技术的进近与着陆的一种闭环，-方法

认知和信息环境综合建模：模拟有无综合视景系统（SVS）技术的进近与着陆的一种闭环，ACT-R方法

Michael D.Byrne，Alex Kirlik

1　引言

这份报告，概述了我们的研究现状，即评估商业航空中综合视景系统（SVS）技术对飞行员表现的影响。第2节中，我们首先针对这个问题的理论和方法进行了简短讨论，并对去年在T-NASA（T-国家航空航天局）滑行导航模拟中模拟飞行员表现的研究中所得经验教训做了简短介绍。我们列出一些学到的教训，对我们目前的SVS模拟研究有具体的指导意义。

报告第3节，描述NASA/MontereyTechnologies HPM-SVS的部分任务模拟和试验，其数据集为我们目前的模拟工作提供支持。虽然这些信息，大多数是由NASA提供给我们的材料获得的，我们把它列入这里，是希望它有助于本报告达到某种“卓越”文体的水平，它不仅可以对那些与这个研究非常接近的工作，而且也可对其他的一些工作提供有用的信息。已经熟悉部分模拟和试验工作的读者可以跳过第3节，不会丢失信息。对于其他人，本概述随后的章节中提供了研究分析和模拟方面的重要背景材料。

报告第4节描述大量结果，即使用在部分任务试验中收集的眼动数据进行的统计分析。这一节，首先讨论为分析目的我们选择把重点放在分析整体眼动数据的那些方面。接下来，分析结果包括，如根据飞行阶段将数据分类，进近事件（如常规，复飞，地形未对准），当然还有，SVS与非SVS的试验分析。这一节的结论表明，这些分析在识别特定现象方面提供了丰富信息，这些方面可作为我们闭环，ACT-R模拟的重点。

报告第5节，讨论了指导我们模拟的其他信息源（自上而下或理论），包括任务分析，ACT-R方法，课题主要专家（SME）的输入信息，以及来自工程学（如Senders）和心理学（如Wickens）两大学科的视觉注意力分配理论及观点。

报告第6节，继而描述上述所有信息如何使我们把重点放在模拟飞行员表现的特定方面，以及我们的具体实施方法。特别是，这一节围绕迄今为止我们所做的努力描述了3个主要现象：（1）希望建立一种驾驶舱、飞机和环境相互作用的动态、闭环的飞行员认知模型；（2）假设我们与相对有见识的和适应的不过使用新显示技术的飞行员打交道；（3）重点关注视觉注意力分配，对于产生与设计-培训相关的关于SVS技术对认知和表现影响的见解同样重要。这一节给出我们详细的计算机执行，以目前状态以及不久的将来我们期望达到的状态。

第7节介绍我们至今的研究结果，以及这些结果对今后的意义。这些发现在目前情况下有些抽象，究其原因虽然到目前为止许多工作已经完成，但为提供注意力分配和飞行员表现的真正的动态、闭环描述，我们现在仅仅抓住了技术问题，即关于我们现用的飞机模型与ACT-R飞行员模拟相耦合。

报告结尾，在第8节，将迄今所取得的进展，经验教训，以及未来的发展方向进行了提炼。第8节后面列出本文相关的参考文献。

2　理论观点与第一阶段的经验教训

2.1　理论目标

航空事件和事故调查往往会找出人为差错的认知和环境两方面的原因。环境因素包括：有缺陷的界面设计，难以理解的自动化，以及突发的天气状况等。改进环境设计，如利用综合视景系统（SVS）（我们目前研究的课题），往往对减少人为差错，提高人的表现起到重要作用。另一方面，认知原因主要与表现的有效性和效率相关，包括如情景意识，遵守或未遵守程序，机组协调等。若不是大多数，那也有许多重要事件和事故是由认知和环境两个因素共同作用造成的。事实上，在高度程序化的行业，如航空业，飞行员都是经高级训练的，积极主动的，事故很少单独由环境或认知原因引起。即使是很难理解的界面设计，培训和经验往往足以克服，并且环境往往是足够冗余、可逆而且宽容的，因此绝大多数单个认知失误和错误不会造成严重后果。只有当环境和认知这两个因素共同叠加，才会导致重大事件和事故，进而导致灾难。

引进新技术是一种试图降低飞行员表现不完美发生频率、严重程度或后果的普遍方法。与评估技术干预影响相关的人的绩效建模，因而需要考虑认知和环境问题。这份报告介绍了目前在研究动态、闭环认知-环境建模，或者更具体的飞行员-设备-机场建模中所取得的进步，以阐明在商业航空公司驾驶舱引入SVS技术的正面和潜在负面影响。我们目前的建模包括：整合在ACT-R的认知结构（安德森，博泰尔，伯恩，与Lebiere，2002）内开发的飞行员模型；市场上可买到的现成飞机力学模型和作为部分任务试验基础的Santa Barbara空域和机场模型（COTS；Bowers＆Jentsch，2001）。我们正在参加的NASA计划总体目标是开发带预测能力计算机绩效模型，以帮助设计师和分析师识别航空领域人-机系统中可能的薄弱环节。

我们现在的SVS模拟，实际上是实现这一目标更长时间努力的第2阶段。我们以往的研究主要集中在NASA模拟滑行差错的原因中研究。该模拟涉及芝加哥奥黑尔（ORD）机场模拟滑行道-登机门的情景。为本报告的其余部分打好基础，我们简要地讨论那些，从激发我们研究目前问题的努力中吸取的教训。这些教训使我们有了一个良好的开端，即为SVS模拟的选择模型初始结构：由认知的ACT-R模型和商品化的飞机-机场模拟软件包两个相互影响的元素组成的一个闭环、动态组合。

2.2　第一阶段的经验教训

正如我们在滑行模拟研究中学到的，应用科学的认知模型不是一件平凡的事。它原本用心理试验室的数据进行开发和验证，却要应用到诸如航空领域人-机系统这样的环境。具体的挑战包括以下内容。

2.2.1　认知与外界间的沟通

试验任务以这样一种方式进行了精心设计，即输入到认知系统的和认知系统输出的均很容易识别。这主要是通过使与认知试验相联系的感知和运动相关要求相对通俗细化。遗憾的是，与航空相关的感知和动作要求是范围广泛的。此问题出现在第一阶段研究中，表现为ACT-R/PM模型与视景数据库耦合，并在一定程度上，与飞机模型耦合相关的困难。后者不是严重问题，因为在这种情况下动作的输出可以被认为是相对离散的，由油门和刹车的不同设置组成。虽然在这方面SVS的情景相似，如下面看到的，我们做了充分的努力，使ACT-R的感知机制与飞行模拟器提供的驾驶舱和外部场景两者之间耦合，以便ACT-R相互配合。

