技术范式转换下工程经验知识迁移的眼动追踪实验研究

李心雨, 蒋祖华, 管业勤, 李 赓

技术范式转换下工程经验知识迁移的眼动追踪实验研究

李心雨, 蒋祖华*, 管业勤, 李 赓

（上海交通大学机械与动力工程学院，上海 200240）

为实现“消化吸收再创新”这种更适应我国国情的技术进步方式，工程技术人员需要在技术范式发生转换的情境下，准确、高效地完成工程知识和经验的学习和迁移。然而，对这种工程经验知识迁移过程，尤其是其运行机制和影响因素，仍然缺乏充分研究，因而在知识管理实践中对“低质低效”的迁移过程束手无策。对此，本文基于学习迁移理论和“概念—知识”理论，提出一种针对工程经验知识迁移的眼动追踪实验研究方法，并以新型增速器的概念设计为例，对影响工程技术人员知识迁移绩效的因素展开了研究。实验结果表明，个体自我导向学习意愿中的创造性构面、对固有技术范式掌握的准确度，以及对新技术范式中重要名词概念的接触程度对知识迁移绩效有正面影响；而固有技术范式掌握的完全度，以及对新技术范式中图纸和无关名词概念的接触程度对知识迁移绩效有负面影响。本实验的结果为构建技术范式转换下工程经验知识迁移机制，从知识管理实践层面提升知识迁移绩效提供了依据。

知识迁移；工程经验知识；技术范式转换；眼动追踪

0 引言

在知识经济社会，高新技术层出不穷，并引领各行各业发生深刻的技术变革，驱动社会、经济和文化的发展。针对技术自主创新，原始创新、集成创新和消化吸收再创新是其实现的三条途径。而作为发展中国家，消化吸收再创新能整合利用各种各方引进的资源，产出更优、更成熟的产品和技术，因而是一种效能更佳、更符合国情的技术发展路径和技术创新措施[1]。该创新途径的实现主要依赖于工程技术人员在技术范式发生转换的情境下，高质高效地完成工程知识和工程经验的学习和迁移。更具体地，即要求工程技术人员通过对新技术范式的快速学习和实践，将固有技术范式的工程情境下所积累的技术知识和实践经验，应用到新技术范式的新工程情境下的问题解决当中，并在原有工程经验知识的基础上产生新工程经验知识并能够加以合理、准确、迅捷地运用，从而解决新工程情境下的新工程问题。

然而，学界和企业界目前对这种知识迁移过程的认识较为浅显：现有的研究工作大多集中于心理学、教育学和管理学层面的定性研究[2]，尚未深入到工程师个体的认知层面定量化分析该过程的运行机制和影响因素。理论研究的空白也导致在工程知识管理的实践和应用中，对于“低质低效”的知识迁移过程依然束手无策。究其原因，主要是在传统行为学实验中，研究者对工程师个体的认知加工活动缺乏良好的实验研究手段：对认知阶段难以准确把握，对认知结构难以清晰构建，对认知状态难以定量测量。因此，新的实验研究方法和研究手段亟待被提出和应用。

随着眼动追踪设备轻便化和智能化程度的不断提高，近年来，眼动追踪技术在学习研究和信息认知领域的应用程度也日渐广泛[3]。对此，本文在综合考虑学习迁移理论和“概念—知识”的知识认知加工理论的基础上，针对技术范式转换下个体所有的工程经验知识迁移行为，设计了一种眼动追踪实验研究方法，在工程概念认知层面定量分析个体的自主学习意愿、个体对固有范式的掌握程度和个体对新范式的接触程度等因素对知识迁移的迁移质量和迁移效率的影响，并以新型增速器的概念设计为例开展了实例研究，探究工程师个体在技术范式转换下的工程经验知识迁移机制并从知识管理实践层面提出促进知识迁移绩效的措施和建议。

1 相关研究回顾

1.1 学习迁移理论

在教育学中，学习迁移（Transfer of learning）指的是一种学习对另一种学习的影响，即在一种情境中将所学的知识、技能、思维方法、原理、情感、态度、价值观等应用到新的情境活动中去，其目的是熟练运用思维方法在新的情境中分析问题和解决问题。根据迁移的内容、范围、方向、层面、效果和特殊性，学习迁移的分类如表1所示[4]。本文研究的技术范式转换下的工程经验知识迁移过程的迁移特征，如表1中粗体标注的类型所示。

源于教育学的相关理论和研究方法，学习迁移研究的设计和测量多采用“学习—测试”形式的实验研究范式，即面向基础知识掌握程度不同的被试，首先进行一段与基础知识有关联的新知识点的学习活动，然后对新知识点的掌握情况加以详细测试。进而，从基础知识向新知识的迁移绩效便可由测试结果的对比分析所评估和量化，如测试中迁移现象的发生频率，新知识点认知的准确程度和完整程度，以及新问题解决的耗时等[5,6]。基于上述实验研究，早期的迁移理论有形式训练说（formal discipline）、相同要素说（identical elements）、经验泛化说（experience generalization）、转换关系说（transposition-relationship）以及学习定势说（learning sets）等。这些早期理论对学习迁移的现象和动机进行了探究，试图在感官能力、联想能力、记忆能力的基础上发掘知识迁移的一般性规律[2,7]。但上述学说对不同学习情境、不同知识种类、不同实验人群的知识迁移的研究结果解释不一，相互之间也存在较大矛盾，从而造成了上述迁移理论实践应用中的局限性。进入20世纪80年代，美国学者Ausubel提出的认知结构迁移理论受到各界学者的广泛认同，并成为学习迁移研究中的经典理论。认知结构迁移理论认为一个人在情境迁移的状况下，其认知结构迁移能力的高低取决于这个人认知结构的高低以及综合能力、概括能力的高低[8]。后来的学者对其理论展开了深化和细化，并从主客观两方面总结了影响迁移能力和迁移效果的因素：主观因素包括学习的兴趣和动机、心理状态、认知水平和结构、思维定势，客观因素包括教师的能力、教材的结构编排和学习情境的相似性[9,10]。

然而，认知水平和结构（即学习者头脑中知识的内涵、关联和组织[8]）作为知识迁移中最早提出也是最重要的影响因素，针对它的研究主要从学习者头脑内的认知结构的可利用性（Availability）、可辨别性（Discriminability）和稳固性（Stability）开展定性的分析[8,11]。而认知结构的具体形式，所含的概念及其语义关联，以及结构稳定程度却难以在迁移过程中直观地展现。这导致研究者仅能通过反复的行为实验和计算机模拟的方式进行推测，难以把握知识迁移前后学习者头脑内的实际认知变化情况，所得结论的可信程度受到质疑。

