共享心智模型及其对人机团队绩效的影响

吴 桐 张宜静

(1.北京建筑大学机电与车辆工程学院, 北京 102616; 2.清华大学工业工程系, 北京 100084)

1 引言

随着智能科学的发展以及任务复杂性的提高,团队作为组织执行任务的基本单位得到广泛应用。在人人团队中,成员经常在沟通、人际关系、资源分配等方面发生冲突;而在人和机(智能体或机器人)组成的团队中,两者会在意图表达、信息获取、信息分析、决策逻辑和行动执行等方面产生冲突[1]。心智模型(Mental Model)提供了一种机制,可以帮助成员预测队友的行为,从而促进行动的协调[2]。

心智模型的研究受到了广泛关注,心理学[3]、组织管理学[4]、人因学[5]等领域探讨了不同任务背景下心智模型的定义、特点与形成。随着团队任务复杂性的增加,人们逐渐将心智模型应用于团队协作中,并提出共享心智模型(Shared Mental Model)的概念[6]。此后,各个领域的研究人员探讨了共享心智模型的组成、测量及其对团队绩效的影响。随着人工智能的发展,人们将共享心智模型的研究扩展到人机系统中并探讨其对人机团队绩效的影响。

本文系统梳理心智模型的概念发展、特点与形成;探讨共享心智模型的概念、类型、测量以及在人机团队中的应用,并辨析共享心智模型与团队心智模型(Team Mental Model)的概念;讨论共享心智模型对团队绩效的影响,总结现有研究及分析未来研究方向。

2 心智模型

2.1 概念发展

心智模型最早由Craik[7]在1943 年提出,是将外部世界的认知转化为头脑中的模型,用于表示人对系统的内部表征。随后,心智模型的概念被广泛应用于很多领域。在认知心理学领域,Johnson-Laird[8]认为心智模型是个体为了对外部现象进行合理解释,所构建的与外部现象相似的简化知识结构。在人因学领域,Rouse 等[5]将其定义为“人生成对系统目的和形式的描述,对系统功能和观察到的系统状态的解释以及对未来系统状态的预测的机制”,认为心智模型是帮助人与环境交互的有组织的知识结构。在组织管理学领域,Senge[4]认为心智模型存在于人的内心深处,包括一些假设、偏见、规则、印象等,影响人如何理解外部世界并采取行动,是人在日常生活中所形成的某种特定的观念、思维模式、行为习惯,指导人的思考和行为模式。在产品设计领域,Norman[9]认为心智模型存在于用户大脑中,是对交互产品的概念与行为的知识。Alan[10]曾提出3个模型:表现模型、实现模型和用户心智模型,当产品的表现模型与用户心智模型更接近时,会产生良好的用户体验。总体而言,心智模型是个体对交互环境的理解、认知而形成的内部表征,可视为个体的认知结构,不仅包含知识内容和知识结构,还包含行为和态度两方面[11],帮助描述、解释和预测环境中的事件。

目前,心智模型的概念已广泛应用于人机交互领域。Norman[12]认为心智模型实例化了对象和事件之间的结构关系,从而允许人规划行动、解释和预测外部事件。Gentner 等[13]将人与物理设备、系统界面交互时所产生的内在心理表征称为心智模型,用于描述人对外部世界的认知,如计算机系统是什么及如何工作的[14]。Payne[15]认为心智模型可用来标记人对使用系统相关知识的不同方面,包括系统的工作流程、组成部分及其相互关系等。梁颖[16]认为心智模型是指人对产品的理解,由目标、任务、概念、表现形式四部分构成。

总的来说,心智模型的概念是不断发展的,且与其任务背景和研究领域相关联。社会学、心理学、组织管理学等领域中多是对心智模型的定性描述,其范围较广,多包括偏见、态度等;而在人因学、产品设计等领域中的心智模型,多描述为与产品、任务相关的程序、规则等,且具有一定框架和规范。本文将主要探讨复杂人机系统中与任务相关的、人与机交互过程中形成的心智模型。

