复杂问题解决中计算机模拟情境的逻辑框架，本文主要内容关键词为：情境论文,框架论文,逻辑论文,计算机论文，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。
中图分类号：B849 文献标识码：A 文章编号：1006－6020(2014)－01－0171－09 1 引言 由于复杂问题具有复杂性、动态性、模糊性以及时间滞后性，传统的纸笔实验方式已经无法满足研究的要求(Brehmer & Dorner,1993)。Funke(1995)提出复杂问题解决研究必须遵循以下原则：使用合适特征的情境；运用小规模的系统；能评价问题解决者以往的知识；对于系统的解释和控制有外显的条件；能区别知识获取和系统控制的差异；对知识获取和系统控制的测量有已证明的和可信的指标；某些系统特征具有动态的变异。从Dorner等人采用计算机模拟情境(Tailorshop)来研究复杂问题解决开始，研究者开发了各种计算机模拟情境，如，服装厂管理任务的MORO(Strohschneider & Guss,1999)，动态决策任务的MicroDYN和MicroFIN(Wüstenberg,Greiff & Funke,2012；Geriff,Wǜstenberg,Sonnleitner,Brunner,& Martin,2013)，以及灭火任务的Newfire(Brehmer,2005)。到目前为止，复杂问题解决研究之所以在理论上难以取得突破，其关键在于研究方法上的问题(Funke,2010; Greiff,2012)。Osman(2010)强调模拟情境中学习系统和控制系统是两个关键认知任务，而系统特征以及测量方式则决定着对认知过程的解析。Funke(2010)提出复杂问题解决是复杂的认知过程，受到过程等多种因素影响，因此，模拟任务更需要理论解决框架来分析认知过程。本文将基于以往模拟情境总结复杂问题解决中计算机模拟的形式框架的运用，分析可行的模拟情境测量方式，并对未来研究提出展望。 2 计算机模拟情境的形式框架 计算机模拟情境与传统心理学实验存在着很大的差别，主要在于自变量和因变量的特点。在模拟情境中，自变量具有系统性的特征，如复杂性，反馈结构；因变量则具有动态性与连接性。系列自变量与因变量整体构成了模拟系统，整个过程是由被试控制。更为关键的是系统的动态变化特征使得被试的决策影响着系统的变化，实验者所能做的是设置系统的初始参数以及观察被试是如何处理模拟情境的。因此，模拟系统的内部结构框架决定了模拟系统的质量和研究结果。Gonzalez等(2005)从模拟情境的四个特征(动态性、复杂性、模糊性以及动态复杂性)对以往研究所采用的模拟情境进行分类。他们认为模拟情境可以从系统状态变化趋势、系统变量之间的非线性关系、使用者不能完全掌握系统信息以及系统结构等方面来定义。Funke研究团队在1993年初步提出了模拟情境的两种内部结构框架：线性结构方程(linear structural equation,LSE)和有限状态自动化(finite state automata,FSA)(Funke,1993; Buncher & Funke,1993)；但是，后续由于技术和理论适用性等原因并没有得到推广(Funke,2010)。基于复杂问题解决研究特征，Funke(2001)提出从任务背景和系统特征两个方面来解决研究结果不可对比的问题。第一种是明确操作化定义动态系统特征，并以此来系统地比较各种不同的实验。这种分析至少能得出两个动态任务是否可以比较，典型任务就是Tailorshop或Manutex，模拟服装加工厂，被试的任务是按月度来管理公司从而实现既定的目标。第二种方法是根据相同或相似的形式框架获得不同的动态任务环境，使得任务逻辑具有可比性。由此，研究者重新关注模拟任务的结构框架(Funke,2010; Sager,Barth,Diedam & Engelhart,2011)，并开发了以LSE为基础的MieroDYN模拟情境和以FSA为基础的MicroFIN情境(Funke,2010; Wüstenberg,Greiff & Funke,2012; Geriff,Wüstenberg,Sonnleitner,Brenner,& Martin,2013)。