表1 学习迁移的分类

1.2 “概念-知识”理论（C-K理论）

在设计学研究中，针对创新型工程产品设计过程，Hatchuel提出了“概念—知识”理论（Concept-Knowledge theory, C-K theory），为深入探究工程师参与设计任务中的认知结构变化过程构建了一种新方法[12]。C-K理论构建了两个相互依赖、相互转化的空间：概念空间C和知识空间K。两个空间的结构决定了工程师对于对象的认知状态：空间K中，存在一组已判定的命题k,k, …k，其成立与否由工程师已具备的经验和知识推理生成和验证；空间C中，存在一组尚未判定的概念c,c, …c，它们是工程师目前未知的新概念或不确定的设计属性。这些概念和命题不断发生交互，其认知状态也不断发生改变：工程师在工程设计活动的进行中，或将原本未确定的概念转变为个体知识的一部分（C→K交互），或仍然无法验证和确认概念（C→C交互）；已构建的知识也可能被摒弃（K→C交互），或与新构建的知识产生关联（K→K交互）。以概念关联为基础，两个空间的结构从工程概念的层面展现了工程师的认知结构；以逻辑推理为驱动，四种交互过程也完整地反映了工程师伴随设计问题解决过程中的认知状态变化[13]。C-K理论的双空间模型及其四种交互过程的运行机制也在多种工程领域的、各种复杂程度的工程设计和研发中得到了推广和验证，探究了例如升降机修理装置[14]、气动减速器[15]以及某军民两用产品[16]的设计和研发过程中工程师个体的知识体系的建立及其变化过程。

然而，C-K理论对于其四种交互过程发生的机理仍然缺乏较为深入的探究。在本文的技术范式发生转换的情境下，C-K理论仅能展现工程师在学习迁移过程中的认知结构的变化，却难以解释这种变化背后的触发因素及其影响效果。因而，在本文的研究中，C-K理论将与学习迁移理论相结合，实现认知结构迁移理论中认知水平和结构的显式展现和定量测量，并探究不同认知掌握程度对知识迁移的影响作用，从而深入分析技术范式转换下个体所有的工程经验知识迁移的机理。

1.3 自我导向的学习意愿

在心理学和管理学研究中，学习中自我主动调控也是影响学习迁移的关键因素。这种自我调控指学习者为获取新知识、掌握新技能而主动付出持续稳定的努力，而其动机源于学习者的自我学习意愿[17]。林崇德[18]认为有效的学习者能够深刻意识到知识迁移的重要性，具备利用一些可能的机会实现知识迁移的心理动机，进而能够准确、快速判定不同学习内容间的相关性，并选择合适的相关经验和知识资源构建新旧情境之间的联系，提高原有知识和经验的可利用性（Availability）。周密[19]认为个体在学习过程中的吸收能力、高质量信息获取以及信息源偏好等因素均依赖于自我导向的学习意愿。对此，在本文的迁移实验研究中，由于新技术范式的学习环节是被试接触新技术范式的唯一途径，被试的自我导向调控对学习环节中的工程概念认知和吸收过程起到重要影响，因此自我导向的学习意愿因素对知识迁移绩效的影响作用也将纳入考虑的范围之内。

对于自我导向学习意愿的评估，尤其是对于成人学习意愿的量化，通常采用量表的形式进行测量。Guglielmino采用里克特五级计分制，设计了包含58个题目的自我导向学习准备度量表（Self-directed learning readiness scale），用以对学生的自我导向学习意愿中的开放学习、自主概念、主动学习、学习责任感、爱好学习、创造学习、学习期望和学习能力等8个构面展开调查[20]。台湾学者邓运林[21]将Guglielmino的问卷翻译为中文，并依据中文学习者的特点对其进行修订。修订后的问卷具有55个题目，原有的构面也压缩为学习效率、情感、动机、主动性、独立性和创造性等6个。中文修订版问卷在中文学习者学习意愿的相关研究中得到广泛应用和验证，展现出良好的信度和效度[22]。故本实验也沿用修订版问卷展开调查研究。

1.4 眼动追踪技术在学习迁移中的应用

对于学习迁移行为，其主要包含两个过程：学习过程和问题解决过程。对于被试在问题解决过程的认知追踪和意图探究，相关的研究相对较为成熟，常用的研究方法有自我报告法、规范反馈法、出声思考法等[23]。然而，这些方法往往会对被试的信息认知加工和工作记忆的生成的过程造成一定的影响，因此不适宜于对被试的学习过程进行监控。与之相对的，采集被试的生理信号，如眼动注视信号等，则是一种能尽量避免影响被试，采集到可信度更高数据的方法，因此适宜于本实验研究。

依据Just和Carperter提出的眼脑假说（Eye-mind hypothesis），被试的视觉注意模式和其信息认知加工行为具有紧密关联[24]。在课程学习和问题解决相关的眼动追踪研究中，研究者发现不同区域上的视觉注意模式（如学习者长时间关注哪些关键词、何种顺序观察图表等）对学习的最终效果有着显著的影响作用[25]。常用的视觉注意模式的测度指标可分为三类[3]：时间测度，如注视时间、回视时间、眼跳时间等；空间测度，如注视位置、注视顺序、眼跳距离等；数量测度，如注视次数、眼跳次数、注视占比等。时间测度关注不同兴趣区域内的注意分配时间，旨在解决信息认知加工中的“何时”和“多久”的问题；空间测度发掘不同关注对象的位置、距离、方向、序列等关系，旨在解决信息认知加工中的“哪里”和“怎样”的问题；数量测度对频率和概率进行计量，旨在解决信息认知加工中的“是否重要”的问题。这三类眼动测量指标在不同研究目的的实验设计中侧重不一，如阅读理解类研究一般更关注时间测度，视觉效果类研究一般更关注空间测度，视觉注意绩效类研究一般更关注数量测度。在本文的研究中，我们重点关注学习过程中被试在阅读学习材料的不同内容区域上的视觉注意力分配情况，因此选择注视时间和注视次数作为测量指标，并依据总注视时长和总注视次数计算注视时间比率和注视次数比率。

