飞行员的情境意识(Situation Awareness, SA)与航空安全息息相关。研究表明, 航空事故中51.6%的重大事故和35.1%的非重大事故可归因于决策失败, 之所以决策失败很大一部分原因在于SA错误, 而非决策错误[1]。自SA概念提出以来, SA典型机理解释主要包括Endsley的信息加工三层次模型、Bedny和Meister的知觉行动环以及Smith和Hancock的生态学方法[2], 其中, 具有经典意义的Endsley所提出的SA三层次模型指出[3], SA是认知的结果, 包括“对大量时间和空间中环境成分的感知(SA1), 对其意义的理解(SA2)以及不久将来状态的预测(SA3)”[4]。目前国内外针对SA的研究主要集中在定性机理分析、定量计算及其测量方法上[5], 而定性分析和定量计算模型是其核心问题。
基于SA过程的复杂性, 目前对SA定量预测方法并未取得很大进展。Wickens等提出的注意-情景意识(Attention-Situation Awareness, A-SA)模型[6-7], 从机理层面建立了工作负荷和注意力分配的闭环反馈, 并从情境更新[8]的角度对高层次情境意识(SA2/SA3)的维持进行解释。模型给出了情境意识第一层次(SA1)的机理定性分析及其量化方法, 并在飞行环境中初步验证了模型的有效性, 但该模型几乎不涉及工作负荷到注意力分配的量化表征及从SA1到SA2/SA3的表达过程。Hooey等[9]提出了SA理解比例计算模型, 将SA水平表示为实际SA水平与理想SA水平之比, 同时从认知的角度对情境成分(Situation Element, SE)的认知状态进行了划分, 但该模型认知状态的赋值却存在着较强的主观性。刘双等引入认知理论和概率论思想, 提出了基于注意力分配[10]和基于认知的SA模型[11], 前一模型给出了从注意角度分析及量化SA的方法, 后一模型对SA1到SA2/SA3的形成过程进行了分析并给出了量化方法。薛书骐等[12]在注意力分配模型基础上提出了基于认知预期的SA预测模型, 并在手控交会对接任务中进行了验证, 模型对SA理解比例计算模型的参数进行了细化区分, 但同刘双等的研究[10-11]类似, 仍未能解决认知状态参数设置的主观缺陷。总体而言, 现有研究对SA形成的机理和定量计算已进行了一定程度的阐述, 但均未涉及工作负荷和注意资源分配之间的量化表征。
随着平视显示技术(Head Up Display, HUD)等先进显示技术在飞机驾驶舱的推广使用, 飞行员对于新型显示界面的注意分配和SA问题关乎飞行安全。与SA有关的飞机事故的调查显示, 与注意感知相关的SA错误(SA1)构成了大多数这种事故[7]。结合新型显控界面这一应用背景, 考虑工作负荷对飞行员注意资源分配的重要影响以及为进一步完善SA由低层次到高层次的认知表达过程, 本文面向复杂飞行任务, 提出了一种基于多资源负荷理论量化注意资源分配的SA认知预测模型, 该模型既可独立应用也可作为一个模块嵌入更大的人类绩效模型之中。通过在产品和任务设计的早期阶段进行一定程度的SA定量化预测而起到规避航空危险, 优化界面设计和任务分配的作用[6]。
1 多资源负荷的情境意识建模SA可被视为一个认知的过程[13], 该认知过程不仅包括从外部世界接收信息, 还包括建立复杂的内部表征[14]。Wickens等[7]提出A-SA模型的基本理论结构包括2个模块:环境中事件和通道注意力分配的调节、对飞机当前和未来状态的理解或推断。模块1可基本对应于Endsley的SA1, 模块2对应于SA2/SA3。A-SA模型指出工作负荷影响飞行情境下注意资源分配, 进一步制约注意行为的发生, 因此SA1是影响飞行安全的最关键环节。在动态系统中, SA2和SA3之间存在模糊的边界, 因为对当前情境的理解通常对未来有直接的影响, 两者对于任务是同样重要的[7]。
工作负荷是一个能量[13]的概念, 对于单个任务而言, 不同情境状态的各情境成分早期认知过程中消耗个体获取信息的视觉、认知等多个通道的资源[15]并产生相应通道负荷, 如图 1所示, t和T分别为时间衰减系数和变量。多通道负荷作用于注意资源分配的自下而上和自上而下通路。当注意资源激活量超过阈值则成功提取描述性知识形成对情境的感知, 同时注意资源进入感觉记忆并同步开始衰减, 进行情境成分的更新[16]。在SA生成过程中, 初期感知表现为人机环境的交互, 后期表征则主要是个体长时记忆的内在认知。根据Anderson等的ACT-R (Adaptive Control of Thought-Rational)认知理论[16], 认知的后期采用记忆负荷[17-18]量化作业人员脑唤醒水平并建立程序规则匹配的深度表征, 结合低层次注意资源的衰减输出为个体SA水平。
