人机协作下的共享心智模型研究*

胡艺龄 陈彦君

人机协作下的共享心智模型研究*

胡艺龄 陈彦君

（华东师范大学 教育信息技术学系，上海 200062）

人机协调共生是当下人类面临的重要问题，但智能技术内部“黑箱”效应带来的透明度低、可控性低等问题使人机协作时常产生冲突和矛盾。在此背景下，共享心智模型成为引导人机协作团队成员相互理解、协调的关键概念。基于此，文章首先梳理了共享心智模型的发展历程与经典的测量与评估方法。随后，文章以共享心智模型为基础引入“扩展思维”这一概念，设计了人机协作下的共享心智模型；同时，结合共享心智模型的经典计算与测量方法，文章提出了人机协作下共享心智模型的计算框架与测量思路。最后，文章通过应用案例分析，发现人机协作下的共享心智模型能有效促进团队合作和任务绩效，由此验证了人机协作下共享心智模型的可行性与有效性。文章提出的人机协作下的共享心智模型可为教育领域人机协作的良性互动提供理论支持，并为辅助人机协同学习与教师教育决策提供借鉴。

共享心智模型；人机协作；团队合作；任务绩效

引言

近年来，人工智能、机器视觉等技术的飞速发展和生成式人工智能、大语言模型的强势“登场”，使协作机器人日趋智能、易于交互且具有较高的自主性，可以在复杂的环境中与人平稳、高效地合作。从人机交互的角度来看，人机协作经历了人与物理系统交互、人与数字系统交互、人与智能系统交互三个发展阶段。当下智能体所具备的主动交互、自主学习等特征，使人机关系发生转折，如何解决人机协作时的认知兼容成为横亘在创新研究之前的基础性问题[1]。

智能时代的人机协作强调人与机器共享、协调、分配、使用相关的资源和信息，旨在实现人类智能与机器技能的互补。当人类与智能体这一“黑箱”系统（即决策过程难以被人类解释或背后的模型与算法对人类不可见的系统）合作[2]、共同面对复杂或非良构的问题情境时，团队合作和任务绩效便会面临一定的挑战。例如，人类若缺乏适当的机制来理解智能体做出的特定决策和响应，就很难预测智能体伙伴的下一步行为，也就很难识别和纠正智能体的错误行为。这就需要有一条清晰的沟通与交流渠道，促使人类与智能体形成共同的理念、实现共同的目标。

近年来，研究者纷纷将共享心智模型作为研究和促进人机协作的有效视角。该模型旨在引导人类与智能体之间相互理解，以实现更好的协调和协作。尽管一些研究已经接近人机协作下的共享心智模型的概念描述，但尚未有量化的研究证明此模型与团队合作增强、任务绩效提高之间的关系。基于此，本研究尝试提出人机协作下的共享心智模型及其计算框架与测量思路，并通过案例研究来验证人机协作下的共享心智模型对团队合作与任务绩效的促进作用，以期为教育及其相关领域未来的人机协作提供共同理解和高效协同的良性发展路径。

一 共享心智模型的相关研究

共享心智模型是由心智模型发展而来，自1990年Cannon-Bowers等[3]首次提出这一概念以来，其常常被应用于解释、预测并促进团队合作和任务绩效，得到了研究者的广泛关注。

1 从心智模型到共享心智模型

心智模型是人类与外部世界互动过程的内在心理表征[4]，具体表现为人类将其对外部世界的认知转化为头脑中的模型。心智模型包括外部世界中不同物理系统的相关知识，如物理系统的整体结构及其与外界的交互行为、外界对系统的干扰、这些干扰如何影响系统等。Cannon-Bowers等[5]首次将个体心智模型的概念扩展到团队层面，提出了“共享心智模型”（Shared Mental Models）的概念，认为团队的共享心智模型是指成员共享的有关团队任务、工作条件、任务情境的认知和心理表征。共享心智模型的核心假设是：如果团队成员对共同任务和彼此心理状态有相似的理解，那么他们便能准确地预测队友的需求和行为，从而促进可预知的团队合作，进而提高团队绩效。共享心智模型为团队的高效工作提供了理论基础，每个人都有可能理解并准确预测团队中其他人的行为，团队成员也就可以基于对影响团队绩效内外部因素的共同理解做出科学决策。

