負(fù)荷條件下注意力分配策略對情境意識的影響

馮傳宴，完顏笑如,*，劉雙，陳浩，莊達(dá)民，王鑫

1. 北京航空航天大學(xué) 航空科學(xué)與工程學(xué)院，北京 100083 2. 中國船舶工業(yè)綜合技術(shù)經(jīng)濟(jì)研究院 艦船人因工程實(shí)驗(yàn)室，北京 100081

隨著科技的發(fā)展，人為因素問題已經(jīng)上升為航空安全的主要影響因素[1]。根據(jù)美國國家運(yùn)輸安全委員會(National Transportation Safety Board, NTSB)事故報(bào)告，在由人因失誤導(dǎo)致的航空事故中有88%均與情境意識(Situation Awareness，SA)差錯相關(guān)[2]。應(yīng)用最為廣泛的SA定義由Endsley提出，即“感知特定時(shí)間和空間情境下的相關(guān)情境元素，理解其意義并進(jìn)一步預(yù)測隨后可能發(fā)生的狀態(tài)”[3]。SA與安全直接相關(guān)，因此在國民經(jīng)濟(jì)多個(gè)關(guān)鍵領(lǐng)域如航空飛行[4-6]、汽車駕駛[7]、核電站監(jiān)控[8]等一直被高度關(guān)注。不同的腦力負(fù)荷水平下作業(yè)人員注意分配策略的改變會引發(fā)一系列SA問題，極端情況下甚至?xí)?dǎo)致SA的喪失[9-11]，造成安全事故。通過開展這三者之間的關(guān)系探究可為復(fù)雜任務(wù)條件下駕駛艙人機(jī)界面的信息需求設(shè)計(jì)以及飛行任務(wù)培訓(xùn)策略的優(yōu)化提供依據(jù)，從而保障飛行安全。

腦力負(fù)荷、注意力分配與SA之間存在緊密而又復(fù)雜的關(guān)系，一般認(rèn)為腦力負(fù)荷水平?jīng)Q定了注意力分配的效率和方式，而注意力分配水平的優(yōu)劣則是作業(yè)人員SA水平高低的依據(jù)之一[4,12-13]?，F(xiàn)有研究更多地關(guān)注了腦力負(fù)荷和SA之間的關(guān)系[14]，如Heikoop等在一項(xiàng)駕駛模擬任務(wù)中開展了腦力負(fù)荷和SA之間關(guān)系的探索，結(jié)果發(fā)現(xiàn)SA會隨著任務(wù)需求的增加而減小[15]；Lin和Lu在一項(xiàng)直升機(jī)救援任務(wù)研究中也得到了相似的結(jié)論[16]。而其中較少涉及由信息優(yōu)先級設(shè)計(jì)所產(chǎn)生的作業(yè)人員注意力分配策略的影響。注意是SA形成的基礎(chǔ)[3]，特定視覺掃視模式的存在，揭示了作業(yè)人員分配注意資源這一認(rèn)知過程，注意力分配策略從某種程度上來說決定了SA的質(zhì)量[4,17]，但不同的注意力分配策略對SA的具體影響機(jī)制尚不明確[18]。另有研究表明，隨著腦力負(fù)荷的累計(jì)，作業(yè)人員的注意力分配策略也會發(fā)生一定程度的改變[19]。因此，有必要進(jìn)一步研究不同腦力負(fù)荷水平下，注意力分配策略對SA的影響及其可能引發(fā)的SA問題。

