认知地图分析方法研究，本文主要内容关键词为：认知论文,地图论文,方法论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
在提出认知地图分析方法之前，首先来了解认知地图的概念。认知地图可以再现个人表达的概念及概念之间因果依赖的定向连接的因果关系网络，是一种隐性知识表达工具，同时也是一种决策支持工具[1]。为什么要进行认知地图的分析，原因有以下几点：①在认知地图的分析中，其逻辑性和计算性相结合的优越性能得到完美体现。②分析是决策的前提，作为一种决策支持工具，认知地图必须经由分析才能具备这一重要属性，并用于领导决策所用。③认知地图作为隐性知识表达工具，必须通过进一步的分析以得到其装载的深层次隐性知识。从认知地图的绘制与获取可见，认知地图是隐性知识的载体，人们可以利用它完成对于心智模型的显性化表达。由此可见，对认知地图进行深入分析显得尤为必要。一些学者作了一定程度的研究。Eden等对认知地图的分析方法进行了总结[2]。另外，由于认知地图在底层表示上和社会网络相似，借助社会网络分析方法，Carley提出了不同级别的认知地图分析方法以及相应的软件工具。Cannon-Bowers和Salas将心智模型的概念从个体扩展到团队水平，认为认知地图法是从知识结构的角度来测量共享心智模型的工具。我国的谢小云、周帆、严进比较不同实体的组织认知地图，提出以认知地图和整体网络分析策略为组合设计的共享心理模型测量[3]。Kosko首次提出模糊认知地图，为认知地图提出仿真分析方法，是近几年人们研究的焦点，为大多数学者在算法和决策问题的应用上给予了创新。但是这些研究并没有对认知地图分析方法进行全面、系统的梳理。 1 认知地图分析方法与指标 认知地图既是一种具有开放性的数据收集方法，也具有很好的可分析性，它在这两端取得了很好的平衡[4]。认知地图可以从两个维度进行分析：内容和结构。这两个维度是由Dunn等人提出的[5]，基于因果栅格技术，可以分析内容的不同，结构的不同则可以看图的构建复杂度。内容的分析通常在很大程度上是定性的，或是采用定性和定量相结合的技术。 有一个非常有名的认知地图分析工具即Decision Explorer(DE)软件包，它可以提供定性—定量的指标，Decision Explorer软件包由斯特拉斯克莱德大学(University of Strathclyde)开发，主要用于认知地图的绘制和分析。Decision Explorer包含的40多个分析命令则涵盖了确认节点性质、深入认知模型的结构、评价节点重要性等简单分析方法。在以往的研究中，学者们发现了可应用于认知地图分析的诸多方法[5-7]，有以下几种。 1.1 定性分析方法 定性分析包括寻找孤立节点、寻找头节点和尾节点、寻找权力节点、族群分析、发现良性或恶性循环、中心问题分析、形状分析、模式分析等[8-12]。 1)孤立节点就是在认知映射中已经存在，但是没有连接的节点。寻找孤立节点的目的就是要决定是否有与其他概念的联系，存在于何处，并添加合适的连接。如它在已有的认知映射中确实孤立存在，则它可能代表还未探索的未知领域。这些孤立节点可能在初始的头脑风暴中出现、没有重大关联现在可能被删除或者在别处得到重表达现在被删除或合并。 2)检查地图中的头节点和尾节点是另外一种有用且快捷的分析方式。头节点是图形顶端或者是在推理链条末端的输出结果。尾节点则位于起始节点或者推理链条开始的一端。认知映射的内容决定了这两种节点的特征，如果映射一系列事件的链状关系，则头节点大部分会是最终陈述或是“那么……”这样的句子；尾节点则会是触发事件、初始原因或变化的推动因素。研究人员在查看或感知特殊环境的认知模型时，头节点会是表征渴望或乐意与否等概念的重表达，尾节点则表达行动的可能性，而这些指向乐意与否等概念会导致的结果。 每个认知地图的头节点平均是3个(范围从1～4)。头节点与模型的变化和额外工作的需要极其相关。每个认知地图的尾节点平均是5个(范围从3～8)。在认知地图中，尾节点概念主要表现原因，而不是解决问题的方法，它们都是认知性和解释性的问题。 3)通过分析地图也可以寻找权力概念节点，其特点是指向多个连接结果，它们可能会出现在多个聚类中，暗示着中心议题。这些强有力的节点经常会针对于决策问题的核心概念。在Decision Explorer中有两种方法可以找到权力节点：权力分析(Potent Analysis)和共尾分析(Cotail Analysis)。权力分析需要与层次聚类分析(Hierarchical Set Clustering，Hieset)结合起来，因为它需要创建聚类的详细信息，如图1所示[9]；共尾分析则是通过寻找引申出一个以上结果的候选节点而得到权力节点。 4)族群分析结果表明，从大规模地图里的相关概念中可以寻找出几个相对独立的概念团体或族群，它们与其他团体或族群有极少联系甚至没有关系。这些族群的内部结构往往健壮稳定，因为它受到外部节点的影响较少。通过族群分析可以更好地理解主体认知脉络的阶段性特征和分布式特征，如图2所示[4]。一旦发现，分析这些团体可以遵循两个路径——分析团体的内部关系或分析与其他团体的外部联系。
