人間のパフォーマンスモデリング
人間研究の因数分解および定量化システム

ヒューマンパフォーマンスモデリング（HPM）は、人間の行動、認知、プロセスを定量化する手法です。これは、ヒューマンファクターの研究者や実務家が、人間の機能の分析と、最適なユーザーエクスペリエンスとインタラクションを実現するシステムの開発の両方に用いるツールです。[1]これは、インターフェース機能がオペレーターのパフォーマンスに与える影響を評価するための、他のユーザビリティテスト手法を補完するアプローチです。 [2]

歴史

人間工学および人間工学協会(HFES) は、2004 年に人間パフォーマンスモデリング技術グループを結成しました。人間工学は比較的新しい分野ではありますが、第二次世界大戦以降、人間パフォーマンスのモデルを構築し、適用してきました。人間のパフォーマンスモデルの初期の注目すべき例としては、ポール・フィッツの目的を持った運動モデル (1954) [3] 、ヒック (1952) [4]とハイマン (1953) [5]の選択反応時間モデル、およびスウェッツら (1964) の信号検出に関する研究などがあります。[6] HPM の最も初期の開発は、第二次世界大戦中に開発中だった軍事システムに対する人間システムのフィードバックを定量化する必要性から生まれたと考えられています (下記の手動制御理論を参照)。認知革命によってこれらのモデルの開発への関心が高まり続けました(下記の認知と記憶を参照)。[7]

人間のパフォーマンスモデル

人間のパフォーマンスモデルは、タスク、ドメイン、またはシステムにおける人間の行動を予測します。しかし、これらのモデルは、人間のパフォーマンス予測の正確性を保証するために、経験的な人間参加型データに基づき、それらと比較する必要があります。 [1]人間の行動は本質的に複雑であるため、相互作用を簡略化した表現は、特定のモデルの成功に不可欠です。システム、ドメイン、あるいはタスクにおける人間のパフォーマンスの完全な範囲と詳細を捉えるモデルは存在しないため、モデルを管理しやすいように、詳細は抽象化されます。詳細の省略は基礎心理学研究では問題となりますが、人間工学の専門家が最も関心を持つような応用分野ではそれほど問題になりません。[7]これは、内的妥当性と外的妥当性のトレードオフに関連しています。いずれにせよ、人間のパフォーマンスモデルの開発は複雑性科学の実践です。[8]特定のプロセスを支配する最も重要な変数の伝達と探索は、それらの変数が与えられた結果を正確に予測することと同じくらい重要です。[7]

ほとんどのヒューマンパフォーマンスモデルの目的は、特定の領域において、調査、設計、または評価の目的に役立つ十分な詳細を捉えることです。そのため、特定のモデルの領域はしばしば非常に限定されています。[7]特定のモデルの領域を定義し、伝えることは、システム分野としてのヒューマンファクターの実践、そしてヒューマンファクター全体にとって不可欠な特徴です。ヒューマンパフォーマンスモデルには、モデルが依拠する明示的および暗黙的な仮定または仮説が含まれており、通常は数学的であり、方程式またはコンピュータシミュレーションで構成されていますが、質的な性質を持つ重要なモデルも存在します。[7]

個々のモデルの起源は様々ですが、ヒューマンファクターの観点における問題への応用と利用方法は共通しています。これらは、人間のパフォーマンスの成果のモデル（例：人間のオペレーターと同じ意思決定結果を生成するモデル）、人間のパフォーマンスに関わるプロセスのモデル（例：意思決定に至るプロセスをシミュレートするモデル）、またはその両方である可能性があります。一般的に、これらは知覚と注意の配分、指揮と制御、認知と記憶の3つの領域のいずれかに属すると考えられていますが、感情、動機、社会的/集団的プロセスなど、他の領域のモデルもこの分野内で急速に成長し続けています。統合モデルも重要性を増しています。人体測定モデルと生体力学的モデルも、研究と実践において重要なヒューマンファクターツールであり、他のヒューマンパフォーマンスモデルと併用されていますが、それぞれプロセスや相互作用よりも静的な物理的特性に重点を置いており、ほぼ完全に異なる知的歴史を持っています。[7]

これらのモデルは、軍事、[9] [10]航空、[11]原子力、[12]自動車、[13 ]宇宙活動、[14]製造、[15]ユーザーエクスペリエンス/ユーザーインターフェイス (UX/UI) デザイン、[2]など、多くの業界や分野に適用でき、単純なものから複雑なものまで、人間とシステムの相互作用をモデル化するために使用されています。

モデルカテゴリー

コマンド＆コントロール

コマンド & コントロールの人間のパフォーマンス モデルは、オペレーターの出力動作の成果を記述するものであり、多くの場合、特定のタスクの相互作用における 器用さのモデルでもあります。

ヒック・ハイマン法律事務所

ヒック（1952）とハイマン（1953）は、選択反応時間課題の難易度は、状況の情報エントロピーによって大きく左右されると指摘している。彼らは、情報エントロピー（ H ）は選択課題における選択肢の数（n ）の関数であり、 H = log 2 ( n + 1)と表される。また、人間の反応時間（RT）はエントロピーの線形関数であり、RT = a + bHと表される。これは選択反応時間に関するヒック・ハイマンの法則として知られている。[7]

ポインティング

ボタン、ウィンドウ、画像、メニュー項目、コンピュータ画面上のコントロールなどの静止したターゲットをポイントすることは一般的であり、分析のための確立されたモデリングツールであるフィッツの法則（Fitts、1954）があります。これは、目的の動作を行う時間（MT）が動作の難易度の指標の線形関数であることを示しています：MT = a + bID。特定の動作の難易度の指標（ID）は、ターゲットまでの距離（D）とターゲットの幅（W）の比の関数です：ID = log 2 （2D/W）-情報理論から導き出される関係。[7]フィッツの法則は、Card、English、Burr（1978）の研究により、実際にコンピュータマウスの遍在性の原因となっています。フィットの法則の拡張は、空間的に移動するターゲットをポインティングすることにも適用され、ステアリングの法則は1971年にCG Druryによって最初に発見され[16] [17] [18]、後にAccott & Zhai（1997、1999）によって人間とコンピュータの相互作用の文脈で再発見されました。[19] [20]

手動制御理論

音楽家やアスリートが行うような複雑な運動タスクは、その複雑さゆえに、十分にモデル化されていません。しかし、人間の目標追跡行動は、HPMの成功例と言える複雑な運動タスクの一つです。