為準(zhǔn)確測量SA，需要選取合適的SA測量方法?，F(xiàn)有文獻(xiàn)已提出30余種SA測量方法，主要包括主觀量表、績效測量、情境意識全面測量技術(shù)(Situational Awareness Global Assessment Technology，SAGAT)和生理測量等[4,20-22]。主觀量表評價(jià)法易于操作且成本較低，但卻存在主觀性較強(qiáng)和無法實(shí)時(shí)測量的缺陷[20]，作業(yè)績效測量因無法直接反映作業(yè)人員的SA，通常被作為一種間接的SA測量方式[20]，對于環(huán)境穩(wěn)定且可以預(yù)先定義SA相關(guān)元素的任務(wù)而言，SAGAT方法被認(rèn)為是評估SA最有效的方法之一[20]。此外，為了制定前瞻性策略以防止SA喪失，采用生理測量方法對SA進(jìn)行實(shí)時(shí)在線監(jiān)測也是研究人員積極關(guān)注的方向[17-18,22]。近年來有研究表明眼動注視特性以及腦電波活動與SA存在聯(lián)系[22-27]，如van de Merwe等在一項(xiàng)模擬飛行的故障檢測任務(wù)中提出了使用眼動的注視頻率和注視持續(xù)時(shí)間作為信息獲取的指標(biāo)(SA1)以及使用注視熵作為新信息獲取活動的指標(biāo)(SA3)的深入見解[22]。Catherwood等從SA喪失角度指出腦電活動中表征的高階和視覺感知區(qū)域的共同活動可能為自上而下的SA1提供基礎(chǔ)[28]。本文在高、低腦力負(fù)荷水平下開展了不同注意力分配策略對SA的影響研究工效學(xué)實(shí)驗(yàn)，記錄了作業(yè)人員的行為績效數(shù)據(jù)、SAGAT數(shù)據(jù)、生理數(shù)據(jù)以分析其SA在不同實(shí)驗(yàn)條件下的變化情況，此外，進(jìn)一步對多個(gè)測量指標(biāo)之間開展了Pearson相關(guān)分析以探尋SA敏感性生理指標(biāo)。

1 實(shí)驗(yàn)方法

1.1 被試對象

本研究共招募22名年齡在22～24歲(平均值M=22.95歲，標(biāo)準(zhǔn)差SD=0.58歲)的被試，其中男性15名，女性7名。所有被試均為北京航空航天大學(xué)航空工程專業(yè)背景的在校研究生，身體健康狀況良好，右利手，視力或矯正視力正常，實(shí)驗(yàn)前24 h要求保證足夠睡眠(至少8 h)。實(shí)驗(yàn)前，所有被試均被告知實(shí)驗(yàn)內(nèi)容流程并簽署書面知情同意書。

1.2 實(shí)驗(yàn)設(shè)備

基于多屬性任務(wù)管理軟件(Multi Attribute Task Battery，MATB)Ⅱ構(gòu)建了模擬飛行環(huán)境下的實(shí)驗(yàn)平臺。顯示界面呈現(xiàn)在一塊22 in Lenovo L2240pwD液晶顯示屏(1 680 pixel×1 050 pixel)上。該平臺經(jīng)過多個(gè)版本的更新，其有效性已得到廣泛的驗(yàn)證[29]。本研究對該平臺進(jìn)行了重新定義，共包括4個(gè)子任務(wù)，分別呈現(xiàn)在如圖1所示的4個(gè)興趣區(qū)域(Area of Interest, AOI)內(nèi)，包括系統(tǒng)監(jiān)控任務(wù)(AOI 1)、追蹤任務(wù)(AOI 2)、通信監(jiān)測任務(wù)(AOI 3)和資源管理任務(wù)(AOI 4)。各子任務(wù)的呈現(xiàn)次序和呈現(xiàn)時(shí)間通過可擴(kuò)展標(biāo)記語言(eXtensible Markup Language，XML)編程實(shí)現(xiàn)。

本研究采用Tobii Pro X3-120系統(tǒng)(Tobii Group, Stockholm, Sweden)實(shí)時(shí)采集被試的眼動數(shù)據(jù)，采用5點(diǎn)校標(biāo)進(jìn)行校準(zhǔn)，眼動儀采樣率為120 Hz。采用Neuroscan Neuamps系統(tǒng)32通道放大器記錄腦電(EEG)數(shù)據(jù)：F7、FT7、T3、TP7、T5；FP1、F3、FC3、C3、CP3、P3、O1；FZ、FCZ、CZ、CPZ、PZ、OZ；FP2、F4、FC4、C4、CP4、P4、O2；F8、FT8、T4、TP8、T6。所有電極采用Ag/Agcl，記錄帶寬為0～200 Hz，采樣率為1 000 Hz。電極的阻抗保持在5 kΩ以下。地線點(diǎn)(Ground，GND)設(shè)置為接地，左乳突A1作為在線參考，同時(shí)記錄垂直和水平眼電。

