по методу Монте-Карло для построения распределений совокупных показателей производительности, которые представляют интерес для аналитика. Искусство в этом заключается в выборе разработчиком модели правильного уровня абстракции для представления узлов и путей и в оценке статистически определенных параметров для каждого узла. Иногда для обеспечения поддержки и проверки оценок проводится моделирование с участием человека. Подробности об этом, связанных и альтернативных подходах можно найти в Laughery, Lebiere and Archer (2006) и в работе Schwieckert. и коллеги, такие как Швайкерт, Фишер и Проктор (2003).

Исторически моделирование сети задач происходит из теории массового обслуживания и моделирования инженерной надежности и контроля качества. Арт Сигел, психолог, первым предложил распространить методы надежности на симуляционную модель взаимодействия человека и машины Монте-Карло (Siegel & Wolf, 1969). В начале 1970-х годов ВВС США спонсировали разработку SAINT (Системный анализ интегрированных сетей задач), языка программирования высокого уровня, специально разработанного для поддержки программирования симуляций человеко-машинных сетей Монте-Карло (Вортман, Прицкер). , Сеум, Зейферт и Чабб, 1974). Современная версия этого программного обеспечения — Micro Saint Sharp (Archer, Headley & Allender, 2003). Это семейство программного обеспечения породило дерево программ специального назначения с различной степенью общности и специфичности с Micro Saint. Наиболее известной из них является серия IMPRINT (Улучшенный инструмент интеграции исследований производительности). спонсируемый армией США (и основанный на MANPRINT), который предоставляет шаблоны моделирования, специально адаптированные к конкретным приложениям моделирования деятельности человека (Archer et al., 2003). Две программы, ориентированные на конкретные рабочие нагрузки, — это W/INDEX (North & Riley, 1989) и WinCrew (Lockett, 1997).

Сетевой подход к моделированию с использованием этих программ популярен благодаря своей технической доступности для человека, обладающего общими знаниями методов компьютерного моделирования и анализа деятельности человека. Блок-схемы, возникающие в результате анализа задач, естественным образом приводят к формальным сетевым моделям. Модели могут разрабатываться для конкретных целей — от моделирования человека с использованием человеко-компьютерного интерфейса до анализа потенциального транспортного потока в центре неотложной помощи больницы. Их слабостью является большая сложность, необходимая для определения времени производительности и вероятности успеха на основе предыдущих данных, теории или основных принципов. Эти данные составляют основное содержание модели.

Когнитивные архитектуры

Когнитивные архитектуры — это широкие теории человеческого познания, основанные на широком наборе эмпирических данных о человеке и обычно реализуемые в виде компьютерного моделирования. Они являются воплощением научной гипотезы о тех аспектах человеческого познания, которые относительно постоянны во времени и не зависят от задачи (Gray, Young & Kirschenbaum, 1997; Ritter & Young, 2001). Когнитивные архитектуры — это попытка теоретически объединить разрозненные эмпирические явления в форме компьютерных симуляционных моделей. Хотя теория неадекватна для применения человеческого фактора, с 1990-х годов когнитивная архитектура также включает механизмы ощущения, восприятия и действия. Двумя ранними примерами этого являются модель интерактивного управления исполнительным процессом (EPIC; Кирас, Вуд и Мейер, 1995; Мейер и Кирас, 1997) и ACT-R (Бирн и Андерсон, 1998).

Модель задачи в когнитивной архитектуре, обычно называемая когнитивной моделью, состоит как из архитектуры, так и из знаний, необходимых для выполнения задачи. Эти знания приобретаются с помощью методов человеческого фактора, включая анализ задач моделируемой деятельности. Когнитивные архитектуры также связаны со сложным моделированием среды, в которой должна выполняться задача — иногда архитектура напрямую взаимодействует с реальным программным обеспечением, которое люди используют для выполнения задачи. Когнитивные архитектуры не только прогнозируют производительность, но и выдают фактические данные о производительности, способные создавать последовательности действий с отметками времени, которые можно сравнить с реальной производительностью человека при выполнении задачи.

