人間のパフォーマンスモデリング

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、人間機能の分析と、最適なユーザーエクスペリエンスとインタラクションのために設計されたシステムの開発の両方において、ヒューマンファクターの研究者や実務家が使用するツールです。^[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]

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。人間工学は最近の分野ですが、第二次世界大戦以来、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の軍事システムに対する人間システム 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 (以下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ました(以下の認知と記憶を参照)。^[7]

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。ただし、これらのモデルは、人間のパフォーマンス予測が正しいことを確認するために、経験的な人間参加型データに基づいて比較する必要があります。 ^[1]人間の行動は本質的に複雑なため、相互作用の簡略化された表現は、特定のモデルの成功に不可欠です。システム、ドメイン、またはタスク内での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ないため、モデルを管理しやすいように詳細が抽象化されます。詳細の省略は基礎心理学研究では問題ですが、ヒューマンファクターの専門家にとって最も懸念されるような応用コンテキストではそれほど問題ではありません。^[7]これは、内部妥当性と外部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あることがよくあります。^[7]

ほとんどのヒューマンパフォーマンスモデルの目標は、調査、設計、評価の目的に役立つように、特定のドメインで十分な詳細を捉えることです。そのため、特定のモデルのドメインは多くの場合非常に制限されています。^[7]特定のモデルのドメインを定義して伝えることは、システム分野としての実践、そしてヒューマンファクター全体の重要な特徴です。ヒューマンパフォーマンスモデルには、モデルが依存する明示的および暗黙的な仮定または仮説の両方が含まれており、通常は数学的であり、方程式またはコンピューターシミュレーションで構成されていますが、本質的に定性的な重要なモデルもあります。^[7]

個々のモデルの起源はさまざまですが、ヒューマンファクターの観点から見た問題への応用と使用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決定結果を生み出すモデル）、人間のパフォーマンスに関係するプロセス（例：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、それらは、知覚と注意の配分、コマンドと制御、または認知と記憶の 3 つの領域のいずれかに属すると見なされています。ただし、感情、動機、社会的/グループ プロセスなどの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 モデルと併せて使用されていますが、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]宇宙作戦、 [ ^{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ース（UX/UI）設計、^[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きました。

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（1952）とハイマン（1953）は、選択反応時間課題の難しさ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、H = log ₂（n + 1）であり、人間の操作者の反応時間（RT）はエントロピーの線形関数、RT = a + bHであると示唆した。これは選択反応時間のヒック・ハイマンの法則として知られている。^[7]

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。任意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を介して適用されます。ステアリングの法則は、1971年にCGドゥルーリーによって最初に発見され^{[16] [17] [18]}、後にアコットとザイ（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]}

ミュージシャン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、うまくモデル化されていません。しかし、人間のターゲット追跡行動は、成功した HPM の例となる複雑な運動タスクの 1 つです。

手動制御理論の歴史は長く、水時計の制御に関する 1800 年代にまで遡ります。しかし、1940 年代には第二次世界大戦でサーボ機構が革新され、フィードバック制御信号を介してレーダーアンテナ、砲塔、船舶/航空機などの現代のシステムを継続的に制御および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 (感知された出力とモーター出力の時間の関数としての関係) に興味があった 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 (感度のあ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延の比率) に変換した後に理解することで最もよく特徴付けられることを発見しました。 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と機械のシステムに適用されました。 人間による制御のための砲塔の設計に関心があった Tustin (1947) は、非線形の人間の応答を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。 McRuer と Krenzel (1957) は、Tustin (1947) 以降のすべての研究を統合し、人間の伝達関数の特性を測定および文書化し、人間のパフォーマンスの手動制御モデルの時代を切り開きました。電気機械式および油圧式の飛行制御システムが航空機に実装されると、自動化および電子式人工安定システムにより、人間のパイロットが高感度システムを制御できるようになりました。これらの同じ伝達関数は、今日でも制御工学で使用されています。

このことから、最適制御モデル(Pew & Baron、1978) は、システム ダイナミクスを内部化し、ターゲット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人間のオペレータの能力をモデル化するために開発されました。最適制御モデルは、オペレータの誤差信号を観察する能力のノイズも認識し、人間のモーター出力システムのノイズも認識します。

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要望は減少しました。複雑なシステムの人間による制御は、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調査から人間のパフォーマンスの認知的側面へと移行しました。