圖1 實(shí)驗(yàn)任務(wù)顯示界面Fig.1 Display interface of experimental task

1.3 實(shí)驗(yàn)設(shè)計(jì)

參考主飛行顯示儀表的T型布局對平臺子任務(wù)進(jìn)行定義，并劃分為4個(gè)AOI進(jìn)行后期眼動數(shù)據(jù)分析。實(shí)驗(yàn)采用3×2被試內(nèi)雙因素設(shè)計(jì)。因素1為注意力分配策略，包含3個(gè)水平：平均注意力分配策略(平均分配)、主次注意力分配策略(主次分配)和多級注意力分配策略(多級分配)。在本研究中，不同的注意力分配策略通過“期望”和“價(jià)值”這2個(gè)因素進(jìn)行引導(dǎo)和量化[30-31]。其中“期望”因素通過異常信息呈現(xiàn)頻率來實(shí)現(xiàn)(見表1)，即異常信息出現(xiàn)頻率更高的AOI會吸引作業(yè)人員更多的注意力；“價(jià)值”因素通過信息重要度體現(xiàn)，即重要程度更高的AOI會吸引作業(yè)人員更多的注意力，并由培訓(xùn)期間主試對被試的充分引導(dǎo)而實(shí)現(xiàn)。因素2為腦力負(fù)荷，包含2個(gè)水平：低腦力負(fù)荷和高腦力負(fù)荷，且采用子任務(wù)的故障呈現(xiàn)頻率分別對高腦力負(fù)荷水平(2次/min)和低腦力負(fù)荷水平(1次/min)進(jìn)行調(diào)控[32-33]。為消除練習(xí)和疲勞效應(yīng)，采用拉丁方設(shè)計(jì)對注意力分配策略和腦力負(fù)荷水平的呈現(xiàn)順序進(jìn)行平衡。

表1 異常信息呈現(xiàn)頻率設(shè)置Table 1 Frequency setting of abnormal information

本研究記錄工作績效指標(biāo)、SAGAT得分、眼動指標(biāo)和EEG指標(biāo)作為SA的評價(jià)指標(biāo)。其中，工作績效測量包括反應(yīng)時(shí)間和正確率，均由MATB Ⅱ平臺后臺自動記錄。反應(yīng)時(shí)間為4個(gè)子任務(wù)的平均正確反應(yīng)時(shí)間；正確率為正確響應(yīng)次數(shù)占故障信息呈現(xiàn)總數(shù)的百分比。SAGAT得分指對SA凍結(jié)問題進(jìn)行正確反應(yīng)的百分比[21]。采用Tobbi Studio 3.4.5軟件進(jìn)行眼動注視類指標(biāo)分析，并記錄各個(gè)AOI中的訪問總時(shí)間比例、平均注視時(shí)間和最小近鄰指數(shù)(Nearest Neighbor Index，NNI)。其中NNI基于空間統(tǒng)計(jì)算法[34]，采用ASTEF工具進(jìn)行計(jì)算。離線EEG信號重新參考雙側(cè)乳突電極的平均值，使用MATLAB R2014a的eeglab14_1_1b工具箱進(jìn)行離線分析，并進(jìn)行1～30 Hz帶通濾波。采用獨(dú)立成分分析并運(yùn)用ADJUST1.1.1工具包進(jìn)行偽跡去除。對全部EEG數(shù)據(jù)進(jìn)行分段之后進(jìn)行快速傅里葉變換，平均后劃分為4個(gè)不同波段：δ(1～4 Hz)、θ(4～8 Hz)、α(8～12 Hz)和β(13～30 Hz)。分別計(jì)算4個(gè)不同波段腦電信號的相對功率指標(biāo)，即不同波段功率分別占總功率值(δ、θ、α和β之和)的比例。整個(gè)實(shí)驗(yàn)過程中，眼動和腦電采集設(shè)備實(shí)時(shí)采集生理信號。

