机器。在本文中,我们研究了使用自动指纹识别系统 (AFIS) 对人类决策者的影响。我们向 23 名潜在指纹检查员提供了 3680 份 AFIS 列表(共 55,200 次比较),作为他们正常案件工作的一部分。我们操纵了 AFIS 列表中匹配指纹的位置。数据显示,潜在指纹检查员在错误排除和错误不确定方面受到匹配指纹位置的影响。此外,数据显示,错误识别错误更有可能出现在列表顶部,即使正确匹配出现在列表的更下方,也会发生此类错误。需要仔细研究和考虑这些影响,以便在使用 AFIS 等技术时优化人类决策。
目录 执行摘要……………………………………………………………………………… 简介…………………………………………………………………………..4 HEI 简介…………………………………………………………………………10 1. SHERPA………………………………………………………………………………15 2. HET – 人为错误模板………………………………………………………..23 3. TRACEr…………………………………………………………………………30 4. TAFEI – 错误识别任务分析…………………………………...37 5. 人为错误 HAZOP…………………………………………………………………47 6. THEA – 人为错误评估技术……………………………………54 7. HEIST – 系统工具中的人为错误识别………………………….63 8. HERA 框架…………………………………………………………………69 9. SPEAR – 预测错误分析与减少系统………………….75 10. HEART - 人为错误评估与减少技术……… ...路径分析………………………………………………...127 20. GOMS……………………………………………………………………...134 21. VPA – 言语协议分析………………………………………………..138 22. 任务分解 …………………………………………………………………144 认知任务分析简介……………………………………………………..150 23. ACTA – 应用程序
摘要 人们对海上自主水面舰艇 (MASS) 的兴趣日益增加,因为人们预测它们可以提高安全性、性能和操作能力。然而,它们的引入与人类操作员面临的许多持久的人为因素挑战(例如,监控自动化系统的困难)有关,而他们在岸边控制中心的“远程性”加剧了问题。本文旨在利用感知周期模型 (PCM) 的理论基础研究无人驾驶车辆操作员的潜在决策过程。选择了无人机 (UAV) 事故案例研究,因为它与通过地面控制中心操作 MASS 有相似之处。开发了两个 PCM;一个用于演示实际发生的事情,另一个用于演示应该发生的事情。通过比较这些模型,可以发现操作员的态势感知、明确定义的操作员角色、培训和界面设计对于从远程控制中心进行决策非常重要。