2.2.2　模拟环境实体与动态

第一阶段研究结果清楚地表明，在动态、互动情境下获得合理的飞行员认知模型在很大程度上取决于视觉、物理和管制环境，以及其合理的动力学模型的可用性。人的认知和行为动态也参与了综合人-环境系统功能的环境实体的动态交错，并相呼应。在我们第一阶段的最后报告中注意到，认知模型软件可以预先做更明确的规定，以代表外部环境物体和动态。在比台式电脑复杂的情境下，这些规定将有助于模拟互动行为。下文将看到，这个问题以非琐碎问题的面貌又重现在我们目前的SVS模拟中，如果不是从理论上讲，至少是从技术和数据-通信的观点来讲。

2.2.3　时间问题

在第一阶段研究的基础上我们推断，人-环境系统模型的模拟方法应为模拟认知与环境动态提供独立的时钟和处理资源。我们注意到，既不从属于也不被另一个包含，当另一个正在更新时，两者中的任一模型也不要等待。另外，我们指出目前解决这一问题的方法，处理资源在模型的认知和环境组元之间来回传递，当更多的动态情形被模拟时会发现，这种方法越来越不好用。根据第一阶段研究结果，我们要尽早作出明确决定以在不同的电脑上执行我们的ACT-R的飞行员模型和我们的飞机/机场模型，用双向（2-way）数据通信网络资源连接。使用这种方法，与总的互动系统的两个组成部分的动态模仿相联系的处理过程要求没有竞争。不过，我们了解到，我们用作模拟环境的两个软件都没有为这种跨计算机通信作出明确规定。因此，我们目前还处于用自己的方法解决这个问题的阶段。

3　部分任务模拟和试验设计

本研究的重点是为商业航空公司驾驶舱评估一种新技术。长期以来一直制约航空的一个因素是能见度，能见度低的条件下会大大改变驾驶飞机的任务。然而，使用详尽而精确的基于计算机-地理信息系统，只要知道观察者的位置就可以产生已知的地形图像。现代GPS（全球定位系统）使得有可能知道非常精确的飞机位置。因此，这两个系统的结合，可使在计算机显示器上显示出那些由于不利的环境条件（如雾，雨）不可见的地形。这是NASA SVS（综合视景系统）的基础。

也就是说，SVS实质上是一个电脑生成的显示器，主要为飞行员提供信息，以便在低高度，扩增窗外观察，并在低能见度的条件下通过交通（过往飞机）、绕过地形，更好地使飞行员安全飞行。在NASA艾姆斯研究中心由NASA和蒙特雷技术公司进行的试验调查用“原形”SVS显示器充实驾驶舱的潜在正面和负面影响。

这些试验的目的，是在仪表气象条件（IMC）和目视气象条件（VMC）下，使用常规显示和增强后的显示，收集在进近和着陆阶段飞行员的表现和眼动行为数据。由于这种复杂研究所需的成本和时间，试验计划让数量有限的飞行员在各种条件和处理下操作，如下所述。

3.1　仪器

3名拥有商业等级航空公司的飞行员参加了部分任务的试验研究。其中两名飞行员目前担任757/767机长，而第3名是747-400型飞机的副驾驶。所有飞行员商业飞行经验平均超过11年，总飞行小时超过13 000h。

模拟机物理布局：由蒙特利技术公司建造的部分任务模拟机主要用于数据收集。基于PC模拟器模拟波音-757的仪表和操纵机构。飞机模拟器连接到圣塔巴巴拉机场（SBA）的视觉数据库及其周围地形。该模拟器有4个显示组件，如图1所示：窗外场景（OTW）、SVS、传统的飞行显示（主飞行显示和导航显示）和触摸屏软件控制（MCP，襟翼，起落架和减速板）。通过带油门杆的操纵杆和触摸屏软件按钮执行操纵输入。

图1　模拟组件的物理布局

更加清晰的模拟图像由两张模拟照片提供，如图2和图3所示。

图2　研究组其中一个成员无眼动仪试验飞行

图3　飞行员眼睛看到的部分任务模拟显示器上的眼部透视

模拟显示器

窗外（OTW）景象：直观的窗外场景（如图4所示），显示在一个大的正面投影屏上，水平96in和垂直71in，距飞行员出射点93in。屏底13in在任何时候都被模拟飞行驾驶舱的前仪表板遮掩。这样留下一个水平96in和垂直58in的可视区域。OTW视野设置为接近“单位”的视域49.93°水平与31.42°垂直。

图4　VMC条件下，在圣塔巴巴拉机场33L跑道进近的窗外景象

（红色虚线表示大约在这一水平以下屏幕被掩盖）

所有的模拟试验都是白天进行，在有轻雾的目视气象条件（VMC的）或在有浓雾的仪表气象条件下能见度降到800＇（或在某些情况下降到地平面，能见度0×0）。图5所示是与图4相同的窗外景象，除IMC试验期间在浓雾中外。

综合视景系统（SVS）：SVS被安装为俯视显示器，水平10in×垂直7.5in。这一显示将飞行-指引仪符号覆盖在地形图像上。视域设定在30.7°水平×23°垂直，提供一个相对于单位增益而言的“宽角度”的视景。图像生成系统的人为加工只在地面上空，而且只在SVS显示中才显而易见。加工采用剪辑平面，塗上观察距离在5 000m（约30nmile（海里））以外看到的连续地面纹理（在OTW显示中雾和霾缓解这一影响）。图6是对应图4OTW场景的SVS描绘，符号标识为红色。