1.4 實(shí)驗(yàn)任務(wù)與流程

本研究的實(shí)驗(yàn)任務(wù)為面向飛行情境的多任務(wù)模擬，在實(shí)驗(yàn)過程中，要求被試同時(shí)監(jiān)控MATB Ⅱ界面中的4個(gè)子任務(wù)，并盡可能準(zhǔn)確且迅速地通過鼠標(biāo)和鍵盤響應(yīng)每個(gè)子任務(wù)中的異常信息，排除故障。具體而言，對于系統(tǒng)監(jiān)測子任務(wù)(AOI 1)，要求被試監(jiān)控4個(gè)刻度欄的指針位置，當(dāng)指針超出正常顯示范圍，采用鼠標(biāo)左鍵點(diǎn)擊相應(yīng)刻度欄以恢復(fù)正常；追蹤子任務(wù)(AOI 2)呈現(xiàn)2維隨機(jī)的輸入補(bǔ)償追蹤任務(wù)，要求被試監(jiān)控當(dāng)前飛行狀態(tài)，當(dāng)飛行狀態(tài)由手動轉(zhuǎn)變?yōu)樽詣訒r(shí)，要求按鍵盤左方向鍵進(jìn)行響應(yīng)；對于通信監(jiān)控子任務(wù)(AOI 3)，要求被試監(jiān)控計(jì)劃刻度中即將到來的通信任務(wù)，當(dāng)新的通信任務(wù)發(fā)生時(shí)(計(jì)劃欄中左側(cè)的綠色滑塊觸碰到0時(shí)刻線時(shí))，按壓鍵盤的右方向鍵進(jìn)行響應(yīng)；對于資源監(jiān)控子任務(wù)(AOI 4)，要求被試監(jiān)控4個(gè)油箱油量，當(dāng)供油的油泵出現(xiàn)故障時(shí)，使用鼠標(biāo)左鍵點(diǎn)擊對應(yīng)的油泵進(jìn)行響應(yīng)。實(shí)驗(yàn)包括2個(gè)階段：練習(xí)階段和正式實(shí)驗(yàn)階段，整個(gè)實(shí)驗(yàn)時(shí)長90～120 min。被試在練習(xí)階段接受充分培訓(xùn)，待被試完全掌握任務(wù)操作和實(shí)驗(yàn)流程后簽署知情同意書，然后開始正式實(shí)驗(yàn)。不同實(shí)驗(yàn)水平之間安排適當(dāng)?shù)男菹?，單次?shí)驗(yàn)任務(wù)時(shí)長持續(xù)約20 min。

2 實(shí)驗(yàn)結(jié)果

2.1 不同注意力分配策略的實(shí)驗(yàn)驗(yàn)證

Wickens等經(jīng)過大量研究提出了飛行員注意力分配的經(jīng)典模型，即期望價(jià)值(Expectancy Value，EV)模型，對于受過良好訓(xùn)練的被試，該模型對于其注意力分配行為的預(yù)測吻合變異系數(shù)達(dá)到95%[30-31]。在本研究中，為對不同注意力分配策略的實(shí)驗(yàn)效果進(jìn)行驗(yàn)證，選取期望和價(jià)值因素來引導(dǎo)被試產(chǎn)生不同的注意力分配行為，實(shí)現(xiàn)不同的注意力分配策略。

在本研究中，將注視點(diǎn)第1次進(jìn)入某一AOI到離開該AOI記錄為1次訪問，分別計(jì)算MATB Ⅱ界面各AOI的訪問總時(shí)間占4個(gè)AOI的訪問總時(shí)間之和的比例。引入平均飛行員思想[4,30,35]，對實(shí)驗(yàn)設(shè)計(jì)的注意力分配策略比例與4個(gè)AOI的訪問總時(shí)間比例的平均值結(jié)果進(jìn)行一元線性回歸，以評估注意力分配策略的引導(dǎo)效果。實(shí)驗(yàn)結(jié)果表明兩者的相關(guān)系數(shù)為r=0.962,R2=0.926 2，相關(guān)性水平顯著p<0.001，如圖2所示。

