视觉搜索模式能预测危险识别能力吗？基于眼动追踪技术的实证研究

这是“神经工程管理”第16篇推送

内容来源：朱红

本期编辑：朱红

校对：邢孟林

审核：付汉良

仅用于学术交流，原文版权归原作者和原发刊所有

本文是针对论文《视觉搜索模式能预测危险识别能力吗？基于眼动追踪技术的实证研究（Are Visual Search Patterns Predictive of Hazard Recognition Performance? Empirical Investigation Using Eye-Tracking Technology）》的一篇论文解析，该论文于2018年7月发表于《Journal of Construction Engineering and Management》。该研究作者包括Idris Jeelani, Alex Albert，Kevin Han , Roger Azevedo。

摘要

危险识别能力差是建筑业普遍存在的一个问题。危险识别能力差是建筑业普遍存在的一个问题。如果施工中的危险未能被识别，工人更有可能做出不安全行为，从而暴露于意料之外的危险中，进而遭受灾难性的伤害。为了更好地理解为什么仍有建筑工程施工中的危险未被识别出来，本研究将危险识别作为一项日常视觉搜索任务——类似于个人在超市搜索产品，放射科医生检查组织异常的X光片，或者安检人员在机场航站楼检查行李。更具体地说，这项研究使用眼动跟踪技术来检查工人在参与危险识别活动时采用的视觉搜索模式与由此产生的表现水平(即危险识别表现)之间的关系。这项研究还侧重于测试引入最近开发的个性化培训干预对工人采用的视觉搜索模式以及随后的危险识别能力的影响。研究中检查的视觉搜索模式包括搜索持续时间、注视次数、注视空间密度以及从过去研究中确定的其他内容。结果显示，几种可量化的视觉搜索模式可以更好预测危险识别能力。例如，花更多时间检查工作场所是否存在安全隐患(即搜索持续时间)的工人能识别到更多的危险。同样，通过更多的注视(即注视次数)和更长的注视持续时间(即注视时间)投入更高水平注意力的员工，以及那些将视觉注意力更广泛地分配到工作区域的人(即注视空间密度)，有更好的表现。研究结果还表明，采用个性化干预可以改善工人的视觉搜索模式和危险识别能力。本研究将有助于诊断和纠正工人(即人为因素)表现出的与较差的危险识别水平相关的搜索弱点。

思维导图

研究背景

全球数以百万计的工人受雇于建筑业。这些工人每天都暴露在多种安全危险之中，并可能会遭受到不同程度的伤害。当建筑危险得到有效识别和管理时，伤害就不太可能发生，但当危险仍然未被识别或未得到控制时，灾难性和不可预见的伤害可能随之而来。为了提高工人危险识别能力，在实践中采用了许多干预措施(例如，工作危险分析、安全培训)，但这些传统干预措施存在着弱点，并不能使工人达到理想的危险识别水平。由于危险识别在很大程度上是一项视觉搜索任务，本研究将危险识别作为一项日常视觉搜索任务进行了研究，并运用了眼动追踪技术来收集视觉搜索任务的指标数据。

研究假设

研究目的1：视觉搜索模式对危险识别能力的影响。

假设1：建筑工人采用的视觉搜索模式将预测危险识别能力。

本研究中，危险识别能力是使用从实际项目中拍摄的施工案例图像来衡量的，视觉搜索模式是使用过去文献中确定的几个指标来衡量。为了评估视觉搜索模式是否可以预测危险识别性能，采用了回归分析。在分析中，视觉搜索指标被单独用作预测变量，但本研究目的不是使用视觉搜索度量来预测危险识别能力而是评估视觉搜索指标是否通过增加回归模型中危险识别能力的解释可变性来提供任何预测性效用。

其中视觉搜索指标包括：持续搜索时间（Search Duration）、注视次数（Fixation Count）、注视时间（Fixation Time）、平均注视持续时间（Mean Fixation Duration）、注视空间密度（Fixation Spatial Density）、注视次数比（Fixation Count Ratio）、注视时间比（Fixation Time Ratio）、扫视速度（Saccade Velocity）。

研究目的2：个性化培训干预对视觉搜索模式和危险识别能力的影响。

假设2：引入个性化培训干预将改善工人采用的视觉搜索模式，这一改进将转化为提高危险识别能力。

针对个别受训者的学习需求量身定做的个性化培训干预措施正变得越来越受欢迎。这样的干预措施正在医疗、教育和航空等各个领域被采用，并正在迅速取代传统的一刀切的培训方法。除了显著的培训效果，个性化的培训干预已被证明能产生更高的投资回报，并减少不必要和多余的指导。