|
| 图 1 基于多资源负荷的SA模型 Fig. 1 SA model based on multi-resource load |
飞行员在执行飞行任务时, 操作任务可以理解为由不同的任务情境事件Eventi(i=1, 2, …, m)按时间顺序动态呈现, 这些情境事件对应着不同的情境状态。Eventi的情境成分SEj (j=1, 2, …, n)通过不同资源获取通道对个体产生工作负荷, 进而影响个体的注意行为, 而注意是情境感知的关键环节[7]。因此对Eventi的量化表征可以按照关键SEj进行细化, 这与兴趣区(Area of Interest, AOI)的概念一致[7]。对于Eventi而言, 基于工作负荷的能量[13]概念, 根据Wickens的多资源理论[15]将工作负荷划分为视觉、听觉、认知和运动4个通道的资源, 分别作用于注意自下而上的突显和努力以及自上而下的价值和期望[19]。多资源负荷作用于注意资源的分配细化如下:
1) 界面编码(Interface Coding, IC)
视觉和听觉负荷作用于注意资源分配的突显性因素[19], 具体反映到显示界面的编码设计。界面编码包括静态常规显示编码和动态异常显示编码, 可通过视觉和听觉通道占据负荷资源, 从自下而上通路影响注意行为。Wickens[20]和肖旭等[21]均对编码元素与界面设计优劣进行了模型量化的尝试, 在此基础上结合Steelman等提出的动静态突显性[22]的概念, 提出界面编码这一概念代替SEEV模型的突显性[19]因素量化注意资源。假定SEj包含在第j个AOI内, Eventi下该AOI有r个界面编码元素, 则
|
(1) |
式中:Cj为SEj的界面编码值; Cjdynamic为其动态编码; Cjstatic为静态编码; εl为按照G1法[21]确定的第l个编码元素的权重系数; 𝓁l为第l个视觉编码元素的综合绩效值。
2) 注意转移(Attention Mobility, AM)
运动负荷作用于注意力分配的努力[19]因素, 具体体现为注意转移的难易程度。运动负荷针对注意的头动和眼动复合行为, 表征注视行为从一个AOI[19]转移至另一AOI需付出的努力资源。通过计算相对距离量化不同AOI的注意转移[23]。
|
(2) |
式中:djθ表征相邻AOI之间距离; θ=j+1;ξ为AOI总个数。
3) 信息期望(Information Expectancy, IE)
认知负荷作用于个体对信息的预期, 具体反映为信息的期望[19]。根据信息论的观点, AOI内信息的事件发生水平越高, 则对其采样也更加频繁[23]。对于兴趣区j的量化如下:
|
(3) |
式中:Hj为第j个情境成分的出现次数; Pj为第j个AOI信号出现的概率。
4) 信息价值(Information Value, IV)
认知负荷同时也作用于信息价值的表达, 个体对信息的认知理解程度可定义为信息价值。信息价值的量化表达式为
|
(4) |
式中:uj为情境成分重要度; ∂j表示飞行员对情境成分j潜在认知状态产生的概率[24], 反映了其对情境成分重要度在主观认知中存在的模糊性, 采用模糊熵hj的概念描述情境成分j的认知心理活动, 则有
|
(5) |
|
(6) |
单个AOI的努力越小, 编码越好, 则消耗资源越少, 因此在模型计算中注意资源消耗与C和M均成反比。即注意资源的消耗可表示为
|
(7) |
则该情境下初期情境认知水平可表示为所有情境成分注意资源消耗之和, 即
|
(8) |
根据ACT-R认知理论[16], 缓冲模块访问并读取视觉模块中注意到的情境信息, 当注意资源的激活量超过一定阈值时产生对情境成分的认知激活[25], 之后访问记忆模块提取描述性知识, 形成情境感知。式(8)中关键成分注意资源消耗量量化为该情境成分的激活量ACj, 当其超过阈值τ(通常设定τ=1.0)则认为成功提取相关描述性知识, 形成该关键SE的感知,
|
(9) |
所有情境信息在进入感觉记忆的同时迅速开始衰减[6], 进行低层次情境元素的更新,
|
(10) |