Примеры когнитивных архитектур включают систему EPIC (Хорноф и Кирас, 1997, 1999), CPM-GOMS (Кирас, Вуд и Мейер, 1997), человеческий процессор с моделью сети массового обслуживания (Ву и Лю, 2007, 2008), ACT-R (Андерсон, 2007; Андерсон и Лебьер, 1998) и QN-ACTR (Цао и Лю, 2013).

Модель человеческого процессора сетевой модели очередей использовалась для прогнозирования того, как водители воспринимают рабочую скорость и установленное ограничение скорости, делают выбор скорости и выполняют заданную рабочую скорость. Модель была чувствительной (среднее значение d' составляло 2,1) и точной (средняя точность тестирования составляла более 86%), что позволило предсказать большинство случаев непреднамеренного превышения скорости.

ACT-R использовался для моделирования широкого спектра явлений. Он состоит из нескольких модулей, каждый из которых моделирует различные аспекты человеческой системы. Модули связаны с определенными областями мозга, и ACT-R, таким образом, успешно предсказал нейронную активность в частях этих областей. Каждая модель, по сути, представляет собой теорию того, как работает эта часть общей системы, взятую из исследовательской литературы в этой области. Например, система декларативной памяти в ACT-R основана на ряде уравнений, учитывающих частоту и новизну, и которые включают байсовские понятия вероятности потребности в данном контексте, а также уравнения для обучения и производительности. Некоторые модули имеют более высокую точность, чем другие. Однако ручной модуль включает в себя закон Фитта и другие простые принципы работы, но не так подробен, как модель теории оптимального управления (пока). Однако идея состоит в том, что каждый из этих модулей требует серьезной эмпирической проверки. Это одновременно и преимущество, и ограничение ACT-R, поскольку предстоит еще много работы по интеграции когнитивных, перцептивных и двигательных компонентов, но этот процесс многообещающий (Byrne, 2007; Foyle and Hooey, 2008). ; Пью и Мейвор, 1998).

Групповое поведение

Моделирование производительности команды/команды

GOMS использовался для моделирования как сложных командных задач (Кирас и Санторо, 2004), так и группового принятия решений (Соркин, Хейс и Уэст, 2001).

Подходы к моделированию

Компьютерные имитационные модели/подходы

Пример: IMPRINT (улучшенный инструмент интеграции исследований производительности)

Математические модели/подходы

Пример: Когнитивная модель

Сравнение моделей HPM

Чтобы сравнить различные модели HPM, один из способов — рассчитать их AIC (информационный критерий Акаике) и рассмотреть критерий перекрестной проверки.

Преимущества

Многочисленные преимущества можно получить от использования методов моделирования в области деятельности человека .

Специфика

Значительное большинство объяснений в психологии не только качественные, но и расплывчатые. Такие понятия, как «внимание», «процессорная способность», «рабочая нагрузка» и «осведомленность о ситуации» (SA), как общие, так и специфичные для человеческого фактора, часто трудно измерить количественно в прикладных областях. Исследователи расходятся в определениях таких терминов, что также затрудняет уточнение данных по каждому термину. Формальные модели, напротив, обычно требуют явной спецификации теоретических терминов. Специфика требует, чтобы объяснения были внутренне связными; в то время как вербальные теории часто настолько гибки, что не могут оставаться последовательными, что позволяет делать противоречивые предсказания на основе их использования. Однако не все модели носят количественный характер и, следовательно, не все в одинаковой степени обеспечивают преимущества специфичности.

Объективность

Формальные модели обычно не зависят от моделиста. Хотя создание конкретной модели требует большого мастерства, после ее создания любой, обладающий соответствующими знаниями, может запустить ее или решить, и модель дает одни и те же прогнозы независимо от того, кто ее запускает или решает. Прогнозы больше не привязаны к предубеждениям или исключительной интуиции одного эксперта, а, скорее, к спецификации, которая может быть обнародована.