1.5 小结

现有的相关研究工作中，针对技术范式转换下工程师个体所有的工程经验知识迁移过程，学习迁移理论和C-K理论重点关注工程师个人认知结构的建立和转换，构建了理论基础。自我导向的学习意愿量表和眼动追踪技术为探究和量化工程师心理行为和认知行为提供了方法和技术的可行性。然而，以往研究工作在学习行为分析和认知水平量化上仍存在一定的研究空白。对此，本文在回顾上述文献工作的基础上，提出以下三个研究假设：

H1: 工程师个体对固有技术范式的认知掌握程度不同，其在技术范式转换下的工程经验知识迁移绩效有显著不同；

H2: 工程师个体的自我导向学习意愿不同，其在技术范式转换下的工程经验知识迁移绩效有显著不同；

H3: 工程师个体在新技术范式的学习中对学习材料各部分的注意力分配不同，其在技术范式转换下的工程经验知识迁移绩效有显著不同。

通过分析上述三方面因素对学习迁移绩效（准确性、完整性和效率等方面）的影响，本文在工程概念认知和关联层面，对技术范式转换下工程经验知识迁移的运行机制和影响因素展开深入探究，弥补以往研究工作的研究空白。

2 实验总体流程

基于学习迁移理论和“C-K”理论，本文面向由固有技术范式向新技术范式迁移的技术范式转换过程，设计了以“C-K拼图”为核心任务的眼动监控实验，对被试在实验中表现出的知识迁移质量和知识迁移效率进行测量，并通过分析被试对固有技术范式掌握程度、自我导向的学习意愿和对新技术范式学习材料的注意力分配等三方面因素对知识迁移绩效的影响作用，检验本文提出的研究假设。实验包括两个阶段：被试自主报告阶段和眼动追踪监控阶段。实验流程图如图1所示。

在第一个阶段中，被试需要签署知情同意书，并匿名完成两份调查问卷：基本信息调查问卷和邓运林版Guglielmino自我导向学习意愿调查问卷[21]。其中基本信息调查问卷包含10个题目，旨在调查被试的年龄、性别、专业学习情况以及工程项目实践情况。邓运林修订的中文版Guglielmino学习意愿调查问卷包含55个题目，采用里克特五级计分制，对被试的学习效率、情感、动机、主动性、独立性和创造性等六个构面展开调查。

图1 实验总体流程图

Figure 1 General flow chart of experiment

在第二个阶段中，被试需要首先完成一次固有技术范式下的C-K拼图任务，以了解其对固有范式的掌握程度。然后，在学习过一段新技术范式相关的学习材料后，再完成一次新技术范式下的C-K拼图任务，以检验其知识迁移情况。在这个阶段中，被试全程受眼动仪的监控。眼动仪记录被试双眼瞳孔在屏幕上的眼动轨迹和注视情况。

作为实验核心的C-K拼图任务是本文基于C-K理论设计的开放性任务，旨在利用技术范式下涉及的一系列工程概念构筑被试头脑中的认知结构，并通过认知结构对应的、可显式表达的经验知识的准确性和完整性衡量认知结构迁移理论中的认知水平，从而量化工程师个体学习迁移的绩效。C-K拼图任务的流程图如图2所示。它以一项具体的工程设计任务为背景，以若干“概念展示—选择—反馈理由”环节引导被试完成设计任务，并采用“出声思考法”（Think aloud protocol）获取被试头脑中的想法片段。具体地，C-K拼图首先向被试告知设计任务的功能需求、设计情境及设计条件。然后，依据工程设计的流程，整项设计任务被划分为若干设计阶段。每个设计阶段旨在解决任务中的一个关键设计问题，或设计机构中的一个关键功能模块，并由若干轮次的“概念展示—选择—反馈理由”环节组成。在每个轮次中，被试需要阅读一组工程概念，并根据自己的所学内容及工程经验，从中选择若干项（或不选）与当前设计状态相关的工程概念，并逐条反馈选择理由。反馈理由时，被试需按照规定的“我之所以选择（概念）/我之所以没有选择任何概念，是因为（理由）”模板，采用口述的形式，陈述概念的选择理由，并由主试录音记录和评价。当被试口述完成后，进入下一个轮次的“概念展示—选择—反馈理由”环节，并在完成所有设计阶段后，结束C-K拼图任务。

实验总时长约1小时。在两个实验阶段结束后，向被试发放80元的礼金或等值礼品。

图2 “C-K拼图”任务流程图

Figure 2 "C-K Puzzle" task flow chart

3 实验案例选取、被试招募及系统开发

以某风力发电机增速传动机构的概念设计任务为实验案例，实现本文提出的技术范式转换下工程经验知识迁移的眼动追踪实验研究方法。增减速传动机构是工程产品设计中最典型且最常见的设计任务。而概念设计（Conceptual design）作为工程产品设计的起始阶段，仅需在任务需求目标和情境约束下考虑产品特征和产品功能间的映射关系，组合利用设计概念，无需确定具体的工程参数，因而充分依赖于设计者对设计概念的认知理解和推理能力。当技术范式发生转换时，概念设计结果也因设计情境的变化而发生显著的改变。因此，该设计任务满足本文实验设计需求，并能够用于探究本文的研究目标。

3.1 两个技术范式的选取

本实验中，固有技术范式选用展开式圆柱齿轮传动机构，新技术范式选用行星齿轮传动机构。展开式圆柱齿轮传动机构是减速器/增速器设计中最基础也是最常见的技术范式。它仅采用一级或多级齿轮对传递运动，每个齿轮对仅包含两个外啮合的固定轴线的齿轮，因此结构简单，设计难度较低。行星齿轮是当前较为先进的技术范式。它采用采用一级或多级周转轮系传递运动，每级周转轮系中包括一个中心轮和一个内齿圈，以及若干数量的行星轮，啮合形式同时兼具内啮合和外啮合，齿轮轴线同时兼具固定轴线和运动轴线，因此结构复杂，设计难度高。

在面临设计任务带来的负载较大且不均匀、减速比较高、结构紧凑的工程情境约束下，采用展开式圆柱齿轮传动机构完成设计需要使用较多级的传动结构，导致传动结构复杂、体积和质量较大，设计结果不能良好满足设计需求。而行星齿轮传动可以通过合理设计周转轮系各部分的齿数形成较大传动比，使用较少级数的传动结构即可满足传动比要求，多个行星轮的结构也能满足大负载下的结构强度要求。因此通过技术范式转换，将圆柱齿轮传动机构相关的工程经验知识迁移演化至行星齿轮传动机构，并利用行星齿轮传动机构完成设计，则可以有效解决上述问题，达成设计目标。