图1 层次聚类分析与权力节点分析示例
图2 认知地图族群、核心节点、形状示意图 在认知地图内寻找概念的族群会帮助我们找到焦点议题，并检查相似的概念以及是否达成有意义的连接。对于大型的认知模型，族群分析是分解认知地图、有效获得信息的方法；对于小型的认知模型，很可能会只得到一个概念族群，这也并不是没有意义，说明现有的映射显示对于问题的有效解决必须考虑地图中的所有节点，没有任何域可以单独作用于结果。Decision Explorer中提供两种不同的集群方式——连接集群(Linkage Clustering)和层次集群(Hierarchical Clustering)[13]。 5)良性或恶性循环(有时称为回路)是认知地图的另一个特征。回路中若有奇数个负权重的箭头，则预示着一种恶性循环，得到的目标将被认为是不良结果。这时，可以通过改变认知地图构造，如移除一个负数的箭头或因果联系，得到一个良性的循环。在认知地图中，当初始概念与末尾概念相连时就形成概念循环，这种情况在一个因素间接影响自身时就会出现，Cossette期望找出概念的正向回路及负向回路[14]。正向循环会对整个系统产生破坏作用，因为它是单一方向的，这意味着一旦重置运动，每个概念的数值总是在同一方面去变化，系统不受控制，使得每对概念之间的初始趋势从未改变。一个负向循环对系统有持久的影响，因为系统的活力意味着每个概念的价值增加、下降或交替。概念循环使得认知地图密度低，但一个包含众多概念循环的认知地图揭示了高层次的认知复杂性，尽管这种复杂性难以被准确描述。 6)寻找一个地图的“关键问题”是分析认知地图的另一种方法。这种分析也被称为域分析。借鉴图论中的概念，这种对于节点的指入箭头和指出箭头的衡量又称为节点的入度和出度。也就是聚焦于那些具有众多出箭头和入箭头的节点，这些节点称之为核心节点，如图2所示，它们往往是认知地图中的核心内容，抓住了它们，也就意味着抓住了重点。 7)认知地图的形状由映射过程生成，当认为有问题可挖时，就可能是一个进行分析的特性。一般扁形表示对问题深入思考很少，但有较多的选择和观点。一个又高又瘦的形状表明只有很少节点可供选择，但是对问题的理解更深一个层次，如图2所示。对有经验的研究人员来说，认知映射更倾向于用更少的概念和更多的箭头。 8)模式(Style)提供了不同的人或部门表示出的概念的类型，模式分析旨在研究认知地图中概念的归属及类型。已有研究开始关注检测和分析地图随时间变化的情况，以了解认知地图的稳定性程度和可能影响改变的因素。也有研究通过优先考虑问题的条件和提供信息的有效性，致力于发掘认知地图的价值，而这正是现有的认知映射技术和理论所忽略的。 1.2 定量分析方法与指标 定量分析方法依据其反映的主要内容可以分为反映复杂性和反映重要性两种方法，此外还包括因果路径分析等，常用定量分析方法与指标如下。 1)复杂性分析。复杂性分析即是通过节点间的连接数量来计算认知复杂性。例如，如果有：A→B，B→C，C→D，此时有4个节点(A，B，C，D)，3个连接，所以复杂度为3/4，如果有：A→B，B→C，C→D，A→C，B→D，此时依然是4个节点(A，B，C，D)，但有5个连接，所以复杂度为5/4，数字越大表示认知复杂度越高，一般情况是1.15～1.20。能够在毫无关系的两个概念间取得联系表示该认知结构有较高的创新潜力。如果复杂度小于1：1，应该补充失去的连接；如果复杂度高于15：1或20：1，应该判断并去除多余的连接[15]。计算认知复杂性的第二种方式就是计算其密度，密度d被定义为d=m/n(n-1)。其中，m是模型中有向连接的个数，n是模型中概念的个数。分母n(n-1)等于一个具有n个节点的有向图可以有的最多连接数。密度表征了模型的复杂性，越高的密度表示模型越复杂，进而表示模型代表的问题越复杂，典型的密度值在区间[0.05，0.3]内[16]。S.B.Hasiloglu基于图论提出了衡量认知地图密度的指标D、总体变量的中心性指标