手動制御理論の歴史は長く、1800年代の水時計の制御にまで遡ります。しかし、1940年代には第二次世界大戦におけるサーボ機構の革新に伴い、レーダーアンテナ、砲塔、船舶・航空機といった当時のシステムをフィードバック制御信号によって連続的に制御・安定化するための広範な研究が行われました。

これらのシステムを安定して効率的に制御するために必要な制御システムを予測する分析方法が開発された (James、Nichols、& Phillips、1947)。 もともと時間応答、つまり感知された出力とモーター出力の時間関数としての関係に興味を持っていた James ら (1947) は、そのようなシステムの特性は、時間応答を周波数応答に変換した後で理解することによって最もよく特徴付けられることを発見しました。周波数応答は、システムが感知できる周波数範囲での応答における出力と入力の振幅および遅れに対する比率です。 これらの入力に線形に応答するシステムの場合、周波数応答関数は、伝達関数と呼ばれる数式で表すことができます。[7]これは、最初に機械システムに適用され、次に人間のパフォーマンスを最大化するための人間機械システムに適用されました。 人間による制御用砲塔の設計に関係していた Tustin (1947) は、非線形の人間の応答はある種の伝達関数で近似できることを初めて実証しました。マクルーアとクレンツェル（1957）は、タスティン（1947）以降の研究成果を統合し、人間の伝達関数の特性を測定・記録することで、人間のパフォーマンスを手動制御するモデルの時代を切り開きました。航空機に電気機械式および油圧式の飛行制御システムが導入されるにつれ、自動化システムや電子式人工安定システムによって、人間のパイロットが高度に繊細なシステムを制御できるようになりました。これらの伝達関数は、今日でも制御工学で使用されています。

このことから、人間の操作者がシステムのダイナミクスを内面化し、目標値からの二乗平均平方根（RMS）誤差などの目的関数を最小化する能力をモデル化するために、最適制御モデル（Pew & Baron, 1978）が開発されました。この最適制御モデルは、操作者の誤差信号を観測する能力におけるノイズや、人間の運動出力システムにおけるノイズも考慮に入れています。

しかし、技術の進歩とそれに続く自動化により、システムを手動で制御する必要性と欲求は低下しました。複雑なシステムに対する人間の制御は、現在では特定のシステムに対する監督的な性質を持つことが多く、ヒューマンファクターとHPMはどちらも、知覚運動タスクの研究から、人間のパフォーマンスの認知的側面へと移行しています。

注意＆感知

信号検出理論（SDT）

HPMの正式な一部ではないものの、信号検出理論は、特に統合モデルにおいて、この手法に影響を与えています。SDTは、ヒューマンファクターにおけるモデリングフレームワークとして最もよく知られ、最も広く用いられていると言えるでしょう。人間の感覚と知覚に関する教育において、重要な役割を担っています。応用分野において、対象となる状況は、人間のオペレータがノイズ背景下で信号の有無について二者択一の判断を下さなければならない状況です。この判断は、様々な重要な状況に適用できます。オペレータの反応とは別に、信号が存在するか存在しないかという2つの「真の」状態が考えられます。オペレータが信号が存在すると正しく認識した場合、これはヒット（H）と呼ばれます。信号がないのにオペレータが信号があると応答した場合、これは誤報（FA）と呼ばれます。信号がないのにオペレータが正しく応答した場合、これは正しい拒否（CR）と呼ばれます。信号が存在するのにオペレータがそれを識別できなかった場合、これはミス（M） と呼ばれます。

応用心理学とヒューマンファクターにおいて、SDTは認識、記憶、適性検査、警戒といった研究課題に応用されています。警戒とは、オペレーターが時間の経過とともに稀な信号を検知する能力を指し、様々な領域におけるヒューマンファクターにとって重要です。

注意における発展分野の一つは視覚的注意の制御であり、これは「人は次にどこを見るだろうか？」という問いに答えようとするモデルである。その一部は視覚探索、すなわち視野内の特定の物体をどれだけ速く見つけられるかという問題に関わる。これは様々な分野におけるヒューマンファクターの共通の関心事であり、認知心理学において長い歴史を持つ。この研究は、サリエンシーとサリエンシーマップという現代的な概念を継承している。この分野における人間のパフォーマンスモデリング技術としては、Melloy、Das、Gramopadhye、Duchowski (2006) による、人間の操作者が均質なディスプレイをスキャンするのにかかる時間の上限と下限を推定するマルコフモデルに関する研究が挙げられる。 [21] WitusとEllis (2003) による別の例としては、複雑な画像における地上車両の検出に関する計算モデルが挙げられる。[22]コンピュータユーザーがメニューオプションを選択する確率が、項目の特定のサブセットがハイライト表示されている場合に不均一であるという問題に直面し、Fisher、Coury、Tengs、Duffy (1989) は、与えられた確率分布における、与えられた総項目数に対してハイライト表示される項目の最適な数を求める式を導出した。[23]視覚探索は多くのタスクにおいて不可欠な要素であるため、視覚探索モデルは現在、モデリングシステムの統合という文脈で開発されている。例えば、FleetwoodとByrne (2006) は、ラベル付きアイコンの表示を通して視覚探索を行うACT-Rモデルを開発し、アイコンの品質とセットサイズが探索時間だけでなく眼球運動にも及ぼす影響を予測した。[7] [24]

ビジュアルサンプリング

多くのドメインには複数のディスプレイが含まれており、単純な離散的な「はい/いいえ」応答時間測定以上のものが求められます。こうした状況における重要な問いは、「オペレータはYと比較してXをどれくらいの時間をかけて見ているのか？」、あるいは「オペレータが重要なイベントを見逃す可能性はどれくらいなのか？」といったものかもしれません。視覚サンプリングは、外界から情報を得るための主要な手段です。[25]この分野における初期のモデルは、Sender (1964, 1983) によるもので、オペレータがそれぞれ変化率の異なる複数のダイヤルを監視することに基づいています。[26] [27]オペレータは、できる限り離散サンプリングに基づいて元のダイヤルセットを再構築しようとします。これは、W Hzの信号は1/W秒ごとにサンプリングすることで再構築できるという数学的なナイキスト定理に基づいています。これを各信号の情報生成速度の測定値と組み合わせることで、各ダイヤルの最適なサンプリング速度と滞留時間を予測しました。人間の限界により、人間のパフォーマンスは最適なパフォーマンスに匹敵することはできないが、モデルの予測力は、アクセスコストと情報サンプル値を考慮したシェリダン（1970）のモデルの拡張など、この分野における将来の研究に影響を与えた。[7] [28]