3.2 展示工程概念的选取

C-K拼图任务中向被试展示的概念是引导被试在相应的技术范式下构建正确的认知结构，完成设计任务的关键。本实验中所展示的概念均摘自于《机械设计手册》等权威书籍的词汇表，从而保证其准确性和明确性。而如何从海量的词表中筛选出合适数量的概念并分组，则是构建C-K拼图任务中的一个难题。对此，本文采用了自然语言处理技术辅助的专家决策方法，半自动地构建C-K拼图任务中每个“概念展示—选择—反馈理由”环节中的展示概念。

首先，定量评价词汇表两两概念之间的关联关系，即对于两个工程概念C和C，按式1计算其间关联程度，并依据概念间关联关系，将高关联的概念聚类，初步确定概念所属的工程语义组别：

（1）两个概念完全相同，或其中对应位置的词语同义，L是概念的词组长度；

（2）当现有工程领域本体中已有两个概念的定义，且为两概念间增加了关系时，关联关系依据其在本体中的关系所决定[26]；

然后，参考《减速器设计》等设计手册及专著，划分C-K拼图任务的设计阶段。为排除阶段划分粒度带来的干扰因素，各设计阶段的划分仅与传动机构的第一级功能分解展开相关，而与选择何种技术范式无关。对于每个设计阶段，由若干经验丰富的领域专家，通过Delphi方法，在按照工程语义初步分类的概念组中，选择若干与该阶段紧密相关的、阶段特有的工程概念。对选择出的每一个阶段特有工程概念，抽取出词汇表中与之关联最相近的3个概念（不包含该概念本身或同义概念，但允许选择上下位概念），构成一组在C-K拼图任务某一环节中向被试展示的备选概念集合。领域专家也需对集合内添加的相近概念决定其在相应设计阶段中的角色，即为设计阶段特有概念（SC）、通用性概念（GC）或是与设计无关的概念（NC）。本实验中，为控制实验总时长在60min以内，实验中两个技术范式下的C-K拼图任务均含8个设计阶段和50组备选概念集合。

3.3 新技术范式学习材料的选取

被试在两次C-K拼图任务的中间，会进行一次时长为5min的学习阶段，用于学习新技术范式的相关知识。本实验中，学习展示材料节选自《减速器设计》中“行星齿轮减速器设计”章节，包含599字的文字介绍和4张图纸。内容覆盖行星齿轮减速器设计的全部设计阶段，但仅简要介绍机构原理、应用场合、设计约束和示意图纸，并未直接向被试阐释具体的设计公式、尺寸、零件明细等设计细节。学习材料的容量和学习时长能够保证被试充分接触新技术范式，并产生新概念的认知。

为进一步研究被试在阅读学习材料中的视觉注意力分配情况，本实验还对学习材料的文本进行了词性处理，提取了其中名词（N）、动词（V）和形容词（ADJ）等实意词汇。名词还根据领域专家意见，进一步分为特有名词（SN）、通用工程名词（GN）和设计任务无关的普通工程名词（NN）。学习材料中的图纸（PIC）也依据专家意见，将其中重要区域（关键性原理的示意图、重要零部件结构等）提取出来。这些词汇和区域将作为眼动追踪监控中的兴趣区域（Area of interest, AOI）。但在向被试展示时，对这些词汇和区域并不做任何的特殊标记。

3.4 实验被试的招募条件

从完成概念设计任务的能力和相应的工程经验知识储备等方面考虑，实验招募的被试需同时满足以下五个条件：

（1）在最近一年内，学习过展开式圆柱齿轮传动机构相关基础课程（如机械原理、机械零部件设计等）的在校学生，或参与过涉及展开式圆柱齿轮传动机构设计项目工作的工程技术人员；

（2）在最近一年内，在校学生没有学习过行星齿轮传动机构设计的专业课程，工程技术人员没有接触过涉及行星齿轮传动机构设计的项目工作；

（3）对于调查问卷、工程技术图纸和工程技术文档，具有足够的阅读理解和口头表达能力；

（4）双眼裸眼或矫正视力正常；

（5）能够依照显示器提示，操作计算机。

本实验在上海交通大学机械与动力工程学院的师生中招募了实验被试样本。除去2位未完整完成实验以及在实验中出现不适状况的被试，合格被试样本共有31人。31位被试平均年龄24.81岁，标准差4.52岁，其中男性23名，女性8名；本科9名，硕士15名，博士7名；近一年内参与过工程企业实习或正在工作18名。

3.5 实验的程序软件开发

利用Java编程语言，开发了本实验的执行程序。其中实验核心任务C-K拼图的运行界面如图3所示。界面左侧列出了被试已经选择的工程概念，界面右侧告知被试当前的设计阶段，并向被试提供了一组工程概念。被试在充分思考后，选择其中若干项概念，并点击“请口述选择理由”按钮进入口述理由环节。此时，系统会弹出对话框，告知被试的口述理由模板。被试完成口述后，点击对话框按钮，进入下一组选择。当所有选择完成后，被试点击“提交”按钮提交实验结果。

图3 实验执行程序界面

Figure 3 Experimental executive interface

两次C-K拼图任务中间的学习阶段，通过ErgoLAB人机同步环境系统，采用定时自动播放的方式，向被试全屏展示学习材料。ErgoLAB系统还负责收集并初步处理实验第二个阶段中被试的眼动数据。

3.6 实验的环境硬件准备

Figure 4 Subject's experiment situation and the location of experiment equipment

本实验在独立、安静的实验室环境中进行。实验系统运行在配置4GB内存，Core i5 处理器和NvidiaTMGeForce GTS450显卡的计算机上，并通过1920x1080像素、60Hz刷新率的显示器（显示区域宽507mm，高283mm）向被试显示实验内容。被试通过Logitech鼠标，按照实验系统指示完成相应操作。采用固定在屏幕下方的Tobii X2-60眼动仪，记录被试在实验第二阶段中的双眼眼动数据，采样频率为60Hz。为采集被试的口述反馈信息方便更进一步的分析，所有被试的实验过程均采用头戴式耳机和具有录音功能的电子设备进行记录。被试实验情况及实验各设备位置几何关系如图4所示。

