多维认知状态建模与面向人工智能支持的管理决策的自适应认知负荷数字孪生

《Data》:Multidimensional Cognitive-State Modeling and an Adaptive Cognitive Load Twin for AI-Supported Managerial Decision-Making

【字体: 大 中 小 】 时间:2026年08月28日 来源:Data 2.4

编辑推荐:

  人工智能(AI)支持的决策系统能够改善管理决策,但其认知影响可能取决于信息、解释、警报、时间压力、不确定性、自主性和人类控制的具体配置。本研究利用来自土耳其420名物流与供应链专业人员的数据开发了一种自适应认知负荷数字孪生(Adaptive Cognitive

  
人工智能(AI)支持的决策系统能够改善管理决策,但其认知影响可能取决于信息、解释、警报、时间压力、不确定性、自主性和人类控制的具体配置。本研究利用来自土耳其420名物流与供应链专业人员的数据开发了一种自适应认知负荷数字孪生(Adaptive Cognitive Load Twin),这些人员完成了四个AI支持的管理决策场景,共产生1680条参与者–场景观测记录。该框架将信息过载、认知负荷、决策疲劳、感知可解释性、对AI的信任、自动化偏差、感知人类控制、感知决策质量和客观决策准确性建模为不同但相互关联的维度。参与者聚类路径分析(participant-clustered path analysis)显示,较高的信息过载与较高的认知负荷相关,而较高的认知负荷又与较高的决策疲劳密切相关;反过来,较高的认知负荷和决策疲劳与较低的感知决策质量相关。较高的感知可解释性与较低的认知负荷、更高的信任、更高的感知决策质量以及较低的自动化偏差倾向相关,而更大的感知人类控制与更高的感知决策质量和较低的自动化偏差相关。较高的认知负荷与较低的客观决策准确性相关。参与者分组机器学习模型(participant-grouped machine learning models)显示,认知负荷比决策疲劳或客观准确性更可预测,信息密度和时间压力成为主要的预测贡献因素。基于模型的模拟表明,较低的信息密度和渐进式披露(progressive disclosure)为自适应支持提供了最明确的机会。该框架将数字孪生逻辑扩展到AI辅助管理工作中认知条件的多维、以人为本的监测与适应。
**论文解读:面向AI支持管理决策的多维认知状态建模与自适应认知负荷数字孪生**

**1. 研究背景与问题**

人工智能(AI)支持的决策系统正日益深入地嵌入物流与供应链运营中,管理者日常需要与预测分析、自动化推荐、ERP/WMS/TMS平台、商业智能仪表盘等数字决策支持工具交互。这类系统在不确定性高、时间敏感的环境中能够提升可视化水平、响应能力、预测能力和协调韧性。然而,AI在扩展分析能力的同时,其贡献高度依赖于决策者如何解读算法输出并将其整合进入基于判断的选择之中。人本层面的挑战不仅在于AI系统是否提供有用的推荐,还在于周围决策环境是否能够使用户高效处理信息、批判性评估推荐并保持对最终决策的有效控制。

现有研究存在三方面不足:第一,多数文献通过孤立结果(如接受度、信任、可用性或技术性能)考察AI支持决策,较少有研究将界面产生的认知需求与人类–AI交互机制和决策结果整合分析;第二,认知负荷、决策疲劳、信息过载、可解释性、信任、自动化偏差、人类控制和决策质量常被分别分析,难以理解设计条件如何通过这些认知状态和人类–AI机制传播;第三,预测性和适应性方法很少在单一以人为本的框架内结合重复场景数据、参与者聚类解释模型、机器学习、模型解释和干预模拟。上述不足限制了从识别认知紧张走向解释其预测贡献因素以及评估AI界面设计如何适应的能力。

