【文献笔记】Distributed situation awareness: Advances in theory, measurement and application to team work

Salmon P M, Stanton N A, Jenkins D P. Distributed situation awareness: Theory, measurement and application to teamwork[M]. CRC Press, 2017.

本文只总结了该文献第四章及以后的部分内容，聚焦在DSA。

认知科学通常以个体主体作为分析单位。然而，在许多人类活动中，感兴趣的结果并不完全取决于个人的信息处理特性。也不能仅仅从个体行动者的属性中推断出它们，无论这些个体的属性的知识多么详细”(Hutchins, 1995；p. 265)

 “复杂系统不能通过孤立地研究各个部分来理解。系统的本质在于各部分之间的相互作用以及相互作用产生的整体行为。系统必须作为一个整体来分析”（Ottino，2003年，第293页）

Distributed situation awareness: A new view on situation awareness in collaborative environments and its measurement 

Introduction 

从第二章和第三章中得出的不可避免的结论是，目前缺乏一个适合复杂协作环境的团队SA模型，而且现有的SA评估方法在考虑在现实世界的协作活动中对SA的度量时是不充分的。这些发现结合起来表明，我们对这种环境下SA的理解仍然有限，随后为本文的其余部分奠定了基础；也就是说，进一步研究协作环境下SA的描述和度量是作者的目标。我们缺乏关于团队SA获取和维护的知识，以及随之而来的缺乏测量团队SA的方法，这是本研究应该解决的第一个问题。因此，本章的目的是介绍解决这两个问题的新方法。首先，提出了一种最新开发的DSA模型，该模型考虑了协作环境下的SA。在此之后，描述了命题网络方法（the propositional networks methodology），一种在现实世界的协作任务中可用于描述和评估DSA的方法。然后使用一个简单的命令和控制范例示例来演示这两种方法。

Distributed situation awareness

正如第二章所指出的，最近在HF（Human Factor）文献中出现了DSA的概念。DSA方法基于这样一种观念，即为了理解复杂系统中的行为，将系统本身作为分析的单元，关注系统各部分之间的相互作用和由此产生的行为，而不是孤立地研究其各部分，这更有用（Ottino, 2003）。DSA模型产生于分布式认知理论（Hutchins, 1995）和认知系统工程（Cognitive Systems Engineering，CSE；Hollnagel, 1999）方法，这两种方法在研究活动和认知时都关注整个系统，而不是其中的个体作为分析单位。这些方法的观点是，在一个系统内工作的人和人工制品结合在一起形成一个所谓的“联合认知系统”，认知过程从这个联合认知系统中产生并分布在这个联合认知系统中。因此，认知是通过系统单元之间的协调来实现的（Artman & Garbis, 1998）。

使用分布式认知和CSE理论作为基础，DSA方法认为SA也存在于系统级别，并且可以被视为协作系统的新兴（emergent）属性。因此，DSA被认为是整个系统的集体意识，是团队工作的系统的一个特征（Artman & Garbis, 1998），也是系统行为的产物。当然，这与那些将SA视为一种独特的内部认知结构的模型直接矛盾（例如Endsley，1995）；相反，这种方法将SA视为存在于我们周围的人工制品和对话中的一种社会现象。例如，Artman（2000）认为情景意识“不是简单的个体情景意识的总和，也不是对某一情境的完全群体层面的想法，它是几个成员之间积极沟通和协调的成果”。这种成就出现在人工制品和信息技术部分构建共享和分发信息的可能性的背景下”（Artman, 2000，第16页）。 