4 实验数据获取和结果处理

4.1 原始数据采集

实验中，采集以下4类实验原始数据：

（1）通过基本信息调查问卷，获取被试性别、年龄、自述经历等基本信息；

（2）通过Guglielmino学习意愿调查问卷得分，获取被试学习意愿情况；

（3）通过Java程序运行记录，获取被试在完成两次C-K拼图任务中的概念选择和耗时情况；

（4）通过眼动仪和ErgoLAB数据同步系统，获取被试在两次C-K拼图任务间的新范式学习阶段中的眼动注视情况。

4.2 研究因素的量化表达

为量化固有技术范式掌握程度、自我导向的学习意愿和对新技术范式学习材料的注意力分配等三方面研究因素，以及迁移质量和迁移效率两方面的工程经验知识迁移绩效，本文对实验采集的原始数据分别进行下列处理。

4.2.1 固有技术范式掌握程度

为均衡参数，用于评估在C-K拼图任务中被试选择通用性概念对概念设计任务的贡献程度，计算中取= 0.5。

4.2.2 自我导向的学习意愿

文献[21]和[22]对Guglielmino自我导向学习意愿调查问卷题目进行了分类，将问卷中55个题目分为6个构面：情感、效率、动机、主动性、独立性和创造性。题号与对应构面间的关系如表2所示。对此，分类统计各构面下题目的平均得分，即可对被试学习意愿进行量化。

表2 自我导向学习意愿问卷的6个构面

4.2.3新技术范式学习材料的注意力分配

统计眼动追踪数据中在学习材料的特有名词（SN）、通用工程名词（GN）、设计任务无关的普通工程名词（NN）、动词（V）、形容词（ADJ）和图纸（PIC）等6个兴趣区域和除此之外的无关区域（Others）上的注视时间和注视次数，并计算各兴趣区域上的注视时间比率和注视次数比率，量化被试在新技术范式学习中在学习材料各内容上的视觉注意力分配情况。

4.2.4 工程经验知识迁移的准确性和完整性

4.2.5 工程经验知识迁移的效率

4.3 实验结果报告

4.3.1自我导向学习意愿调查问卷得分统计

31位被试在Guglielmino自我导向学习意愿调查问卷6个构面上的调查结果如表3所示。6个构面上的Cronbach’s 𝛂系数均大于0.7，表明各构面的量表均具有较好的稳定性与内部一致性。6个构面上平均得分最高的是动机构面，表明被试具备较强的学习动机；得分最低的是效率构面，表明被试的学习效率大多一般。

表3 自我导向学习意愿问卷6个构面上的结果

4.3.2视觉注视力分配情况统计

图5 学习材料上的各兴趣区域示例

Figure 5 Example of regions of interest on learning materials

图5展示了行星齿轮传动机构学习材料上兴趣区域的划分示例，学习材料中的特有名词（SN）、通用工程名词（GN）、设计任务无关的普通工程名词（NN）、动词（V）、形容词（ADJ）和图纸（PIC）等兴趣区域以不同颜色标出，未标注的部分均为无关区域（Others）。图6和表4则展示了31位被试在学习阶段中，在上述各区域上的注视热点图及注意力分配情况。图6中的着色区域为被试在学习阶段中所关注到的区域，且被试将更多的视觉注意力分配于着色区域内的红色部分。

由图6和表4可知，被试的视觉注意力集中分配于SN、GN和PIC区域，这表明31位被试大多能够重点关注到学习材料中信息含量较高的部分，因而对新技术范式的学习有效。此外，被试在NN和Others区域分配的视觉注意力的变异系数均较大，这表明31位被试之间对低效或无效学习信息的甄别能力分布不均，差异较大。

图6 学习材料上的注视时间热点图示例

Figure 6 Exampleof gaze time hotspots on learning materials

表4 学习材料各兴趣区域上视觉注意力分配结果

4.3.3 C-K拼图任务完成情况统计

31位被试在新型增速器概念设计任务下的两次C-K拼图任务完成情况如表5所示。

表5 两个技术范式下C-K拼图任务完成情况

两次C-K拼图任务的平均准确率和召回率均在0.5以上，表明被试能够在新型增速器概念设计任务中，利用实验提供的领域概念建立起两个技术范式的认知结构，并且结构的准确度和完整度良好。两次C-K拼图任务中的平均准确率均高于平均召回率，这表明被试在实验中表现较为“保守”，即对于不能给出合理理由的概念选项（模棱两可或者不能理解的概念），被试不会轻易挑选并使用于概念设计中（这将导致召回率降低），而是采用了解和掌握程度更大的概念选项（这将导致准确率升高）。对此，通过C-K拼图任务构建出的认知结构能够较为准确地反映出被试的实际认知情况，结果可信度较高。

在耗时方面，完成新技术范式下的C-K拼图任务平均选择耗时较之固有技术范式提升了19.2%，这表明被试在学习迁移的认知加工过程中将花费更长时间去辨析新技术范式下的工程概念，推理所选概念与新技术范式的设计情境之间的因果关联，并构筑相应的认知结构。

4.4 实验结果回归分析

表6 知识迁移绩效的逐步线性回归分析

表6（续） 知识迁移绩效的逐步线性回归分析

5 实验讨论及分析

本节将检验本文在1.5节提出的三个研究假设，并结合工程师设计认知的C-K理论中的四个交互过程（C→K交互、K→K交互、K→C交互和C→C交互），对知识迁移实验结果进行解释和分析，探讨技术范式下工程经验知识迁移的机制及其影响因素，提出知识管理实践层面的针对性建议。

5.1 固有技术范式的认知掌握程度对知识迁移的影响

5.2 自我导向的学习意愿对知识迁移的影响

工程师个体的自我导向学习意愿，也对知识迁移过程有显著影响作用，其具体表现在学习创造性构面得分正向显著影响知识迁移的准确性。这使得假设H2不能被拒绝，即工程师个体的自我导向学习意愿不同，其在技术范式转换下的工程经验知识迁移绩效有显著不同。根据刘廷婷[29]的研究，学习者创新思维的多向性（对应学习意愿调查问卷创造性构面下的第29题的“一题多解”）、深刻性（对应第28题“打破砂锅问到底”）、灵活性（对应第35题“异于常规方法思考”）都能够使学习者在学习中构建良好的认知结构，提升新知识的学习绩效。与此同时，良好的创造性能力也能够克服思维定势的限制，促进知识正迁移的进行。这都说明了创造性能够促进工程师头脑中的K→C交互过程。