式中:ki为工作记忆中信息遗忘的速度。关键SE激活导致该情境感知状态的达成, 之后会进入长时记忆进行程序性知识的匹配, 规则的匹配形成对注意情境的内在表征, 即对当前情境的理解或者预测。与情境事件认知事实最佳匹配的程序性规则的可用性为
|
(11) |
式中:Qi为最佳匹配的规则被成功激活的概率; Ci为该最佳匹配规则被激活并实现理解带来的代价; G为实现理解该情境状态带来的价值[16]。达成可用程序规则匹配的可用资源与飞行员的当前觉醒状态、训练、经验等因素相关。在理想情况下, 设定个体的训练、经验等一致(即G=1, Ci=0), 则飞行员的当前唤醒状态将直接影响对信息的理解。利用记忆负荷资源[17-18]消耗的概念定义Qi的估计值
|
(12) |
式中: 
|
(13) |
综上所述, 考虑多通道负荷影响注意资源分配的初期认知衰减以及激活匹配的后期认知阶段, 则最终SA的量化模型为
|
(14) |
为验证所提出的基于多资源负荷的SA模型在复杂飞行环境下的效度, 实验采用手动驾驶条件下的飞行操作任务。界面模型参考典型的波音737NG机型, 基于专业模拟飞行软件Flight gear完成HUD显示界面绘制, 如图 2(a)所示。实验界面呈现在17英寸液晶显示屏上, 分辨率为1 280像素×1 024像素, 平均亮度为120 cd/m2, 实验过程中环境光照基本保持不变为600 lx, 环境噪声水平为36.6~42.3 dB。采用TH-P型生理测试仪记录被试的呼吸和皮电数据, 采用FX-7402十二道自动分析心电图机测量记录心电数据, 采样频率为0.05~150 Hz。飞行模拟仿真平台基于Flight gear 3.4.0软件系统, 结合Saitek (赛钛客) Yoke民航飞行摇杆系统和北通天影BTP-4328飞行摇杆的输入完成俯仰、滚转、偏航等飞行操作, 实验场景如图 2(b)所示。
|
| 图 2 HUD显示AOI划分及实验场景 Fig. 2 Divisions of AOI on HUD display and experimental scenario |
被试选取15名具有良好航空背景(其中男性11名, 女性4名, 平均年龄22.6岁), 均为北京航空航天大学在校研究生, 身体健康状况良好, 右利手, 视力或矫正视力正常, 听力正常。实验前一天, 均保证充足的睡眠并且避免剧烈运动。
2.3 实验设计实验主要考察不同飞行操作情境设定, 对HUD显示界面划分5个AOI, 分别是俯仰姿态(AOI 1)、空速带(AOI 2)、高度带(AOI 3)、滚转表(AOI 4)和航向表(AOI 5), 如图 2(a)所示。所有被试需完成包括起飞、爬升、巡航、转弯和进近阶段的飞行操作。考虑起飞和进近阶段飞行操作强度较高导致飞行绩效无法统一计算标准以及其与真实情境仍存在的较大差异, 为模型验证的需要, 仅选取爬升(情境1)、巡航(情境2)和转弯(情境3)进行分析。采用单因素被试内设计, 考察不同任务操作因素下的飞行情境对飞行员SA水平的影响。被试依靠外部输入组件完成飞行操作, 同时需要保持对仪表参数进行监控。其中各AOI仪表重要度和信息期望分配比例基于运输类飞机适航标准附录D[26]的基本工作职能和工作量因素, 并参考飞行手册结合模拟飞行环境进行设定, 如表 1所示。
| 重要度和信息期望 | 情境 | 俯仰 | 速度 | 高度 | 滚转 | 航向 |
| 重要度 | 情境1 | 0.87 | 0.07 | 0.47 | 0.13 | 0.27 |
| 情境2 | 0.47 | 0.07 | 0.87 | 0.13 | 0.27 | |
| 情境3 | 0.20 | 0.07 | 0.20 | 0.80 | 0.53 | |
| 信息期望 | 情境1 | 0.38 | 0.13 | 0.25 | 0.13 | 0.13 |
| 情境2 | 0.20 | 0.10 | 0.40 | 0.10 | 0.20 | |
| 情境3 | 0.10 | 0.10 | 0.10 | 0.40 | 0.30 |
2.4 实验步骤