HPM の正式な一部ではありませんが、信号検出理論は、特に統合モデル内で、この方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、最も広く使用されていることはほぼ間違いありません。また、人間の感覚と知覚に関する教育の重要な特徴でもあります。適用する場合、対象となる状況は、人間のオペレーターがノイズ バックグラウンドで信号が存在するか存在しないかを 2 値で判断しなければならない状況です。この判断は、さまざまな重要なコンテキストに適用できます。オペレーターの応答のほかに、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。オペレーターが信号が存在すると正しく識別した場合、これをヒット( H) と呼びます。オペレーターが信号がないのに信号が存在すると応答した場合、これを誤報(FA) と呼びます。オペレーターが信号がないのに正しく応答した場合、これを正しい拒否(CR) と呼びます。信号が存在するのにオペレーターがそれを識別できなかった場合、これをミス(M)と呼びます。

応用心理学とヒューマンファクターでは、SDT は認識、記憶、適性テスト、警戒などの研究問題に適用されます。警戒とは、オペレーターが時間の経過とともにまれな信号を検出する能力を指し、さまざまな領域にわたるヒューマンファクターにとって重要です。

注意力の発達した領域は視覚的注意の制御であり、これは「人は次にどこを見るか」という問いに答えようとするモデルです。このサブセットは視覚探索の問題に関係しています。つまり、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ことです。これは、認知心理学においてかなりの歴史を持つ、さまざまな領域におけるヒューマンファクターの共通の関心事です。この研究は、顕著性と顕著性マップの現代的な概念とともに継続しています。この領域における人間のパフォーマンスモデリング技術には、人間のオペレーター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の推定値を提供するように設計されたマルコフモデルに関する Melloy、Das、Gramopadhye、および Duchowski (2006) の研究が含まれます。 ^[21] Witus と Ellis (2003) の別の例には、複雑な画像内の地上車両の検出に関する計算モデルが含まれます。^[22]特定の項目のサブセットがハイライト表示されたときに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不均一であることに直面して、Fisher、Coury、Tengs、Duffy (1989) は、与えられた確率分布の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方程式を導きました。^[23]視覚探索は多くのタスクの重要な側面であるため、視覚探索モデルは現在、モデリングシステムの統合の文脈で開発されています。たとえば、Fleetwood と Byrne (2006) は、ラベル付きアイコンの表示による視覚探索の ACT-R モデルを開発し、アイコンの品質とセットサイズが検索時間だけでなく目の動きにも及ぼす影響を予測しました。^{[7] [24]}

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 yes/no 応答時間測定以上のものが必要です。これらの状況で重要な質問は、「オペレータが Y と比較して X を見るのに費やす時間はどれくらいか」または「オペレータが重要なイベントを完全に見逃す可能性はどれくらいか」です。視覚的なサンプリングは、世界から情報を得るための主な手段です。^[25]このドメインの初期のモデルは、それぞれ変化率が異なる複数のダイヤルをオペレータが監視することに基づいた Sender (1964、1983) です。^{[26] [27]}オペレータは、できる限り離散的なサンプリングに基づいて元のダイヤルの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。これは、各信号の情報生成率の測定値と組み合わされ、各ダイヤルの最適なサンプリング率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説明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)で説明され、p(A)は特定の領域がサンプルになる確率、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を表し、現在注目している場所から AOI までの距離に関連しています。EX (期待値)は予想されるイベント率 (帯域幅)、V はその AOI の情報の価値で、関連性と優先度 (R*P) の積として表されます。^[25]小文字の値はスケーリング定数です。この方程式により、オペレータがどのように動作するかに関する最適かつ規範的なモデルを導出し、その動作を特徴付けることができます。Wickensら(2008)は、環境の自由パラメータの絶対推定を必要とせず、関心領域と比較した他の領域の比較顕著性のみを必要とするモデルのバージョンも生成しました。^[7]

個々の文字の視覚的識別のモデルには、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）のモデルがあり、最後のモデルは、単語優位効果の説明で知られる、より大き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]

質的 HPM の例には、Cutting と Vishton (1995) による奥行き知覚モデルが含まれます。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ますが、その概念の重要な部分は、人間の作業者には能力の限界があり、そのような限界を超えるとパフォーマンスが低下するリスクがあるということです。たとえば、物理的な作業負荷の場合、人が繰り返し持ち上げるように求められる最大量があることは理解できます。しかし、作業負荷の概念は、超過する能力が注意力に関するものである場合、より議論を呼ぶようになります。人間の注意力の限界とは何であり、注意力とは正確には何を意味するのでしょうか。人間のパフォーマンスモデリングは、この分野に貴重な洞察をもたらします。^[7]