圖2 注意力分配結(jié)果的驗(yàn)證Fig.2 Validation of attention allocation strategies

上述結(jié)果說明，實(shí)驗(yàn)設(shè)計(jì)注意力分配比例與眼動追蹤的實(shí)驗(yàn)值吻合良好，將注意力分配策略作為自變量是有效的。

2.2 SA測量指標(biāo)

采用SPSS Statistics 23.0(IBM，United States)對4類SA測量指標(biāo)進(jìn)行統(tǒng)計(jì)學(xué)分析，所有統(tǒng)計(jì)檢驗(yàn)均使用0.05的置信度。采用雙因素重復(fù)測量方差分析來確定注意力分配策略和腦力負(fù)荷因素對因變量的交互效應(yīng)及主效應(yīng)。對于被試內(nèi)變量，采用Mauchly測試檢驗(yàn)球型假設(shè)，當(dāng)不滿足球型假設(shè)時(shí)，使用Greenhouse-Geisser校正自由度。采用最小顯著性差異(Least Significant Difference，LSD)方法進(jìn)行事后檢驗(yàn)。

2.2.1 工作績效測量結(jié)果

工作績效指標(biāo)反應(yīng)時(shí)間和正確率的描述性結(jié)果如圖3所示，圖中橫坐標(biāo)為實(shí)驗(yàn)水平，以低_平均為例，指的是低負(fù)荷水平下的平均分配。對于反應(yīng)時(shí)間指標(biāo)，雙因素重復(fù)測量方差分析表明，注意力分配策略和腦力負(fù)荷因素之間的交互效應(yīng)不顯著(F(2, 42)=1.951,p=0.155,η2=0.085)。注意力分配策略對反應(yīng)時(shí)間的主效應(yīng)顯著(F(2, 42)=27.175,p<0.001,η2=0.564)。事后比較發(fā)現(xiàn)主次分配的反應(yīng)時(shí)間顯著短于平均分配(p<0.001)和多級分配(p<0.001)，平均分配和多級分配之間的差異不顯著(p>0.05)。腦力負(fù)荷對反應(yīng)時(shí)間的主效應(yīng)不顯著(F(1, 21)=0.165,p=0.688,η2=0.008)。

圖3 績效測量指標(biāo)Fig.3 Performance measure indicators

對于正確率指標(biāo)，雙因素重復(fù)測量的方差分析表明，注意力分配策略和腦力負(fù)荷之間的交互作用不顯著(F(2, 42)=2.987,p=0.061,η2=0.125)。注意力分配策略對正確率的主效應(yīng)是顯著的(F(2, 42)=5.818,p=0.006,η2=0.217)。事后比較發(fā)現(xiàn)平均分配的正確率顯著低于主次分配(p=0.022)和多級分配(p=0.005)，主次分配和多級分配之間不顯著(p>0.05)。腦力負(fù)荷對正確率的主效應(yīng)不顯著(F(1, 21)=0.343,p=0.564,η2=0.016)。

2.2.2 SAGAT方法測量結(jié)果

低腦力負(fù)荷時(shí)，SAGAT得分從平均分配(75.44±8.32，均值±標(biāo)準(zhǔn)差)、主次分配(78.33±10.09)到多級分配(82.54±8.87)呈現(xiàn)逐漸增加的趨勢。高腦力負(fù)荷時(shí)，SAGAT得分從平均分配(66.18±10.75)、主次分配(78.97±8.77)到多級分配(68.86±11.87)呈現(xiàn)先增后減的趨勢。雙因素重復(fù)測量的方差分析表明對于SAGAT得分，注意力分配策略和腦力負(fù)荷的交互效應(yīng)顯著(F(2, 42)=5.363,p=0.010,η2=0.203)。簡單效應(yīng)分析發(fā)現(xiàn)低腦力負(fù)荷時(shí)，平均分配的SAGAT得分顯著低于多級分配(p=0.015)。高腦力負(fù)荷時(shí)，主次分配的SAGAT得分顯著高于平均分配(p=0.001)和多級分配(p=0.005)。注意力分配策略的主效應(yīng)顯著(F(2, 42)=9.693,p<0.001,η2=0.316)，事后比較發(fā)現(xiàn)平均分配的SAGAT得分顯著低于主次分配(p<0.001)和多級分配(p=0.010)，主次分配和多級分配之間不顯著(p>0.05)。腦力負(fù)荷的主效應(yīng)顯著(F(1, 21)=29.237,p<0.001,η2=0.582)，事后比較發(fā)現(xiàn)低腦力負(fù)荷的SAGAT得分顯著高于高腦力負(fù)荷(p<0.001)。