在正式开始实验前要求被试接受充分的飞行模拟培训并对实验情境成分重要度和信息期望熟练掌握。实验正式开始后, 被试在完成飞行操作的同时, 还需通过鼠标对界面弹出的问题进行作答。采用情境意识全面测量技术(Situation Awareness Global Assessment Technology, SAGAT)考察监控任务绩效, 任务冻结时呈现情境问题完全覆盖仪表监视界面, 被试在规定的时间(呈现时间为15 s)内若不作答则自动回到飞行界面, 若被试不清楚答案可以选择放弃作答并继续后续实验, SAGAT反应时间和反应正确率由后台软件自动记录。实验过程中, 生理采集仪器实时记录相应生理数据。单个飞行阶段后休息10 min同时填写美国航空航天局任务负荷指数量表(NASA Task Load Index, NASA-TLX)和十维度情境意识测评技术(10-Dimensional Situational Awareness Rating Technology, 10-D SART)。各情境任务操作见表 2。
| 情境 | 操作要求 |
| 情境1 | 爬升至15 000 ft; 保持15°俯仰角, 保持航向298°, 滚转0° |
| 情境2 | 巡航高度为15 000 ft; 保持航向298°, 滚转0° |
| 情境3 | 航向由298°转为118°; 保持滚转左20°, 保持高度15 000 ft |
| 注:1 ft=304.8 mm。 | |
3 实验结果和分析 3.1 基于多资源负荷的SA模型理论值及实验值
对于实验界面所监视5个AOI分别计算C、E、V及M。研究表明, 字体大小的辨识影响飞行员判断和决策准确性[22, 27]; 颜色匹配与飞行员信息辨识效率显著相关[22]; 包括仪表位置[22]和仪表种类[5]的仪表布局位置对辨识绩效显著相关; 其次, 异常信息的突出显示能及时提醒飞行机组成员快速对做出反应[22]。因此对C的计算, 选取字符大小、颜色匹配、布局位置为静态编码元素, 突显性[22]为动态编码元素。表 3为按照式(1)量化方法计算的各编码元素显示属性。
| 显示属性 | 俯仰 | 空速 | 高度 | 滚转 | 航向 | 权重 |
| 字符大小 | 60.65 | 60.65 | 60.65 | 60.65 | 60.65 | 0.22 |
| 颜色匹配 | 29.15 | 29.15 | 29.15 | 29.15 | 29.15 | 0.23 |
| 布局位置 | 82.81 | 57.29 | 60.42 | 46.88 | 14.58 | 0.35 |
| 突显性 | 0 | 0 | 0 | 0 | 0 | 0.22 |
| 界面编码 | 48.41 | 39.57 | 40.66 | 35.97 | 24.78 |
通过测量计算式(2)中各AOI的M, 根据式(3)计算E并设定为表 1中实验变量之一, 根据式(4)~式(6)结合表 1中根据实验操作设定的重要度计算V, 最后将上述4个因素代入式(7)计算各情境成分的注意资源分配, 并由式(8)计算Ai, 结果见表 4, 在模型的量化过程中, 各因素的属性值计算结果需要经过比例归一化处理, 去除量纲后在0和1之间取值。表 5为以情境1为例进行计算的结果。
| 情境 | 注意资源消耗之和Ai | 平均负荷水平/min | 平均持续时间/s | 规则可用性 |
| 情境1 | 0.322 4 | 50.37 | 154 | 0.280 2 |
| 情境2 | 0.295 0 | 49.59 | 217 | 0.388 8 |
| 情境3 | 0.382 6 | 51.22 | 177 | 0.331 2 |
| 注意资源元素 | 俯仰 | 空速 | 高度 | 滚转 | 航向 |
| 界面编码 | 0.255 6 | 0.209 0 | 0.214 7 | 0.189 9 | 0.130 9 |
| 注意转移 | 0.145 4 | 0.219 2 | 0.225 6 | 0.195 2 | 0.214 5 |
| 信息价值 | 0.123 9 | 0.005 6 | 0.059 2 | 0.012 4 | 0.029 0 |
| 信息期望 | 0.375 0 | 0.125 0 | 0.250 0 | 0.125 0 | 0.125 0 |
| 注意资源消耗Aj | 1.250 2 | 0.015 2 | 0.305 4 | 0.041 9 | 0.129 2 |
根据式(9)~式(10)计算得到低层次注意感知状态预测值。采用NASA-TLX量表和不同飞行情境的任务持续时间表征飞行员的记忆负荷水平代入式(12), 并由式(11)计算个体的脑唤醒水平表征匹配规则的可用性代入式(13), 结果见表 4。
将表 4中各情境低层次注意资源消耗Ai代入式(10)计算情境更新(选取时间衰减系数t=5 s[7])后的SAlow, 最后由式(14)计算SA预测值, 需要说明的是这里计算的SA值并不是绝对值而是相对值, 归一化后得到SA理论值及主客观的绩效测量结果见表 6。