LSE和FSA能构建变量之间的关系以及变量的效果，都能满足复杂问题解决情境的连接性和动态性的特征：LSE适合于定量的变量(等距数据)；而FSA处理的是定性的变量(称名数据)。 2.1 线性结构方程 在许多学科，具有定量变量的系统可以通过线性模型呈现，如车辆驾驶等。研究将其运用于复杂问题解决研究中的模拟情境构建，从而模拟现实情境中的某些关键功能特征，如动态性与复杂性(Funke,1993)。该模拟系统包括外源变量(x)和内源变量(y)，外源变量是被试可以直接操作的，并进而影响被试不能直接操作的内源变量，其关系如方程①。
被试被告知处理具有内源和外源变量的系统，任务是(1)发现内源和外源变量之间的关系；(2)控制系统中的外源变量从而达到一定的目标。通常，系统识别和系统控制被分为独立的两个子任务。A，B表示外源变量；Y，Z则是内源变量。A，B对Y，Z有影响。整个系统内在结构可以用方程②和③来表示：
在这些方程中，t和t＋1表示系统在时间轴上的不同状态。从方程中，我们可以看出(1)Y在t＋1时的值受A在t时的值影响；(2)Z在t＋1时的值受A，B，Y，Z在t时的值影响。通常，系统呈现所有变量的值，只是系统的内在关系方程并没有呈现。因为这正是需要被试去学习和探索的。同时，在一些系统中，一些内源变量可以影响另一些内源变量；内源变量也可以影响自身的变化。 根据LSE逻辑，Funke团队开发了系列的模拟情境，如MicroDYN、Genetics Lab等。如图1所示，MicroDYN系统模拟投篮任务，设置了三个外源变量和三个内源变量(Funke,2010; Geriff,Wüstenberg,Sonnleitner,Brunner,& Martin,2013)。
图1 MicroDYN的内在逻辑结构 系统中，三个外源变量为三种训练操作：培训A、培训B、培训C，三个内源变量为动机、投掷力量、疲倦。各个变量之间存在着线性关系，但是关系特征可能会有主效应(外源变量对内源变量的直接作用)、多效应(多个外源变量对内源变量的影响)、独立效应(外源变量对内源变量的特定路径影响)、副效应(内源变量自身的影响)以及动态效应(内源变量自身的动态变化)等。模拟情境最后的评价结果则是投篮的准确度和效率。 Funke(2010)从复杂认知角度对比了复杂问题解决研究中的两种模拟情境，Tailorshop和MicroDYN模拟，认为背景信息丰富的Tailorshop优点在于满足了决策的时间动态与重复性等特征，但是系统过于复杂，被试难以理解，过程难以控制；而MicroDYN系统可以在结构和难度上进行调整，符合从认知角度来研究人类的行为。Schweizer,Wustenberg和Greiff(2013)运用学生样本检验了MicroDYN模拟情境的效度，发现MicroDYN中测量的维度(探索质量、知识获取与系统控制)具有较好的预测效度。 基于LSE的模拟系统的优点是能明确系统的目标状态和最佳的解决方案，研究者可以根据研究的需要对系统的动态性以及时间滞后性等方面进行调整。当然，该结构也存在着不足之处。首先，是真实性问题，这类模拟系统变量内在的都是线性的结构关系(虽然少数的能构建对数或指数关系)，而实际中情境往往要复杂得多。其次，是研究过于强调任务的特点，而忽略了其他方面，如个体特征和相互之间的交互作用。 2.2 有限状态自动化 现实生活中，我们使用的很多设备可以从它们的性质归为三个抽象水平：(1)具有有限的(确定的)状态；(2)从当前状态到目标状态可以通过使用者控制，也可以是自动变化的；(3)结果信号是基于使用者的输入所达到的状态。具有以上三个特征的系统可以用有限状态自动来呈现，如ATM机器等(Buchner & Funke,1993)。 一个确定的有限状态自动化由四部分构成：一系列有限的输入信号(x)，一系列有限的状态(z)，一系列有限的输出信号(y)以及两个方程(转换方程和结果方程)。如果输出信号完全依赖于状态，而和输入信号无关，那么结果方程则由标记方程所取代。
