购买
下载掌阅APP,畅读海量书库
立即打开
畅读海量书库
扫码下载掌阅APP

2. 1 认知动素集的构建

2. 1. 1 认知动素的概念

Gilbreth从大量的操作性作业中分离抽取出18种基本动作要素——“动素”,包括空运、握取、实运、装配、应用、拆卸、放手、检验、寻找、选择、计划、对准、预对、发现、持住、休息、迟延、故延。他认为,不管多么复杂的操作性作业,均可视为一连串的基本动素。在工作方法设计中,应该尽可能地消除无效动素,压缩和合理配置辅助动素,以此提高作业绩效。这符合科学管理最基本的逻辑,即通过过程控制实现管理目标。

根据认知科学基本原理,认知性VDT作业的本质是人脑对信息的加工过程 [21] ,该过程可视为一连串的信息加工操作。借鉴Gilbreth对“动素”的定义,本书提出“认知动素”(cognitiontherblig,简称CT)的概念,并将其定义为:在认知性作业过程中,作业者进行信息处理的基本环节和步骤,是描述和表征认知作业过程的基本要素。引入“认知动素”概念,为打开认知作业过程的“黑箱”提供了分析工具。运用认知动素概念和过程分解范式,就能方便地描述各种认知作业过程,进行“动作—时间”分解研究,进而深入作业过程进行“微分—简化—标准化”的过程研究和管理。

在操作性体力作业中,动素是不可再分的基本操作单元,作业则可视为一组标准化的动素链。同理,在认知作业过程中,作业者根据任务的要求,使用一系列的认知动素后实现作业目标,即通过信息处理将任务与目标转换为作业的结果。在这个过程中,这些认知动素构成一个网链结构,并反复执行。因此,认知动素是一个集合,通过认知动素集可描述和表征各种认知性VDT作业,其过程可视为一组规范的且重复进行的认知动素链。

2. 1. 2 信息加工过程模型

认识性VDT作业要求劳动者持续通过VDT获取任务信息,经过大脑处理后,通过作业系统的外围设备(鼠标、键盘等)输出作业指令,直至任务完成,这属于人机交互性质的认知作业。学者们在多年前就已经开始对认知作业过程管理进行研究,Ramaprasad [35] 认为研究人类认知作业时应该关注微观层面,如知觉、刺激再认、概念形成、推理规则等具体环节;吴文俊院士 [29] 提出从数学思维的角度实现“脑力劳动机械化”的思路是可行的,可以通过揭示思维的“黑箱”过程对认知活动进行控制和优化,但需注意的是不同类型的认知作业在加工层次结构和内容上存在差异。

认知性VDT作业可以视作人机交互型的认知作业,将人看作具有信息接收、处理和输出功能的“机体”,将外界的“工具机”看作人这种“机体”的外延,将作业过程看作“人—工具机”的信息对话过程。我们可以通过三阶段信息加工模型对作业过程进行简单描述:对环境信息的感知→对信息的转换→对信息的反应。从认知心理学和认知作业管理的角度来看,前两个阶段更值得关注。

认知心理学经典理论将人的信息处理过程分为感觉、知觉、记忆、思维和想象5个环节 [11] 。感觉是人脑对直接作用于感觉器官的客观事物的个别属性的反映;人对各种事物的认识活动是从感觉开始的,它是知觉、记忆、思维等复杂的认识活动的基础,是最简单、最基本的心理活动过程 [11] 。知觉是人脑对客观事物整体属性的反映,是一系列组织并解释外界客体和事件的信息加工过程 [11] 。记忆是人脑对以往事物的识记、保持、再现或再认,它是进行思维、想象等高级心理活动的基础。信息加工理论认为,记忆过程就是对输入信息的编码、存储和提取过程,编码是整个记忆过程的关键阶段。只有经过编码的信息才能被记住 [11] 。思维是人脑借助语言对事物的概括和间接的反应过程,以感知为基础又超越感知的界限,它探索与发现事物的内部本质联系和规律性,是认识过程的高级阶段 [11] 。想象是在大脑意识的控制下,对感知并存储在大脑中的信息进行分解与重组的思维运动,属于认知过程的高级阶段 [11]

将人的信息处理过程分为感觉、知觉、记忆、思维和想象5个环节,这在一定程度上割裂了这些环节之间的内部联系。元认知是指人们对自己的知识和能力的认识,是一种在作业进程的许多方面都非常重要的、性质不同的知识来源,它为完成具体认知任务对认知过程和环节进行主动监测和连续的协调 [36] 。比如,在重新启动机器之前,故障检修人员对自己诊断和维修发动机能力的认识,如果在诊断不正确时进行重新启动,会对系统造成更加严重的损伤,故障检修人员会问自己是否对问题的性质了解清楚了,是否对他维修的机器在重新启动后不会受到伤害的可能性进行了充分评估。元认知削弱了将人的信息处理分为5个环节的这种人为的分离 [37] 。因此,元认知是人认知过程中非常重要的一个环节,是最基本的认知要素,它对要进行的认知活动进行计划、协调、检测和控制。