为了提高危险识别水平，该研究团队开发并测试了第一个在施工环境中的个性化培训干预。训练干预包含了重要的元素，这些元素可以改善军事、航空和医学等领域的刺激和威胁检测。这些干预的核心要素包括：系统性危险搜索的视觉提示、个性化危险识别性能反馈、个性化眼动追踪视觉注意反馈、元认知促进自我诊断和纠正。

研究方法及过程

被试：美国东南部的7个项目中招募了23名建筑工人作为样本。这些工人包括木工(5名)、电工(2名)、供暖、通风和空调(HVAC)承包商(2名)、油漆工(4名)、石膏板安装工人(2名)、机械承包商(2名)、混凝土工人(3名)、园艺师(2名)和一名来自住宅(10名)、商业(7名)和工业项目(6名)的帮工(1名)。这些工人的年龄由20岁至51岁不等，平均在建造业工作约10年。

招募被试后，研究分三个阶段进行：

第一阶段：干预前危险识别活动

第一阶段的目标是收集数据来检验假设1。因此，这些工人被要求参加一项危险识别活动，同时使用眼球追踪设备捕捉他们的视觉搜索模式。

危险识别活动使用了从美国真实项目中拍摄的建筑案例图片。案例图片是由17名安全专业人员组成的小组收集。在收集了案例图像后，专家小组通过集思广益会议预先确定了每个案例图像中存在的安全隐患，每个案例图像至少包含八个安全隐患（如图 1所示）。

图1建筑案例图片

在本研究中，从24个初始组中随机选取6个建筑案例图像来评估干预前阶段的表现。更具体地说，参与的工人坐在一个43厘米的电脑显示器前，显示器上显示了建筑案例的图像，工人们口头识别每个案例图像中的所有安全隐患。该计算机还配备了EyeTech VT3远程眼球跟踪器，在危险识别活动期间使用开源OGAMA 5.0软件包捕获视觉搜索(即眼动)数据。收集完所有参与工作人员的数据后，将数据导出到Matlab中，并将视觉搜索模式度量(即搜索持续时间、注视计数等)导出到Matlab中为每个案例图像计算。每个案例图像被试的危险识别能力表示为识别出的危险的比例(以百分比表示)。

第二阶段：实施个性化培训干预

首先，向被试介绍视觉提示，以帮助被试系统地搜索和识别危险。接下来，使用带注释的案例图像(如图 1所示)，向被试提供有关他们在干预前阶段成功识别的危险和未识别的危险的反馈。然后，被试被要求检查他们在干预前阶段的视觉注意图(如图 2所示)，并评估以下内容：(1)受到关注并随后被识别的危险刺激；(2)未受到关注且随后未被识别的危险刺激；(3)已受到关注但未被识别的危险刺激。最后，元认知提示被用来帮助工人自我诊断在干预前阶段没有认识到特定危险的潜在原因。被试还反思和讨论了他们可以采取的特定补救搜索策略，以提高未来的性能。

图2个性化培训视觉注意图

第三阶段：干预后危险识别活动

在引入干预措施后，最后阶段的重点是收集检验假设2所需的干预后数据。数据收集方法遵循与第一阶段中讨论的相同程序。该程序包括使用不同的一组六张案例图像复制危险识别活动，就像干预前阶段执行的那样。更具体地说，在排除干预前阶段使用的图像之后，从剩余的18个施工案例图像中随机选择案例图像。使用阶段一中讨论的相同方法测量视觉搜索模式度量和危险识别能力。

数据分析方法及结果

数据分析分两个不同的阶段进行。第一阶段侧重于检验假设1，第二阶段侧重于检验假设2。

第一阶段

为了测试视觉搜索模式(即，在危险识别活动期间)是否预测危险识别能力，测试了数学回归模型：HRi = m +x VSi+ ε1（在原文中为公式6）。在模型中，每个工人对应的视觉搜索度量(VSi)作为自变量，每个工人的危险识别性能(HRi)作为因变量。m表示回归模型的截距：x为视觉搜索度量的回归系数；ε1是工人i的危险识别能力的估计误差。

第二阶段

在先前涉及个性化干预的开发和测试的研究中表明干预措施的引入提高了危险识别水平。该关系在图 3中示意性地表示。可以看出c是在引入干预措施后研究参与者的危险识别能力的变化。

图3以往研究的结果——干预对危险识别能力的影响

在本研究中，假设2预测危险识别能力的提高可能归因于图 4所示视觉搜索模式的改变。因此，假设2预测个性化干预的引入将改善工人采用的视觉搜索模式(a)，这反过来将转化为更好的危险识别能力(b)。