图5　IMC试验期间浓雾中的窗外景象

图6　SVS显示，对应图4和5中的OTW场景，用红色符号标识

传统的显示。一个传统的主飞行显示（PFD，参见图7）和导航显示（参见图8）并列呈现在俯视位置，5.25in×5.25in。

软件控件。主控制面板（MCP见图9），起落架/襟翼/减速板控制（见图10）使用触摸屏输入模拟。合作的副驾驶按被试机长的命令操纵这些控件。

眼动仪

一个安装在头盔上的ASL 5000眼动仪连同眼-头一体化是用来收集机长凝视点的数据。数据流输出和眼睛凝视视频被记录。

图7　主飞行显示带红色标识

图8　带红色标识的导航显示

图9　MCP控件显示在触摸屏上

图10　起落架，襟翼和减速板显示在触摸屏上

合作的副驾驶

合作的一名副驾驶参加了试验，按近似真实的机组程序和职责分配。这些职责包括按照机长指定操作MCP和控制输入，做相应喊话，并处理空中交通管制通信。

合作的空中交通管制

一名试验者被假定为空中交通管制员角色，并为每次试验提供进近和着陆许可，有时跑道会重新分配。在任何情况下，空中交通管制都不引导飞机离开程序航线，也不与其他模拟的飞机通信（合用有线通信）。

3.2　情景描述

方法

模拟都集中在白天无风条件下在圣塔巴巴拉机场进近和着陆。所有试验，飞行员执行区域导航（GPS）进近到33L跑道。由于这种进近实际上并不存在，根据其他已公布的区域导航（GPS）图为这次模拟绘制进近图，并给被试者看。飞行员必须以这种进近来飞，完全与自动驾驶仪耦合，使用LNAV（水平导航）和VNAV（垂直导航）下降到650ft（英尺）的决断高度（DH：decision height）然后在这一点上采取手动控制。根据情况，飞行员要么继续着陆要么宣布终止进近并执行复飞。应当指出，这种类型的进近并不要求也不使用基于地面的ILS（仪表着陆系统）设备（下滑道和着陆航向信标台）。这代表着未来基于飞机的精确导航飞行运行趋势。

选择使用33L跑道有两个重要原因。首先，这条跑道的后面是低山山脊环，因此复飞程序中可产生显著的地形危害。其次，由于有近距离平行跑道，即33R，这样容易调查最终进近时着陆前侧向机动表现。然而，4 183ft的33L跑道对商业运营来说显然较短。模拟飞行只下降到50ft，而飞机接地和滑跑不是模拟飞行的一部分，只要受试飞行员注意到这一点，这方面也就不成问题了。

初始条件

所有试验从西北方向到初始进近（高度10 000ft，速度250kts，航向136°）定位点（这种情况下IAF定名为GAVIOTA）距离4.1nmile处开始。飞机重量设定为20万。FMS（飞行管理系统）由试验者设定程序，以反映区域导航（GPS）33L跑道进近图。CDU LEGS页面有其定位点列表和相关速度与高度限制（见图11），试验前飞行员只看过，但在试验期间看不见。

图11　为区域导航（GPS）33L进近设置的LEGS页面。

试验终止

根据情景条件的不同，模拟试验将导致继续着陆或复飞。着陆试验，当飞机下降到50 ft高度时（模拟所允许的最小值），试验（和数据收集）终止。复飞试验中，当执行复飞时，飞机上升到3 000ft结束。

飞行员程序

模拟过程由受试者在熟悉简令期间进行回顾。每一次试验开始，受试者被指示立即让副驾驶（FO）预位自动驾驶仪（模拟系统要求3个自动驾驶仪都设置），调高度，并接通LNAV（水平导航）和VNAV（垂直导航）。此后，机长的任务就是监测和监督程序化FMS的下降和进近，指挥如襟翼、减速板、起落架和高度设置等的操作。不允许利用MCP（主控制显示）上FLCH（飞行高度层改变）或VS（垂直速度）等可能脱开LNAV或VNAV的功能。在决断高度（650ft）受试者采用全手动操纵飞机（驾驶杆和油门杆），要么尝试降落（即下降到50英尺），要么宣布复飞并执行复飞。

特别要注意的是，复飞程序要求以180°并左转爬升到5 000ft，最后返回到GOLET。这一程序要严格驾驶杆和油门杆的操纵，无论“to-Go”按钮还是MCP干预都不能用。此外，受试者被告知如何处理某些异常情况：如果副驾驶喊出交通（过往飞机），受试者不需要直观验证就作出反应；如果驾驶舱显示与OTW场景出现错位，受试者立即中断进近，不管他们是否有能力改正航迹。

要求受试者喊出“跑道可见”（而且，这样做不询问或依赖副驾驶），“复飞”和“错位”（与OTW视图显示），以及自由表达关于手头任务的焦虑或想法。

每次试验开始之前，只告诉受试者他们是在VMC（轻雾）还是IMC（云底高800ft）下以及SVS显示是否可用。

3.3　试验设计

独立变量

对3个感兴趣的变量进行了调查：显示布局，能见度和进近事件。

显示布局（2层）

1.基本布局

此布局代表目前的日常运行及由以下几部分组成：

（1）窗外显示；

（2）常规显示（PFD和导航显示器）；

（3）软件控制（MCP，起落架，襟翼，减速板）。

2.SVS布局

此布局包含在基线布局上叠加SVS显示的所有显示（地形与飞行仪表叠加）。

能见度（2层次）如下。

（1）目视气象条件（VMC）：整个试验使用目视飞行规则，在白天、轻雾、目视气象条件下进行。

（2）仪表气象条件（IMC）：试验开始在仪表气象条件下进行，遵循仪表飞行规则。云底高度设定在800ft（DH以上150ft处出云），复飞场景除外，此时浓雾持续到地面引起能见度为0×0。

进近情景（4层）如下。

（1）常规进近。离IAF（GAVIOTA）3mile（英里）ATC发出进近许可和离FAF（GOLET）2.5mile处着陆许可。没有其他ATC通信也没有意外事件发生，进行常规着陆。

（2）后期跑道重新分配。试验按常规进近情景开始。由于33L仍然有交通，在最五边1 000ft外，ATC要求机组将飞机向旁边避让一步至33R跑道。随着机组接受，ATC然后批准飞机在33R跑道进行常规着陆。飞行员已接受简令，甚至在IMC条件下（目前尚未允许）使用SVS显示提供的跑道形象，接受并执行这一机动。标准操作程序的这种暂停，不能免除飞行员窗外目视搜索和跟踪新分配跑道（穿过云层后），以及通过DH前取得稳定性。

（3）复飞。试验按常规进近情况开始。在IMC条件下，没有出云，要求飞行员执行复飞。在VMC下，当飞机穿越600ft时，合作的副驾驶宣布跑道上有交通，迅速中断进近并开始复飞。