Buchner,Funke和Berry(1995)开发的改进版的糖厂(sugar factory)则利用了FSA的原理，通过区间调整工人数量，从而影响产量。基于FSA的MicroFIN系统类似于电视机的遥控器：在遥控器上呈现频道数字来远程控制电视机，例如遥控器上“开”意味着电视机工作、数字“6”则可控制电视进入第6频道(Wustenberg,Greiff & Funke,2012)。Greiff等(2013)运用德国学生样本检验了基于LSE的MicroDYN和GeneticsLab情境与基于FSA的MicroFIN情境之间的差异和特征，研究表明模拟情境结果能较好预测被试的智力，但也发现MicroFIN模拟结果的变异较大，可能与任务的单一性有关。 基于FSA模拟系统的优点有：动态任务具有可描述性；使得研究者可以对人们有效控制系统的认知过程和心理表征进行研究；研究者可以通过预测、干涉和反思方面的问题进行问题解决过程的诊断；由于与现实情境相近，具有较高“生态效度”。由于强调系统状态之间的转换，系统也存在一定的不足：不能模拟过于复杂的系统；控制该模拟情境的认知过程可能与传统的学习不同；等等。 总之，LSE和FSA都能较好地满足复杂问题的动态性，有助于研究者明确复杂问题解决的过程。但是LSE模拟系统往往由于变量数目太多而过于复杂，而FSA系统则存在着复杂性不足的问题。 3 计算机模拟情境的测量方式 在复杂问题解决研究中，研究者通常采用认知绩效评估的两组指标：解决问题的时间和解决结果的质量(Funke,1995)。但是，与传统的研究思维的问题相比，计算机模拟情境提供了多个不同的问题，而不是单一的、有结构的问题，而这些指标在一定程度上都忽略了任务解决形成的过程。Buchner和Funke(1993)认为一些模拟情境的绩效测量缺乏信度，因为在这些模拟情境中目标是不明确的，没有明确的最优解决方案，而且变量之间的关系有的是非线性的。Strohschneider和Guss(1999)在MORO的模拟情境中，采用三类指标来测量：问题解决的结果、行为和控制的整体测量、问题解决过程中的处理策略和模式。Rigasa(2002)对比了多种计算机模拟情境，发现测量方式影响结果，而研究目的是影响测量方式的重要因素，提出模拟情境的信度和效度受到测量方式的影响，复杂问题解决研究需要多维度多特征地来测量模拟情境任务。 复杂问题解决研究关注知识获取与知识运用的认知过程(Funke,2001)。知识获取指的是被试需要发现变量之间的关系和系统的动态性。知识运用指的是运用以往获得的知识使得系统达到一定的目标状态，具体目标一般都是由研究者提供的。在LSE和FSA两种不同的情境中，知识获取和运用有所不同。在LSE情境中，识别问题是学习识别策略的过程：操作外源变量来得到结果与系统的因果结构，或者形成一定的假设。知识的运用要求两个子目标：首先，通过输入向量将内源变量的当前状态转换为目标状态；其次，将目标状态保持在稳定水平，因为在动态系统中目标可能会由于动态性而快速消失。在FSA情境中，知识获取的任务与LSE情境相似，因为输入信号对输出信号和系统状态的影响效果也是需要探索的。但是，过程中被试采取的策略和方式存在着差异，被试需要明确满足特定状态转化的可能情境，而不是探索方向、性质以及量化等方面。知识运用只是要求找到从初始状态到目标状态的路径。如果变量之间的转换路径过繁，整个任务则变得相当困难。根据模拟情境的认知要求，研究者采取了多种测量方式，归纳起来为结果导向与过程导向(Funke,2001; Rigas,Carling & Brehmer,2002; Wüstenberg,Greiff & Funke,2012; Geriff,Wüstenberg,Sonnleitner,Brunner,& Martin,2013)。 3.1 结果导向的测量 由于知识获取和运用是两个关键指标，复杂问题解决研究往往较多地关注指标的结果变量：在知识获取阶段中系统识别的质量和在知识运用阶段中系统控制的质量(Funke,2010; Greiff,2012)。 