认知负荷测评方法存在局限性

五、认知负荷测评方法存在局限性

传统的主观评估、绩效测量和生理测量三大类方法都是一种单维度的测评方法。单维度的测评方法有其优点但也往往表现出明显的不足和缺陷。

主观评估方法是当前最为普遍使用的方法，它具有操作简单、使用方便、无侵入性、成本低等优点，但主观评定技术在结果解释及使用上也同样存在若干局限，评定结果同样可能遭受众多因素的干扰。首先，主观评估方法是建立在认知资源占用的增加伴随主观努力体验的增加假设基础上，即该方法采用内省的方式评价认知负荷，但并不是所有的任务都可以内省的，因而容易出现评定偏差。其次，主观评定方法的个体差异比较大，其评定结果与个体特征、认知策略以及心理和生理状况等均有关，即使同一个人对同样的任务，在不同的时间可能会得出不同的评价结果。以Paas(1992)^[173]，Paas、van Merrienboer(1994)^[174]提出的心理努力问卷为例，该问卷看起来能够测量投入心理努力的主观知觉，但是却不能揭示这种心理努力与真实认知负荷的关联程度。如有研究表明，低投入努力可能是由于任务过难，个体减少心理努力的结果^[175]。同样，Kalyuga、Chandler、Sweller(1999)^[176]使用让个体自我报告任务难度差异的方法也很可能是由于需要完成的任务难度、个体能力水平等原因造成的。

个体在任务加工中的绩效表现与任务本身的性质有关，如果使用不同的指标，则很难对不同的任务进行比较。此外，作业绩效与认知负荷的关系并不一定是简单的线性关系。例如，有些研究者认为，作业绩效与认知负荷是线性的关系^[177]，有些研究者认为两者是S形关系^[178]，还有研究者认为是倒U形的关系^[179][180]。

生理测量虽然具有客观性和实时性，但是生理指标与认知负荷之间只是间接的联系。比如说它们也可能会受到注意或情感因素等方面的影响，也可能是生理负荷与认知负荷共同作用的结果^[181]。因此，由于认知负荷在某一生理指标上引起的变化可能会被其他因素放大或缩小，而且不同的任务可能会产生不同的生理反应，一项生理指标对某一类任务适用，而对另一类任务可能不适用，导致难以对不同的任务进行比较。此外，用于生理测量的仪器大多较为昂贵，有的生理测试过程复杂，需要相关的专业人员进行测试和数据的分析，从而给实施带来不便。

总之，三类单维度测评方法都能提供认知负荷状态的有效信息，但都不是全面的，并且任务情境不同，各种测评方法的适应性也不同。随着对认知负荷多维度特性的认识，目前研究者普遍认为没有一种单维度测评方法能够全面反映不同任务条件下的认知负荷状况，利用多维度评估指标对认知负荷作综合评估以替代单维度测评是认知负荷评估的发展方向^{[182][183][184][185][186][187]}。国内外有些学者运用多指标综合评估方法对心理工作负荷(Mental workload)进行了评估试验，发现“综合加权评估指标”评估准确率要高于单指标的评估准确率^{[188][189][190][191][192]}。纵观已有的关于脑力负荷的多指标综合评估方法，主要有因素分析、回归分析等多元统计分析方法和人工神经网络建模技术等。例如，Kilseop、Myung(2005)^[193]运用主成分分析将三种生理指标(脑电、眼动和心率)和主观脑力负荷值组合成单一的综合指标，发现综合指标能提高诊断不同任务难度条件下脑力负荷水平的准确率。此外，他们还利用回归分析来分析主观脑力负荷评估值与生理指标之间的因果关系，以生理指数来预测被试的主观负荷水平。

因素分析和回归分析方法是两种处理变量之间呈线性关系时较好的方法，但如前面所述可知，作业绩效、主观评估、生理指标与认知负荷之间的关系不一定是简单的线性关系。因此，利用主成分和回归分析方法会存在一定的局限性。近年来，国外一些学者尝试利用人工神经网络建模技术对脑力负荷进行测评。

人工神经网络(Artificial Neural Network，ANN)是由具有非线性作用函数的神经元构成，进行大规模并行信息处理的非线性模型结构，具有高度的非线性运算能力。利用其进行负荷的测评，可以将主观评估、任务绩效测评或生理测量指标作为网络的输入项，通过建立不同的神经网络模型对负荷进行分类和识别。例如，Schvaneveldt、Gomez、Reid(1996)^[194]收集多任务实验情境中的17个绩效指标(目标追踪错误数、连续反应时间、连续反应错误率、音调计数错误等)，以不同绩效指标组合作为输入项，以负荷主观评估值(按是否超出上限值(40)分成0和1两类)作为输出项，建立起多层感知器模型。模型对负荷预测具有较高的准确率(在70%～75%之间)。Mazaeva、Ntuen(2001)^[195]首先通过飞行模拟试验获得30个EEG指标，将其作为输入项，训练建立起自组织神经网络模型用于脑力负荷的分类和识别，结果表明自组织神经网络用于负荷的分类有较高的准确率(达到89%)。此外，其他的研究者利用相类似的方法也得到较理想的结果^{[196][197][198][199][200][201]}。但从总体来看，国外学者利用神经网络对脑力负荷进行分类和识别的研究还处于起步阶段，并且已有的研究中，由于实验条件各异，神经网络输入项不同，因而所得的结果也难以进行比较。

在认知负荷综合评估方面，国外学者也进行了一些尝试，如Paas、van Merrienboer(1993)^[202]，Tuovinen、Paas(2004)^[203]将心理努力与主任务绩效结合起来对认知负荷进行测评，获得了利用单一评估指标无法得到的许多重要信息。他们还发现，采用多种技术对认知负荷进行综合评估可显著提高评估敏感性。Miyake(2001)^[204]将心率变异性、手指体积描述图和呼吸三个生理变量和主观评估因素合成一个指标，从生理和主观两个方面对认知负荷进行多变量分析，取得了较好的效果。但到目前为止，对认知负荷的综合评估研究比较零碎，缺乏建模方法的系统研究和不同方法之间的比较研究，因而如何充分利用多指标中包含的认知负荷信息仍无很成熟的方法。在国内，目前还未见这方面的研究报道。