以及层次性指数h，其中
(C代表图内连接的个数，n则代表变量的个数)，
分别指的是节点i的出度和入度)[17]。 为计算层次性指数h，则需要先后计算平均出度
以及出度的方差
，如公式(1)所示，层次性指数h表明认知地图绘制的思维分散性，以及思维具有层级性。层次性指数被限定在区间[0，1]内，如果h=0，则说明认知地图“充分民主化”；如果h=1，则说明认知地图“充分层级化”。
2)重要性分析。重要性分析主要是对认知地图中的概念进行评判，而域(Domain)和中心性(Centrality)是概念的重要性的衡量指标[18]。域是通过评估概念的效力来衡量重要性，比如直接连接的个数(包括出度和入度)，它的原理是人们越多地谈论某一概念，其就越“繁忙”，具有越高的复杂性即出入度连接的和就越大。 而中心性与域的概念不同，中心性通过同时考虑直接和间接的连接数来衡量，作为域分析的补充，它表现的是概念的影响性程度。需要注意的是，并不是所有的域得分最高的概念中心性得分也最高。 图3展示了计算中心性的一个简单的例子[18]，如图3(a)可见，围绕着需要计算其中心度的某一概念为中心节点，它的外侧包括4个层级，分别是level1～level4。
图3 计算概念中心性的简单示例 中心性的计算通过衡量4个不同层次的连接数得到，其中由此节点直接发出的想法属于第一级，依照所有在第一级的连接乘以系数1，在第二级的连接乘以系数1/2，在三级的连接乘以系数1/3，直到第四级。通过测量概念的中心性，可作为标准来识别关键成功因素(CSF)。 对于图3(b)的中心概念来说，第一级有3个连接，第二级有5个连接，则概念在第二级的中心性为：3×1+5×0.5=5.5。Freeman指出代表中心性概念的三种形式为程度中心性、中介中心性及接近中心性，而以上计算的中心性应当归属于程度中心性。可以看出，定性分析较多地是局部的视角，而定量分析更多采用整体视角。 2 认知地图分析方法实例 文献[19]中所构建的认知地图为案例原型，对其认知地图进行定性与定量分析。如图4所示。
图4 低碳经济下武钢可持续发展的认知地图实例 图4是一个低碳经济下武钢可持续发展的认知地图，此认知地图是基于“N可持续发展能力”为中心目标节点，其他“A～M”概念节点都是围绕“N”这个中心节点所展开的影响因素，包括“A资源外交渠道程度”、“B钢铁需求量”、“C行业重组度”、“D煤炭适用量”、“E资源价格”、“F产能过剩率”、“G工艺及装备水平”、“H利润率”、“I管理创新程度”、“J平均能耗”、“K市场竞争力”、“L环境污染程度”、“M
排量”。 首先作定性分析，通过认知地图分析工具Decision Explorer(DE)，可以依靠其丰富的分析命令与按钮予以分析。因为DE中节点有默认编号但不能输入中文，考虑到操作的方便与简洁，经过DE的Tidying up(整理)操作将图4简化成为如图5所示的认知地图。因为DE中无法输入“+”权重，故而除“-”权重外，其他连线上权重默认为正。
图5 认知地图在Decision Explorer中的简化显示 笔者从节点入手，首先观察全图没有孤立节点，命令“orphan”无结果，表明受访者议题较为集中一致；其次，运用“LH”、“LT”命令分别寻找头节点和尾节点，如图6所示，尾节点为“资源外交渠道程度”(1 A)、“钢铁需求量”(2 B)、“行业重组度”(3 C)、“煤炭使用量”(4 D)、“
排量”(13 M)，表明受访者认为这5个概念是触发事件、初始原因或变化的推动因素，所有的解决问题的方式方法必须导向它们的改变；最后，运用cotail按钮进行共尾节点分析(如图7所示)，发现“行业重组度”(3 C)、“产能过剩率”(6 F)、“
排量”(13 M)具有充分的奠基作用和论证力，没有这三个概念，其上的多个论证链就会断裂，这正是在决策中需要把握的重要基础概念。
图6 Decision Explorer中的尾节点分析结果
图7 Decision Explorer中的共尾节点分析结果 进一步，考察节点间的关系即连线，运用“LR”命令将所有连接列出，如图8所示，直观显示了由各节点出发的直接连接。
图8 由各节点出发的直接连接显示
图9 认知地图的树形显示方式 通过DE中的按钮，采用树形显示方式，可以看出如上文所述的“Action-CSF-Goal”的水滴状等级层次结构，如图9所示，将网状无规则的认知地图转换成等级的树状，是符合人们由表及里、由粗到精、由抽象到具体的等级性、层次性思维过程的，这种认知层面的变换更加符合人们解决问题和作出决策的过程。连接导致了节点的出度和入度，进而引申出其在全图中的重要性。运用“domt14”、“cent 14”两个命令可以分别进行节点的域分析排序和中心性分析排序，如表1所示。