2.2 特点与形成

对特定任务、系统或产品的心智模型的构建是一个动态过程,并受到诸多因素影响。Norman[9]认为人会受到以前使用类似产品的经验,或是使用该产品所要实现的目标而对产品概念和行为产生的一种期望的影响而构建心智模型。Wilson 等[17]认为,心智模型是系统或任务用户根据以往经验和当前观察结果形成的表征。因此,人最初形成的心智模型可能是存在缺陷的。Norman[12]认为心智模型是不完整的,包含不完整的工作领域描述、工作流程快捷方式、大量的信息缺失和不确定性等。Veer[18]提出类似观点,认为心智模型是功能性的,而不是现实世界的完整或准确表征。Bansal[19]认为,心智模型是人对交互系统的看法,是基于信念而不是基于事实。当使用不准确或不完整的心智模型时,就会以不同的效率和效果发挥作用[9]。

用户心智模型通过与系统交互而不断迭代,并趋于准确或完整。Hwang 等[14]表示,心智模型是通过与系统交互逐渐形成的,人根据自己的经验或与系统交互来获取和扩展,并构建成各种形式。Marhan 等[20]认为,心智模型通过不断融合新信息以扩大对交互系统的认识。虽然,最初构建的心智模型是基于以往经验以及根据设计师心智模型而形成的培训等,但在与系统交互过程中会随系统演化和更新发生变化,从而形成与实际系统模型更相符的心智模型[21]。

总的来说,心智模型是根据经验知识、所受的培训、对情境的感知、与系统的交互[22]以及对所要达成目标的期望构建而成,因而人最初构建的心智模型往往是片面的,缺乏系统整体性。然而,在交互过程中,会根据系统反馈不断动态地修改原有心智模型,从而形成更完整、自洽的准确模型。

3 共享心智模型

3.1 概念

航空航天、航海等复杂系统领域中,任务常由人或是由人和人工智能体组成的团队共同完成。协同中会由于团队成员间拥有不同的心智模型而导致协同不畅、效率不高甚至任务失败。因此,团队成员间需要共享心智模型。

Converse 等[6]首次将心智模型的概念扩展到团队层面,提出共享心智模型的概念,用于表示团队成员对相关环境中关键元素的知识或信念共享的、有组织的理解和心理表征[23]。Jonker 等[24]表示,共享心智模型是一个分布式结构,包含团队协作所需的知识以及所要实现的功能。Yusoff等[25]认为,共享心智模型是在团队成员互动过程中发展而成,融合了单个成员的心智模型,从而使成员的心智模型相似或共享。Schelble 等[26]认为,共享心智模型是团队协作的一种涌现状态。随时间推移,共享心智模型不断发展,团队成员在交互过程中不断拥有共享、组织和分布的知识。总的来说,共享心智模型不仅包含与任务相关的知识,还包含团队协作相关的知识,是在团队成员之间创造共享的理解[27]。当人对共享任务和彼此角色有相似的理解时,这种共享的心智模型将使团队表现更好,因为他们能准确预测队友的需求和行为[28]。

共享心智模型有时也被称为团队心智模型[29]。尽管它们本质上相似,但也存在细微差异[28]。团队心智模型的使用在某种程度上削弱了共享性,并试图将重点放在由团队合作产生的集体知识结构(Collective Knowledge Structures)的研究上[30]。共享性是指成员心智模型彼此一致或趋同的程度,并不表示完全相同的心智模型[31]。本文不区分共享心智模型和团队心智模型,统称为共享心智模型。

3.2 组成

在复杂任务和团队协作的情况下,操作员通常会同时构建多个不同的心智模型。Cannon-Bowers 等[32]最先提出共享心智模型的4 种组成:设备模型,任务模型、团队协作模型、队友模型。Goodrich 等[33]认为良好的团队协作需要团队成员拥有队友模型、团队交互模型、团队任务模型。Webber 等[34]提出共享心智模型的三维结构,将其按照知识分为描述性、程序性和策略性。Mathieu 等[35]将共享心智模型分为任务模型和团队模型,这个二维结构是对Cannon 的四维结构的归纳和补充。目前,这一二维结构得到了大多数研究者的认可。但Jonker 等[24]将共享心智模型划分为团队活动和物理组件。其中,团队活动包括任务执行和团队交互;物理组件包括团队成员和设备等。Cannon-bowers 等[36]研究发现,当团队成员拥有相似的态度/信念时,他们会对任务或环境产生一致的解释,从而做出有效决策。所以,共享心智模型不仅包括关于任务、设备、团队等方面的知识内容和结构,还应包括情感、态度或信念等[37]。