Wickens ら (2008) による現代的な概念化は、顕著性、努力、期待値、価値 (SEEV) モデルです。これは、特定の関心領域 (AOI) が注目される確率を記述するスキャン行動モデルとして研究者 (Wickens ら、2001) によって開発されました。SEEV モデルは、p(A) = sS - efEF + (exEX)(vV)で記述され、p(A)は特定の領域がサンプルとなる確率、Sはその領域の顕著性、 EF は新しい AOI に注意を再割り当てするために必要な努力(現在注目している場所から AOI までの距離に関連)、EX (期待値) は期待イベント レート (帯域幅)、Vはその AOI の情報の価値 (関連性と優先度の積 (R*P)) です。[25]小文字の値はスケーリング定数です。この方程式は、オペレータがどのように振る舞うべきかについての最適かつ規範的なモデルを導出し、その振る舞いを特徴づけることを可能にします。Wickensら（2008）は、環境の自由パラメータの絶対的な推定を必要とせず、関心領域と比較した他の領域の相対的な顕著性のみを推定するモデルのバージョンも生成しました。[7]

視覚的識別

個々の文字の視覚的識別モデルとしては、ギブソン（1969）、ブリッグスとホセバー（1975）、マクレランドとルメルハート（1981）のモデルが挙げられます。マクレランドとルメルハート（1981）のモデルは、単語優位効果の説明で知られる、より大規模な単語認識モデルの一部です。これらのモデルは非常に詳細で、特定の文字の小さな効果について定量的な予測を行うことで知られています。[7]

奥行き知覚

質的 HPM の例としては、Cutting と Vishton (1995) による奥行き知覚のモデルが挙げられます。このモデルは、奥行き知覚の手がかりがさまざまな距離でより効果的であることを示しています。

作業負荷

作業負荷の概念の正確な定義や測定方法はヒューマンファクターのコミュニティで議論されているが、その概念の重要な部分は、人間の作業者には一定の能力限界があり、その限界を超えることはパフォーマンスの低下を招くリスクがあるという点である。例えば、物理的な作業負荷については、人が繰り返し持ち上げるべき最大重量があると考えられる。しかし、作業負荷の概念は、超過すべき能力が注意力に関するものである場合、より議論を呼ぶ。人間の注意力の限界とは一体何なのか、そして注意力とは一体何を意味するのか？人間のパフォーマンスモデリングは、この分野に関する貴重な洞察を生み出している。[7]

ByrneとPew (2009)は、基本的な作業負荷に関する問いの例として、「課題Aと課題Bはどの程度干渉するのか？」を考察しています。彼らはこれを心理的不応期（PRP）パラダイムの基礎としています。被験者は2つの選択反応時間課題を実施します。2つの課題はある程度干渉しますが、特に被験者が2つの課題の刺激に反応しなければならない場合、時間的に近接した状況で干渉が顕著になります。しかし、干渉の程度は通常、どちらの課題にも要する合計時間よりも小さくなります。応答選択ボトルネックモデル（Pashler, 1994）は、各課題が知覚、応答選択（認知）、運動出力という3つの要素から構成されるという点で、この状況を適切にモデル化しています。注意の制約、つまり作業負荷の所在は、応答選択が一度に1つの課題に対してしか行えないという点にあります。このモデルは数多くの正確な予測を行い、モデルが考慮できない予測は認知アーキテクチャによって対処されます（Byrne & Anderson, 2001; Meyer & Kieras, 1997）。単純な二重課題の状況では、注意力と作業負荷が定量化され、意味のある予測が可能になります。[7]

Horrey と Wickens (2003) は次のような疑問を考察している。二次タスクはどの程度運転パフォーマンスに影響を与えるのか、そしてそれは運転の性質と二次タスクで提示されるインターフェースに依存するのか。多重タスク干渉には複数の場所 (処理の段階、処理のコード、および様相) があると提唱する多重リソース理論(Wickens, 2002, 2008; Navon & Gopher, 1979) に基づくモデルを用いて、研究者らは、2 つのタスクが特定の次元内で同じリソースを使用する程度に比例して、タスク間の干渉が増大すると示唆している。運転自体が聴覚よりも視覚的様相に強い要求をするため、読み上げタスクの視覚的提示は聴覚的提示よりも運転に大きく影響を与えるはずである。[7]

マルチリソース理論はヒューマンファクターにおける最もよく知られた作業負荷モデルですが、定性的に表現されることが多々あります。HPM手法への適用においては、詳細な計算実装がより良い選択肢となります。例えば、HorreyとWickens (2003)のモデルは汎用性が高く、多くの分野に適用可能です。タスクネットワークモデリングなどの統合的なアプローチも、文献でますます普及しつつあります。[7]

数字タイピングは重要な知覚運動タスクであり、そのパフォーマンスはさまざまなペース、指の戦略、状況の緊急性によって変化する可能性があります。キューイングネットワークモデルヒューマンプロセッサ（QN-MHP）という計算アーキテクチャにより、知覚運動タスクのパフォーマンスを数学的にモデル化できます。現在の研究では、トップダウン制御メカニズム、閉ループ運動制御、指関連の運動制御メカニズムを使用してQN-MHPを拡張し、それぞれタスク干渉、エンドポイントの減少、および力の不足を考慮しました。このモデルでは、ニューロモーターノイズ理論も組み込まれており、タイピングのエンドポイントの変動を定量化できます。タイピング速度と精度に関するモデル予測は、LinとWu（2011）の実験結果で検証されました。結果として得られた二乗平均平方根誤差は、応答時間では3.68％で相関は95.55％、タイピング精度では35.10％で相関は96.52％でした。このモデルは、さまざまな数値入力状況における音声合成やキーボード設計に最適な音声速度を提供するために適用できます。[29]

心理的不応期（PRP）は、二重課題情報処理の基本的かつ重要な形態である。既存のPRPの直列処理モデルまたは並列処理モデルは、様々なPRP現象をうまく説明してきたが、それぞれのモデルは、その予測やモデル化メカニズムに対する少なくとも1つの実験的反例に遭遇する。本稿では、PRPの待ち行列ネットワークに基づく数理モデルについて説明する。このモデルは、既存のモデルが遭遇する主要な反例をすべて含む閉形式方程式を用いて、PRPにおける様々な実験結果をモデル化することができる。このモデル化研究は、PRPに対する代替的な理論的説明も提供し、「待ち行列」と「ハイブリッド認知ネットワーク」という理論的概念が、認知アーキテクチャとマルチタスクパフォ​​ーマンスを理解する上で重要であることを示している。[30]