共享心智模型的早期研究者认为团队成员之间并不只存在一个共享心智模型，由此提出了共享心智模型具有多维性的观点。例如，Cannon-Bowers等[6]认为在同一时间点团队成员之间可能同时存在包括设备模型、任务模型、团队交互模型和团队模型的共享心智模型（下文简称“四维模型”）。其中，设备模型表示用于完成任务的设备，任务模型表示要完成的任务，团队交互模型表示团队成员的角色、职责及其交互，而团队模型表示每个团队成员的知识、技能等个人特征。在此基础上，Mathieu等[7]将设备模型和任务模型合并为任务模型、团队交互模型和团队模型合并为团队模型，提出了二维结构的共享心智模型（下文简称“二维模型”）。其中，任务模型与团队任务绩效有关，指团队成员共享的关于设备和任务的心智模型；而团队模型与团队成员有关，是包括团队交互和团队个人特质的心智模型。相较于四维模型，二维模型的结构更为精炼，在实践研究中也更方便测量，因此二维模型得到了广泛的应用。

2 共享心智模型的经典测量与评估方法

一般而言，共享心智模型的测量会根据团队构成、任务情境等的不同，采用主观测量或客观测量、定性测量或定量测量等不同形式引导出团队成员的心智模型，常见的测量方法有访谈法、调查法、过程追踪法、概念图法等[8]。其中，访谈法和调查法主要是通过对团队成员的访谈文本或其填写的调查问卷进行内容分析，来提取出共享心智模型——这两种方法实际上是以一种团队成员自我报告的形式进行的间接测量，会受团队成员主观感受和社会性因素的影响而出现误差。为解决此问题，有研究者提出了过程追踪的方法[9]，即通过直接收集并处理工作中的用户行为记录、口头报告、眼球运动、系统状态信息等数字足迹来分析成员的心智模型——这种方法的数据来源客观，可有效避免主观因素带来的误差。此外，有研究者提出用认知诱发技术去诱发团队成员的心智模型，发展出了概念图的方法[10]，其常见的做法是要求团队成员回忆团队任务中的关键概念并进行网络节点连线，形成关系网络形式的概念图，然后将团队成员的概念图对照全局概念图进行交叉检查，从而提取得到团队成员之间的共享心智模型。

由于共享心智模型实际上是团队心智模型的共享与重叠，其效果与团队任务的准确程度密切相关，因此共享心智模型的测量通常采用相似性和准确性两个指标来评估[11]：①相似性是指团队心智模型共享和重叠的程度，主要通过评估团队成员之间的认知重合度得出，这可以量化为团队成员回答问题所得相同答案的数量或百分比，以及概念图中两两成员共享概念的链接数量或百分比；②准确性是共享心智模型表示团队工作任务的准确程度[12]，主要通过每个团队成员的任务模型与任务完成标准进行比较，这可以量化为团队成员正确回答问题的数量或百分比。

二 人机协作下共享心智模型的设计

随着人工智能技术被广泛应用于医疗、教育、交通等重要领域，人工智能成为人类的合作伙伴，分担人类的工作并与人类一起实现任务目标。在人机协作过程中，共享心智模型被认为是促进团队合作和任务绩效的有效手段[13]。而人机协作下的共享心智模型可以继续应用于解释、预测并促进传统共享心智模型的团队互动和任务绩效，但考虑到智能体无法外显心智模型的独特性，故如何测量人机协作下的共享心智模型成为一大难点。对此，本研究尝试以共享心智模型为基础引入“扩展思维”这一概念，为人机协作下的共享心智模型提供载体，并总结用于创建、更新、维护人机协作下的共享心智模型的计算框架和未来可行的测量思路。

1 人机协作下的共享心智模型

在开始探索人机协作下的共享心智是否促进团队合作和任务绩效之前，需先理解“人机协作下的共享心智模型”这一概念。本研究采用二维模型的架构，同时在内容上参考Jonker等[14]提出的系统-团队-共享心智三级结构模型，构建了人机协作下的共享心智模型，如图1所示。