继Artman和Garbis（1998）的观点（见第二章）之后，Stanton等人（2006）最近提出了一种新的DSA理论的基础，认为DSA是系统元素之间协调的产物，系统共同拥有任务执行所需的SA。Stanton等人的方法将知识视为概念之间的关系（Shadbolt & Burton, 1995），并认为与SA相关的信息由组成系统的代理和人工制品（包括人类和非人类）持有并在它们之间分布。这些信息元素（或概念）的组合和表示系统的DSA。DSA被定义为“在系统内的特定时间为特定任务激活的知识”（Stanton等人，2006，第1291页），这意味着基于正在执行的目标和活动及其需求，SA所需的信息在不同的时间点变得活跃（即使用）。这一定义与Bell和Lyon（2000，第142页）的假设相似，即“SA可以被定义为（在工作记忆中）对环境要素的知识”，也与Cowan（1988）将激活的工作记忆描述为意识相似。斯坦顿等人提出，一种情况需要使用适当的知识（由个人持有，由设备捕获等），这些知识与环境状态有关，并随着情况的发展而变化。这些信息的“所有权”最初是在系统层面，而不是个人层面。这个概念被进一步扩展到包括“元-SA”，其中它对其他智能体的知识包含在系统中，这样每个智能体都可能知道当它们需要找到某些东西时要去哪里。

元-SA/元情景意识：指对情景意识本身的更高层次的认知或监控。它不仅仅关注任务相关的情景信息，而是关注情景意识的动态状态、完整性和分布情况，以确保团队成员之间的情景意识是一致且有效的。可以理解为情景意识的情景意识。

根据Stanton等人（2006）的观点，每个主体对情况都有独特但兼容的（不是共享的）观点。因此，每个代理在其他代理SA的发展和维护中起着关键作用。具有有限或退化的SA的代理可以通过与另一个代理的交互来增强或更新其SA。代理之间的这种交互对于维护代理的个人和DSA以及所涉及的整个网络都至关重要。 

Stanton等人（2006）指出，他们的方法并不认为以个人为导向的观点是多余的；相反，它们提供了在协作系统中查看和描述SA的一种替代但互补的方法。例如，在将DSA方法扩展到Endsley的三层模型时，假设在协作系统中，一些个体从事感知任务，一些个体从事理解和投射任务，另一些个体从事响应执行任务。

个体和团队SA模型与DSA方法之间的主要区别在于将SA视为认知结构还是系统结构。大多数个人和团队模型表明，SA存在于个人的头脑中，而DSA方法将SA视为一种新兴（emergent）属性或系统本身的产物。因此，SA被视为将系统结合在一起的“粘合剂”。团队SA和共享SA方法的不同之处在于，它们将团队SA视为个体SA的总和，或者将其视为团队成员之间重叠的SA元素。现有团队SA模型(如Endsley & Robertson, 2000；Salas等人，1995)与Stanton等人描述的方法的核心区别涉及共享与兼容SA的问题，以及将SA视为系统级现象的处理。例如，Endsley（1989）和Endsley & Jones（2001）认为团队SA包括共享SA和团队SA；共享SA是指团队成员之间共同SA元素的重叠程度，定义为“团队成员在共享SA需求上具有相同SA的程度”（Endsley & Jones, 2001）。另一方面，团队SA被定义为“每个团队成员拥有其职责所需的SA的程度”（Endsley, 1989）。Stanton等人（2006）的方法不同之处在于，他们认为团队SA由兼容的SA组成，而不是由共享的SA组成。

兼容SA的概念需要进一步探索。可能在协作系统中，每个团队成员都不需要知道所有的事情，相反，他们拥有特定任务所需的SA，但也知道其他团队成员需要知道什么和知道什么。然而，系统应该在多大程度上支持意识的“分享”是值得怀疑的。虽然不同的团队成员可能知道相同的信息，但这种意识是不共享的，因为团队成员通常有不同的目标和任务，他们对情况的看法是基于这些目标和任务；他们使用的信息往往彼此完全不同。然而，每个团队成员的SA是兼容的，这是因为，它的内容不同但兼容从而整个团队都需要它来成功地执行协作任务。因此，建议所有团队成员都有自己的SA，并与团队成员和整个团队共享SA可能是过于简单化了。用机器中的齿轮来类比，每个齿轮不需要“知道”所有其他齿轮，而只需要能够与相邻的齿轮进行交互——因此，本文提出“兼容性（compatibility）”是团队SA的关键，而不是“共享性（sharedness）”。任何目标、意图和理解的共享都是出于团队成员执行任务的需要，而不是为了团队成员自己。任何目标、意图和理解的共享都是出于团队成员执行任务的需要，而不是为了团队成员自己。“共享”的理念已经演变成一种模糊的信念，即共享确保了团队的凝聚力，但也可以说“兼容”导致了凝聚力。因此，DSA需求被认为不同于共享SA需求（Stanton et al, 2006）。共享SA意味着共享的需求和目的，而DSA意味着不同但可能兼容的需求和目的。