Byrne と Pew (2009) は、基本的な作業負荷の質問の例、「タスク A と B はどの程度干渉するか」について検討しています。これらの研究者は、これを心理的不応期(PRP) パラダイムの基礎として示しています。参加者は 2 つの選択反応時間タスクを実行します。2 つのタスクはある程度干渉しますが (特に、参加者が 2 つのタスクの刺激に反応しなければならない場合、2 つのタスクが時間的に近接している場合)、干渉の程度は通常、いずれかのタスクにかか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、各タスクに知覚、応答選択 (認知)、および運動出力という 3 つの要素があるという点で、この状況を適切にモデル化しています。注意の制限 (つまり、作業負荷の所在) は、応答選択が一度に 1 つのタスクに対してしか実行できないことです。このモデルは多数の正確な予測を行い、モデルで説明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、次の疑問について検討しています。二次タスクはどの程度運転パフォーマンスに干渉するのか、また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、およびモダリティ) があると提唱する多重リソース理論(Wickens、2002、2008、Navon と Gopher、1979) に基づくモデルを使用して、研究者は、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加すると示唆しています。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干渉するはずです。なぜなら、運転自体は、聴覚よりも視覚的モダリティに強い要求をするからです。^[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あるが、定性的に表現されることが多い。詳細な計算実装は、多くの分野に適用できるほど汎用性の高い Horrey および Wickens (2003) モデルを含む HPM 手法への適用に適した代替手段である。タスクネットワークモデリングなどの統合アプローチも、文献でますます普及しつつある。^[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。計算アーキテクチャである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）を使用すると、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を強化し、それぞれタスク干渉、エンドポイントの削減、および力不足を考慮しました。このモデルには、タイピングのエンドポイントの変動性を定量化するために神経運動ノイズ理論も組み込まれています。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での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のシリアルまたは並列処理モデルは、さまざまなPRP現象をうまく説明してきたが、それぞれのモデルは、その予測またはモデリングメカニズムに対する実験的反例に少なくとも1つ遭遇する。この記事では、PRPのキューイングネットワークベースの数学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すべての主要な反例を含む閉形式方程式でPRPのさまざまな実験結果をモデル化することができ、自由パラメータの数が少ないか等しい。このモデリング作業は、PRPの代替理論的説明も提供し、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の「キューイング」と「ハイブリッド認知ネットワーク」の理論的概念の重要性を示している。^[30]

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、人工知能と汎用問題解決システム(GPS; Newell & Simon、1963) に関するニューウェルとサイモンの研究では、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、単に情報量 (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など) ではなく、実際に実行される計算に関心がありました。彼らは、認知と計算の比較、および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、コンピューターサイエンス内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するわけではありませんが、先駆者たちは、どんな汎用計算機でも、物理的な同等性なしに、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証明しました (Phylyshyn、1989 年、Turing、1936 年)。認知革命により、認知のすべてにモデル化でアプローチできるようになり、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、イメージなど、認知のさまざまな領域に広がっています。^[7]

よく知られている例としては、アトキンソン・シフリン (1968)の記憶の「モーダル」モデルがあります。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。

記憶と認知の 1 つの領域は、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に訓練されているため、手順が日常的になるため、これは広く適用できます。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) ファミリのヒューマン パフォーマンス モデル (Card ら、1983 年、John と Kieras、1996a、1996b) は、もともとコンピュータ インターフェイスのユーザーをモデル化するために適用されましたが、その後、他の領域にも拡張されました。これらは、さまざまな異なる懸念事項や分析の規模に適した便利な HPM ツールですが、ユーザー エラーの分析に関しては制限があります (GOMS をエラー処理に拡張する取り組みについては、Wood と Kieras、2002 年を参照)。^[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。このモデルでは、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アクション (キーストローク、マウス クリックなど) がリスト化され、これらは操作とも呼ばれます。精神的な操作 (画面上のオブジェクトを見つけるなど) は、簡単な一連のルールを使用してこれを補強します。各操作には時間が関連付けられており (キーストロークの場合は 280 ミリ秒など)、タスクの合計時間は操作時間を合計して推定されます。次に、それぞれの推定実行時間を使用して、2 つの手順の効率を比較できます。この形式のモデルは非常に近似的ですが (多くの仮定が自由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 (車載情報システムや携帯電話など)。^[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取得）。^[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 の一般的な精神操作の多くは、人々の手順的知識を方法に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できる転移の量も予測できます (Gong および Kieras、1994)。これらのモデルは、ユーザー インターフェイ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こともできます。^[7]