3.3 测量

共享心智模型不仅是指团队成员拥有共享、重叠或相似的知识结构,也包括团队成员知识的互补及分布[38]。共享心智模型的测量揭示团队成员关于已知元素的内容和元素间关系的趋同程度,通常分为2 个步骤:个体心智模型测量及团队成员心智模型相似度测量[39]。其中,个体心智模型测量包括心智模型的启发和表征[40],通过采用一定刺激(需包含特定任务情境的关键特征)引导个体展现自己知识结构的内容和元素,并进一步表征其内在结构及其关系,从而使心智模型得以观察和描述;而心智模型相似度一般通过计算团队成员间心智模型的相似程度得到[41]。

首先是个体心智模型的测量。心智模型测量需要获取其内容和结构[42],因此测量方法可分为启发和表征2 种。启发式方法主要用于获取知识内容,表征方法主要用于获得知识结构。常用的启发式方法有认知访谈法、出声思考法、内容分析法、配对比较法、概念映射法、卡片分类法、因果图法、有序树法等[43]。配对比较法和概念映射法是目前研究中应用最广泛的测量方法。配对比较法需要参试者对概念间的关系两两评级,以获得心智模型[44-45];概念映射法需要参试者在预先设定的层次结构中,描述某任务领域的概念及其相互关系,以生成概念网络来表征心智模型。Ellis[46]请参试者使用代表任务不同方面的概念填充地图中的空格,从而表征其关于任务的知识结构。由于部分启发式方法(如配对比较法)无法获取操作员头脑中对知识的组织结构,因此需要通过表征方法进一步分析。常用表征方法有路径搜索法、多维标度法、社会网络分析法等。它们是基于概念间的关联强度而建立概念网络模型的方法[47],即将相似性评定矩阵转换成概念间的网络关系图,以表征操作员的知识结构[35,48-51]。通过启发和表征方法测量得到的心智模型往往可以表征成一个向量、矩阵、网络或图[52],从而进行后续相似度测量。

结构化和量化后的心智模型可能是不完整的[53]。因此,研究者常会辅助采用认知访谈、行为观察等方式,用于心智模型的辅助测量。Nikolic 等[54]观察飞行员的操作行为以识别其思维过程、目标及意图。Perelman 等[55]基于飞行路径,判断操作员的心智模型。也有研究通过如眼动等生理测量方法推断心智模型。Sarter 等[56]结合眼动数据与访谈结果来探索飞行员的心智模型。Abid 等[57]通过记录操作员在完成任务过程中对感兴趣的区域(Area of Interest,AOI)的注视次数、顺序以及凝视时间来预测其心智模型。此外,也有研究将情境意识评估作为辅助测量。Zhang等[58-59]的研究证实,情境意识水平可预测操作员的心智模型。

通过心智模型相似度测量评估团队成员间不同方面心智模型的相似程度,常用的测量方法有相关系数法、路径搜索法、社会网络分析法、距离比公式等,可通过计算得到一些指标,如Person相关系数、QAP 系数(Quadratic Assignment Procedure)、C 系数(Closeness Index)等,来衡量个体心智模型间的相似程度[60]。张樱之[52]采用Person相关系数计算了团队成员间不同方面心智模型的相似度;Mathieu 等[35]分析了任务和团队心智模型,并计算QAP 系数以判断成员间心智模型的相似度;Resick 等[44]通过路径搜索法得到C 系数以衡量心智模型的相似程度。

3.4 人机共享心智模型

自动化和人工智能技术已广泛应用于航空航天、核电、医疗、交通等领域,用于降低操作员的工作负荷,提高系统可靠性,但同时也带来了诸多问题。研究表明,人机协同效率低的原因是人和机的心智模型不一致。很多研究人员将实际系统模型等同于设计师心智模型[61-63],因此,他们认为使用科技产品时出现问题的根本原因是用户和设计师心智模型之间的偏差[62]。Zhang[63]表示,信息科技产品是基于设计师心智模型开发的,用户在与这些产品交互时会形成自己的理解,并预测产品的反馈,当用户与设计师的心智模型不同时,往往会导致交互困难[61]。但随着智能科学的发展,传统自动化系统正逐步转变为具有自治性、社会性、反应性、主动性、进化性的智能体[64],它们具有自主的心智模型。人机关系也随之发生本质变化,机器从工具转变为人类的合作伙伴,同人类分担工作并一起实现任务目标,人机关系逐渐转变为人机协同合作[65]。这意味着在智能体高度自治的水平下,人和机需要理解彼此的意图和行动,从而实现真正意义上的人机共享心智模型。

