[1]吴旭,完颜笑如,庄达民. 多因素条件下注意力分配建模[J/OL]. 北京航空航天大学学报,2013,39(08):1086-1090. (2012-11-26)[2017-08-30]. http://kns.cnki.net/kcms/detail/11.2625.V.20121126.1140.038.htmlDOI:10.13700/j.bh.1001-5965.2013.08.009
问题:
预测飞行员注意力分配情况,为人机交互界面设计提供依据
背景:
多因素条件(multi-factor condition),即信息重要度V, 信息发生概率P, 信息突显性Sa, 及努力E四个影响因素条件下
方法
在混合熵最大化模型的基础上,从信息加工的两条通路入手,应用主观期望效能理论及 SEEV( Salient-Expectancy-Effort-Value) 模型思想,提出了一个基于信息重要度、发生概率、突显性及努力的预测模型. 为验证模型的效度,采用16 名被试在不同任务权重及信息呈现方式下开展仪表监视实验,记录注视点分布作为注意力分配的评价指标.
结论
本研究在文献[8]的基础上,从信息加工的两条通路入手,根据认知决策的主观期望效能理论引入信息发生概率,同时借鉴了 SEEV 模型的思想,将信息检出效率引申扩展为信息突显性和努力,对它们进行重新梳理并给出可量化的依据,最终提出一个多因素条件下的注意力分配模型.通过设定目标信息的数量及刷新频率[9]在较为适中的脑力负荷下开展工效学实验,并对模型的效度进行验证.
优点:通过计算影响因素在各信息间的相对比例从而最终确定分配注意力的比例. 这一点简化了 SEEV 模型中对影响因素权重的求解
局限性:本研究局限于脑力负荷较为适中水平下通过眼动追踪数据验证模型,在脑力负荷过载或唤醒程度不足的条件下对模型的失效性会在后期研究中考虑. 另外,眼动数据仅反映了注视点的分布规律,更多的行为学数据及心理生理参数则可以更加完整地表征认知过程.
主要创新点:
本模型提出的影响注意力分配因素分别对应了信息加工的两种方式. 在注意的早期阶段,以自动的平行方式对信息基本特征进行加工,这是自下而上的通路,在模型中体现为对信息突显性的加工及努力因素的抑制作用. 在后期的特征整合阶段,通过人对信息重要度和发生概率的认知集中注意对某个信息特征进行整合并形成暂时客体表征,属于自上而下的控制加工,这与注意的特征整合理论是相一致的[14]
建模过程:
本研究在文献[8]的基础上,从信息加工的两条通路入手,根据认知决策的主观期