图1 人机协作下的共享心智模型

在人机协作下的共享心智模型中，人类与智能体组成的团队被看作是一个系统，合作目标是完成任务工作和团队工作这两项重要工作。其中，任务工作关注团队要执行的任务或工作，包含任务和设备，以及达成任务所需的目标共享、统一规范、进展协同、沟通模式、策略共享等；而团队工作涉及团队互动和团队成员的人际了解、角色分布、团队认同等。在人类和智能体组成的系统中，人类带有能力、目标、经验、记忆、工作负荷等属性，而智能体带有目标、规则、任务以及知识库等属性。在人机协作过程中，人类利用自身属性感知、理解、预测任务情境并做出决策，而智能体利用用户、任务、环境等数据智能感知体感知任务情境，并通过情境评估与推理进行预测和知识转化，从而根据自身设定完成自适应或决策执行等操作。为了更好地阐释人类和智能体的共享心智模型，本研究在人类和智能体组成的系统中引入其上层概念——模型，并将模型分为物理模型和心理模型。其中，物理模型指向团队成员外显的行为表现，心理模型存在于团队成员的头脑中，这两个模型可以通过扩展思维联系起来。

扩展思维是指主体的思维延伸至外部环境的一些物体，这些物体可以被视为思维本身的延伸，如团队合作完成的共享思维导图或团队讨论时的会议记录等。扩展思维是将抽象式心智概念具象化为物理实体的关键概念，是思维和物理实体相连接的载体。在团队中，人类可以直接通过自我报告、概念图等方式得出心理模型，智能体则需通过扩展思维将其物理模型转化为心理模型。因此，智能体的独特心理模型可以通过与人类共享的扩展思维得出，团队成员可以通过共享一个扩展思维而获得共享心智模型。人机协作下的共享心智模型阐明了人机团队的系统结构、人类心智模型与智能体心智模型的区别及其不同的引出方式，可为未来共享心智模型的发展提供理论参考。

2 人机协作下共享心智模型的计算框架

依托人机协作下的共享心智模型，结合共享心智模型的经典计算方法，本研究提出了人机协作下共享心智模型的计算框架，用于未来人机团队计算、测量和应用共享心智模型[15]。计算框架详细描述了人机协作下的共享心智模型的体系结构以及创建、更新、维护共享心智模型的各过程。从计算的角度来看，共享心智模型由两个关键元素组成：一是有关团队、任务和环境状态的客观数据，如设备数据、任务规范数据、团队信息数据等，这些数据会因任务情境的不同而变化；二是捕获、更新上述客观数据的方法和过程，通过对方法和过程的关注形成通用于所有任务情境的规范，如根据观察和沟通形成团队成员目标数据的规范。

依托上述两个关键元素组成，可将计算框架中关于人机团队的客观数据分为四组：①团队数据库，包括人类和智能体的技能、特征及其相关属性；②任务数据库，包括任务规范和人类、智能体共同执行任务时的行为规范；③任务状态，如团队采用的目标、计划和任务完成进度；④团队状态，如团队中不同成员在完成任务时所扮演的功能角色。在实际应用中，计算框架主要用于存储和更新人机协作下的共享心智模型状态信息，并根据这些状态信息调整和适应团队合作与任务进程，具体操作如下：智能体通过观察和感知任务、环境、团队数据，预测团队目标和个人任务的进展情况，得出团队状态和任务状态的相关信息；基于对上述信息的分析，智能体分配新的团队和个人目标及任务，并根据当前状态信息调整自身行为。

3 人机协作下共享心智模型的测量思路

依托人机协作下的共享心智模型，考虑到各种场景下的人机协作任务背景、任务目标、团队组成方式、数据采集形式存在不同，本研究仅提供一种通用型人机协作下共享心智模型的测量思路：①确定测量方法。测量人机协作下的共享心智模型，首要考虑的因素是采用的测量方法必须同时适用于人类和智能体。其中，智能体因其内部的“黑箱”效应而难以通过访谈法、调查法等直接观测的方法得出共享心智模型，概念图的方法也只适用于内部存储了团队数据和任务数据的智能体。因此，针对特定任务环境下的人机团队，过程追踪法最适合应用于测量其共享心智模型，但在使用过程中需根据任务内容和团队状态考虑过程追踪的具体方式。例如，眼动追踪并不适合大部分智能体，应多考虑行为和言语交互相关的追踪。②确定评估方法。与智能体不同的是，人类的心智模型具有灵活、易调节的特征，而智能体内部存在大量已编码好的程序，包括任务执行程序、与人类成员互动的程序等。在人机团队中，团队成员共享心智模型的相似性原指人类成员和智能体认知重叠的程度，而在上述语境中更接近于人类成员对智能体程序行为预测的准确程度，即相似性的描述也更偏重于准确性。因此，通过将人类成员的任务模型和智能体设定好的标准任务模型相比较，便可得出共享心智模型的相似性。