理解"共享SA意味着共享的需求和目的，而DSA意味着不同但可能兼容的需求和目的"：

本研究的论点是，使用Stanton等人（2006）和Artman & Garbis（1998）倡导的系统或世界观方法，可以更恰当地描述SA和SA团队。人们还认为，“兼容”SA的概念比共享SA的描述更合适。即使在团队成员可以访问相同信息的情况下，也很明显，诸如正在承担的任务、团队中的角色和过去的经验等因素确保了他们的SA有很大的不同。当然，这对于协作系统设计具有重要的含义，因为它强调只需要将适当的信息传播给适当的团队成员，而不是团队成员共享他们的意识。

Representing Distributed Situation Awareness 

将SA视为系统级现象对于其评估具有有趣的内涵。基于个体的度量，如SAGAT和SART并不适用，因为它们只关注个体代理的“头脑中”意识，而忽略了它们之间的相互作用。相反，我们需要的是一种能够从系统角度描述概念的方法；这包括分布在系统周围的信息、不同系统元素对这些信息的使用、如何将这些信息组合在一起形成DSA以及最重要的是系统元素之间与SA相关的交互。当这一需求与第二章中提出的方法综述得出的结论相结合时（即，大多数SA度量都存在缺陷，限制了它们在用于评估团队SA时的效用），开发一种新的基于系统的SA度量或确定一种现有的基于分布式认知的方法是合乎逻辑的，该方法可以加以修改用于DSA评估。

尽管DSA方法从分布式认知理论（Hutchins, 1995）中获得了很多灵感，但值得注意的是，分布式认知评估中使用的方法可能并不适合于SA评估。分布式认知方法通常使用人类学研究（ethnographic study），如观察研究和访谈数据，来开发协作活动的基本文本描述（如Hutchins， 1995），因此不太可能提供情景认知评估所需的细节水平。显然，需要一种更正式、更系统的方法来进行DSA评估。 

作为更广泛的研究计划的一部分，其目的是开发一种措施来分析指挥和控制环境中的团队活动，Stanton, Salmon, Walker， Baber和Jenkins（2005）开发了系统团队合作（EAST）框架的事件分析。在这个框架内，所谓的命题网络方法论（propositional network methodology）被提出作为描述系统性情景认知的一种方法。自其发展以来，该方法已应用于许多现实世界的协作场景，包括海战（Stanton等人，2006）、铁路维护作业（Walker等人，2006）、配电变电站维护场景（Salmon等人，2008）和军用航空机载预警系统（Stewart等人，2008）。下一节将介绍该方法。

Representing knowledge in networks

命题网络本质上是一个描述系统意识底层信息和不同信息之间关系的网络。它们将DSA表示为信息元素和它们之间的关系，这又回到了SA由概念和概念之间的关系组成的假设。以这种方式表示系统的意识也允许表示系统内不同代理（人类和非人类）对不同信息的贡献和使用。因此，命题网络提供了一种全面描述系统知识及其基础信息的方法。