| 测量指标 | 情境1 | 情境2 | 情境3 |
| SA预测值 | 0.283 4 | 0.392 1 | 0.331 2 |
| 飞行绩效/10-2 | 0.384 9±0.256 8 | 0.532 4±0.385 1 | 0.454 4±0.314 8 |
| SA反应时/ms | 5 168.45±1 562.2 | 4 440.67±844.7 | 4 958.28±1 253.0 |
| SA正确率/% | 66.18±19.14 | 77.06±12.13 | 70.00±11.18 |
| 10-D SART得分 | 21.8±6.06 | 23.8±7.29 | 22.8±7.86 |
| 平均心率/(次·min-1) | 93.77±14.03 | 90.09±13.34 | 90.23±12.55 |
| SDNN/ms | 47.77±28.04 | 50.09±22.88 | 48.84±29.40 |
| 呼吸率/(次·min-1) | 21.11±3.29 | 20.76±3.25 | 20.28±3.36 |
| EDA/μs | 2.45±0.11 | 2.39±0.08 | 2.41±0.05 |
3.2 相关性分析
由表 6可知在设定的3种飞行情境下, 被试心电的正常窦性R-R间期的标准差(Standard Deviation of Normal to Normal, SDNN)呈现先增后减的趋势, 平均心率和平均皮电反应(Electrodermal Activity, EDA)指标呈现先减后增的趋势。采用Wickens等[7]的模型验证方法, 将基于多资源负荷的SA模型预测值与实验测量结果进行相关性分析, 结果如表 7所示。从结果可看出SA预测值与10-D SART量表得分(相关系数r=0.998, 显著性值P=0.044)、飞行绩效(r=0.999, P=0.023)及心电的SDNN(r=1.000, P=0.015)显著相关; 与SA正确率(r=0.995, P=0.064)临界显著相关; 与平均心率、EDA指标均呈现高度相关但均不显著(|r|>0.8, P>0.05);与呼吸率指标不相关(r=-0.351, P>0.05)。
| 相关系数和显著性值 | 10-D SART得分 | 飞行绩效 | SA正确率 | SA反应时 | 平均心率 | SDNN | 呼吸率 | EDA |
| r | 0.998* | 0.999* | 0.995 | -0.986 | -0.848 | 1.000 | -0.351 | -0.978 |
| P | 0.044 | 0.023 | 0.064 | 0.108 | 0.356 | 0.015 | 0.772 | 0.134 |
图 3列出了3种情境下模型理论值和典型的测量方法变化趋势, 可见不同层次理论值与多种测量方法的变化趋势一致。
|
| 图 3 3种情境下SA预测值和实验测量指标变化趋势 Fig. 3 Predicted SA values and change tendency of experimental measurement indices in 3 situations |
本文采用主观和客观相结合的测量方法对不同情境下的被试SA水平进行考察。其中客观测量方法包括计算飞行绩效, SAGAT页面冻结的绩效测量方法, 心电、皮电以及呼吸指标的生理测量方法。通过计算该情境各主要情境成分与统计学平均值之间差值, 对各成分差值比例(x-x)/x按照情境成分重要度进行线性加权计算得出飞行绩效, 也即情境操作稳定性。绩效测量方法的SAGAT页面冻结技术即实验任务在随机进行冻结, 同时清除显示界面上所有信息并弹出实验情境相关问题, 对被试的作答反应时间和正确率进行记录。目前生理测量和SA之间关系的研究还十分有限, 尚不清楚生理指标是否能够表达SA的形成过程[10]。考虑到本文将多资源负荷理论引入模型, 因此采用心电、呼吸和皮电的生理测量方法具有一定的参考价值[28]。主观测量方法采用10-D SART量表, 在被试完成实验操作后对实验情境进行主观评定。量表分注意资源需求量D、注意资源的供应量S和情境的理解程度U 3个维度共10个条目, 通过“SA=U-D+S”计算SA主观得分。