**2. 研究开展与结论**

本研究旨在开发一种面向AI支持管理决策的自适应认知负荷数字孪生(Adaptive Cognitive Load Twin)。该框架将决策过程视为多维结构,将AI界面与任务特征(如信息密度、警报频率、解释方式、时间压力、置信度显示、不确定性显示、人类覆盖和AI自主性)作为设计前因;将信息过载、认知负荷和决策疲劳作为不同认知状态;将感知可解释性、对AI的信任和感知人类控制作为人类–AI机制;将自动化偏差和推荐接受作为依赖相关反应;将感知决策质量、客观决策准确性、完成时间和决策置信度作为绩效相关结果。

研究数据来自土耳其420名物流与供应链专业人员,每位参与者完成四个AI支持管理决策场景,共产生1680条参与者–场景观测。研究结合测量评估、参与者聚类路径分析、分组机器学习验证、可解释AI(xAI)、参与者画像和基于模型的自适应模拟。结果表明:信息过载与认知负荷正相关,认知负荷与决策疲劳强正相关,认知负荷和决策疲劳均与感知决策质量负相关;感知可解释性与较低的认知负荷、更高的信任、更高的感知决策质量和较低的自动化偏差倾向相关;感知人类控制与更高的感知决策质量和较低的自动化偏差相关;认知负荷与较低的客观决策准确性相关。参与者分组机器学习模型显示认知负荷的可预测性优于决策疲劳和客观准确性,其中信息密度和时间压力是主要预测贡献因素;模型模拟表明降低信息密度和采用渐进式披露提供了最清晰的自适应支持机会。该研究将数字孪生逻辑扩展到AI辅助管理工作中认知条件的多维、以人为中心的监测与适应,具有重要理论意义与实践价值。论文发表于《Data》。

**3. 主要关键技术方法**

研究采用了四项主要技术方法:(1)参与者聚类路径分析,以处理同一参与者四次观测的组内相关性,检验认知状态与人类–AI机制间的关系;(2)参与者分组五折交叉验证的机器学习模型,对认知负荷、决策疲劳、感知决策质量和客观决策准确性进行预测,并采用SHAP分析解释特征贡献;(3)模型驱动的反事实模拟,通过改变信息密度、时间压力、解释方式等界面条件,预测认知负荷、决策疲劳和感知决策质量的变化;(4)测量模型评估,包括内部一致性、收敛效度、区分效度、平行分析和跨场景测量不变性检验。样本来源为土耳其物流与供应链专业人员(N=420),覆盖供应链规划、物流管理、商业分析、数字化转型/ERP、仓储与运营管理、采购和运输规划等岗位。

**4. 研究结果**

**4.1 样本特征与数据质量**
数据筛选确认了420名参与者和1680条参与者–场景观测的完整重复测量数据集,无缺失值、无重复记录。参与者平均年龄35.10岁,平均工作经验11.08年,性别分布基本均衡。场景层面客观决策准确性为50.1%,AI推荐接受率为57.3%,覆盖率为27.5%。八个心理测量构念均值处于中等范围,分布无明显偏态或峰态。

**4.2 测量模型与不变性**
八个多题项构念的内部一致性均可接受,Cronbach's alpha介于0.740至0.905之间,组合信度介于0.828至0.921之间。除感知决策质量(AVE=0.540)和自动化偏差(AVE=0.490)外,其余六个构念的AVE值低于0.50,研究者谨慎解释收敛效度。区分效度方面,Fornell–Larcker准则满足、HTMT全部低于0.85,平行分析保留八个因子。跨S1–S4场景的测量不变性检验支持构念分数跨场景可比。

**4.3 场景与决策支持条件关联**
参与者聚类模型显示,信息密度和时间压力是设计层面对认知负荷、决策疲劳和感知决策质量最一致的关联因素(均p≤0.001)。解释方式与认知负荷和感知决策质量显著关联,警报频率与认知负荷和决策疲劳相关,AI自主性、置信度显示和人类覆盖表现出结果特定性关联,不确定性显示未表现出显著关联。