知识在网络中的表示并不是一个新概念；自20世纪70年代以来，语义网络一直被认知心理学家用作表征概念中项目之间关联的一种方式。语义网络基于长期以来的信念，即所有知识都以关联的形式存在，并通过描绘网络中的链接节点来表示概念（Eysenck & Keane, 1990）。在语义网络中，每个节点代表一个对象，例如“大象”或“老鼠”。网络中的每个节点都有相关的属性，比如“大”或“小”，“尾巴”和“躯干”，“哺乳动物”或“啮齿动物”。节点由指针连接，这些指针通常是动词，如“has”或“is”。节点的组合、节点的属性以及节点之间的联系构成了语义网络。一个简单的语义网络如图4-1所示。

同样，概念图（Crandall, Klein & Hoffman, 2006）也被用来表示知识，并通过使用描述概念及其之间关系的网络来实现这一点。根据Crandall et al(2006)，概念图（concept maps）最早是由Novak (1977；引用于Crandall et al， 2006)，以了解和跟踪学生科学知识的变化。概念图是基于奥苏贝尔的学习理论(奥苏贝尔，1963；引用于Crandall et al， 2006)，这表明有意义的学习是通过将新的概念和命题同化到学习者头脑中的现有概念和命题框架中来实现的。Crandall等人（2006）指出，这是通过归类（subsumption）（意识到新概念与已知概念的关系）、分化（differentiation）（意识到新概念如何与已知概念区分）和调和（reconciliation）（新概念与已知概念之间的矛盾）来实现的。概念图方法的概念图示例如图4-2所示。

Anderson（1983）提出使用命题网络来描述记忆中的激活，与这两种方法非常相似。命题网络的相似之处在于它们包含被链接的节点；然而，它们在两个方面与语义网络不同（Stanton et al, 2006）。首先，单词不是随机添加到网络中，而是通过命题的定义添加单词。在这个意义上，命题代表一个基本陈述。其次，标记单词之间的联系，以定义命题之间的关系，即：大象有“尾巴”，老鼠是“啮齿动物”。如Crandall等人（2006），一个关于命题网络的简化命题网络如图4-3所示。

Constructing propositional networks

命题网络可以从各种数据源构建。这些包括观察或口头记录数据，关键决策方法（CDM）（Klein & Armstrong, 2004年)数据，HTA（斯坦顿，2006年）数据或来源于工作相关的人工制品的数据，如标准操作说明（SOIs），用户手册，程序和培训手册。

为了构建命题网络，首先需要定义概念，然后是概念之间的关系。为了进行DSA评估，术语“信息元素（information elements）”指的是概念。为了识别与分析任务相关的信息元素，对输入数据（例如口头记录、HTA或CDM响应）进行简单的内容分析，并提取关键字。这些关键字代表信息元素，然后根据相关活动中的因果关系将其联系起来（例如联系人“有”标题，敌人“知道”计划等）。这一过程的输出是一个相互联系的信息要素网络；网络包含了不同的agent和人工制品在任务执行过程中使用的所有信息，从而代表了系统的知识。这些信息元素表示系统及其主体为了成功执行任务“需要知道”的内容。信息元素的使用也可以通过网络中基于不同主体在任务执行期间使用的不同节点的阴影来表示。因此，可以定义与DSA相关的信息元素，以及随着时间的推移这些信息元素的使用、所有权和共享。命题网络过程流程图如图4-4所示。

为了演示命题网络是如何构建的，图4-5给出了在陆战活动期间对DSA进行研究期间收集的口头记录的摘录（见第八章）；通过内容分析从该文本中提取的关键词以粗体突出显示，随后的命题网络在图的右侧显示。

Distributed situation awareness example

为了让读者熟悉这两种方法，本节使用一个简单的命令和控制范例来演示DSA概念和命题网络方法。所谓的“传感器到效应器（sensor to effecter）”范式以前被用于模拟指挥和控制场景（例如Jenkins， Stanton, Walker, Salmon & Young, 2008），并被发展为代表一系列指挥和控制领域（包括军事和非军事）。虽然这个模型被认为是在操作环境中发现的传感器到效应器网络的简化说明，但该模型确实试图捕捉基本特征。其他“从传感器到效应器”的网络分析也使用了类