基于因素分析方法的认知负荷综合评估模型构建

二、基于因素分析方法的认知负荷综合评估模型构建

将因素分析方法运用于认知负荷的综合评估，其基本目的就是用少数几个综合指标(公共因素)来描述多个指标之间的联系，即将不同认知负荷测评方法得到的多个评估指标通过因素分析归并成一个或几个综合指标，并根据特征根和因素负荷计算每个操作者在综合指标上的得分。综合指标得分即多个评估指标的加权之和，可以作为操作者的认知负荷水平指标。如果公共因素(综合指标)数多于一个，则可以进一步将每个公共因素的方差贡献率作为加权系数，计算每个被试在公共因素上得分的加权总和。这个总和值就可以作为每个被试的认知负荷综合评估指标^[17][18]。依据此方法，我们以认知负荷水平为6个等级数时的实验结果为例，说明基于因素分析方法的认知负荷综合评估模型构建过程。

第一，选择训练样本数据作为因素分析样本，7个评估指标的pearson相关矩阵如表3.7所示。

表3.7　评估指标之间的相关矩阵

＊＊p＜0.01;*p＜0.05.

第二，利用主成分分析方法抽取公共因素，当抽取3个公共因素时，累计方差贡献率已达87.197%。经方差极大正交旋转后，其因素负荷矩阵、特征根及方差贡献率见表3.8。

表3.8　认知负荷评估指标的因素分析结果

第三，根据特征根和因素负荷，可以计算出3个公共因素在不同评估指标上的系数^[19]，进而可以计算每个被试在3个公共因素上的得分。这样每个被试的认知负荷水平就可以用三个因素分数来表示。其因素交换矩阵见表3.9。

表3.9　因素交换矩阵

因素得分矩阵见表3.10。

表3.10　公共因素得分矩阵

第四，由于每个公共因素的方差贡献率表示该公共因素对总体变异的解释程度，所以方差贡献率可以用以判断公共因素的相对重要性。我们以3个公共因素方差贡献率分别作为各个公共因素的加权系数，则可求得被试在各个公共因素上得分的经加权的总和，以此来表示被试的认知负荷水平。

第五，选择与上述模型相同的测试样本进行测试，计算每个被试在3个公共因素上得分的加权和，并将其一一转化为［1，6］区间内相应的值，以便与期望负荷值进行比较，结果见表3.11。

表3.11　基于因素分析的综合评估结果(认知负荷等级:6种)

同样，可以分别求得当认知负荷水平等级数为3种时的测试结果见表3.12。

观察表3.11和表3.12可以看出，当将因素分析测试结果转换成［1，6］区间的数值或［1，3］区间的数值时，其测试结果总体上小于期望负荷值(平均绝对误差均小于0)。相比较而言，当认知负荷水平等级为3类时，平均绝对误差、平均相对误差和平均均方误差均有明显的减小。

表3.12　基于因素分析的综合评估结果(认知负荷等级=3种)