在LSE情境中，系统识别质量的衡量方法是将现实存在的因果结构和被试假设的因果关系进行对比，让被试在探索问题的过程中画出结构图在很多研究中得到运用。Kluge(2008)利用基于LSE的模拟系统DYNAMIS分析系统难度与绩效关系中直接采用问题解决者控制的结果作为绩效标准。在MicroDYN中被试的任务之一就是列出外源变量与内源变量之间可能的关系(Schweizer,Wustenberg & Greiff,2012)。再者，也有研究采用信号检测分析比较假设模型和实际模型。Funke(1993)提出了结构知识类似于信号或数字，需要确定是否有关系以及关系的正确性等问题，并进一步认为信号检测理论的适用性。在此基础上，Funke提出系统识别质量(QSI)指标可以通过击中(HI)，误报(FA)以及猜测可能性(p)来表示。高的QSI分数意味着运用的假设的因果关系有高的相关性。 QSI＝(1－p)*［HI/max(HI)］－p*［FA/max(FA)］，－p＜QSI＜(1－p) 对于系统控制质量，最简单的方法是被试是否按照要求使得系统达到既定目标，如果达到则得分。但是在现实情境中，被试不可能百分之百的达到目标。基于量化数据特征，研究用均方根计算离目标状态的距离(RMS)，反映了平均差异(Funke,1993)。针对均方根的不足，Funk(2010)提出了目标差异的对数转换，认为对数转换更加有效，因为距离的差异不会增加权重。 在FSA范式中，知识获取和知识运用的结果指标则可以通过直接定性评价得来。对于系统识别，理想的结果是所有状态转换的集合。为了减少努力等其他无关因素影响，研究则可选取有代表性的状态转换集合。MicroFIN采用三个问题来评价知识获得的质量：预测性问题，当前的状态和操作，未来状态如何；干预性问题，当前与未来的状态，当前的操作如何；回溯性问题，初始操作与当前状态，初始状态如何(Wustenberg,Greiff & Funke,2012)。而对于系统控制，好的标准是在初始和目标状态之间采用最短的距离，而不必要的步骤则是知识运用中的无效指标。对控制的测量，MicroFIN则以采用最少而有效的步骤达到目标为标准：如果步骤过于繁琐而目标达成，则得部分分值；如果没有完成目标，则不得分。 3.2 过程导向的测量 Dorner(1996)强调人们在解决复杂问题过程中往往会犯各种错误，因此，解决复杂问题的过程更能反映人们认知行为的改变。被试探索和控制系统的过程其实就是采用某种策略进行学习的过程。整个过程需要以目标为导向，动机为基础的。因此，过程分析不仅包括认知能力，还包括情绪和动机过程。过程导向的测量可以是认知和意识理论的整合，与元认知有关，如认知过程的自我控制(Fischer,Greiff & Funke,2012)。过程分析本来是计算机模拟情境的优点，但目前过程导向的测量离理想的方法还有一定的距离，其中原因是我们不习惯用时间序列来描述被试的任务绩效以及复杂问题解决研究在理论上缺乏突破(Greiff,2012)。 在LSE中，系统识别的过程可以用使用策略来测量。为了探索一个动态系统，人们需要采用一定的预期策略来明确实验措施所产生的效果。Brehmer(2005)总结Fire模拟中任务过程发现存在着个体差异，同时问题解决者过于依赖系统信息。因此，一个理想的科学方法就是单独的对每个外源进行改变从而来明确其对内源变量的影响(VOTAT,vary one thing at a time)。如果同时改变多个外源变量，那么其效果是不易区分的。同时，重要的假设是建立在对所有外源变量的零输入，因为这个过程最能反映动态性。在考虑系统输入的结构时，还需要考虑措施的程度。如果在探索阶段发现可以对系统进行毫无危险的控制，那么更强的干预会更好，因为那样的话，相应的效果会表现得更加明显。如果能够获得被试对因果关系的假设，则有可能预测在一定反馈后被试的心理模型是如何改变的。Wüstenberg,Greiff和Funke(2012)研究发现VOTAT策略直接影响着知识获取和系统控制的质量，并提出复杂问题解决过程应该包括策略使用、知识获取和系统控制三个阶段。 