認知と記憶

行動主義から認知の研究への心理学のパラダイムシフトは、人間のパフォーマンスモデリングの分野に大きな影響を与えました。記憶と認知に関しては、ニューウェルとサイモンによる人工知能と一般問題解決システム（GPS; Newell & Simon, 1963）に関する研究で、計算モデルが人間の基本的な認知行動を効果的に捉えられることが実証されました。ニューウェルとサイモンは、人間の認知システムが知覚システムから受け取るビット数を数えるといった情報量だけでなく、実際に実行される計算そのものに着目していました。彼らは、認知と計算の比較や、計算が認知の重要な側面をシミュレートする能力の初期の成功に決定的に関与し、その結果、コンピュータサイエンスの中に人工知能というサブ分野が生まれ、心理学界における認知の見方が変わりました。認知プロセスは、個別の電子回路のように文字通りビットを反転させるわけではありませんが、先駆者たちは、あらゆる汎用計算機が、物理的な等価性なしに、他の計算機で使用されているプロセスをシミュレートできることを示しました（Phylyshyn, 1989; Turing, 1936）。認知革命により、あらゆる認知をモデル化によって捉えられるようになり、これらのモデルは現在、単純なリスト記憶から、コミュニケーションの理解、問題解決と意思決定、イメージ、そしてそれ以上の領域に至るまで、幅広い認知領域を網羅しています。[7]

よく知られた例としては、アトキンソン・シフリン（1968）による記憶の「様相」モデルが挙げられます。また、ここに記載されていない情報については、 「認知モデル」を参照してください。

日常的な認知スキル

記憶と認知の一分野は、日常的な認知スキルのモデル化に関するものです。つまり、オペレータがタスクの実行方法に関する正しい知識を持ち、その知識を実行するだけでよい場合です。多くのオペレータは十分な訓練を受けており、手順が日常的になっているため、この手法は広く応用可能です。この分野の研究者によって普及し、明確に定義されたGOMS（目標、オペレータ、方法、選択ルール）と呼ばれるヒューマンパフォーマンスモデル群（Card et al., 1983; John & Kieras, 1996a, 1996b）は、もともとコンピュータインターフェースのユーザーモデルに適用されていましたが、その後、他の分野にも拡張されました。これらは様々な関心事や規模の分析に適した有用なHPMツールですが、ユーザーエラーの分析に関しては限界があります（GOMSをエラー処理に拡張する取り組みについては、Wood & Kieras, 2002を参照）。[7]

GOMSモデルの最も単純な形式は、キーストロークレベルモデル（KLM）です。これは、ユーザーが特定のタスクを完了するために実行する必要があるすべての物理的動作（例：キーストローク、マウスクリック）、つまり操作がリスト化されています。精神的な操作（例：画面上のオブジェクトを見つける）は、単純な一連のルールを用いてこれを補完します。各操作には時間が割り当てられており（例：キーストロークは280ミリ秒）、タスクにかかる合計時間は操作時間を合計することで推定されます。そして、それぞれの推定実行時間を用いて、2つの手順の効率を比較することができます。この形式のモデルは非常に近似的ですが（多くの仮定が恣意的に採用されています）、今日でも使用されているモデル形式です（例：車載情報システムや携帯電話）。[7]

GOMS には次のような詳細なバージョンが存在します:

-- CPM-GOMS：「認知、知覚、運動」および「クリティカルパス法」（John & Kieras, 1996a, 1996b） - パフォーマンスを数十から数百ミリ秒続く基本的なCPM単位に分解する試み（CPM-GOMSモデルにおける多くの操作の持続時間は、特にCard et al., 1983などの出版された文献から引用されている）。[7]

-- GOMSL / NGOMSL：GOMS言語または自然GOMS言語は、目標の階層的分解に焦点を当てていますが、分析には方法（人々が目標を達成するために使用する手順）も含まれています。KLMにおける多くの一般的な思考操作は、人々の手続き的知識を方法へと組織化する認知活動の詳細な記述に置き換えられています。詳細なGOMSL分析により、実行時間だけでなく、手順の学習にかかる時間や、既知の手順に基づいて期待される転移量も予測できます（Gong and Kieras, 1994）。これらのモデルは、ユーザーインターフェースの再設計に役立つだけでなく、複数のタスクの実行時間と学習時間を定量的に予測するのにも役立ちます。[7]

意思決定

ヒューマンファクターにとって興味深いもう1つの重要な認知活動は、判断と意思決定です。これらの活動は、手順が事前にわかっている日常的な認知スキルとは著しく対照的です。多くの状況では、操作者が不確実性の中で判断を下すこと、つまり品質の評価を生成したり、多くの選択肢の中から選択したりすることが求められるからです。数学や経済学を含む多くの学問分野がこの研究分野に大きく貢献していますが、これらのモデルの大部分は人間の行動をモデル化するのではなく、主観的期待効用理論(Savage、1954 年、von Neumann & Morgenstern、1944 年) などの最適行動をモデル化しています。最適行動モデルは重要かつ有用ですが、人間のパフォーマンスの比較基準を考慮していません。ただし、この領域における人間の意思決定の多くの研究では、人間のパフォーマンスを数学的に最適な定式と比較しています。この例としては、Kahneman と Tversky (1979) のプロスペクト理論や Tversky (1972)の側面消去法モデルなどがあります。あまり形式的ではないアプローチとしては、トヴェルスキーとカーネマンによるヒューリスティックスとバイアスに関する独創的な研究、ギゲレンツァーによる「速くて質素な」近道に関する研究（ギゲレンツァー、トッド、ABCリサーチグループ、2000年）、パウネ、ベットマン、ジョンソン（1993年）による適応戦略の記述モデルなどがある。[7]

最適なパフォーマンスが不確実な場合もありますが、その強力で人気の高い例の 1 つがレンズ モデル(Brunswick、1952 年、Cooksey、1996 年、Hammond、1955 年) です。このモデルは、ポリシーの捕捉、認知制御、およびキューの利用を扱い、航空 (Bisantz & Pritchett、2003 年)、指揮統制 (Bisantz 他、2000 年)、就職面接における人間の判断の調査 (Doherty、Ebert、& Callender、1986 年)、財務分析 (Ebert & Kruse、1978 年)、医師の診断 (LaDuca、Engel、& Chovan、1988 年)、教師の評価 (Carkenord & Stephens、1944 年)、その他多数の分野で使用されています。[7]このモデルには限界がありますが (Byrne & Pew (2009 年) で説明)、非常に強力であり、ヒューマン ファクターの専門家の間ではまだ十分に活用されていません。[7]