2.2.3 眼動指標(biāo)測量結(jié)果

如圖4(a)所示，不論在低腦力負(fù)荷還是高腦力負(fù)荷水平下，平均注視時(shí)間從平均分配、主次分配到多級分配均呈現(xiàn)先增后減的趨勢。方差分析發(fā)現(xiàn)注意力分配策略和腦力負(fù)荷之間的交互作用不顯著(F(2, 42)=1.082,p=0.348,η2=0.049)。注意力分配策略的主效應(yīng)顯著(F(2, 42)=3.917,p=0.028,η2=0.157)，事后比較發(fā)現(xiàn)平均分配的平均注視時(shí)間顯著低于主次分配(p=0.009)，其他注意力分配策略之間不顯著(p>0.05)。腦力負(fù)荷的主效應(yīng)不顯著(F(1, 21)=1.032,p=0.321,η2=0.047)。如圖4(b)所示，不論在低腦力負(fù)荷還是高腦力負(fù)荷下，NNI從平均分配、主次分配到多級分配均呈現(xiàn)先減后增的趨勢。方差分析發(fā)現(xiàn)注意力分配策略和腦力負(fù)荷之間的交互作用不顯著(F(2, 42)=0.407,p=0.668,η2=0.019)。注意力分配策略的主效應(yīng)顯著(F(2, 42)=12.017,p<0.001,η2=0.364)，事后比較發(fā)現(xiàn)主次分配的NNI顯著低于平均分配(p<0.001)和多級分配(p=0.014)，多級分配的NNI顯著低于平均分配(p=0.045)。腦力負(fù)荷的主效應(yīng)不顯著(F(1, 21)=0.103,p=0.752,η2=0.005)。

圖4 眼動測量指標(biāo)Fig.4 Eye movement measure indicators

2.2.4 EEG指標(biāo)測量結(jié)果

如圖5所示，頻譜地形圖顯示了4個(gè)頻帶相對功率的描述性結(jié)果，圖中對各波段數(shù)據(jù)進(jìn)行了歸一化處理，并如圖右側(cè)顯示色條在0～1的區(qū)間內(nèi)進(jìn)行標(biāo)準(zhǔn)化(無單位)，其中紅色表示更高的激活。由圖5可見，θ相對功率和β相對功率在不同腦力負(fù)荷水平下存在明顯差異，以頭皮中線分布最為明顯?？紤]到大腦頭皮中線電極點(diǎn)在信息認(rèn)知加工和腦力負(fù)荷等相關(guān)研究中具有代表性[27,36]，進(jìn)一步選取3個(gè)大腦中線電極點(diǎn)(Fz、Cz和Pz)進(jìn)行數(shù)據(jù)分析。

圖5 EEG的4個(gè)頻帶相對功率的頭皮分布地形Fig.5 Topographic map of relative power in four bands of EEG

對4個(gè)波段腦電相對功率指標(biāo)進(jìn)行3(注意力分配策略)×2(腦力負(fù)荷)×3(電極點(diǎn))重復(fù)測量的方差分析。結(jié)果發(fā)現(xiàn)注意力分配策略×腦力負(fù)荷、注意力分配策略×電極點(diǎn)、腦力負(fù)荷×電極點(diǎn)以及注意力分配策略×腦力負(fù)荷×電極點(diǎn)的交互效應(yīng)均不顯著(p>0.05)。注意力分配策略的主效應(yīng)不顯著(p>0.05)。對于θ和β相對功率，腦力負(fù)荷的主效應(yīng)均顯著(F(1, 21)=10.568,p=0.004,η2=0.335;F(1, 21)=6.775,p=0.017,η2=0.244)。事后分析表現(xiàn)為低腦力負(fù)荷的θ相對功率顯著高于高腦力負(fù)荷(p=0.004)。低腦力負(fù)荷的β相對功率顯著低于高腦力負(fù)荷(p=0.017)。