认知动素是动素集的信息操作环节,是最基本的认知步骤,比感觉、知觉、记忆、思维和想象5个认知环节更基础,是构成这5个认知环节的元素(对CT的抽取将在后文分析)。基于此,本书将认知性VDT作业中人的信息处理过程定义为:在元认知的动态监测和调节下,人的信息接收、加工和输出过程中存在的所有相关CT构成的某种网链结构。认知性VDT作业信息加工过程模型如图2-1所示,由模型可知,认知性VDT作业过程可以视为CT网链。

图 2-1 认知性VDT作业信息加工过程模型

2. 1. 3 认知动素集的归纳和抽取

通过分析感觉、知觉、记忆、思维和想象5个环节所涉及的信息处理操作,结合认知性VDT作业过程的一般要求和特征,定义CT集。认知性VDT作业CT集见表2-1。

表 2-1 认知性VDT作业CT集

注: CT可以进一步细化,是否需要进一步细化以及进一步细化的程度,需要根据研究需求和技术水平确定;针对其他形式的认知作业,该结论不一定适用,可能需要再删、增CT。

由表2-1可知,认知性VDT作业CT集由元认知、信息辨识、信息存储、信息变形、信息搜索、信息比较、信息分类、信息选择、信息提取、信息综合、信息过滤、信息分解、信息应用13个基本信息操作组成。其具体含义如表2-2所示。

表 2-2 CT含义

表2-2(续)

2. 2 认知动素集的验证性因素分析

2. 2. 1 概念模型

认知性VDT作业具有显著的内隐性特征,前文提出的13个CT是不可直接观测到的变量(潜变量),这增加了作业过程解析的难度。结构方程模型的发展为本书提供了方法支持。

根据认知性VDT作业的信息加工过程模型(见图2-1)和CT集(见表2-1),将认知性VDT作业过程的CT概念模型设计为全模型结构。因为元认知对其他CT起监控、规划和协调的作用,所以元认知是外生潜变量ξ,其他12个CT为内生潜变量 。为每个潜变量设计3个(含3个)以上的测量指标, 为ξ的测量指标, 的测量指标。认知性VDT作业过程CT概念模型如图2-2所示。

模型中: 为测量指标xi在对应外生潜变量ξ上的因子负载, 为外生潜变量ξ对内生潜变量 的影响, 为测量指标 在对应内生潜变量 上的因子负载, 为测量变量 的测量误差, 为测量变量 的测量误差。本书并不研究12个CT之间的关系,所以模型中没有设计系数β。

图 2-2 CT概念模型

CT集合的结构 ,其矩阵表示如下:

(2-1)

本书不讨论内生潜变量之间的关系,矩阵B为0矩阵; 为结构方程的残差,反映了 在方程中未能解释的部分。

2. 2. 2 测量模型

ξ和η都是潜变量,无法直接测量,需要通过显变量获得测量值。本书对每个潜变量设计显变量进行了测量。对元认知因子设计了4个测试题项,对其他12个CT共设计了45个测试题项(每个CT对应测试题项≥3)。测量方程 ,描述潜变量ξ、η与测量变量x、y之间的关系。

中,x为潜变量ξ的测量矩阵变量,ξ为外生潜变量矩阵, 为矩阵系数,该矩阵系数描述了测量矩阵变量x和外生潜变量矩阵ξ之间的关系,δ为测量变量x的测量误差矩阵。

(2-2)

中,y为潜变量η的测量矩阵变量,η为内生潜变量矩阵, 为矩阵系数,该矩阵系数描述了测量矩阵变量y和内生潜变量矩阵η之间的关系,ε为测量变量y的测量误差矩阵。

(2-3)

2. 2. 3 问卷设计及数据整理

根据CT概念模型假设(见图2-2),为13个潜变量共设计了49个测试题项。测试题项采用Likert5点计分法,要求被试在每个测试题项上就自己对该题项的理解程度和使用频率进行作答。比如,关于元认知的1个题项,有意识地规划和控制自己解决问题的思路和步骤(非常熟悉:5分,比较熟悉:4分,一般:3分,不太熟悉:2分,很不熟悉:1分)(经常这样:5分,较多这样:4分,不清楚:3分,较少这样:2分,偶尔这样:1分)。完整测试题项设计见附表1。

共收回有效问卷188份。所有被试者中,数字控制室操纵人员39人,软件技术人员34人,销售人员17人,财务人员18人,办公室行政管理人员18人,教学科研人员26人,本科及研究生36人。使用SPSS20.0对数据做初步统计整理,分析问卷中有49(4+45)道测试题项的可理解性,结果显示:平均得分为4.23分,最高分4.72分,最低分4.03分。这表明被试对测试题项的理解度较高,保证了被试整体对测试问题的准确理解。