状況認識（SA）

SAのモデルは、記述的（Endsley, 1995）から計算的（Shively et al., 1997）まで多岐にわたる。[14] [31] [32] HPMで最も有用なモデルは、McCarley et al.（2002）によるA-SAモデル（注意／状況認識）である。このモデルは、知覚／注意モジュールと認知SA更新モジュールという2つの半独立コンポーネントを組み込んでいる。[14]このA-SAモデルのP/Aモデルは、視覚的注意理論に基づいている。[33]（Bundesen, 1990）（McCarley et al., 2002を参照）。[14]

統合モデル

これまでに述べられたこれらのモデルの多くは、その適用範囲が非常に限られています。SDTの拡張版は、他の様々な判断領域をカバーするために数多く提案されてきましたが（TD Wickens, 2002を参照）、そのほとんどは普及せず、SDTは依然として二項対立的な状況に限定されています。しかし、これらのモデルの適用範囲の狭さは、ヒューマンファクターに限ったものではありません。例えば、ニュートンの運動法則は電磁気学に関してほとんど予測力がありません。しかし、これはヒューマンファクターの専門家にとってフラストレーションの要因となります。なぜなら、生体内での実際の人間のパフォーマンスは、人間の能力の幅広い範囲に依存しているからです。Byrne & Pew (2009) が述べているように、「パイロットは1分の間に、視覚的な捜索、ボタンの照準と押下、定型的な手順の実行、複数の手がかりに基づく確率的判断」など、基本的なヒューマンパフォーマンスモデルで説明されるほぼすべてのことを容易に実行できるのです。[7]全米科学アカデミーによるHPMの基礎レビュー（Elkind, Card, Hochberg, & Huey, 1990）では、HPMにおける統合が未解決の大きな課題であると指摘されています。この問題は未解決のままですが、複数のモデルを統合・統一し、領域をまたぐシステムを構築するための取り組みは行われてきました。ヒューマンファクターズにおいては、これを実現し、普及している主要なモデリング手法として、タスクネットワークモデリングと認知アーキテクチャの2つが挙げられます。[7]

タスクネットワークモデリング

ネットワークモデルという用語は、特定のモデルを指すのではなく、モンテカルロシミュレーションを含むモデリング手順を指します。モデリングフレームワークは理論的なものではないものの、それを用いて構築されるモデルの品質は、その作成に使用された理論とデータの品質に左右されます。[7]

モデラーがタスクのネットワークモデルを構築する際、最初のステップは、タスクを個別のサブタスクに分解するフローチャートを作成することです。各サブタスクはノード、それらを接続するシリアルパスとパラレルパス、そして結果として得られるネットワーク全体の流れを制御するゲーティングロジックで構成されます。人間とシステムのパフォーマンスをモデル化する場合、一部のノードは人間の意思決定プロセスやタスク実行を表し、一部のノードはシステム実行サブタスクを表し、一部のノードは人間と機械のパフォーマンスを1つのノードに集約します。各ノードは、統計的に指定された完了時間分布と完了確率によって表されます。これらの仕様がすべてコンピュータにプログラムされると、ネットワークはモンテカルロ法で繰り返し実行され、アナリストが関心を持つ集約パフォーマンス指標の分布を構築します。この技術の鍵は、モデラーがノードとパスを表現するための適切な抽象度を選択し、各ノードの統計的に定義されたパラメータを推定することです。推定値の裏付けと検証のために、人間が介入するシミュレーションが実施されることもあります。この方法や関連する方法、代替アプローチの詳細については、Laughery、Lebiere、Archer（2006年）やSchweickertと同僚のSchweickert、Fisher、Proctor（2003年）などの研究を参照してください。[7]

歴史的に、タスクネットワークモデリングは、待ち行列理論とエンジニアリングの信頼性および品質管理のモデリングに端を発しています。心理学者のアート・シーゲルは、信頼性手法を人間と機械のパフォーマンスに関するモンテカルロシミュレーションモデルに拡張することを初めて考案しました（Siegel & Wolf, 1969）。1970年代初頭、米国空軍はSAINT（Systems Analysis of Integrated Networks of Tasks）の開発を支援しました。これは、人間と機械のタスクネットワークのモンテカルロシミュレーションのプログラミングを支援するために特別に設計された高水準プログラミング言語です（Wortman, Pritsker, Seum, Seifert, & Chubb, 1974）。このソフトウェアの現代版はMicro Saint Sharpです（Archer, Headley, & Allender, 2003）。このソフトウェアファミリーは、Micro Saintとの共通性と特異性の程度が異なる、一連の特殊用途プログラムを生み出しました。これらの中で最も有名なのは、米国陸軍が後援する（MANPRINTをベースとした） IMPRINTシリーズ（Improved Performance Research Integration Tool）[34]であり、特定のヒューマンパフォーマンスモデリングアプリケーションに特化して適合したモデリングテンプレートを提供しています（Archer et al., 2003）。ワークロードに特化したプログラムとしては、W/INDEX（North & Riley, 1989）とWinCrew（Lockett, 1997）があります。

これらのプログラムを用いたネットワークアプローチによるモデリングは、コンピュータシミュレーション技術と人間のパフォーマンス分析に関する一般的な知識を持つ個人にとって技術的にアクセスしやすいため、広く普及しています。タスク分析から得られるフローチャートは、自然と正式なネットワークモデルへと繋がります。これらのモデルは、ヒューマンコンピュータインターフェースを使用する個人のシミュレーションから、病院の救急センターにおける潜在的な交通流の分析まで、特定の目的に合わせて開発することができます。これらのモデルの弱点は、過去のデータや理論、あるいは第一原理からパフォーマンス時間と成功確率を導き出すのが非常に難しいことです。これらのデータは、モデルの基本的な内容を提供します。

認知アーキテクチャ

認知アーキテクチャとは、人間の認知に関する広範な理論であり、幅広い人間の経験的データに基づいており、一般的にはコンピュータシミュレーションとして実装されます。これは、人間の認知における、時間の経過に伴って比較的一定であり、タスクに依存しない側面に関する科学的仮説を具体化したものです（Gray, Young, & Kirschenbaum, 1997; Ritter & young, 2001）。認知アーキテクチャは、断片的な経験的現象をコンピュータシミュレーションモデルの形で理論的に統合しようとする試みです。理論はヒューマンファクターの応用には不十分ですが、1990年代以降、認知アーキテクチャには感覚、知覚、行動のメカニズムも含まれるようになりました。その初期の例としては、実行プロセス対話型制御モデル（EPIC; Kieras, Wood, & Meyer, 1995; Meyer & Kieras, 1997）とACT-R（Byrne & Anderson, 1998）が挙げられます。