（4）地形不匹配。试验按常规进近情况开始。然而，仪器（PFD，NavDisplay，和SVS）都与窗外视图错位-横向向左偏移500ft。如果飞行员按照仪表飞行，飞机将在跑道一边500 ft处接地。从本质上讲，这是模拟仪表故障，提供给常规显示和SVS两者的数据包含有500 ft横向误差。只在出云后，飞行员发现自己未对正预期跑道时，这些误差才是显而易见的。要求飞行员喊出未对正，并开始执行复飞程序。

设计

这里以情景编号形式列出10个经具体研究并指定的变量组合，如下表1所示。这3名受试飞行员要飞这10个情景中的每1个（除1个没有试验）。6个情景在基线显示条件下，4个情景使用SVS显示（均在IMC条件下）。注意，在情景＃3执行复飞，由于副驾驶喊出跑道上有交通，而情景＃5和＃9，则是由于在决断高度（DH）缺乏能见度。还要注意，情景＃8测试飞行员在IMC条件下使用SVS目视引导执行侧向机动能力——对目前操作程序的潜在扩展。

表1　测试条件

这10个情景被分为3个试验块，并按以下顺序呈现给受试者：首先随机挑选3个基线试验飞行，然后选4个用SVS进行飞行试验，接着再选3个进行其余的基线测试。

4　眼动仪的数据收集，解释和分析

在此模拟工作中，第一个要考虑的问题是模拟什么。也就是说，要解释有什么差异？在这些情景下，被试者数量有限，没有丰富的言语资料或控制操作，只是模拟失误。的确，即使有更多的失误，目前尚不清楚小样本的代表性如何。样本还受到了机场、天气条件、情景等的限制。

然而，有一个极丰富的数据源：眼球运动记录。不仅有大量数据来工作，而且要解释重要变化。此外，我们认为眼球运动记录是数据的最具普通的组成部分。我们想知道的是，SVS视觉显示如何影响飞行员的视觉行为。例如，如果一些更高层次的工作表现度量标准（如犯错误次数）对SVS显示的影响不够敏感，可能是由于飞行员忽略了SVS，或是由于它产生的差异被其他因素所弥补。通过眼动仪记录，我们可以辨别这些情况。因此，我们把重点放在了眼动数据的实证分析。

4.1　收集和编码问题

由NASA以20Hz提供的眼动仪原始数据，没有经过任何过滤或平滑处理。这些数据是嘈杂的，这可能是由于眼动仪校准闪烁或暂时丧失等原因。原始数据非常详细，包含原始X和Y坐标、瞳孔尺寸、以及其他信息。我们主要看一个变量，兴趣区（ROI）划分成8个情景区域，如下（参见图12）：

情景区域0＝不明确或无效数据。

当眼光集中在未界定为情景区1至7的区域时——即，副驾驶，操纵杆等——或者如果数据无效（即被试者眨眼）。

情景区域1＝窗外（OTW）视野。

情景区域2＝SVS显示。

情景区域3＝主飞行显示。

情景区域4＝导航显示。

情景区域5＝模式控制面板。

情景区域6＝控件（襟翼，起落架，减速板，地图比例尺）。

情景区域7＝重叠区。

驾驶舱显示直接位于OTW视图较低的前面。根据受试者视角不同（整个试验日，受试者变化不大），眼动仪无法确定是否受试者正在观看显示周围的黑色屏蔽区域，或屏蔽区背后的OTW视图。在这种情况下，情景区域记为“7”。

图12　情景区域布局概述

除原始眼动仪数据外，NASA提供两台相机的录像带。

眼动仪摄像机。每次试验，从头戴式眼动仪记录飞行员正向视图录像带。飞行员的凝视点通过十字准线叠加在目视情景上表示。这些录象带提供试验中飞行员在给定的任何点实际看到的清晰图像。

室内摄像机。此外，每次试验录制周围声音和图像，即描绘显示器、操纵输入和口头通信。对3个音频通道记录如下：左声道是机长（受试者），右声道是副驾驶（试验者）以及中央音频是空中交通管制（试验者）。应该指出的是，摄影机被安装在高处，飞行员后面，并且磁带中的视觉图像不是飞行员所看到的。

为达到验证任务分析的目的，这些额外的数据在了解飞行员做什么，以及他们在什么时候做是很有用的，不过没有定量分析。

4.2　眼动分析和结果

凝视有别于扫视（常常从一个凝视点转移到另一个点的快速随意眼球运动）和在凝视期间发生的几类很小范围的无意识的眼球运动。“凝视停留”是指在一个情景区域或ROI一个或一系列连续凝视的时间期间。

选择数据分析

集中在同样条件下，SVS与非SVS的案例，我们在分析原始数据时，只关注表2中所列的条件。

表2　数据分析选择条件

因为我们主要关注视觉注意力的分配，感兴趣的主要变量是那些投入每个情景区的注意力指数。注意力分配可以用两种方式进行计算，凝视次数（数量）或凝视总持续时间。当然，如果所有的凝视具有相同持续时间，花费在每个情景区的相应比例将是相同的，但这是个经验问题。

另外，可能还有许多方法划分数据。在这份报告中，我们按照以下所说限定我们的分析：我们仅考虑4类，即飞行员的基线眼球运动；飞行员SVS对比基线眼球运动；不同飞行阶段飞行员的眼球运动和不同进近情景飞行员的眼球运动。

4.2.1　基线注意力分配

首先要确定的是基线注意力分配。如果SVS作为观看窗外的替代，首先了解飞行员观看窗外的频率是有用的。另外，由于SVS包含可以在其他显示上找到的信息（例如，海拔高度，也出现在PFD），了解其他显示观看频率也很重要。

图13显示，所有飞行员在PFD上花40.2%的总凝视时间，在NAV大约花40%凝视持续时间。他们观看窗外只花约3%的时间，观看MCP约4.2%，并在操纵机构上花约6.5%的时间。这一结果表明，PFD和NAV显示是注意力投放的重点目标，因为它们大约占80%的凝视时间。

图13　基线条件下凝视时间百分比

凝视次数测量显示了相似的分配，如图14所示。飞行员在PFD上花了38.3%的凝视，另外在NAV上花了39.6%的凝视，投在其他显示上的凝视次数相对较少，最值得注意的是窗外，低于3%。

图14　在基线条件下凝视数百分比

4.2.2　SVS对比基线条件飞行员的眼球运动

下一个明显问题是SVS如何影响分配。图15表明，在不同情景区飞行员对SVS和基线（无SVS）显示的凝视时间分布相似。在SVS条件下，飞行员也花最多时间在PFD（35.7%）和NAV（29.6%）上。在SVS条件下，飞行员也花2.6%的凝视时间观看窗外。然而，SVS条件下的一个显著特点是，飞行员花大量的凝视时间（20.2%）在SVS上。这清楚地表明，飞行员看SVS显示相当频繁。