目前,共享心智模型的研究已出现在人-人工智能体团队中,其中,人工智能体是具有一定的感知、计算和行动能力的系统[66]。Stubbs 等[67]研究发现,随着远程机器人自主性的增加,操作员对机器人行为的困惑从关于环境数据收集问题转移到机器人执行某一行动的原因,因而花费更多时间来理解机器人的决策行为。因此,这就需要人和机之间建立一个共同基础。Gervits 等[68]认为,人机共享心智模型表示团队中所有智能体的共同基础,包括每个智能体的知识和信念状态以及它们的相似程度。Yusoff 等[25]认为,共享心智模型是人机协作领域的一种认知结构,促进人类操作员与人工智能体间的相互理解,预测队友可以完成共享任务的哪些部分,从而调整行为以支持联合工作。Scheutz 等[69]认为人机共享心智模型包含关于团队成员的详细信息(如,成员的意图、目标、知识、能力等)。Flemisch 等[70]认为,人与机成功结合的关键之一是关于团队成员能力、权限、控制和责任的心智模型的一致性和兼容性。因此,一个成熟的人-人工智能体团队中的共享心智模型需要包含任务模型和团队模型[28]。智能体维护这些知识表征,根据感知和推理更新它们,并以此来适应行为[68]。事实上,现有关于人机共享心智模型的描述主要表现在知识内容与结构方面的共享,尚未涉及到情感或态度层面。

如果机器人和人类能够动态分配任务和共享信息,那么团队会更加高效[71]。然而,机器人难以在人类认知水平上发挥作用,它们没有人类的直觉,必须依靠明确的数学形式来近似人类队友的心理状态,并做出相应计划。很多研究人员开发了人机共享心智模型框架[66,69,72],用于捕获关于团队、任务和环境状态的信息以及团队成员间共享的与任务相关的知识。此外,人类操作员和人工智能体间的通信依赖于用于显示、获取和传递信息的接口/通信模块,因此,他们需要以相同的模式或逻辑进行交互和沟通,并对彼此的行为产生理解。同人人协作一样,有效的人机协作基于对彼此能力的共同理解[73]。

为了使人类操作员和人工智能体实现有效协同,对人而言,必须了解智能体的输出及决策过程以建立用于和人工智能体协同的心智模型;对人工智能体而言,需要在设计中嵌入用户已有的心智模型,不仅包括用户关于任务、设备等方面的知识,还应包括他/她的态度、沟通方式等,用于构成智能体的初始心智模型。在人机协同过程中,人工智能体利用已嵌入的模型预测人类行为,并更新其输出及表达形式以适合用户,从而帮助人类更好地理解智能体[74]。随着成员间不断交互,对彼此的理解增加,心智模型反复迭代,从而促使人机共享心智模型的程度增加,提高团队协同效率。

4 共享心智模型对团队绩效的影响

共享心智模型有助于描述、解释和预测团队行为,从而使团队成员能够有效沟通与协调,并适应团队变化[24]。当团队成员具有相似的心智模型时,他们会达到高绩效水平。相似的知识可以帮助团队成员形成对工作任务的一致理解,而相似或相容的情感与信念可推动团队形成良好的合作氛围,并指导团队行动[3]。

人人团队中,共享心智模型对团队绩效有显著影响。Lim 等[75]将共享心智模型分为任务模型和团队模型两部分,发现相似的任务模型与团队模型都能促进团队绩效的提高。Mathieu 等[76]的研究表明,任务模型可显著提高团队绩效,且团队模型与任务模型的交互作用与团队绩效正相关。此外,研究发现,团队过程可以调节共享心智模型与团队绩效的关系。对于团队过程,研究人员提出了许多变量,包括沟通、协调、冲突等行为表现。Mathieu 等[35]发现,共享心智模型通过影响成员间的沟通和协调,进而影响团队绩效。Ilgen[77]提出另一类中介机制,即涌现状态,具有典型内在动态性的团队属性[78],随团队情境、输入、过程和结果变化而变化,包括团队凝聚力、集体效能感等。Mathieu 等[76]的研究表明,任务模型通过提高集体效能感,从而增加团队绩效。因此,共享心智模型不仅有助于团队成员间的合作协调,也可提升集体效能感、团队凝聚力等,从而影响团队绩效。