在FSA情境中，被试要明确系统状态是如何转换的，更需要好的策略来检验事先的假设，通常策略包括广度优先策略和深度优先策略(Funke,2001)。这种策略的变化又体现在结果测量的问题中。再者，研究也可以从过程中探索系统的认知程度来评价，主要指标有措施优化程度(从初始状态到目标状态的最优路径)和有效性(有效措施占所有措施的百分比)。 对比FSA和LSE模拟情境中的过程测量可以发现，LSE强调内在的逻辑推论，而FSA则关注假设的检验过程。但是，不管怎么样，复杂问题解决中过程测量还是零散的，需要有理论支持(Funke,2010)。Greiff(2012)基于复杂问题解决过程特征提出应该从行动理论和功能视角来确定测量标准。行动理论强调复杂问题解决的过程，而功能视角则关注行为的作用。Greiff认为复杂问题解决包括目标明确、框架预期、行动、修正、控制以及系统化等六个阶段，复杂问题解决过程测量应该根据六个阶段不同特征来确定测量方法。 4 研究展望 复杂问题解决研究的主要目的是探索人们是如何处理复杂动态系统，而研究工具质量决定了研究结果的可信度。复杂问题解决过程并非简单的认知过程，涉及个体的认知策略、决策、以及情绪等因素影响。LSE和FSA为模拟情境提供了形式框架结构基础，为各种模拟情境研究结果的对比提供了基础，有利于研究者探索人们在解决复杂问题的认知过程。同时，研究也需要认识到两种方法存在着不足之处：由于形式的限制而导致情境在一定程度上的失真，现实中一些很明显的系统效应也是无法模拟的；模拟情境过于依赖结果导向，忽视过程特征，没有将过程导向与结果导向测量有效整合。未来研究还可以从问题特征、任务逻辑以及测量方法等角度来提高模拟情境的质量。 首先，根据问题性质来确定任务情境特征。复杂问题解决被定义为一种问题解决能力，问题解决者需要直接处理动态与全新的情境(Mayer,1990)。根据内容特征，复杂问题可以分为特定领域的问题，如数学和一般的复杂问题，如心理认知等。根据解决问题问题的主体，可以分为个体问题解决和团队问题解决。当前，两种类型的研究往往相互独立。因此，研究需要整合特定领域和非特定领域的复杂问题，同时考虑如何构建适合团队特点的复杂问题解决。Mark(2000)分析了团队问题解决中计算机模拟的效度问题，提出需要关注团队成员之间的互动关系以及认知共享模型。 其次，整合LSE和FSA两种逻辑结构，构建复杂的任务。以LSE和FSA为基础的情境往往任务背景简单，变量之间的关系相对单一。因此，研究提出需要整合LSE和FSA框架，形成更为适合的任务情境。Engelhart，Funke和Seger(2012)在此方面进行了尝试，提出运用分解公式来建构复杂问题解决情境IWR Tailorshop，在控制任务具体情境特征的基础上，确定系统的结构框架，从而保证了模拟系统的理论效度。Engelhart等进一步提出可以根据被试的任务完成情况，利用预测优化方法来提高模拟情境的信度。 再者，在测量方法上，在强化问题解决的结果同时，整合过程特征，需要采用多特征多维度方式。Brehmer(2005)提出在个体差异比较研究范式下通过结果区分回溯过程差异，能系统地发现人们在解决复杂问题过程的行为，而基于实例学习(instance-based learning)视角可以明确过程特点。Güss,Tuason和Gerhard(2010)结合复杂问题解决的行动过程理论，采用大声思维报告分析不同文化背景的问题解决者的策略差异，揭示了情绪表达和自我评估在问题解决中的作用机制。但是，Greiff(2013)强调还需要从研究设计等角度有效整合定性与定量的测量数据，否则将成为两组独立的数据而已。 总之，模拟情境的连接性和动态性特点决定了问题的复杂与难易程度。复杂问题解决研究中需要高质量的模拟情境，而LSE和FSA框架是可选择方向之一。
标签：计算机模拟论文; 逻辑框架论文; 控制变量论文; 过程控制论文; 状态变量论文; 认知过程论文; 状态方程论文; 关系逻辑论文; lse论文; fsa论文;