再一次凝视次数仿效时间分配。图16显示了SVS和基线条件下凝视次数，并产生差不多同样的结果。

显然，飞行员们在SVS上花费相当多的凝视时间比例。我们要解决的一个有趣问题是他们从那里“偷”来这些凝视。也就是说，他们必须相应地减少其他情景区的凝视比例。自然会怀疑凝视会被偷走的位置是OTW显示，由于从SVS和OTW显示获得知觉信息之间存在内在重复。

然而，令人惊讶的是，上述两个图中显示的是在SVS与基线（无SVS）条件下在不同情景区的凝视时间和频率，表明两种情况下窗外定向凝视总数没有明显的差异。相反，似乎SVS与PFD和NAV显示上定向凝视总数的减少有关。因此，SVS显示是从离驾驶舱内的其他信息源提取注意力，它不是“代替”OTW显示提供的信息。

图15　在基线（亮）和SVS（暗）条件下在每种情景区的总凝视时间百分比

图16　基线（亮）和SVS（暗）条件下每个情景区的凝视次数百分比

我们发现，这一结果违反直觉并相当有趣。SVS显示背后的基本依据是，当从后者获得的信息降级时，它可以作为OTW显示的代替物。相反，这些数据似乎表明SVS不能作为环境信息的替代源（至少对这些飞行员来说）。存在SVS的一个可能的意外结果，就是用于其他示的注意力更少。

4.2.3　按飞行阶段分析

上述所有分析将所有飞行阶段组合在一起。但是，在不同飞行阶段，飞行员对于不同信息可能有不同需要。因此，我们决定按飞行阶段分类进行数据分析。飞行阶段的界定如下。

第1阶段，从开始到初始进近定位点（IAF）。

第2阶段，初始进近定位点（IAF）到最终进近定位点（FAF）。

第3阶段，最终进近定位点（FAF）到决断高度（DH）。

第4阶段，决断高度（DH）到结束。

由于凝视时间百分比和不同情景区凝视次数提供类似的信息，为了简化分析，在后续的所有分析中，我们只处理不同情景区的凝视时间百分比。再一次，从基线条件开始，如图17中所示。注意，随着飞机向前移动，PFD的使用增加，NAV的使用急剧下降，并且第4阶段OTW凝视急剧增加。

图17　不同飞行阶段基线条件下的凝视时间百分比

由于在第1阶段飞行员很少看窗外，在这个阶段人们可能预期使用SVS会更少。事实上，在这个阶段飞行员也会稍微看一下SVS，但整体上凝视分配SVS与基线条件没有很大差异，如图18所示。

第2阶段中使用SVS增加，超过第1阶段，从PFD和NAV（见图19）“偷走”大多数凝视时间。注意，在这一飞行阶段，无论基线还是SVS条件实际上都没有使用OTW，但当SVS存在时仍然使用。我们认为，这主要是由于叠加在SVS上的符号。

这种趋势持续到第3飞行阶段，如图20所示。注意SVS的大量使用和PFD and NAV使用的减少。

第4飞行阶段，由于SVS的存在（图21）观看OTW大幅下降，但OTW凝视的减少仅占总SVS时间的1/3，SVS时间似乎主要来自PFD造成的。总之，在第3阶段和第4阶段对SVS的凝视占总凝视时间相当大的比例，但这并不是简单地由于OTW凝视的减少。飞行员似乎是从PFD上借走凝视。

4.2.4　最后飞行阶段按进近事件分类

由于在最后飞行阶段，SVS与非SVS的差异更显著，下一步的数据分析，主要集中在第3阶段和第4阶段，进一步依据不同的进近情况将数据进行分类，即常规着陆。复飞和地形不匹配。这将在图22～24中描绘。

第1飞行阶段的凝视持续时间百分比

图18　飞行第一阶段，在基线（亮）和SVS（暗）条件下的凝视时间百分比

第2飞行阶段的凝视持续时间百分比

图19　在基线（亮）和SVS（暗）条件下，第2飞行阶段的凝视时间百分比

注意在第3阶段OTW和SVS三种情景下的使用何等类似。这与第4阶段形成了鲜明对比，如图25～27所示。

图20　在基线（亮）和SVS（暗）条件下，第3飞行阶段的凝视时间百分比

图21　在基线和SVS条件下，第4飞行阶段凝视持续时间百分比

这里差异很显著。在常规着陆中，飞行员望窗外的时间相当多，即使SVS可用时。SVS的使用在常规进近第4阶段是很明显的，但从其他图表来看，这似乎至少在某种程度上引起凝视PFD和NAV的分配更少。然而，在复飞时，无论有没有SVS，OTW的观看都几乎降至零。注意，在常规和复飞中，SVS的使用大致相同，但在复飞时，几乎全部以牺牲PFD上的凝视为代价。

常规进近的第3飞行阶段的凝视持续时间百分比

图22　在基线（亮）和SVS（暗）的条件下，第3飞行阶段常规进近中的凝视持续时间百分比

图23　在基线（亮）和SVS（暗）条件下，复飞中第3飞行阶段的凝视时间百分比

地形不匹配的条件下，SVS的使用又一次大致相同（约占总时间的1/4），但这个时间不是由于减少PFD的观察。因此，SVS的使用显然取决于飞行阶段和情景。此外，SVS显然不仅仅是观看窗外的替代。特别是，SVS似乎提供许多PFD的信息功能，并在较小程度上，或许还有NAV的。其他问题将在后面讨论。

图24　在基线（亮）和SVS（暗）条件下，地形不匹配情景第3飞行阶段的凝视持续时间百分比

图25　常规进近情景下，在基线（亮）和SVS（暗）条件下第4飞行阶段常规着陆凝视持续时间百分比

SVS的存在可能改变的不仅是飞行员观看各种显示的多少，而且还会改变他们从他们的视野中获取信息的策略。这反映在获得各种信息的次序变化上。因此，我们在扩展我们的数据分析过程中，也包括顺序依赖信息。也就是说，如果凝视n在PFD上，哪儿最可能是凝视n＋1的位置？这受SVS存在的影响吗？如果受其影响，怎么影响？由于ACT-R产生行为流，它可能预测各种转移的概率。