后文将以188位被试对49道测试题项中“使用频率”的回答数据作为样本数据进行分析。

2. 2. 4 结果与分析

2.2.4.1问卷信度分析

调查问卷的信度检验采用内部一致性系数,因子均值、标准差和信度值(Cronbach.sα系数)见表2-3。

表 2-3 认知动素测量指标问卷信度分析结果

表2-3数据显示,13个因子的信度值均大于0.7,表明该问卷测试题项具有良好信度。

2.2.4.2验证性因子分析

根据CT概念模型(见图2-2)中潜变量、测量指标之间的关系,编写syntax文件,将分析数据导入LISREL8.53,运行后得到路径图和模型拟合指数。路径图见图2-3。

图 2-3 LISREL分析路径图

CT概念模型与观测数据的拟合指数见表2-4,测量指标—潜变量因子载荷见表2-5,元认知对内生潜变量的影响系数见表2-6。

表 2-4 CT概念模型与观测数据的拟合指数

表2-4的数据显示,卡方值显著(1220.7, );近似误差均方根(RMSEA)为0.038(<0.08),说明模型的拟合度良好,规范拟合指数(NFI)、比较拟合指数(CFI)、残差均方根(RMR)以及拟合优度指数(GFI)显示模型与测量样本数据良好的拟合程度 [18]

表 2-5 测量指标—潜变量因子载荷

表2-5数据显示,测试指标在潜变量上的载荷均大于0.7,表明问卷测试题项具有良好的效度。

表 2-6 元认知对内生潜变量的影响系数

表2-6数据显示,外生潜变量元认知与其他12个CT关系密切(γ值最小为0.514,最大为0.905),证明了前文提出的认知性VDT作业过程CT概念模型假设。表明元认知对其他12个CT起规划和监测控制作用,认知性VDT作业可以通过这13个基本认知动素表征。

2.2.4.3稳健性检验

不考虑职业分类,按照总样本数的四分之三和二分之一两个水平,从188份有效回收问卷中随机抽取141(188×3/4)份、94(188×1/2)份各5次,按照样本数据整理的方法,输出各参数估计值和模型拟合指数,结果均显示模型具有良好的拟合度。分别对外生潜变量元认知与其他12个CT的关系系数γ在两个水平下的差异进行分析,其t检验结果见表2-7。

表 2-7 关系系数t检验结果

表2-7的数据显示,搜索和综合两个CT的关系系数γ在四分之三和二分之一两个水平下的差异显著(p<0.05),其他10个CT均无显著差异(P>0.05);四分之三和二分之一两个水平下每个CT的关系系数γ均值分别与全样本下关系系数γ进行比较,平均差异度均值为6.01%,仅应用和综合两个CT的差异度超过10%。可见,结果具有较好的稳健性。

2. 3 作业过程还原检验

2. 3. 1 作业还原逻辑与思路

认知性VDT作业的本质是作业者对信息的处理过程,作业过程可以被分解为认知动素,包括元认知、信息辨识、信息存储、信息变形、信息搜索、信息比较、信息分类、信息选择、信息提取、信息综合、信息过滤、信息分解、信息应用。作业过程可以通过认知动素表征,解析为认知动素网链。前文分析结论显示,在实现同一作业任务时,不同的作业者(性别、性格、职业、知识背景等)的认知动素网链会存在差异。人才选拔、优化人才配置以及员工职业生涯设计是现代企业人力资源开发与管理的重要内容。目前,比较常采用的是职业能力测评、价值观测评、兴趣测评、个性测评以及智商测评等。这些测评在一定程度上可以体现作业者的职业适应程度以及职业倾向性。然而,仅从某一方面对劳动者的职业适应性进行测评并不全面。以常见的智商测评为例,其效标关联效度的大小长期存在争论。因此,关于人才测评问题产生了很多观点,有的人认为能力测评对人员选拔无效,有的人认为能力测评在部分工作背景下有效,有的人则认为能力测评对所有工作类型都适用。

实际上,对于不同的职业类型(认知性VDT作业类型)存在各自最佳认知动素链,不是任何人都能匹配此最佳认知动素链,也不一定通过职业培训后就能够适应最佳认知动素链的要求。因此,如果能够通过认知动素对不同的认知性VDT作业类型进行识别和分类,则表明可以通过认知动素对知识作业者的思维类型进行识别,从认知动素适用习惯的角度反映个人的职业适应性。

以往的研究大多关注人的个性特征和心理素质。因此,从认知动素使用习惯角度进行的职业适应性探讨将为个人职业选择、职业生涯设计、企业人才选拔、优化人才配置提供新的思路。