而自我导向学习意愿中的其他几个构面，本实验并未发现它们与知识迁移绩效之间的显著影响作用。其原因一方面可能是本实验被试样本的采样范围较小，所参与的被试学习意愿评分均较高，缺乏反面样本对比；另一方面，被试也可能对自己认识不足，容易高估自己的实际学习意愿。

5.3 学习中的注意力分配对知识迁移的影响

由表6的3个回归分析模型，被试在学习材料的不同兴趣区域上视觉注意力分配情况，对其知识迁移绩效的三个方面均有显著或潜在的影响，因此假设H3不能被拒绝。具体地，被试将视觉注意力分配于新技术范式学习材料中的范式特有名词区域（SN），有助于被试提升学习迁移准确度。杨琨[30]在与本实验情境类似的汽车发动机再设计过程中指出，设计语义网络中重要度最高的概念节点是与核心组成部分（如发动机）的功能、原理和结构相关的概念，新增的其他概念也倾向于与这些概念构建关联，使得语义网络不断扩张。在本实验中，这些概念也正是学习材料中新技术范式特有的名词，因此被试将视觉注意力分配于此，能有效提升被试对新技术范式的功能、原理和结构的概念认知程度，使被试获得新概念之间及其与确定性固有知识之间的语义关联（即C→C交互和C→K交互过程），继而构筑准确的新范式认知结构并解决新情境下工程问题。与此相对的，被试将视觉注意力分配于新技术范式学习材料中的与设计任务无关的名词区域（NN），显著负面影响被试知识迁移的效率（与耗时比显著正相关），也可以通过上述认知过程加以解释：NN区域内的概念不含有有价值的语义信息，无益于使被试构筑新认知结构，降低了其在技术范式转换下的知识迁移效率。

而被试将视觉注意力分配于新技术范式学习材料中的形容词区域（ADJ）和动词区域（V），却对学习迁移质量（准确性和完整性）有负面影响。其原因可能是学习材料中形容词和动词关注于介绍新技术范式下的设计约束和设计条件（如“至少”“同心”“配合”等）。在C→K交互和K→C交互过程考虑这些新约束使得交互过程的难度增加，导致知识空间K中推理产生的确定性命题减少，而概念空间C中更多概念仍然保持未判定状态。这使得被试对新技术范式的认知结构仍处于不完全和不准确状态。表现在本实验中，对ADJ区域和V区域关注程度较高的被试，在C-K拼图任务的口述选择理由中多次出现尽管对备选概念已经有基本的认知（了解概念的原理和内涵等），但难以对其可用性做出评价（不清楚在何种工程设计情境下使用此概念等）的现象。这导致这些被试在实验中少选或不选概念，C-K拼图任务成绩下降，知识迁移质量不高。

关于学习材料中工程图纸区域（PIC）的注视情况对知识迁移绩效的影响，之前的研究少有涉及。本实验研究发现，将视觉注意力分配至工程图纸区域，降低了知识迁移的效率。其原因可能与设计任务无关的名词区域（NN）降低知识迁移的效率的原因类似：工程图纸区域较之明确的工程文本区域，对设计原理和设计方法的表达较为抽象，阻碍了被试对其中蕴含的工程概念及其关联的认知加工过程（即C→C交互和C→K交互过程）。本实验也在实验结束后对被试进行简短访谈，部分被试反馈出程度不一的图纸认知困难。对此，工程图纸的难度如何影响工程师对工程概念的认知加工，可在今后的研究中进一步探讨。

5.4 技术范式转换下的工程经验知识迁移机制

除了上述三方面因素，实验中并未发现被试的年龄、性别和工作经历等人口学基本信息对被试知识迁移绩效具有显著影响作用。这一方面印证了经典的认知迁移理论中，学习迁移能力主要受被试认知能力影响，而与其具备的人口学基本特征（年龄、性别、职业等）无关[8-10]；另一方面，也推测出工程经验知识的迁移在不同的工程师个体中，可能具有一种共性的迁移机制。

综合上述分析，并结合C-K理论的双空间模型及其四种交互过程的运行机制[12,13]，本文构建的技术范式转换下的工程经验知识迁移的机制如图7所示。

图7 技术范式转换下的工程经验知识迁移机制

Figure 7 Engineering experience knowledge transfer mechanism under technical paradigm shift

5.5 知识管理实践层面的针对性建议

依据上述分析结论，本文从知识管理实践层面，提出以下三条促进技术范式下工程经验知识迁移的针对性建议：

（1）为促使工程经验知识向新技术范式迁移，应当使工程师多接触尽可能具体的、与新技术范式的技术和方法紧密相关的学习内容，而不应接触过多泛泛而谈的介绍性材料。学习材料应立足于促进知识工作者的快速理解，内容中的关键名词概念和信息应着重标记，图纸或其他多媒体辅助材料应当清晰具体、一目了然；

（2）对于新技术范式的学习方式，宜采用以了解整体框架、着力快速实现应用目标的“广度优先”学习方式，而不宜采用以聚焦技术细节、完全了解涉及的原理和方法的“深度优先”学习方式，从而避免工程师产生严重的思维定势，阻碍工程经验知识迁移；

（3）可从开放式学习环境构建、创新性企业文化培养、跨专业协作交流等方面，培养和激发工程师的学习创造性，培养工程经验知识迁移的内在动力。

6 总结和展望

技术范式转换下个体所有的工程经验知识迁移，是实现消化吸收再创新这一高质高效创新途径的关键过程。旨在研究这一迁移过程的机制和影响因素，本文结合学习迁移理论、“概念—知识”理论以及眼动追踪技术，提出了一种以“C-K拼图”为核心任务的眼动追踪监控实验的研究方法。本文以新型增速器的概念设计为实验主题，对工程师固有技术范式掌握程度、自我导向的学习意愿和对新技术范式学习材料的注意力分配等三方面研究因素进行量化，并探究这三方面因素对技术范式转化下知识迁移质量和效率的影响作用。实验结果表明这三方面因素对知识迁移绩效均有显著的影响作用。本文也结合C-K理论的四个关键过程，对研究因素在实验结果中展现的不同影响展开了深入的分析讨论，构建了技术范式转换下工程经验知识迁移机制，并从知识管理实践层面提升知识迁移绩效提出了针对性的建议。