可以看出，中心性分析总体符合于域分析，但更细化了节点的排序，节点“管理创新程度”(9 I)和“平均能耗”(10 J)是人们最多谈论的概念，是达到目标所必需的两项关键成功因素(CSF)，即加强管理创新与降低平均能耗，是武钢集团可持续发展的重中之重——这是受访者的一致共识。其中，“管理创新程度”(9 I)的中心性最高，表明其对各个概念具有深远的连带作用即影响性巨大，这是与我国钢铁行业亟待自主创新的现状与建设创新型国家、加强制度创新、机制创新等宏观背景分不开的。“利润率”(8 H)被较多地论及，作为企业最看重的财务指标，它灵敏地表征了内外部环境的变化，并与前驱概念、后继概念相协同，衔接了多条重要且完整的因果路径。最后，重要性排序的第三阵营——“产能过剩率”(6 F)、“市场竞争力”(11 K)、“可持续发展能力”(14 N)，“产能过剩率”被频繁提及是有着其特殊的情境与现状的，表明受访者对其有着清醒的认识，由它过渡到“市场竞争力”以至“可持续发展能力”经历了复杂的间接论证链。接下来，采用族群分析得到认知地图所反映的认知结构。当预先设定族群分析选项模式为“Direct-All directions”时，则为连接族群方式，即是将全图节点按照其所有连接的Jaccard关联系数(Jaccard Coefficients)排列并由阈值分割[20]，形成彼此有连接但又相对独立的概念族群，如图10所示。
图10 认知地图的连接聚类显示 可以看出，族群1由围绕在关键成功因素(CSF)——“J平均能耗”周围的多个概念组成，这一族群的主要议题以平均能耗来溯源或引发，多属于结构化可控的因素；族群2由围绕在关键成功因素(CSF)——“I管理创新程度”周围的多个概念组成，这一族群的主要议题以管理创新来溯源或引发，多属于非结构化可控的因素。这些与前面域分析以及中心性分析的结果得到相互印证。 当设定模式为“Hierachical”时，则为层次族群方式，即是在已指定的关键问题(通常是头节点或分支节点)基础上跟踪对于其的解释直至到达任一尾节点，形成具有层次关联又不重复的集合，如图11所示。
图11 认知地图的层次族群显示 可以看出，该层次族群包含了绝大多数尾节点论证至头节点的绝大多数重要因果路径，起到了迅速概括完整论证链的作用，这一点与使用Focus(聚焦)按钮得到的结论是一致的，而Focus按钮旨在暂时简化缩减认知地图，通过去除多余连接以突出关键问题。 另外，可以通过计算得到定量化的研究结论，该认知地图的复杂度为18/14≈1.29，密度为18/[14×(14-1)]≈0.099，在典型的密度值区间内——这表明认知复杂度较高且基本符合可分析的范围，认知结构有较高的创新潜力；采用S.B.Hasiloglu的衡量认知地图的密度指标D、总体变量的中心性指标C[，i]以及层次性指数h，可以得出其层次性指数h≈0.015，在区间[0，1]中更接近于0，表明认知地图趋向于民主化，即表达思想的节点显得趋于无规则，更像是人们的直觉，这表明受访者的因果映射成功完成，此认知地图能够很客观地表达被访者的心智模型。 3 分析及展望 本文对认知地图分析方法进行系统的归纳与总结，从定性与定量两个角度来分析，其中定性分析包括寻找孤立节点、寻找头节点和尾节点、寻找权力节点、聚类(族群)分析、发现良性或恶性循环、中心问题分析、形状分析、模式分析等。定量分析包括复杂性与重要性分析。并结合认知地图实例展开分析，可以为分析企业或个人认知地图时提供方法。当前一些学者对认知地图的分析由原来的单地图分析变成现在不同地图的比较分析，例如，K.Langfield-Smith和A.Wirth提出了一些衡量方法计算了不同认知地图的差异性[21]。Bougon[22]与Ford、Hegarty[23]等人通过聚集认知地图比较了个人地图的差异性，并提供了分析平均因果图的方法，提出了分析认知地图的内容分析法、矩阵距离和计算最大距离度等。J.H.Klein和D.F.Cooper通过对两个不同概念数的认知地图进行定量比较，计算目标增长率(Goal Increasing Score)、类型推断率等指标，表现了参与者对未来的信息和期望值，以及图形随着时间过程的变化[24]。由此可见，在认知地图的比较分析中，各种复杂的定量化分析指标也在不断涌现，这充分说明了认知地图分析方法的无限可拓展性，还等待着人们继续去探索。
标签：认知计算论文;