4.2 实验结果不同实验情境下, 各情境成分重要度和信息期望因实际飞行操作而有所差异, 被试对各情境成分的关注程度和付出资源也有一定的差异, 相应的注意机制限制了这个过程中的注意资源分配[7]。结合表 2的飞行操作可知情境2的外部视景变化最为平缓, 对应较低的注意资源消耗(见表 5), 在SA生成的初期阶段, 情境中关键情境元素(如表 4情境1的俯仰)对注意资源的消耗超过一定阈值并进入记忆模块形成感知[11]。在超过阈值形成感知后, 相应的注意资源在记忆模块的表征也会很快进行衰减, 此时个体对情境的记忆负荷决定了SA的后期表征, 直接影响了SA的最终生成。前期培训在被试大脑认知的长时记忆模块形成的记忆负荷表征主要是对实验情境进行把握, 从而在后期的飞行操作中合理分配资源, 达到匹配规则可用性的最大化[16], 减少个体资源的付出, 更好地完成飞行任务。在界面显示编码元素一定的情况下, 由任务操作影响的记忆负荷对情境的最终生成起到了目标导向的作用, 从而表现为情境2的SA水平高于情境3和情境1。
由图 3(a)~(f)可见, 3种情境下的基于多通道负荷的SA模型的SA理论预测值与实验的多项测量值达到高度相关(见表 7), 从而验证了该模型的有效性。飞行绩效的好坏是SA的一个很有信服力的指标, 飞行绩效越好, 则SA水平越高。为了减少基本操作绩效的精度问题, 采用操作的稳定程度来推断操作者执行情境任务时的SA水平, 从而保证该指标的有效性。基于SAGAT冻结方法的记忆探测绩效的SA情境问题正确率被证明是评估绩效的有效指标[4], 其与SA预测值也达到了临界的显著性, 结合10-D SART量表的有效性, 反映出目标导向的记忆负荷增加, 带来SA水平的升高, 这与相关研究结论一致[11]。研究表明SDNN能够反应脑力负荷水平[29], 在这一次的实验结果中生理指标的SDNN也与SA预测值表现出显著的相关性, 这一定程度上是因为实验情境的记忆负荷因素与SA形成的导向作用, 其余生理指标与SA预测值之间的相关性并不显著。这也从一定的角度表明在复杂的飞行情境中, 脑力负荷与SA之间存在着紧密的联系[30], 在本次实验的手动操作的情境中, 脑力负荷和SA呈现了一定程度的负相关。
本文提出的基于多资源负荷的情境意识模型在本次实验典型的飞行任务操作中能够很好的预测SA的变化, 并进一步应用到HUD显示界面环境, 这对于改进界面设计和优化任务有一定的参考价值。本文的实验对象选取了在校学生且实验环境为模拟仿真平台, 这与实际的航线飞行员以及复杂的飞行环境还有一定的差距。此外, 本文验证暂未考虑高层次SA中SA3, 后面将进行该层次预测验证并进一步完善模型。
5 结论本文提出的基于多资源负荷的情境意识模型预测值与实验测量结果显著相关, 通过与客观的测量方法指标的相关性分析初步验证了该模型的效度, 可应用于预测复杂情境下的飞行员SA水平, 为驾驶舱人机界面设计和优化飞行任务分配提供一定参考。
| [1] | ENDSLEY M R. Toward a theory of situation awareness in dynamic systems[J]. Human Factors the Journal of the Human Factors & Ergonomics Society, 1995, 37 (1): 32–64. |
| [2] | STANTON N A, CHAMBERS P, PIGGOTT J. Situational awareness and safety[J]. Safety Science, 2001, 39 (3): 189–204. DOI:10.1016/S0925-7535(01)00010-8 |
| [3] | SALMON P M. Distributed situation awareness: Advances in theory, measurement and application to team work[D]. London: Brunel University, 2008: 19-20. |
| [4] | ENDSLEY M R, GARLAND D J. Situation awareness analysis and measurement[M]. Boca Raton: CRC Press, 2000: 3-32. |
| [5] |
刘双. 飞行员情境意识建模及工效评价研究[D]. 北京: 北京航空航天大学, 2015: 10-17.