图26　复飞情景下，在基线（亮）和SVS（暗）条件下第4飞行阶段的凝视持续时间百分比

图27　地形不匹配情景下，在基线（亮）和SVS（暗）条件下第4飞行阶段的凝视持续时间百分比

5　模拟工作描述

我们模拟工作的重点是重现在第4节给出的详细分析的基础上观察到的趋势。我们认为，为了与从第1阶段滑行模拟研究中所获主要教训之一的方式一致，我们必须重点注意认知、环境，以及他们相互作用的非常细节的详细描述。我们认为，这对在动态、交互式任务中模拟表现尤其重要。非常详细的数据和任务分析是至关重要的，特别是对在瞬时分辨率非常细致情况下工作的认知结构，如ACT-R。因此，我们的重点是为模拟工作奠定适当的基础。为了更精确的承诺，我们选择避开捷径。虽然这使我们的某些方面进展缓慢，但我们相信，这将在以后得到回报。我们的方法，试图了解我们模型中产生的见解和限制的主要来源。除了上面介绍的详细眼动分析，我们已经确定了如下3个另外的信息源和限制。

5.1　任务分析

除数据分析外，我们要做的第一件事就是详细理解任务。这是相对具有挑战性的任务，因为在这些情景下飞行员几乎没有采取什么明显的行动。表面上这似乎主要是监控任务，至少直到飞行员采用手动控制。但是，这项任务比那更加复杂。要想了解它，我们必须依靠3个主要的信息源：由NASA艾姆斯收集和提供的任务分析信息；其他航空人为因素相关工作，以及与我们课题专家（SME）的交谈。我们将这些综合成ACT-R形式。图28表示所产生的部分控制结构中的一个样例。

图28　由任务分析产生的控制流程

来自知识工程方法的第1点看法是，大部分的任务，特别是飞行前两个阶段，主要是监控任务，在这些任务中飞行员忙于保持他的或她的飞机的状态图像。此外，我们了解到，飞行员非常积极地检查在这种情境下没有发生的事件和条件，如风向后期的变化，可能导致风切变。因此，试验测试期间大量时间，表面上工作量小，其实飞行员仍然有很多事情要做。对多数着陆情形，这是相当现实的，其实正常。然而，飞行员也要监视非常规情况。为了准确模拟实际工作负荷，在模型中我们已包括了对许多这类事情进行检查，即使在这种情境下他们没有出现。

5.2　ACT-R

ACT-R结构也规定了许多限制。

用于工作的结构参数设定了某种界线和限定范围。特别是，它意味着我们的模拟任务在非常详细的水平进行分析。ACT-R提供人-机回路中人类操作者一边首尾相接的模拟，从基本视觉和听觉注意力到复杂认知，再回到基本运动神经。这将影响策略，甚至其可能性并且影响那些必须更新的动态相关知识的保持方式。全面回顾ACT-R，远远超出了本报告的范围。但是，应该指出的是，我们现在使用的是ACT-R最新版本，称为ACTR5.0（详细描述见Anderson，Bothell，Byrne＆Lebiere，2002）。ACT-R5.0集成了ACT-R/PM的知觉-运动（motor）扩展及比滑行模型所使用系统的ACT-R/PM版本更有挑战性的认知、感觉和运动并行运算。

5.3　相关现象考虑

由于眼动数据是模拟工作的重点，我们曾研究人为因素文献“注意力分配”领域的其他数据和模型（例如，Senders，1964；Wickens，2002）。这些都是高层次的考虑（相对于ACT-R），涉及操作者如何选择要看的对象以及以什么频率观看。其基本结果是，对特定显示涉及操作者进行采样概率取决于所显示的信息对任务的重要性以及信息的变化速率。正如人们所期望的，越重要的信息往往被采样，越动态的信息采样更加频繁。我们相信，这些考虑提供了一个有用的高层次起点，我们希望能解释这些高层次现象如何从任务和环境的约束以及相对低级的认知-感觉能力组合中涌现出来。换句话说，我们从理论中学到通过数学建模来预测对特定信息源凝视时间百分比。与之相对照，我们的目标是要创建一个过程模型，这种由较高级别的描述作为低级机制的函数出现在模型-环境系统中。

6　模拟工作的重点和意图

目前努力集中在我们三个主要聚焦点上。

6.1　一个动态，闭环进近

其中的一件事能区分像ACT-R这种认知结构水平的分析，是人机系统“闭环”的可能性。也就是说，人与评价系统都以动态、详细的方式进行模拟，并且两个子模型相互耦合，产生一个完整的动态系统模型。在滑行模型中的工作揭示，机/环境模型的保真度在了解人的模型的行为上很重要，特别是，很多“高层次”的决策最终都取决于“低层次”的人-环境系统属性。例如，当认知系统自由选择视觉环境的一部分时，“我应该使用哪种策略来选择所走的方向？”往往又取决于像符号与交叉之间的距离这样一些事情。由于ACT-R基本上是一个非线性系统，某一时刻人-环境系统动态的微小扰动，往往会导致后面的状态或行为发生巨大变化。

因此，我们认为关键是要继续这个相当完善的，闭环的方法。如前所述，这意味着在模拟飞行员行为的过程中我们必须妥善处理大量细节，但我们相信这条道路将使我们最终构建最佳模型。

6.2　一个适合的飞行员

目前的工作是建立在模拟对任务有丰富知识并且能很好地适应任务的飞行员的基础上的。我们既不模拟新手飞行员也不模拟驾驶技能的探索/发展者。这限定了该模型的范围，但也有其他含义。

特别是，这意味着在一定意义上该任务分析信息被这样的事实“污染”，即飞行员会将预先存在的如何对相关显示采样的策略带进任务。因为他们知道哪些信息是最重要的，并有一个清晰的模型，说明哪些信息将是非常动态的，他们的策略反映这些知识。也就是说，像这样高度的属性的相关性和变化率，飞行员事先是知道的，因此飞行员没有必要估算多久采集一次信息，他或她已经知道多久需要进行采集。然而，我们认为这会有我们以后可能会解释的含义，更详细情况见下一节。