在今后的研究工作中，可以从以下三方面进行更进一步的研究。其一，本实验仅考虑了一种技术范式转换下的知识迁移过程（从圆柱齿轮传动迁移至行星齿轮传动）。今后的实验中，可以考虑与固有技术范式有不同关联程度的多种新技术范式（如圆柱齿轮传动迁移至摆线针轮传动，或无级变速传动等），分析技术范式间的相似性和差异性对知识迁移过程，尤其是其中对思维定势现象的影响作用。其二，可采集被试在实验中的脑区血氧量、脑电信号、脑磁信号等神经生理数据，构建C-K理论四种交互过程的定量测量指标，探究其脑神经运行机制，对本文关于四种交互过程的认知加工过程的分析进行进一步深化。其三，可在软件研发、高新技术决策等更多领域的技术范式转换情境下重复本文提出的眼动追踪实验研究方法，发掘更具有共性的知识迁移根本因素和基本规律。

[1] 郄红伟,张青. 我国引进消化吸收再创新现状及国内外经验借鉴[J]. 科技管理研究, 2012,32(7): 1-3+16.

Qie H W, Zhang Q. The status quo and experience learning in the import and innovation of China[J]. Science and Technology Management Research, 2012,32 (7): 1-3+16.

[2] 季海涛,凌和军. 学习迁移能力研究综述[J]. 扬州大学学报(高教研究版), 2013,(S1): 3-6.

Ji H T, Ling H J. A review of the research on learning transfer ability [J]. Journal of Yangzhou University (Higher Education Study Edition), 2013,(S1): 3-6.

[3] 郑玉玮,王亚兰,崔磊. 眼动追踪技术在多媒体学习中的应用:2005—2015年相关研究的综述[J]. 电化教育研究, 2016,37(4): 68-76+91.

Zheng Y W, Wang Y L, Cui L. The application of eye tracking technology in multimedia learning: a review of research from 2005 to 2015[J]. e-Education Research, 2016,37(4): 68-76+91.

[4] Schunk D H. Learning theories: An educational perspective (4th ed.)[M]. Upper Saddle River, NJ, USA: Pearson, 2004

[5] 齐宇歆. 基于PISA的学习素养评价系统设计[D]. 上海: 华东师范大学, 2013.

Qi Y X. The design of assessment system of learning literacy based on PISA[D]. Shanghai: East China Normal University, 2013.

[6] 曹宝龙. 学习与迁移[M]. 杭州:浙江大学出版社, 2009.

Cao B L. Learning and Transfer[M]. Hangzhou:Zhejiang University Press, 2009.

[7] 莫雷. 西方两大派别学习理论发展过程的系统分析[J]. 华南师范大学学报:社会科学版, 2003(4): 103-110.

Mo L. A systematic analysis of the developmental course of the two western schools of learning theories[J]. Journal of South China Normal University(Social Science Edition) , 2003(4): 103-110.

[8] Ausubel D P. Educational Psychology: A Cognitive View [J]. Journal of Educational Psychology, 1988,(80): 177.

[9] 齐冰. 教学中促进学习迁移的策略研究[J]. 现代教育科学, 2007,(12): 11-12.

Qi B. On Strategies of promoting the transfer of learning in teaching[J]. Modern Education Science, 2007,(12): 11-12.

[10] 王文静. 促进学习迁移的策略研究[J]. 教育科学, 2004,(02): 26-29.

Wang W J. On the strategies of facilitate the learning transfer[J]. Education Science, 2004,(02): 26-29.

[11] Mayer R E. Cognitive, metacognitive, and motivational aspects of problem solving [J]. Instructional Science, 1998, 26(1-2): 49-63.

[12] Hatchuel A, Weil B. C-K design theory: an advanced formulation [J]. Research in Engineering Design, 2009, 19(4): 181-192.

[13] Hatchuel A, Weil B, Masson P L. Towards an ontology of design: lessons from C–K design theory and forcing [J]. Research in Engineering Design, 2013, 24(2): 147-163.

[14] Poelmans J, Dedene G, Snoeck M, et al. An iterative requirements engineering framework based on Formal Concept Analysis and C-K theory [J]. Expert Systems with Applications, 2012, 39(9): 8115-8135.

[15] Kroll E, Le Masson P, Weil B. Steepest-first exploration with learning-based path evaluation: uncovering the design strategy of parameter analysis with C-K theory [J]. Research in Engineering Design, 2014, 25(4): 351-373.

[16] 杨少鲜, 皮成功, 贾小漫. 基于C-K理论的军民两用技术与产品创新[J]. 科技进步与对策, 2014(7): 84-88.

Yang S B, Pi C G, Jia X M. Military-civilian dual-use technology and product innovation based on C-K theory[J]. Science & Technology Progress and Policy, 2014(7): 84-88.

[17] Gong Y, Huang J C, Farh J L. Employee Learning Orientation, Transformational Leadership, and Employee Creativity: The Mediating Role of Employee Creative Self-Efficacy [J]. Academy of Management Journal, 2009, 52(4):765-778.

[18] 林崇德. 学习与发展:中小学生心理能力发展与培养[M]. 北京:北京师范大学出版社, 2011

Lin C D. Learning and development: development and cultivation of psychological ability of primary and secondary school students[M]. Beijing:Beijing Normal University Press, 2011

[19] 周密, 于玲玲, 王德凯. 工作任务情境下成本、收益对信息源偏好影响的实证研究——个体学习导向、吸收能力的调节作用[J]. 软科学, 2015, 29(12):92-95.

Zhou M, Yu L L, Wang D K.Empirical research about the influence of costs and benefits on information source preference under tasks situations-based on moderating effects of learning orientation and absorptive capacity[J]. Soft Science, 2015, 29(12):92-95.

[20] Bonham L A. Guglielmino's Self-Directed Learning Readiness Scale: What Does It Measure? [J]. Adult Education Quarterly, 1991, 41(2):92-99.

[21] 邓运林. 成人教学与自导学习[M]. 台湾:五南图书出版公司, 2004.

Deng Y L. Adult teaching and self-directed learning[M]. Taiwan:Wunan Book Publishing Company, 2004.

[22] 李彦章, 杨曦, 李敏. 自我导向学习量表信度和效度的检测及试用[J]. 护理研究, 2008, 22(10):930-932.