LIU S. Modeling pilot situational awareness and evaluation of ergonomics[D]. Beijing: Beihang University, 2015: 10-17(in Chinese). |
| [6] | MCCARLEY J S, WICKENS C D, GOH J, et al. A computational model of attention/situation awareness[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. Los Angeles: SAGE Publications, 2002, 46(17): 1669-1673. |
| [7] | WICKENS C D, MCCARLEY J S, ALEXANDER A L, et al. Attention-situation awareness (A-SA) model of pilot error: ARL-01-13/NASA-01-6[R]. Washington, D. C. : NASA, 2001. |
| [8] | HOGARTH R M, EINHORN H J. Order effects in belief updating:The belief-adjustment model[J]. Cognitive Psychology, 1992, 24 (1): 1–55. DOI:10.1016/0010-0285(92)90002-J |
| [9] | HOOEY B L, GORE B F, WICKENS C D, et al. Modeling pilot situation awareness[M]//CACCIABUE P C, HJA·LMDAHL M, LVDTKE A, et al. Human modelling in assisted transportation. Berlin: Springer, 2011: 207-213. |
| [10] |
刘双, 完颜笑如, 庄达民, 等. 基于注意资源分配的情境意识模型[J].
北京航空航天大学学报, 2014, 40 (8): 1066–1072.
LIU S, WANYAN X R, ZHUANG D M, et al. Situational awareness model based on attention allocation[J]. Journal of Beijing University of Aeronautics and Astronautics, 2014, 40 (8): 1066–1072. (in Chinese) |
| [11] | LIU S, WANYAN X R, ZHUANG D M. Modeling the situation awareness by the analysis of cognitive process[J]. Bio-medical Materials and Engineering, 2014, 24 (6): 2311–2318. |
| [12] |
薛书骐, 张宜静, 王萌, 等. 基于"认知预期"的情境意识预测模型[J].
航天医学与医学工程, 2015, 28 (2): 102–108.
XUE S Q, ZHANG Y J, WANG M, et al. A predictive model of situation awareness based on cognitive expectation[J]. Space Medicine & Medical Engineering, 2015, 28 (2): 102–108. (in Chinese) |
| [13] | VIDULICH M A, TSANG P S. Mental workload and situation awareness[M]//SALVENDY G. Handbook of human factors and ergonomics. 4th ed. Hoboken: John Wiley & Sons, Inc., 2012: 243-273. |
| [14] |
GALOTTI K M. 认知心理学: 认知科学与你的生活[M]. 吴国宏, 译. 北京: 机械工业出版社, 2016: 42-43.
GALOTTI K M. Cognitive psychology in and out of the laboratory[M]. WU G H, translated. Beijing: China Machine Press, 2016: 42-43(in Chinese). |
| [15] | WICKENS C D. Multiple resources and mental workload[J]. Human Factors, 2008, 50 (3): 449–455. DOI:10.1518/001872008X288394 |
| [16] | ANDERSON J R, BOTHELL D, BYRNE M D, et al. An integrated theory of the mind[J]. Psychological Review, 2004, 111 (4): 1036. DOI:10.1037/0033-295X.111.4.1036 |
| [17] |
完颜笑如, 庄达民.