6.3　注意力分配重点

如前所述，我们认为这里将要解释的主要现象是飞行员如何跨越视觉阵列使用他们的视觉注意力，以及视觉注意力如何受（或不受）SVS的影响。虽然这看上去很简单，但其中有一些微妙的问题，我们正在探索。例如，ACT-R模型产生，时间标记的视觉注意力（扫视）向小目标上的转移。我们认为试图将这些结果直接应用飞行员的个别扫视是一个错误。相反，这些数据可以以不同的抽象水平进行分析。例如，人们可能只对更总体表现的测度感兴趣。如对各个情景面的凝视百分比，对此我们有人的数据。我们可以运行模型，生成更精化的数据，但随后从模型运行提炼这些高层次测度。事实上，这种提炼可以应用或多或少与用于人的数据分析相同的工具进行。

一个重要的研究问题是“对指导设计决策来说，分析到什么水平是适当的？”我们只想获得更总体的测度，如每个情景面上的凝视百分比呢？还是值得花时间将通过模型运行产生的凝视精确序列与通过一个人的试验产生的精确序列相匹配呢？我们认为，答案应该是介于两者之间，但是这仍然是一个要以试验为依据的问题。由于ACT-R以这样一种细化粒度产生行为，我们处于一种有利的地位，我们至少可以进行多层次的研究。

6.4　实现方法

实施的许多细节都已经讨论过了。向认知模型的主要输入来自任务分析，这是给予ACT-R的程序性知识和大部分初始陈述性知识的来源。模型的输出是时间标记的一系列行为，包括个别的注意力转移、语音输出、按下按钮等等。模型输出的主要比较项是人的眼动数据，可在各种抽象层次考查。其中一部分到目前为止还没有详细描述的是模拟的另一半：飞机模拟。

我们以ACT-R的语言仿制了主显示器（NAV，PFD，MCP等），以便它可以直接“观看”显示的那些组件。但是，这还不够，ACT-R要求一个动态环境，用其进行相互作用。举例来说，如果模型改变了襟翼设置预期对飞行表现随后会有影响。为了使这些情况适当发生，飞机模拟是很必要的。为了这个目的，我们购买了商业软件包X-PLANE，并正在将X-PLANE与ACT-R相耦合（注意X-PLANE已由FAA认证用于飞行员训练，参见http://www.x-plane.com/FTD.html）。图29给出了正在运行的X-PLANE的图片。

图29　X-PLANE的飞行模拟包

这一连接过程不是无关紧要的，我们正在编写从地面起两个程序之间的一个网络接口（基于UDP协议）。X-PLANE通过网络接口本身支持发送某些种类的信息，如海拔高度和航向等，但其他的东西不能被发送，包括窗外视景。这表明有点问题，因为ACT-R模型需要某种东西来“看”窗外（和看SVS）。但是，我们认为这个问题可以直截了当地解决，即通过抽象出模型找出需要寻找的东西。例如，因为我们知道飞机相对机场的绝对位置和方向，我们可以判断模型寻求的任何信息是否可用。此任务——定向的解决方案，可能也可用于其他领域。

此外，我们必须为X-PLANE提供航空器规范（757），并对圣塔巴巴拉机场进行适当的进近/导航和FMC（飞行管理计算机）编程（例如，定位点）。幸运的是，757规范和圣塔巴巴拉机场以及地形资料是随意可用的，可以简单地插入。图30表示描述系统的结构图。系统运行涉及ACT-R及X-PLANE双方的适当初始化，运行它们，并收集输出结果。XPLANE设计用于实时运行，因此产生多重模拟运行将会很费时。（但是，可以有一些变通办法，我们希望将X-PLANE用于2x或4x实时运行。）

图30　系统概述

7　结果

7.1　初步结果

因为完全耦合模拟还没有完全运转起来，现在只是一些初步的研究结果。然而，我们认为仍然取得了实质性进展，更重要的是，获得了重要的见解。首先，我们最初的数据分析表明，SVS确实影响注意力分配，并且这与飞行阶段有关。图18显示第1飞行阶段（试验开始至初始定位点）兴趣区（ROI）的凝视时间百分比。注意非SVS和SVS条件下的相似性。与显示第3阶段（最终定位点至决断高度）相同数据的图20形成鲜明对照。注意到飞行员在第1阶段几乎不用SVS，但在第3阶段他们有将近1/3的时间眼睛都盯在SVS上。如前所述，该SVS并不简单地是第3阶段观看窗外的替代，飞行员在这一阶段很少看窗外。相反，驾驶员看SVS，而看PFD和NAV显示则更少。

在较高水平，对这些数据，该模型有一个清晰的故事。该模型的预测是根据一条信息必须被找到的次数和模型寻找这条信息的地方。这里所说的模型比例简单地是指直接分到某一特定显示的注意次数与分到全部相关显示上的注意次数之比。当一条信息可以在SVS上发现也可以在其他地方（PFD的或OTW）发现时，如果不是做很有说服力的假设，该模型一半时间从SVS上寻找那条信息而另一半时间则从其他对方寻找（PFD，OTW）。

表3给出了受试验者和模型的整体（即不受飞行阶段限制）数据。这实质上是动态ACT-R系统的静态近似，最后形式可能会有所不同。然而，初始分析是令人鼓舞的，全动态模型应该能捕捉到数据中发现的模式。

表3　凝视频率人的数据和分析模型预测

重要的是要注意对于SVS条件的预测，尤其是易受显示局部属性的影响。我们目前使用的是粗略估计，如果一条信息在SVS可见，那么模型将一半时间放在看SVS上，这是目前的基线假设。事实上，如果模型需要寻找在多个地点可找到的特定信息（例如，高度，在PFD＆SVS上都有），在哪儿看取决于当时正在观看的地方。ACT-R模型对局部时间消耗敏感，看远处需花更长时间，因此如果它已经在看SVS，模型就会优先选择在SVS上寻找高度。

从本质上讲，我们将模型的高级属性，如整体注意力分配行为，看成是从低级的机制和环境以及任务结构组合中涌现出来的。这使我们能够作出预测，即使显示发生非常小的变化，例如，该模型预测，空速和高度在SVS上的叠加是决定飞行员注视SVS程度的主要因素，详情如下。

7.2　推论

倘若如上一节所说，对SVS设计的某些预测结果将是相当直截了当。例如，在去年10月HFES会上，对一种SVS的现场试验进行了描述。然而，这种SVS不同于艾姆斯研究中我们所使用SVS。具体来说，现场测试的SVS，高度和空速在叠加的移动条带中显示（即他们在PFD上显示的方式），而模拟SVS则不是。我们的模型建议，这将导致更多的使用SVS，因为它使高度和空速的变化率更容易从SVS上获得。我们的任务分析表明，在许多地方，高度和空速变化率是相当重要的量。因此，使它们变得在SVS上可用，绝对会导致SVS使用的增加。