人机团队中,共享心智模型也可以促进团队成员的交互与协调。Nikolaidis 等[79]通过交叉训练使人机团队共享心智模型,结果发现,高水平的共享心智模型可提高团队流畅度。Scheutz 等[69]发现,和人共享心智模型的机器人可以感知人类操作员的表现和当前状态的变化等信息,通过积极主动地沟通与规划,提高团队协作能力和绩效。Gervits 等[72]研究了空间机器人任务领域中的共享心智模型。实验发现,人和机器人拥有共享的心智模型可提高任务绩效和团队效率,但并未改善人类操作员的工作负荷及情境意识。Gervits在2020 年的研究支持了此结果[68]。Li 等[80]基于BW4T(the BlocksWorlds for Teams)测试平台研究了人机团队完成联合行动任务时不同类型的信息共享对绩效的影响。研究发现,人类操作员与人工智能体间共享目标可提高完成任务的效率,而同时共享目标和信念(包括色块位置、其他智能体状态等)会使人类操作员信息过载,从而降低团队绩效。Bansal 等[81]认为,人类操作员和人工智能体拥有不同的专业知识,当他们知道如何以及何时互补时,就会达到最高绩效。也就是说,在人机共同决策的情况下,人工智能体根据给定输入提供建议,并由人类操作员决定是否接受。这取决于人类操作员对人工智能体能力的心智模型,当这一心智模型与实际系统模型不符时,会产生次优决策。此外,当人和人工智能体使用不同的空间心智模型时,会产生不同的空间问题解决方案,并导致更高的工作负荷,以及信任和团队情境意识的崩溃[82]。Perelman 等[83]同样表示,当人类成员对人工智能体行为的预期与人工智能体实际行为或意图不匹配时,就会出现信任降低与摒弃人工智能体的情况。

一般而言,管理学、心理学等领域中研究人人团队,考虑的是人人共享心智模型,目的是提高管理效率和团队协同效率;而人机共享心智模型的应用更多是为了提升复杂人机系统设计的适人性以及人机系统的运行效率。无论人人团队还是人机团队,当团队成员共享心智模型或心智模型的相似度较高时,他们会更有效地协调行动,从而取得更高的团队绩效。

5 总结与展望

心智模型的概念得到了学术界的关注,以此为切入点,研究人员探讨了其概念组成、类型特点、测量方法及其对绩效的影响。并进而拓展到人人和人机团队,探讨了共享心智模型的概念、测量及其对团队绩效的影响[29-30]。相对机器的智能性和自主性的大幅提升,共享心智模型的研究尚未能有与之匹配的进展,其原因可能是心智模型是基于个人内隐的思维构建而难以观测和量化,因此阻碍了其与人工智能的联合应用和发展。随着智能科学的发展和人机协同任务的增多,人机心智模型不一致所导致的安全风险已被关注和研究,也引起了人因学、人机交互、人工智能等领域的研究兴趣。

共享心智模型相关研究目前在以人人团队为背景的居多,结合人机团队的研究较少。因此,人机共享心智模型的研究尚存在以下空白和挑战:①人机团队中机的特征存在显著差别,首先需要探讨传统共享心智模型理论框架和模型的适用性,并基于不同类型的人机团队以及不同的任务特性,构建人机共享心智模型的理论框架,为人工智能体的设计提供依据;②现存的共享心智模型测量方法主要是通过识别个体心智模型并测量团队心智模型的相似度2 个步骤实现。未来随着智能科学的发展,可探讨不同类型智能体与人共享心智模型的辨识和测量方法;③此外,还需探讨人机团队中共享心智模型的形成会受到哪些因素影响,以及可以通过何种方法和过程促进人机共享心智模型的形成等。研究相关结果可为人机团队中人的训练提供理论支持。

当机器的智能性和自主性水平较低时,人机共享心智模型实质上存在于人类操作员与机器设计师之间。而随着人工智能体自主性的提高,未来将探讨人与不同类型(智能水平)人工智能体之间如何共享心智模型。共享心智模型的研究将从人人团队到人-机器团队,再到未来人-智能体/机器人团队。面对团队成员主体特征的变化,研究的重点和内容也随之改变,如何真正实现人机共享心智模型,是值得人因学、人工智能和心理学等领域共同关注和研究的主题。