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際立った対照をなしています。多くの状況では、オペレーターが不確実性の中で判断を下すこと、つまり品質の評価をしたり、多くの選択肢の中から選択したりする必要があるためです。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。最適行動のモデルは重要で有用ですが、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、この領域での人間の意思決定に関する多くの研究では、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のヒューリスティックとバイアスに関する独創的な研究、ギゲレンツァーの「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）の適応戦略に関する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; Cooksey, 1996; Hammond, 1955) 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)、指揮統制 (Bisantz 他、2000)、就職面接における人間の判断の調査 (Doherty, Ebert, & Callender, 1986)、財務分析 (Ebert & Kruse, 1978)、医師の診断 (LaDuca, Engel, & Chovan, 1988)、教師の評価 (Carkenord & Stephens, 1944)、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) 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十分に活用されていません。^[7]

SAのモデルは、記述的（Endsley、1995）から計算的（Shively et al.、1997）まで多岐にわたります。^{[14] [31] [32]} HPMで最も有用なモデルは、McCarley et al.（2002）のA-SAモデル（注意/状況認識）です。これは、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ます。^[14]このA-SAモデルのP/Aモデルは、視覚的注意の理論に基づいています。^[33]（Bundesen、1990）（McCarley et al.、2002を参照）。^[14]

説明したモデルの多くは、その適用範囲が非常に限られています。SDT の拡張は、さまざまな他の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 (例については、TD Wickens、2002 を参照)、そのほとんどは普及せず、SDT はバイナリ状況に限定されたままです。ただし、これらのモデルの狭い範囲は、ヒューマン ファクターに限定されません。たとえば、ニュートンの運動法則は、電磁気学に関して予測力はほとんどありません。しかし、これはヒューマン ファクターの専門家にとってはフラストレーションがたまるものです。なぜなら、生体内での実際の人間のパフォーマンスは、さまざまな人間の能力を必要とするからです。Byrne & Pew (2009) が説明しているように、「1 分間で、パイロットは視覚検索、ボタンの照準と押し、ルーチン プロシージャの実行、複数の手がかりの確率的判断を非常に簡単に実行できます」。基本的なヒューマン パフォーマンス モデルで説明されている他のほぼすべてのことを行うことができます。^[7]全米科学アカデミーによるHPMの基礎的レビュー（Elkind、Card、Hochberg、Huey、1990）では、統合がHPMにおける未解決の大きな課題であると説明されている。この問題は未解決のままであるが、複数のモデルを統合・統一し、複数の領域にまたがるシステムを構築する取り組みがなされている。ヒューマンファクターでは、これを実現し、人気を博している2つの主要なモデリング手法は、タスクネットワークモデリングと認知アーキテクチャである。^[7]

ネットワークモデルという用語は、特定のモデルではなく、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ありません。しかし、それを使用して構築されたモデルの品質は、モデルの作成に使用された理論とデータの品質と同程度にしか高くありません。^[7]

モデラーがタスクのネットワーク モデルを構築する場合、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、および結果として得られるネットワークの連続フローを制御するゲーティング ロジックです。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人間のタスク実行を表し、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マシン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で表されます。これらの仕様がすべてコンピューターにプログラムされると、ネットワークはモンテ カルロ方式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測定の分布が構築されます。ここでの技術は、モデラーがノードとパスを表す適切な抽象化レベルを選択し、各ノードの統計的に定義されたパラメーターを推定することです。推定値の裏付けと検証のために、人間が関与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) や、Schweickert、Fisher、Proctor (2003) などのSchwieckertと同僚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由来しています。心理学者の Art Siegel は、信頼性手法を人間と機械のパフォーマンスのモンテ カルロ シミュレーション モデルに拡張することを最初に思いつきました (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サポート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最新バージョンはMicro Saint Sharp (Archer、Headley、Allender、2003) です。このソフトウェア ファミリは、Micro Saint とのさまざまなレベルの共通性と特異性を持つ一連の専用プログラムを生み出しました。最も有名なのは、米国陸軍が後援する（MANPRINTに基づく） IMPRINTシリーズ（Improved Performance Research Integration Tool）^[34]であり、特定の人間の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ます（Archer et al., 2003）。ワークロード固有の2つのプログラムは、W/INDEX（North & Riley、1989）とWinCrew（Lockett、1997）です。

これらのプログラムを使用したモデリングのネットワーク アプローチは、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、人気があります。タスク分析の結果のフローチャートは、自然に正式なネットワーク モデルにつながります。モデルは、人間とコンピュータのインターフェイ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の潜在的な交通の流れの分析まで、特定の目的に合わせて開発できます。その弱点は、以前のデータや理論、第一原理からパフォーマンス時間や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、モデルの主要な内容を提供します。