2.2.5 相關(guān)性分析

采用Pearson相關(guān)方法進(jìn)行SAGAT得分與生理指標(biāo)的相關(guān)性分析，以研究SA的敏感指標(biāo)。結(jié)果表明，高和低腦力負(fù)荷下不同注意力分配策略的SAGAT得分與平均注視時(shí)間低度正相關(guān)(r=0.320,p<0.001)，與NNI低度負(fù)相關(guān)(r=-0.225,p=0.008)。SAGAT與Pz電極點(diǎn)θ功率低度負(fù)相關(guān)(r=-0.251,p=0.004)，與α相對功率(Fz、Cz和Pz點(diǎn))低度正相關(guān)(r=0.202,p=0.020;r=0.223,p=0.010；r=0.222,p=0.010)。

3 討 論

為探索不同注意力分配策略對SA的影響，本研究基于EV模型選取了期望和價(jià)值因素進(jìn)行了3種注意力分配策略的設(shè)置。通過實(shí)驗(yàn)設(shè)計(jì)值與眼動訪問總時(shí)間的擬合結(jié)果可知注意力分配策略得到了有效的實(shí)現(xiàn)。在此基礎(chǔ)上，采用多種方法開展不同注意力分配策略下的SA測量。

通過對SAGAT得分結(jié)果進(jìn)行統(tǒng)計(jì)分析可知，當(dāng)處于低腦力負(fù)荷時(shí)，平均分配下的SAGAT得分顯著低于多級分配；當(dāng)處于高腦力負(fù)荷時(shí)，主次分配下的SAGAT得分顯著高于平均分配和多級分配?？紤]到SAGAT方法對于SA評價(jià)的客觀性已得到較為廣泛的認(rèn)可[20-21]，因此可知不論在低腦力負(fù)荷還是高腦力負(fù)荷時(shí)，相比于其他注意力分配策略，被試在平均注意力分配策略下均表現(xiàn)出了更差的SA水平。分析其原因，平均注意力分配策略更容易導(dǎo)致作業(yè)人員注意力的分散，從而產(chǎn)生感知覺能力的下降；而多級和主次注意力分配策略因存在更為明確的信息優(yōu)先級順序因此容易讓作業(yè)人員保持較高的警覺度水平，從而形成良好的SA[37-38]。另一方面，本研究結(jié)果也發(fā)現(xiàn)當(dāng)處于高腦力負(fù)荷時(shí)，主次分配的SA得分顯著高于多級分配，即在高腦力負(fù)荷下，作業(yè)人員的總體認(rèn)知資源和工作記憶容量均非常有限，重要等級劃分明確且較少的信息優(yōu)先級設(shè)計(jì)有利于作業(yè)人員把握關(guān)鍵性信息，從而可對于重要信息分配更多的注意資源，獲得更好的SA。

從其他SA測量指標(biāo)結(jié)果來看，與主次分配和多級分配相比，平均分配具有更低的績效正確率和更大的NNI值；與主次分配相比，平均分配具有更長的績效反應(yīng)時(shí)間和更短的平均注視時(shí)間?？冃е笜?biāo)對于SA的測量雖然是一種間接的測量方法，但仍能在一定程度上反應(yīng)SA，本研究結(jié)果表明，平均分配相比其他分配策略具有更差的績效表現(xiàn)。平均注視時(shí)間記錄為MATB Ⅱ顯示界面內(nèi)所有注視點(diǎn)持續(xù)時(shí)間的平均值，NNI指標(biāo)揭示了注視點(diǎn)的密集程度，該值越接近于0說明注視點(diǎn)越集中[22,34]。在作業(yè)人員經(jīng)驗(yàn)比較一致的情況下，平均分配的平均注視時(shí)間更短且注視點(diǎn)分布更分散，從而不利于支撐作業(yè)人員對信息形成有效理解。上述結(jié)果也與SAGAT測量結(jié)果基本一致。另外，主次分配下出現(xiàn)了密集的注視點(diǎn)分布，從而有利于理想SA的獲得，但這可能導(dǎo)致作業(yè)人員因過度關(guān)注某一興趣區(qū)而產(chǎn)生認(rèn)知隧道效應(yīng)，增加SA喪失的風(fēng)險(xiǎn)。