飞行员脑力负荷测量与应用[M]. 北京: 科学出版社, 2014: 43-44.
WANYAN X R, ZHUANG D M. Measurement and application of pilot mental workload[M]. Beijing: Science Press, 2014: 43-44. (in Chinese) |
| [18] |
WICKENS C D, HOLLANDS J G, SIMON B, et al. 工程心理学与人的作业[M]. 张侃, 孙向红, 译. 北京: 机械工业出版社, 2014: 126-127.
WICKENS C D, JUSTIN G H, SIMON B, et al. Engineering psychology & human performance[M]. ZHANG K, SUN X H, translated. Beijing: China Machine Press, 2014: 126-127(in Chinese). |
| [19] | WICKENS C D, GOH J, HELLEBERG J, et al. Attentional models of multitask pilot performance using advanced display technology[J]. Human Factors, 2003, 45 (3): 360–380. DOI:10.1518/hfes.45.3.360.27250 |
| [20] | WICKENS C D. Display formatting and situation awareness model (DFSAM): An approach to aviation display design: AHFD-05-14/NASA-05-5[R]. Washington, D. C. : NASA, 2005: 1-15. |
| [21] |
肖旭, 完颜笑如, 庄达民. 显示界面多维视觉编码综合评价模型[J].
北京航空航天大学学报, 2015, 41 (6): 1012–1018.
XIAO X, WANYAN X R, ZHUANG D M. Comprehensive evaluation model of multidimensional visual coding on display interface[J]. Journal of Beijing University of Aeronautics and Astronautics, 2015, 41 (6): 1012–1018. (in Chinese) |
| [22] | STEELMAN K S, MCCARLEY J S, WICKENS C D. Theory-based models of attention in visual workspaces[J]. International Journal of Human-Computer Interaction, 2017, 33 (1): 35–43. DOI:10.1080/10447318.2016.1232228 |
| [23] |
吴旭, 完颜笑如, 庄达民. 多因素条件下注意力分配建模[J].
北京航空航天大学学报, 2013, 39 (8): 1086–1090.
WU X, WANYAN X R, ZHUANG D M. Attention allocation modeling under multi-factor condition[J]. Journal of Beijing University of Aeronautics and Astronautics, 2013, 39 (8): 1086–1090. (in Chinese) |
| [24] | WANYAN X R, ZHUANG D M, WEI H Y, et al. Study on pilot attention allocation model based on fuzzy theory[J]. Computers & Mathematics with Applications, 2011, 62 (7): 2727–2735. |
| [25] | COLLINS A M, LOFTUS E F. A spreading-activation theory of semantic processing[J]. Readings in Cognitive Science, 1988, 82 (6): 126–136. |
| [26] | FAA. Airworthiness standards: Transport category airplanes: CFR Part25[S]. Washington, D. C. : FAA, 2013: 194-195. |
| [27] |
周颖伟, 庄达民, 吴旭, 等. 显示界面字符编码工效设计与分析[J].
北京航空航天大学学报, 2013, 39 (6): 761–765.
ZHOU Y W, ZHUANG D M, WU X, et al. Ergonomic design and analysis of character coding on display interface[J]. Journal of Beijing University of Aeronautics and Astronautics, 2013, 39 (6): 761–765. (in Chinese) |
| [28] |
白杰, 冯传宴, 杨坤. 飞行员脑力负荷生理测量方法研究进展[J].
航天医学与医学工程, 2016, 29 (2): 150–156.
BAI J, FENG C Y, YANG K. Research progress of physiological measurement of mental workload in pilots[J]. Space Medicine & Medical Engineering, 2016, 29 (2): 150–156. (in Chinese) |
| [29] | WEI Z M, ZHUANG D M, WANYAN X R, et al. A model for discrimination and prediction of mental workload of aircraft cockpit display interface[J]. Chinese Journal of Aeronautics, 2014, 27 (5): 1070–1077. DOI:10.1016/j.cja.2014.09.002 |
| [30] | VIDULICH M A, TSANG P S. The confluence of situation awareness and mental workload for adaptable human-machine systems[J]. Journal of Cognitive Engineering and Decision Making, 2015, 9 (1): 95–97. DOI:10.1177/1555343414554805 |