图4假设2——视觉搜索模式对于改善危险识别能力的作用

为了估计图5中所示的模型参数(即a、b和c’)，构建回归模型VS2i − VS1i = a+ε3 （在原文中为公式8）及HR2i−HR1i=c´+b(VS2i − VS1i)+b2［(VS2i + VS1i)−(VS2 + VS1)］+ε6（在原文中为公式12），其中VS1i、VS2i分别为引入干预前、后工人i的视觉搜索模式，HR1i、HR2i分别为引入干预前、后工人i的危险识别能力。参数a通过单样本t检验比较干预前后两种条件之间的视觉搜索模式获得。c’和b是通过回归方程中的自变量VS2i − VS1i来估计。最后，采用Montoya和Hayes(2017)推荐的1万个重样本的引导法对间接效应(ab)的显著性进行了检验。由于引导法不对样本分布的形状做出任何假设，因此结果对于回归分析的基本假设中的任何偏差都是稳健的。

结果及讨论

表 1列出了研究中检查的所有变量的平均值和标准差。可以看出，参与工作的工人在干预前阶段识别出的危险不到37%。然而，在引入干预措施后，他们的表现超过了71%。其他几个变量也表现出类似的模式。

表1干预前和干预后变量的均值及标准差

表 2显示了检验视觉搜索模式是否可以预测危险识别水平的结果，数据分析涉及对公式6中所示回归模型每个视觉搜索度量的估计。可以看出，搜索时间、注视次数、注视时间和注视空间密度对危险识别水平有显著的预测作用(即，p<0.05)。

表2视觉搜索模式对危险识别能力的影响

所以花更多时间检查工作场所的安全风险(即搜索持续时间)、分配更高水平的注意力和视觉处理(即注视次数和注视时间)、以及将视觉注意力更广泛地分散到工作场所(即注视空间密度)的工人将表现出更好的危险识别能力。因此，研究结果支持假设1，即视觉搜索模式可以预测危险识别性能。然而，注意力和视觉处理的其他三项指标，包括注视次数比、注视时间比和平均注视持续时间，并不能预测危险识别能力。

为了检验假设2，数学模型用等式8和12估计得到如图 4所示的a、b和c’。分析结果载于表 3和表4。

表3干预及视觉搜索模式的变化对危险识别能力的影响

表4通过视觉搜索模式的变化产生的间接影响

与搜索时间一样，注视次数、注视时间和注视空间密度对注视次数、注视时间和注视空间密度的间接影响是积极的，如表4所示。更具体地说，注视次数、注视时间和注视空间密度的间接影响分别使危险识别提高了29.39%、31.534%和20.341%。但其他的视觉搜索模式(例如，注视次数比和注视时间比)的间接影响并不显著。总体而言，这一结果支持假设2，即干预会影响视觉搜索模式，这会间接改善危险识别能力。

研究结果的意义

工人采用的视觉搜索模式可以预测危险识别性能。雇主和培训人员可以战略性地利用这些知识来提高建筑业的危险识别水平。研究结果确定了影响危险识别水平的新因素。例如，这项研究表明，人为因素，如工人花在检查工作场所的时间，分配给危险识别活动的注意力和视觉处理，以及危险搜索操作期间视觉注意力的分散，都会影响危险识别水平。这些发现质疑传统培训做法的充分性，这些做法只注重安全知识的传授，而忽视了其他可能影响绩效的人为因素。因此，必须开发、采用和测试认识到这些影响绩效的人为因素的新的干预措施和实践。随着眼镜式眼动仪和虚拟现实等新技术变得更容易获得和负担得起，雇主可以采用这些技术来评估和增强员工在实际工作操作中的实时表现。

研究的局限性及未来的建议

本研究，用实际项目中拍摄的施工案例图像来评估危险识别能力。然而，这些案例图像不能充分体现出实际施工作业的动态性质。未来可在实际工作环境中复制这项研究，视觉搜索模式使用眼镜式眼动仪捕捉。

当前研究的范围仅限于评估单个预定义的视觉搜索指标是否可以预测危险识别性能。其目的不是使用捕捉的视觉搜索度量来最大限度地提高危险识别性能预测的准确性。未来在模型中可考虑多个预测变量(即多元线性回归)，但这将需要更多的被试来降低II型错误的可能性。

本研究只对有限数量的视觉搜索指标和一种干预措施进行了检验。随着视觉搜索模式和安全干预的文献迅速增长，未来可评估额外的视觉搜索度量和新的干预措施对危险识别性能的影响。

引用：Jeelani, I.; Albert, A.; Han, K.; Azevedo, R. Are Visual Search Patterns Predictive of Hazard Recognition Performance? Empirical Investigation Using Eye-Tracking Technology. Journal of Construction Engineering and Management, 2019, 145(1), 04018115.

— END —

神经工程管理

扫码关注我们

本篇文章来源于微信公众号：神经工程管理

发表评论 取消回复

发表评论取消回复