Количественность

Многие модели деятельности человека позволяют делать количественные прогнозы, которые имеют решающее значение в прикладных ситуациях. Чисто эмпирические методы, анализируемые с помощью методов проверки гипотез, которые являются стандартными в большинстве психологических экспериментов, направлены на получение ответов на расплывчатые вопросы, такие как «Различны ли A и B?» а затем «Является ли эта разница статистически значимой?»; в то время как формальные модели часто предоставляют полезную количественную информацию, например: «A на x% медленнее, чем B».

Ясность

Модели деятельности человека обеспечивают ясность, поскольку модель дает объяснение наблюдаемым различиям; такие объяснения обычно не даются строго эмпирическими методами.

Проблемы

Заблуждения

Многие модели деятельности человека имеют общие ключевые особенности с методами и системами искусственного интеллекта (ИИ). Функция исследований ИИ заключается в создании систем, демонстрирующих разумное поведение, как правило, без учета степени, в которой этот интеллект напоминает или предсказывает действия человека, однако различие между методами ИИ и HPM иногда неясно. Например, байесовские классификаторы, используемые для фильтрации спам-сообщений, приближаются к эффективности классификации, выполняемой человеком (классифицируя спам-сообщения как спам, а неспам-сообщения как импортированные) и, таким образом, являются высокоинтеллектуальными системами, но не могут полагаться на интерпретацию семантики самих сообщений; вместо этого полагаясь на статистические методы. Однако байесовский анализ также может иметь важное значение для моделей деятельности человека.

Полезность

Модели могут больше фокусироваться на процессах, связанных с деятельностью человека, а не на продуктах деятельности человека, что ограничивает их полезность в практике человеческого фактора.

Абстракция

Абстракция, необходимая для понятных моделей, конкурирует с точностью. Хотя общность, простота и понятность важны для применения моделей в практике человеческого фактора, многие ценные модели деятельности человека недоступны для тех, кто не имеет высшего или постдокторского образования. Например, хотя закон Фиттса понятен даже студентам, модель линзы требует глубокого понимания множественной регрессии, а построение модели типа ACT-R требует обширных навыков программирования и многолетнего опыта. Несмотря на то, что успехи сложных моделей значительны, специалист по HPM должен осознавать компромисс между точностью и удобством использования.

Бесплатные параметры

Как и в большинстве наук, основанных на моделях, свободные параметры, широко распространенные в моделях человеческой деятельности, также требуют априорных эмпирических данных. Могут существовать ограничения в отношении сбора эмпирических данных, необходимых для запуска данной модели, что может ограничивать применение этой конкретной модели.

Валидация

Валидация моделей деятельности человека имеет первостепенное значение для науки HPM.

Обычно исследователи используют R-квадрат и среднеквадратическое значение (RMS) между экспериментальными данными и предсказаниями модели.

Кроме того, хотя достоверность можно оценить путем сравнения человеческих данных и результатов модели, свободные параметры могут быть гибкими и могут неправильно соответствовать данным.

Общие условия

- Свободный параметр : параметры модели, значения которых оцениваются на основе моделируемых данных, чтобы максимально согласовать прогноз модели.

- Коэффициент детерминации ( R Square ) : линия или кривая показывают, насколько хорошо данные соответствуют статистической модели.

- Среднеквадратичное значение ( RMS ) : статистическая мера, определяемая как квадратный корень из среднего арифметического квадратов набора чисел.

См. также

Когнитивные архитектуры

Когнитивная модель

Когнитивная революция

Принятие решений

Восприятие глубины

Человеческий Фактор

Человеческий фактор (журнал)

Общество человеческого фактора и эргономики

Теория ручного управления

Марковские модели

Математическая психология

Монте-Карло

Выдаемость

Теория обнаружения сигналов

Осведомленность о ситуации

Визуальный поиск

Рабочая нагрузка