認知アーキテクチャにおけるタスクのモデル（一般的に認知モデルと呼ばれる）は、アーキテクチャとタスクを実行するための知識の両方から構成されます。この知識は、モデル化される活動のタスク分析を含むヒューマンファクター手法を通じて獲得されます。認知アーキテクチャは、タスクが実行される環境の複雑なシミュレーションとも関連しており、場合によっては、人間がタスクを実行するために実際に使用するソフトウェアと直接やり取りすることもあります。認知アーキテクチャは、パフォーマンスに関する予測を生成するだけでなく、実際のパフォーマンスデータも出力します。つまり、タスクにおける実際の人間のパフォーマンスと比較できる、タイムスタンプ付きのアクションシーケンスを生成することができます。

認知アーキテクチャの例としては、EPICシステム（Hornof & Kieras, 1997, 1999）、CPM-GOMS（Kieras, Wood, & Meyer, 1997）、Queuing Network-Model Human Processor（Wu & Liu, 2007, 2008）、[35] [36] ACT-R（Anderson, 2007; Anderson & Lebiere, 1998）、QN-ACTR（Cao & Liu, 2013）などがある。[37]

キューイングネットワークモデル（Queuing Network-Model）を用いた人間プロセッサモデルは、運転者が運転速度と制限速度をどのように認識し、速度を選択し、決定した運転速度を実行するかを予測するために使用された。このモデルは、意図しない速度違反の大部分を予測する感度（平均d'は2.1）と精度（平均テスト精度は86%以上）を示した[35]。

ACT-Rは、さまざまな現象をモデル化するために使用されてきました。複数のモジュールで構成され、それぞれが人間のシステムの異なる側面をモデル化しています。モジュールは特定の脳領域に関連付けられており、ACT-Rはそれらの領域の部分における神経活動を正確に予測しています。各モデルは本質的に、その分野の研究文献から得られた、システム全体のその部分がどのように機能するかについての理論を表しています。たとえば、ACT-Rの宣言的記憶システムは、頻度と新しさを考慮した一連の方程式に基づいており、文脈が与えられた場合の必要性確率のベイズ概念が組み込まれており、学習とパフォーマンスの方程式も組み込まれています。一部のモジュールは他のモジュールよりも忠実度が高くなっています。手動モジュールはフィットの法則やその他の単純な動作原理が組み込まれていますが、最適制御理論モデルほど詳細ではありません（現時点では）。ただし、これらのモジュールはそれぞれ、強力な経験的検証が必要であると考えられています。これは ACT-R にとって利点でもあり限界でもあります。認知、知覚、運動の要素の統合にはまだ多くの課題が残されていますが、このプロセスは有望です (Byrne、2007 年、Foyle および Hooey、2008 年、Pew および Mavor、1998 年)。

集団行動

チーム/クルーのパフォーマンスモデリング

GOMS は、複雑なチームタスク (Kieras & Santoro、2004) とグループ意思決定 (Sorkin、Hays、& West、2001) の両方をモデル化するために使用されてきました。

モデリングアプローチ

コンピュータシミュレーションモデル/アプローチ

例: IMPRINT (改良パフォーマンス研究統合ツール)

数学モデル/アプローチ

例:認知モデル

HPMモデルの比較

異なるHPMモデルを比較する方法の一つは、AIC（赤池情報量基準）を計算し、相互検証基準を考慮することである。[38]

利点

人間のパフォーマンス領域でモデリング技術を使用すると、多くの利点が得られます。

特異性

心理学における説明の大部分は、定性的であるだけでなく、曖昧でもある。「注意」「処理能力」「作業負荷」「状況認識」（SA）といった概念は、一般的な概念であれ人間特有の概念であれ、応用分野では定量化が難しい場合が多い。研究者によってこれらの用語の定義は異なり、それぞれの用語のデータを特定することも同様に困難である。対照的に、形式モデルでは、通常、理論用語を明示的に特定する必要がある。特異性は、説明が内部的に首尾一貫していることを要求する。一方、言語理論はしばしばあまりにも柔軟であるため、一貫性を保てず、その使用によって矛盾した予測が導き出される可能性がある。しかし、すべてのモデルが本質的に定量的であるわけではなく、したがって、すべてのモデルが特異性の恩恵を同程度に提供するわけではない。[7]

客観性

形式モデルは一般的にモデル作成者に依存しません。特定のモデルの構築には高度なスキルが求められますが、一度構築されれば、適切な知識を持つ人なら誰でも実行したり解いたりすることができ、誰がモデルを実行したり解いたりしても、モデルは同じ予測を生成します。予測はもはや、一人の専門家のバイアスや直感に左右されるのではなく、公開可能な仕様に基づいて行われます。[7]

定量性

多くの人間のパフォーマンスモデルは定量的な予測を行うが、これは応用場面において極めて重要である。多くの心理学実験で標準的に用いられている仮説検定法を用いた純粋に経験的な手法は、「AとBは異なるのか？」そして「この差は統計的に有意なのか？」といった漠然とした問いへの回答を提供することに重点を置いている。一方、形式モデルは「AはBよりx%遅い」といった有用な定量的な情報を提供することが多い。[7]

明瞭さ

人間のパフォーマンスモデルは、観察された差異を説明するという点で明確さを提供します。このような説明は、厳密に経験的な方法では一般的に提供されません。[7]

問題

誤解

多くの人間のパフォーマンスモデルは、人工知能（AI）の手法やシステムと重要な特徴を共有しています。AI研究の目的は、知的な行動を示すシステムを開発することですが、その知性が人間のパフォーマンスにどの程度類似しているか、あるいはどの程度予測しているかは考慮されません。しかし、AI手法とHPMの区別は時として不明確です。例えば、スパムメールをフィルタリングするために使用されるベイズ分類器は、人間の分類性能（スパムメールをスパムとして分類し、非スパムメールを輸入メールとして分類する）に近似しており、高度な知能システムですが、メッセージ自体の意味の解釈には依存せず、統計的手法に依存しています。しかしながら、ベイズ分析は人間のパフォーマンスモデルにも不可欠な場合があります。[7]

有用性

モデルは、人間のパフォーマンスの成果よりも、人間のパフォーマンスに関わるプロセスに焦点を当てる可能性があり、そのため、人間工学の実践における有用性が制限される可能性があります。[7]

抽象化

理解しやすいモデルに必要な抽象化は、正確さと相反する。ヒューマンファクターの実践においてモデルを応用する上で、一般性、簡潔性、そして理解しやすさは重要であるが、多くの価値あるヒューマンパフォーマンスモデルは、大学院生やポスドクの訓練を受けていない者には理解しにくい。例えば、フィッツの法則は学部生でも容易に理解できるが、レンズモデルは重回帰分析の深い理解を必要とし、ACT-R型モデルの構築には高度なプログラミングスキルと長年の経験が必要である。複雑なモデルの成功例も少なくないが、HPMの実践者は、正確性と使いやすさの間のトレードオフを認識しておく必要がある。[7]