Li Y Z, Yang X, Li M. Check and on probation of reliability and validity of self-guided learning scale[J]. Chinese Nursing Research, 2008, 22(10):930-932.

[23] 孙兆洋, 刘继红. 设计思考过程模型中设计意图的表达[J]. 机械工程学报, 2009, 45(8): 182-189.

Sun Z Y, Liu J H. Representation of design Intents in design thinking process model[J]. Journal of Mechanical Engineering, 2009, 45(8): 182-189.

[24] Just M A, Carpenter P A. A theory of reading: from eye fixations to comprehension [J]. Psychological Review, 1980, 87(4): 329-54.

[25] Bi Y and Reid T N. Evaluating students' understanding of statics concepts using eye gaze data [J]. International Journal of Engineering Education, 2017, 33(1A): 225-235.

[26] Zhen L, Wang L, Li J G. A design of knowledge management tool for supporting product development [J]. Information Processing & Management, 2013, 49(4):884-894.

[27] Jiang J J, Conrath D W. Semantic Similarity Based on Corpus Statistics and Lexical Taxonomy [J]. In the Proceedings of International Conference Research on Computational Linguistics, 1997: 1-15.

[28] Li J. Negative language transfer in college English writing by Chinese students: Problems and strategies [J]. CELEA Journal, 2007, 2: 88- 103.

[29] 刘廷婷. 高中生化学学习思维定势负效应的研究[D].武汉:华中师范大学, 2016.

Liu T T. Study on the negative effects of thinking set in chemistry learning of high school students[D].Central China Normal University, 2016.

[30] 杨琨,李彦,熊艳等. 基于复杂网络的知识驱动产品创新设计[J]. 计算机集成制造系统, 2015, (09): 2257-2269.

Yang K, Li Y, Xiong Y. Knowledge driven product innovation design based on complex network[J]. Computer Integrated Manufacturing Systems, 2015, (09): 2257-2269.

Transfer of empirical engineering knowledge under technological paradigm shift: Evidence from an eye-tracking experiment

LI Xinyu, JIANG Zuhua*, GUAN Yeqin, LI Geng

(School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

“Absorbing, transferring, and re-innovating” is a feasible and effective approach of technology improvement for the developing countries to keep up with the technology reform. To achieve the goal of this approach, it demands an accurate and rapid transfer of empirical engineering knowledge (EEK) under a technological paradigm shift. However, it remains divergent about the mechanism and influencing factors in knowledge transfer, thus leading to the incapability in tackling the low-quality and low-efficiency transfer in this process. For the transfer of EEK triggered by a technological paradigm shift, this paper proposes an eye-tracking experiment based on the transfer of cognitive structure and Concept-Knowledge (C-K) theory.

This paper firstly reviews relevant literature that is related to the research topic, which includes the theory of transfer of learning, concept-knowledge theory, self-directed learning, and the application of eye-tracking technology. Based on the review, three hypotheses for the performance in knowledge transfer are proposed: mastery of an original technological paradigm, willingness in self-direct learning, and distribution of attention in learning a new technological paradigm. A two-phase experiment is then designed. In the first phase, participants are asked to anonymously fill in two questionnaires: basic information questionnaire, and Guglielmino’s self-directed learning readiness scale. In the second phase, they are required to accomplish the first C-K jigsaw for the original technological paradigm to reveal their mastery level. After a 5-min learning process monitored by the eye-tracking tool, another C-K jigsaw for the new paradigm is displayed and finished, to evaluate their performance of knowledge transfer. C-K jigsaw, which is composed of several rounds of “concept represent, concept select and reason feedback,” aims at explicitly constructing the cognitive structure in an engineer’s mind with concepts involved in a paradigm and enabling a quantitative measurement for cognitive structure. Conducted in the conceptual design of new type accelerator, the choice of technological paradigms, presented concepts, learning materials, and the recruitment of participants in the experiments are determined, and an experimental system is developed. The acquisition and analysis of experimental data are also reported.

Experimental results of 31 participants in Shanghai Jiao Tong University are reported in this paper. The eye-tracking data reveals that the participants distribute more visual attention to the area of special nouns (SN), general nouns (GN) and engineering drawings. Precision and recall in two C-K jigsaws are all above 0.5, indicating that the participants can construct and transfer their cognitive structure in the experiment. Linear regression on mastery level, learning willingness, and attention distribution for the performance of knowledge transfer are conducted, showing that all three independents have significant impacts on the performance of knowledge transfer. Specifically, the quality of the transfer is positively affected by the creativity facet in self-direct learning, the accuracy of mastering an original technological paradigm, and important noun concepts in accessing a new technological paradigm. In contrast, the efficiency of transfer is negatively affected by the integrity of mastering an original technological paradigm, and unrelated noun concepts and engineering plots in accessing a new technological paradigm.

Combined with four cognitive interactions proposed in C-K theory, the explanations for these results are discussed in depth. The mechanism model for the transfer of EEK under technological paradigm shift is hence established. Based on the finding of this experiment, three suggestions are proposed for fostering the transfer of EEK: novel-describing and specific learning materials, breadth-first learning style, and creative learning circumstance. This paper opens up a novel way to research knowledge transfer, and further research could focus on three aspects. Firstly, multiple technological paradigms that construct different correlations with the original one could be considered, to investigate the influence of dissimilarity among technological paradigms on the process and performance of EEK transfer. Secondly, neurophysiology data like blood oxygen content, electroencephalogram (EEG) and magnetoencephalogram (MEG) in different brain regions could be collected to construct a neural mechanism for knowledge transfer. Thirdly, similar experiments could be repeated in more engineering domains, and discovering more common rules and factors impacting knowledge transfer.

Knowledge transfer; Empirical engineering knowledge; Technological paradigm shift; Eye-tracking

2017-07-22

2017-11-14

Supported by the National Natural Science Foundation of China (71271133, 71671113) and the Scientific Innovation Key Projects of Shanghai Municipal Education Committee (13ZZ012)

TP391.6

A

1004-6062(2020)01-0034-012

10.13587/j.cnki.jieem.2020.01.005

2017-07-22

2017-11-14

国家自然科学基金资助面上项目（71271133、71671113）；上海市教委科研创新项目重点项目（13ZZ012）

蒋祖华（1966—），男，浙江温岭人；上海交通大学机械与动力工程学院教授，博士生导师；研究方向：知识管理、人因工程。

中文编辑：杜 健；英文编辑：Charlie C. Chen