**4.4 参与者聚类路径与客观准确性结果**
路径分析显示,信息过载与认知负荷正相关(β=0.136),而感知可解释性与认知负荷负相关(β=-0.119);认知负荷与决策疲劳强正相关(β=0.502)。感知可解释性与信任正相关(β=0.386),信任与自动化偏差正相关(β=0.416),感知可解释性和感知人类控制均与自动化偏差负相关(β=-0.190,β=-0.133)。感知决策质量与认知负荷(β=-0.286)和决策疲劳(β=-0.243)负相关,与感知可解释性(β=0.281)、信任(β=0.184)和感知人类控制(β=0.241)正相关。客观准确性方面,认知负荷较高与正确决策几率较低相关(OR=0.705),感知可解释性(OR=1.400)和感知人类控制(OR=1.178)与正确决策几率较高相关。

**4.5 预测建模与可解释AI**
参与者分组交叉验证显示,认知负荷是最可预测的结果(R2=0.233),决策疲劳(R2=0.101)和感知决策质量(R2=0.145)可预测性中等,客观决策准确性的判别能力较弱(AUC=0.582)。SHAP分析表明,信息密度对认知负荷和决策疲劳的贡献最大,时间压力和AI素养也是重要预测特征,解释方式对感知决策质量最重要。

**4.6 认知状态画像与模型自适应模拟**
参与者画像分析确定了两类稳定画像:低负荷/高质量型(n=203,客观准确性58.4%)和高负荷/低质量型(n=217,客观准确性42.4%)。模型模拟显示,将信息密度从高降至低可降低认知负荷0.331和决策疲劳0.305并提高感知决策质量0.239;无解释改为渐进式披露可提高感知决策质量0.357并降低认知负荷0.143;高时间压力降至低对决策疲劳影响较大(Δ=-0.270);人类覆盖可用性对负荷和疲劳影响小但提高感知决策质量0.105。组合模拟显示,对高危观测同时降低信息密度、警报频率、时间压力并采用渐进式披露,可预计降低认知负荷0.444、决策疲劳0.476并提高感知决策质量0.457。

**4.7 自适应认知负荷数字孪生框架**
研究将实证结果整合为六层架构:感知层、多维状态估计层、预测建模层、模型解释层、模拟层和自适应推荐层。该框架支持“感知→估计→预测→解释→模拟→适应”循环,匹配不同认知状态与针对性界面调整,强调保留管理者的最终决策责任。

**5. 讨论与结论**

讨论部分指出,信息密度和时间压力是认知负荷与决策疲劳最一致的设计相关因素,说明认知人机工效学变量应被纳入界面管理;解释方式对感知决策质量尤为重要,渐进式披露价值显著;信任应被视为需校准的机制而非统一追求的目标——信任与感知决策质量正相关且与自动化偏差正相关,但与客观准确性无独立关联;感知人类控制是机构和决策支持机制而非工作负荷减少机制。主观与客观结果应区分对待,认知负荷同时对二者产生负面影响,而信任仅与感知结果相关,这一差异凸显了保留双维度结果测量的必要性。

研究结论部分可翻译为:本研究通过将人类认知状态视为多维而非简化为单一综合分数,开发了面向AI支持管理决策的自适应认知负荷数字孪生。基于来自420名物流与供应链专业人员的1680条观测,信息密度和时间压力是认知负荷和决策疲劳最一致的设计相关因素。感知可解释性、对AI的信任和感知人类控制与依赖和决策结果表现出不同关系,表明认知需求、依赖、主体性和决策评价应分别建模。研究发现,认知负荷较高与客观决策准确性较低相关,而感知可解释性和人类控制较高与正确决策几率较高相关。参与者分组机器学习模型预测认知负荷的效果优于客观准确性,SHAP分析表明信息密度、时间压力、AI素养和解释方式是最具影响力的预测特征。双画像解进一步显示,低负荷参与者的决策质量更高且客观准确性更高。自适应认知负荷数字孪生通过感知–估计–预测–解释–模拟–适应架构整合这些发现,旨在识别需要支持的认知或决策状态并评估针对性界面调整,而非自动化管理者判断。该研究通过为认知上可持续、可解释且适当受控的AI辅助管理决策提供结构化方法,扩展了以人为本的AI和数字孪生研究。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号