認知アーキテクチャは、人間の経験的データを幅広く選択した結果に基づく人間の認知に関する幅広い理論であり、通常はコンピュータ シミュレーションとして実装されます。認知アーキテクチャは、時間の経過に伴って比較的一定でタスクに依存しない人間の認知の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 年、Ritter、young、2001 年)。認知アーキテクチャは、コンピュータ シミュレーション モデルの形式で、断片的な経験的現象を理論的に統合する試みです。理論は人間の要因の適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。こ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 年、Meyer、Kieras、1997 年) と ACT-R (Byrne、Anderson、1998 年) があります。

認知アーキテクチャにおけるタスクのモデルは、一般に認知モデルと呼ばれ、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、モデル化されるアクティビティ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取得されます。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にも関連しています。場合によっては、アーキテクチャは、タスクを実行するために人間が使用する実際のソフトウェアと直接やり取りします。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）などがあります。^[37]

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モデルは、運転者が運転速度と制限速度を認識し、速度を選択し、決定した運転速度を実行する方法を予測するために使用されました。このモデルは、意図しない速度違反の大部分を予測するのに感度が高く（平均d'は2.1）、正確でした（平均テスト精度は86％以上）。^[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。ACT-R は複数のモジュールで構成され、各モジュールは人間のシステムのさまざまな側面をモデル化します。モジュールは特定の脳領域に関連付けられているため、ACT-R はそれらの領域の一部における神経活動を予測することに成功しています。各モデルは基本的に、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、頻度と最新性を考慮した一連の方程式に基づいており、状況に応じた必要性の確率に関するベイズ理論の概念を組み込んでいます。また、学習とパフォーマンスの方程式も組み込んでいます。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。手動モジュールに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いう考えに基づいています。これは ACT-R の利点であると同時に限界でもあり、認知、知覚、運動の各要素の統合にはまだ多くの作業が必要ですが、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)。

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。

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]

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。

心理学における説明のかなり大部分は、定性的であるだけでなく、曖昧でもある。「注意力」、「処理能力」、「作業負荷」、「状況認識」（SA）などの概念は、一般的なものも人間特有のものも、応用領域では定量化が難しいことが多い。研究者はこうした用語の定義が異なり、各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指定する必要がある。特異性は、説明が内部的に一貫していることを要求するが、言語理論は柔軟性が高すぎて一貫性を保てず、その使用から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、すべてのモデルが同程度の特異性の利点を提供するわけではない。^[7]

形式モデルは一般的にモデル作成者に依存しません。特定のモデルを構築するには高度なスキルが必要ですが、いったん構築されれば、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、モデルは誰が実行したり解いたりしても、同じ予測を生成します。予測はもはや一人の専門家の偏見や直感に左右されるのではなく、公開できる仕様に左右されます。^[7]

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、これは応用場面では非常に重要である。ほとんどの心理学実験で標準となっている仮説検定技術を用いて分析される純粋に経験的な方法は、「AとBは異なるのか？」そして「この差は統計的に有意か？」といった漠然とした質問に対する回答を提供することに重点が置かれている。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情報を提供することが多い。^[7]

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]

多くの人間のパフォーマンスモデルは、人工知能 (AI) の方法やシステムと重要な特徴を共有しています。AI 研究の機能は、知的な行動を示すシステムを作成することですが、その知性が人間のパフォーマンスにどの程度似ているか、または予測するかは一般的に考慮されませんが、AI 方法と HPM の違いは時々不明瞭です。たとえば、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、人間の分類パフォーマンスに近い (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として分類する) ため、非常に知的なシステムですが、メッセージ自体の意味の解釈に依存せず、代わりに統計的方法に依存しています。ただし、ベイズ分析は人間のパフォーマンスモデルに不可欠な場合もあります。^[7]

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重点を置いている可能性があるため、ヒューマンファクター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]

理解しやすいモデルに必要な抽象化は、正確さと競合します。ヒューマンファクターの実践におけるモデルの応用には、一般性、単純さ、理解しやすさが重要ですが、多くの貴重なヒューマンパフォーマンスモデルは、大学院または博士課程修了者でないとアクセスできません。たとえば、フィッツの法則は学部生でも簡単に理解できますが、レンズモデルは多重回帰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す。複雑なモデルの成功は大きいですが、HPMの実践者は、正確性と使いやすさのトレードオフを認識している必要があります。^[7]

ほとんどのモデルベースの科学の場合と同様に、人間のパフォーマンスのモデル内に蔓延している自由パラメータも、事前に経験的データを必要とします。^[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関して制限がある場合があり、その特定のモデルの適用が制約される可能性があります。

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、人間のデータとモデルの出力を比較することで妥当性を評価することもできますが、自由パラメータは柔軟性があり、データに誤って適合する可能性があります。^[7]

-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 二乗) : 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]

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