此外，低腦力負(fù)荷的SAGAT得分顯著高于高腦力負(fù)荷，表明低腦力負(fù)荷下的SA高于高腦力負(fù)荷。隨著腦力負(fù)荷水平的增加，被試的注意資源被不斷消耗，這使得用于選擇性注意加工過程的腦力資源減少[39]，從而引發(fā)較差的SA。從腦電數(shù)據(jù)結(jié)果來看，是低腦力負(fù)荷下的中線區(qū)具有更高的θ相對功率和更低的β相對功率，可能揭示了高腦力負(fù)荷下注意集中程度和大腦警覺性的降低[26-27,36]。在進(jìn)一步的相關(guān)性分析中發(fā)現(xiàn)SAGAT得分與平均注視時(shí)間、NNI存在低度顯著負(fù)相關(guān)、θ相對功率(Pz點(diǎn))和α相對功率(Fz、Cz和Pz點(diǎn))均存在低度顯著正相關(guān)關(guān)系。結(jié)合生理指標(biāo)針對腦力負(fù)荷和注意力分配策略的方差分析結(jié)果，提示眼動的平均注視時(shí)間和NNI指標(biāo)、EEG的θ和α相對功率指標(biāo)具有表征SA的潛力。

本研究結(jié)果可擴(kuò)展至駕駛艙人機(jī)界面設(shè)計(jì)與人員培訓(xùn)方案設(shè)計(jì)中，如設(shè)定更為明確且區(qū)分度較大的信息優(yōu)先級，控制同時(shí)要求作業(yè)人員分配注意資源的關(guān)鍵性信息數(shù)量；在執(zhí)行常規(guī)低負(fù)荷任務(wù)時(shí)謹(jǐn)慎采用漫無目的的平均注意力分配策略，防止因注意力分散而引發(fā)的SA降低；在高負(fù)荷情境如特情處置時(shí)，緊急處置清單的設(shè)計(jì)應(yīng)有利于突出重要操作，且盡可能簡化操作步驟，可考慮合并多個(gè)操作進(jìn)行一鍵式或模塊化設(shè)計(jì)等。

4 結(jié) 論

本研究開展了高低腦力負(fù)荷下不同注意力分配策略對SA的影響實(shí)驗(yàn)研究，記錄并分析了包括SAGAT方法、績效、眼動和腦電指標(biāo)在內(nèi)的多種測量指標(biāo)的結(jié)果。本研究結(jié)果表明在不同腦力負(fù)荷條件下，采用平均注意力分配策略易導(dǎo)致作業(yè)人員的注意力分散，從而產(chǎn)生更差的工作績效和更低的SA水平；而在高腦力負(fù)荷條件下，相比于多級注意力分配策略，主次注意力分配策略更有助于作業(yè)人員提取關(guān)鍵信息從而維持更好的SA水平，但同時(shí)可能存在SA喪失的風(fēng)險(xiǎn)；高腦力負(fù)荷水平下的SA低于低腦力負(fù)荷水平下的SA；眼動的平均注視時(shí)間和NNI指標(biāo)以及EEG的θ和α相對功率指標(biāo)具有較好的表征SA的潛力。本研究可為復(fù)雜任務(wù)條件下駕駛艙人機(jī)界面的信息需求設(shè)計(jì)以及飛行任務(wù)培訓(xùn)策略的優(yōu)化提供一定依據(jù)。