フリーパラメータ

ほとんどのモデルベースの科学と同様に、人間のパフォーマンスのモデルに蔓延する自由パラメータも、事前に経験的データを必要とする。[7]特定のモデルを実行するために必要な経験的データの収集には限界があり、それが特定のモデルの適用に制約を及ぼす可能性がある。

検証

人間のパフォーマンス モデルの検証は、HPM の科学にとって最も重要なことです。

通常、研究者は実験データとモデルの予測値の間で R 平方と二乗平均平方根 (RMS) を使用します。

さらに、妥当性は人間のデータとモデルの出力を比較することで評価できるが、自由パラメータは柔軟であるため、データに誤って適合してしまう可能性がある。[7]

共通用語

-自由パラメータ：モデルの予測値を最大限に一致させるために、モデル化されるデータから値が推定されるモデルのパラメータ。[39]

-決定係数 ( R 平方) : 直線または曲線は、データが統計モデルにどの程度適合しているかを示します。

-二乗平均平方根 （RMS）：一連の数値の二乗の算術平均の平方根として定義される統計的尺度。[40]

参照

認知アーキテクチャ

認知モデル

認知革命

意思決定

奥行き知覚

ヒューマンファクター

ヒューマンファクターズ（ジャーナル）

ヒューマンファクターズ＆エルゴノミクス協会

手動制御理論

マルコフモデル

数理心理学

モンテカルロ

顕著性

信号検出理論

状況認識

ビジュアル検索

作業負荷

参考文献

  1. ^ ab Sebok, A., Wickens, C., & Sargent, R. (2013年9月). メタ分析結果とデータ収集を用いたヒューマンパフォーマンスモデル開発のサポート.ヒューマンファクターズ・エルゴノミクス学会年次会議論文集(第57巻第1号, pp. 783-787). SAGE Publications.
  2. ^ ab Carolan, T., Scott-Nash, S., Corker, K., & Kellmeyer, D. (2000年7月). 人間パフォーマンスモデリングの高度なユーザーインターフェース機能の評価への応用.ヒューマンファクターズ・エルゴノミクス学会年次会議論文集(第44巻、第37号、650-653ページ). SAGE Publications.
  3. ^ Fitts, PM (1954). 「運動の振幅を制御する際の人間の運動システムの情報容量」. Journal of Experimental Psychology . 47 (6): 381–91 . doi :10.1037/h0055392. PMID  13174710. S2CID  501599.
  4. ^ Hick, WE (1952). 「情報獲得速度について」.実験心理学季刊誌. 4 (1): 11– 26. doi : 10.1080/17470215208416600 . S2CID  39060506.
  5. ^ Hyman, R (1953). 「反応時間の決定要因としての刺激情報」. Journal of Experimental Psychology . 45 (3): 188–96 . doi :10.1037/h0056940. PMID  13052851. S2CID  17559281.
  6. ^ Swets, JA, Tanner, WP, & Birdsall, TG (1964). 知覚における意思決定プロセス.人間の観察者における信号検出と認識, 3-57.
  7. ^ abcdefghijklmnopqrstu vwxyz aa ab ac ad ae af ag ah ai aj ak al Byrne, Michael D.; Pew, Richard W. (2009-06-01). 「人間のパフォーマンスモデリングの歴史と入門」. Reviews of Human Factors and Ergonomics . 5 (1): 225– 263. doi :10.1518/155723409X448071. ISSN  1557-234X.
  8. ^ Warwick, W., Marusich, L., Buchler, N. (2013年9月). 複雑系と人間のパフォーマンスモデリング.ヒューマンファクターズ・エルゴノミクス学会年次会議論文集(第57巻第1号, pp. 803-807). SAGE Publications.
  9. ^ Lawton, CR, Campbell, JE, & Miller, DP (2005).システムオブシステムズ分析のための人間パフォーマンスモデリング：兵士の疲労(No. SAND2005-6569). サンディア国立研究所.
  10. ^ Mitchell, DK, & Samms, C. (2012). 人間のパフォーマンスモデルを用いた兵士の作業負荷とパフォーマンスの予測のための分析的アプローチ.将来の軍事作戦における人間とロボットの相互作用.
  11. ^ Foyle, DC, Hooey, BL (編). (2007).航空における人間のパフォーマンスモデリング. CRC Press.
  12. ^ O'Hara, J. (2009).原子力発電所の設計と評価への人間パフォーマンスモデルの適用：レビューガイダンスと技術的基礎BNL-90676-2009). ニューヨーク州ブルックヘブン国立研究所.
  13. ^ Lim, JH; Liu, Y.; Tsimhoni, O. (2010). 「夜間視力および歩行者検知システムを用いた運転パフォーマンスの調査—パート2：待ち行列ネットワークにおける人間のパフォーマンスモデリング」IEEE Transactions on Intelligent Transportation Systems . 11 (4): 765– 772. doi :10.1109/tits.2010.2049844. S2CID  17275244.
  14. ^ abcd McCarley, JS, Wickens, CD, Goh, J., & Horrey, WJ (2002年9月). 注意／状況認識の計算モデル.ヒューマンファクターズ・エルゴノミクス学会年次会議論文集(第46巻、第17号、pp. 1669-1673). SAGE Publications.
  15. ^ Baines, TS; Kay, JM (2002). 「製造システム設計プロセスにおける支援としてのヒューマンパフォーマンスモデリング：パイロットスタディ」. International Journal of Production Research . 40 (10): 2321– 2334. doi :10.1080/00207540210128198. S2CID  54855742.
  16. ^ DRURY, CG (1971-03-01). 「横方向の制約を伴う動作」.人間工学. 14 (2): 293– 305. doi :10.1080/00140137108931246. ISSN  0014-0139. PMID  5093722.
  17. ^ Drury, CG; Daniels, EB (1975-07-01). 「横方向に制約された動作におけるパフォーマンスの限界」.人間工学. 18 (4): 389– 395. doi :10.1080/00140137508931472. ISSN  0014-0139.
  18. ^ Drury, Colin G.; Montazer, M. Ali; Karwan, Mark H. (1987). 「最適化タスクとしての自己ペース経路制御」. IEEE Transactions on Systems, Man, and Cyber​​netics . 17 (3): 455– 464. doi :10.1109/TSMC.1987.4309061. S2CID  10648877.
  19. ^ Accot, Johnny; Zhai, Shumin (1997-01-01). 「フィッツの法則を超えて」. ACM SIGCHI ヒューマンファクターズ・イン・コンピューティング・システム会議論文集. CHI '97. ニューヨーク、ニューヨーク州、米国: ACM. pp.  295– 302. doi :10.1145/258549.258760. ISBN 0897918029. S2CID  53224495。