然而，这并不是对所有的SVS上的叠加符号都如此。例如，尽管飞行员需要航向信息，但这没有必要放在SVS上，因为航向信息一般不会改变很快，或者不像高度变化率那样时常需要查看。另一方面，附加其他符号，很可能会导致SVS的使用增加。我们认为，飞行路径预测符（FPP）是一个比较好的符号，但我们认为，根据该模型需要看NAV显示的频率，如果SVS给出航路点，这种情况可以明显改善。从而，飞往航路点（仅在视觉意义上），“简单”地意味着指保持FPP与航路点指示符排成一行。

总的来说，模型预测，叠加在SVS上的符号，是决定如何把SVS与飞行员的注意力分配策略结合起来的关键组成部分。这几乎完全取决于飞行阶段，或许这意味着符号设定取决于飞行阶段。此外，我们预期，ACT-R模型应该能预测添加或删除特定信息的影响。

我们也获得了其他见解。首先，由艾姆斯提供的3个受试者数据是一致的，但有明显的个体差异，尤其在更局部水平。正因为如此，并且因为这种差异可能存在于更广泛的潜在SVS用户中，我们认为，试图适应所有这些个别人的行为，将会是一个巨大错误。试图适应任何一个受试者的完整的扫视，不仅徒劳，这几乎肯定是一个拟合大量噪音的实例。仅仅因为该模型可产生细化的行为，并不意味着应该是评价的基础；相反，我们相信更抽象的测度，会做好“消除”个体差异噪声的工作，因此应成为模型的标准。我们尚不能确定究竟最好的方法应该是什么，但我们认为，“没有我们的模型和我们手边的数据相结合”，我们很可能不会考虑到这是一个重要的问题。

8　取得的进步与经验教训

8.1　进步与进展

尽管还有许多工作要做，很多东西要学，但我们相信我们已经取得了一些进步。首先，该模型不依赖于场景的任何细节。如果FMC（飞行管理计算机）正确地预先编程，并且给予模型关于机场适量的知识，任何进近和着陆情景下该模型应该能够运行通过各进近定位点，只要不需要重大机动。对未来的航空安全研究，这可能是一个胜利。其次，我们正在开发的网络界面可能有广泛的适用性，因为许多模拟环境（如视频游戏）使用类似的通信协议。这也许使ACT-R与一个更广泛的环境连接成为可能。当与我们对窗外视野问题的任务取向解法相结合时，应该很有用。

此外，我们认为，我们可能对一些别的高层次和抽象的人为因素结构有影响，如“情景意识”。没有ACT-R结构的逻辑单元或部分，人们可以视为情景意识。相反，我们发现：在不同的时间，该模型必须保持许多条可用信息（一些信息一直都要，比如高度）；有关飞机状态所需信息集合的可达性可以称为模型的情景意识，但它不是一个单一的事情。它既是分散的，因为它在多个陈述性记忆元素中存在；又是动态的，需要不同信息，并通过以不同的速率校核环境“刷新”。最后我们希望，这项工作将导致更正式的定义，至少在ACT-R背景下，来自人为因素文献现在还有些模糊的术语（例如情景意识、工作负荷）。

此外，这样一个想法使我们感到激动，即注意力分配领域以往的结果可以由ACT-R框架中较低水平的机制加以解释。例如，考虑显示项变化率对人类的采样速率的影响。我们认为，这种影响很自然地来自ACT-R的记忆系统。当模型注视某特定信息的显示时，该信息的表达在陈述性记忆中建立。然而，随着时间的推移ACT-R的记忆衰退，需要对环境重新采样。如果环境重新采样，得到相同的结果，而不是创造一个新的表达，如空速，现存表达的激活将递增。这意味着信息衰退将花费更长时间，也就是说它不必经常被采样。因此，信息变化缓慢，往往会产生相同的值，从而将衰退更慢，更不需要频繁采样。

8.2　挑战

在一个领域中，作为人在回路中（human-in-the-loop）行为的精细模拟，这一复杂任务充满困难和挑战，其中很多已经被描述。也许最大的事情过去可以进行得更顺利，并应为今后工作考虑的是给模拟组人员提供直接访问模拟器的途径。我们认为X-PLANE解决方案最终会起作用，但进展缓慢。积极的方面，今后（链接ACT-R与其他系统）的努力应该有望产生下一步结果。

尽管如此，我们有时认识到可以提供给模拟组的时间和精力有限，而且很显然，丰富的眼动数据比提供这种链接更重要。

8.3　未来发展方向

显然，要想彻底“闭环”，我们仍有大量的工作要做，这是目前我们的首要任务。一旦做到这一点，我们希望一点点探讨SVS的设计空间，并会试验目前SVS各种符号，以评估其对模型表现的影响。我们希望这将导致对SVS技术的评估更加深入。

此外，我们想探讨“去适应”的任务分析。目前所做许多任务分析中的一个问题是，它们包括操作者对环境约束的协调，在预测环境不同时的表现中不是非常有用。我们希望能产生一个更抽象的模式，可能比需要模拟的更复杂。从输入-输出的角度看，对这类模拟的过度学习，熟练适应是现有驾驶舱设计为基础的常规。对我们来说，至少一个更抽象的模型似乎是必要的，以便让我们从基本原理的角度去预测驾驶舱设计新颖变化的认知含意。

9　参考文献

Anderson，J.R.，Bothell，D.，Byrne，M.D.，Lebiere，C.（2002）.An integrated theory of the mind.Manuscript submitted toPsychological Review and available at http://actr.psy.cmu.edu/papers/403/IntegratedTheory.pdf.

Bowers，C.A.＆Jentsch，F.（2001）.Use of commercial，off-the-shelf，simulations for team research.InE.Salas（Ed.），Advances in human performance and cognitive engineering research，Vol.1（pp.293-318）.Mahwah，NJ：Erlbaum.

Senders，J.（1964）.The human operator as a monitor and controller of multidegree of freedom systems.IEEE Transactions on Human Factors in Electronics，HFE-5，2-6.

Wickens，C.D.（2002）.Multiple resources and performance prediction.Theoretical Issues in Ergonomic Science，1-19.

10　致谢

作者们表示感谢迈克尔弗利特伍德对本研究的模拟组件的帮助，以及他与郑现军的眼动analyses.5的帮助。