2. 3. 2 样本数据整理

由前文可知,为13个认知动素共设计了49个测试题项。测试题项采用Likert5点计分法,要求被试者在每个测试题项上就自己对该题项的使用频率进行作答。比如,关于元认知的1个题项,经常这样:5分,较多这样:4分,不清楚:3分,较少这样:2分,偶尔这样:1分。每名被试分别对49道测试题进行5标度作答,共收回有效问卷188份。所有被试者中,数字控制室操纵人员39人,软件技术人员34人,销售人员17人,财务人员18人,办公室行政管理人员18人,教学科研人员26人,本科及研究生36人。对188份问卷的使用频率答案数据整理后,获得188×49的矩阵数据,形式如表2-8所示。

表 2-8 矩阵数据表

表2-8(续)

2. 3. 3 BP神经网络模式识别模型

运用BP神经网络构建认知性VDT作业类型识别模型,利用基本认知动素对认知性VDT作业类型进行识别。

BP网络是一种单向传播的多层前向网络,信号前向传递,误差反向传递。前向传递中,输入信号(图2-4中X)从输入层经隐含层传递到输出层。每一层的神经元状态只影响下一层神经元。如果输出层得不到期望输出项(图2-4中Y),则转入反向传播,根据预测误差调整网络权值和阈值,从而使BP神经网络预测输出不断逼近期望输出。BP神经网络分类器如图2-4所示。

图 2-4 BP神经网络分类器

设计BP神经网络,将测量指标问卷中的49道测试题设为输入指标。根据表2-8,输入向量设为 ,神经元个数设置为49。共回收188份有效问卷,输入样本数据为188组。

输出指标为认知性VDT作业类型,涉及7种类型:数控室操控员39人、软件技术人员34人、教学科研人员26人、销售人员17人、财务人员18人、办公室行政管理人员18人、本科及研究生36人,输出向量设为 ,2,…,7),神经元个数设置为7。构建7种输出状态,分别为:①数控操控 =[1000000];②软件技术 =[0100000];③教学科研 =[0010000];④销售管理 =[0001000];⑤财务管理 =[0000100];⑥行政管理 =[0000010];⑦大学生 =[0000001]。

隐含层神经元个数取值可由经验公式 确定,b为输入神经元个数,c为输出神经元个数,a为1~10的整数。经过训练对比,确定隐含层神经元个数d=16,网络结构为49-16-7。

2. 3. 4 结果与讨论

训练神经网络,隐含层和输出层的传递函数分别采用logsig和tansig,训练采用trainscg函数。设定最大训练次数为5000,学习速率为0.01,误差平方和为0.001。共188组样本数据,其中:训练数据、验证数据和测试数据分别占70%、15%、15%。运行MatlabR2013a,训练965次后达到误差要求。模式识别结果如图2-5所示。

图 2-5 样本数据分类结果图

由图2-5可知,构建的BP神经网络识别模型训练、验证和测试的正确率分别为95.7%、96.6%和96.6%,总正确率为95.9%,模型精度较高。另外,结果也表明,通过认知动素对不同类型的认知性VDT作业进行识别和分类是可行的,可以通过认知动素对知识作业者的思维类型进行识别,为个人职业选择、职业生涯设计以及企业选拔人才提供了新的思路。

2. 4 本章小结

本章首先结合信息论和认知心理学相关理论,构建认知性VDT作业的信息加工过程模型,抽取认知动素并提出概念结构模型假设;其次运用问卷调查数据构建结构方程和测量方程,并对测量数据与结构方程模型的拟合度进行了分析;最后构建BP神经网络模式识别模型,对认知性VDT作业类型进行识别和分类。获得如下结论:

(1)认知性VDT作业过程可以由包括元认知在内的13个基本CT构成的认知动素集解析。

(2)从认知性VDT作业的信息加工过程模型视角,可将连续的认知性VDT作业过程离散化为CT网链后进行分析研究。

(3)结构方程模型分析证实了认知性VDT作业过程概念模型假设、元认知监测和控制其他12个CT。

(4)BP神经网络模式识别模型能对不同的认知性VDT作业类型进行识别和分类,不同类型的认知性VDT作业者的思维类型存在显著差异,这为个人职业选择、职业生涯设计以及企业选拔人才提供了新的思路。

(5)结论为认知性VDT作业过程解析提供了理论支持,为计算机模拟人的思维(人工智能)提供了理论参考,为认知作业解析从特殊形式向一般形式推进提供了新的研究范式。但如何识别并解析具体作业过程(如特定界面和条件下的认知性VDT监控作业、认知性VDT搜索作业等)的CT网链还需进一步研究。 QeybuQmNoRXDmZDYZNzpganfrTVrpBOFJDQ9gsLFO2XouZPSU671m4HjgaXABDNx

点击中间区域
呼出菜单
上一章
目录
下一章
×