认知负荷理论教学例子

第一节　研究目的

认知负荷水平受任务特征、个体特征及两者交互作用的影响。在特定的时刻或较短时间内，个体的认知负荷具有相对的稳定性。但随着持续作业时间的延长，个体某些方面的特征(如动机、元认知因素、疲劳、厌烦等)有可能发生变化，以至个体感受到的认知负荷也不尽相同，并在各评估指标上表现出来。如果我们对各评估指标的测量结果进行分析，可以发现，一方面，测量结果存在着由各种不稳定因素引起的随机波动;另一方面，对于特定的作业认知负荷又会表现出随作业时间变化的某种规律性，同类认知作业间认知负荷与作业时间的关系具有相似性。因而，可以采用有关的方法或建模技术对认知负荷状况的变化规律进行预测。传统的预测方法主要有两类:一是专家评估法，二是基于时间序列分析或回归分析等统计技术建立预测模型。专家评估法综合利用了专家们的知识经验，有利于提高意外因素出现时认知负荷各评估指标预测的精度，但要把专家的知识经验准确地转化为一系列可用于量化评估结果的规则是非常不容易的。时间序列模型其缺陷在于不能充分反映对负荷状况可能产生很大影响的随机因素，而导致由各评估指标作出的预测不够准确。回归模型需要事先确定认知负荷的各评估指标值与随机因素之间的函数关系，这在实际应用时是较难实现的。此外，时间序列建模、回归分析建模等技术都是用线性或非线性函数来逼近研究对象的非线性动态变化，是根据研究对象动态变化的统计特征来实现预测的。在持续作业过程中，认知负荷具有时变性，并且这种变化具有非线性和不确定性，因而很难用精确的数学模型加以描述。因此，采用传统的方法进行预测往往精度不高。神经网络方法将传统的函数关系式中的自变量和因变量视作为输入和输出项，将传统的函数关系转化为高维的非线性映射，而不是显式的数学表达式。因而，在认知负荷评估研究领域，神经网络被认为具有广阔的应用前景。

目前，在运用神经网络进行负荷状况预测的研究中，运用最多的是静态的多层前馈神经网络(如BP网络)，这主要是因为此类网络具有逼近任意非线性映射的能力。但在实际应用中，需要建模和预测的多为非线性动态系统，目前具有内部反馈的动态网络在系统建模与预测中的应用已经得到重视，这主要是动态网络本身就是动态时变系统，有着自然的反映系统动态变化的能力。动态网络中比较典型和应用较多的是Elman网络。本研究的目的是通过模拟认知任务实验，探索在持续作业过程中认知负荷在各评估指标上的变化，并建立起BP神经网络模型和Elman神经网络模型，对不同作业时间段认知负荷在各评估指标上的变化趋势进行预测。在此基础上，结合使用综合评估模型，可对持续作业过程中的认知负荷水平状况进行分析。