  20. ^ Accot, Johnny; Zhai, Shumin (1999-01-01). 「軌跡ベースタスクにおける入力デバイスの性能評価」. SIGCHI 会議論文集, コンピューティングシステムにおけるヒューマンファクター, the CHI is the limit - CHI '99 . ニューヨーク, ニューヨーク州, 米国: ACM. pp.  466– 472. doi :10.1145/302979.303133. ISBN 0201485591. S2CID  207247723。
  21. ^ Melloy, BJ; Das, S.; Gramopadhye, AK; Duchowski, AT (2006). 「拡張された半体系的視覚探索モデル」(PDF) .ヒューマンファクターズ：ヒューマンファクターズ・エルゴノミクス学会誌. 48 (3): 540– 554. doi :10.1518/001872006778606840. PMID  17063968. S2CID  686156.
  22. ^ Witus, G.; Ellis, RD (2003). 「中心窩標的検出の計算モデル化」.ヒューマンファクターズ：ヒューマンファクターズ・エルゴノミクス学会誌. 45 (1): 47– 60. doi :10.1518/hfes.45.1.47.27231. PMID  12916581. S2CID  10022486.
  23. ^ Fisher, DL; Coury, BG; Tengs, TO; Duffy, SA (1989). 「視覚的ディスプレイの検索時間の最小化：ハイライト表示の役割」.ヒューマンファクターズ：ヒューマンファクターズ・エルゴノミクス学会誌. 31 (2): 167– 182. doi :10.1177/001872088903100206. PMID  2744770. S2CID  12313971.
  24. ^ Fleetwood, MD; Byrne, MD (2006). 「ディスプレイの視覚探索のモデリング：視線追跡データに基づくアイコン探索の改訂ACT-Rモデル」.ヒューマン・コンピュータ・インタラクション. 21 (2): 153– 197. doi :10.1207/s15327051hci2102_1. S2CID  6042892.
  25. ^ ab Cassavaugh, ND, Bos, A., McDonald, C., Gunaratne, P., & Backs, RW (2013). 模擬運転中の交差点における注意配分を予測するためのSEEVモデルの評価．第7回国際運転シンポジウム「運転者の評価、訓練、および車両設計におけるヒューマンファクター」（第52号）．
  26. ^ Senders, JW (1964). 多自由度システムのモニターおよびコントローラーとしての人間オペレーター.ヒューマンファクターズ・イン・エレクトロニクス, IEEE Transactions on , (1), 2-5.
  27. ^ 送信者、JW (1983)。視覚的サンプリングプロセス(博士論文、ティルブルフ大学)。
  28. ^ Sheridan, T (1970). 「スーパーバイザーがどの程度の頻度でサンプルを採取すべきか」. IEEE Transactions on Systems Science and Cyber​​netics . 2 (6): 140– 145. doi :10.1109/TSSC.1970.300289.
  29. ^ Lin, Cheng-Jhe; Wu, Changxu (2012-10-01). 「人間のプロセッサを用いたキューイングネットワークモデルによる、ペーシング、指戦略、緊急性が数値入力パフォーマンスに及ぼす影響の数学的モデリング」 人間工学55 ( 10 ): 1180– 1204. doi :10.1080/00140139.2012.697583. ISSN  0014-0139. PMID  22809389. S2CID  8895779.
  30. ^ Wu, Changxu; Liu, Yili (2008). 「心理的不応期（PRP）の待ち行列ネットワークモデリング」心理学評論. 115 (4): 913– 954. CiteSeerX 10.1.1.606.7844 . doi :10.1037/a0013123. PMID  18954209. 
  31. ^ Endsley, MR (1995). 「動的システムにおける状況認識の理論に向けて」.ヒューマンファクターズ. 37 (1): 85–104 .
  32. ^ Shively, RJ, Brickner, M., & Silbiger, J. (1997). MIDAS に実装された状況認識の計算モデル. 第9回国際航空心理学シンポジウム議事録 (pp. 1454-1459). コロンバス, オハイオ州: オハイオ大学.
  33. ^ Bundesen, C. (1990). 視覚的注意の理論. 心理学評論, 97, 523-547.
  34. ^ Samms, C. (2010年9月). 「IMPRINT（Inproved Performance Research Integration Tool）：システム設計改善のためのヒューマンパフォーマンスモデリング」.ヒューマンファクターズ・エルゴノミクス学会年次会議論文集（第54巻、第7号、624-625ページ）. SAGE Publications.
  35. ^ ab Wu, Changxu; Liu, Yili (2007-09-01). 「ドライバーの作業負荷とパフォーマンスの待ち行列ネットワークモデリング」. IEEE Transactions on Intelligent Transportation Systems . 8 (3): 528– 537. doi :10.1109/TITS.2007.903443. ISSN  1524-9050. S2CID  16004384.
  36. ^ Wu, Changxu; Liu, Yili; Quinn-Walsh, CM (2008-09-01). 「事象関連電位（ERP）における精神的負荷のリアルタイム心理生理学的指標 #P300 のキューイングネットワークモデリング」IEEE Transactions on Systems, Man, and Cyber​​netics - Part A: Systems and Humans . 38 (5): 1068– 1084. doi :10.1109/TSMCA.2008.2001070. ISSN  1083-4427. S2CID  6629069.
  37. ^ Cao, Shi; Liu, Yili (2013). 「キューイングネットワーク適応型思考合理制御（QN-ACTR）：複雑な認知能力とマルチタスクパフォ​​ーマンスをモデル化する統合認知アーキテクチャ」. International Journal of Human Factors Modelling and Simulation . 4 (1): 63– 86. doi :10.1504/ijhfms.2013.055790.
  38. ^ Busemeyer, JR (2000) 一般化基準法に基づくモデル比較とモデル選択、数学心理学ジャーナル44、171-189
  39. ^ 認知における計算モデリング：原理と実践（2010年）Stephan LewandowskyとSimon Farrell著
  40. ^ 「二乗平均平方根値」『物理学辞典』（第6版）オックスフォード大学出版局。2009年。ISBN 9780199233991。オックスフォード大学出版局。2009年。ISBN 9780199233991。
「https://en.wikipedia.org/w/index.php?title=Human_performance_modeling&oldid=1314301210」より取得