三 人机协作下的共享心智模型应用案例

当前，共享心智模型已被应用于教育、医疗、交通等领域，用于降低团队中人类成员的认知负荷，提高人工智能系统的可靠性。下文将通过人机协作下共享心智模型的相关应用案例分析验证人机协作下共享心智模型的可行性与有效性，并探析团队沟通和任务情境对人机协作下共享心智模型的影响。

1 针对团队工作（团队沟通）的人机协作下共享心智模型应用案例

Espevik等[16]认为，共享心智模型可以通过团队成员共同工作的经验或团队成员之间的沟通来创建；同样的，有效的沟通会正向影响团队成员的协调表现程度，从而促进团队合作。Hanna等[17]在2018年进行的一项研究通过收集人机协作团队的行为和言语交互数据，然后分析人类与智能体之间的沟通模式、共享心智模型形成、信任等因素之间的关系，发现这些因素与团队绩效之间存在正相关关系。参考上述观点，本研究考虑在协作任务的场景中评估团队工作（团队沟通）对人机协作下共享心智模型发展的影响，论证团队沟通可以有效促进人机团队共享心智的开发、成员之间形成的共享心智模型能使人机团队有效地利用沟通策略完成工作。

（1）研究主题与任务设计

实验在2023年春季华东地区H大学教育技术专业本科二年级的“学习科学研究”课程中展开。首先，学生与生成式人工智能ChatGPT（本实验中称“人工智能专家”）合作，形成人机协作小组，明确学习任务：通过一学期的人机合作，按照“确定研究主题→搜集资料→整合信息→确定报告大纲→分工写作→修改润色→完成报告”的流程完成一份学术报告。接着，学生通过虚拟环境与人工智能专家展开沟通合作。在此过程中，学生需要向人工智能专家介绍自己与初步选定的主题，并与人工智能专家共同拟定一份写作计划、交流搜索到的信息、共享数据和工具、共同写作及修改。随后，人工智能专家和学生互相分享、阅读有关学习科学研究主题的信息，并提出相关领域的问题、回答对方的提问。最后，人工智能专家根据学生分享的信息和学生的提问、回答感知任务情境，并通过情境评估和推理进行知识转化，向小组成员分享知识并引导提问，与学生一起完成学术报告写作。本实验共持续16周，每周讨论1.5小时，研究人员根据学术报告写作的进度将课程分为四个阶段，并基于人机协作下的共享心智模型分析四个阶段内学生与人工智能专家的团队沟通和任务绩效情况。

（2）数据采集与结果分析

实验通过虚拟环境中自动记录的数据来追踪学生和人工智能专家交流的言语行为，并对言语数据进行内容分析，得到人机团队的四组客观数据：团队数据库（如学生和人工智能专家的先验科研知识）、任务数据库（如学术报告写作规范）、任务状态（如学术报告评估数据）和团队状态（如学生和人工智能专家的问答数据）。

通过对上述数据的分析，本实验得到四个阶段内学生和人工智能专家的提问和问题回答情况，如图2所示。其中，图2（a）显示，从第二个阶段开始，学生提问率呈不断上升趋势，表明学生与人工智能专家进行交流合作的意愿不断增强；而人工智能专家提问率在前三个周期逐渐下降、第四个阶段与第三个阶段大致持平，表明人工智能专家在协作过程中对于当前情境的判断和小组成员请求的理解不断增强，因而人机协作的共同理解和协作效率进一步提高。而图2（b）显示，在前三个阶段，学生对人工智能专家提出问题的平均回答率不断上升、平均拒绝率不断下降，说明学生与人工智能专家的认知视角逐渐趋于一致，两者的认知相似性不断提高，心智模型的共享程度不断增加。但从第三个阶段到第四个阶段，平均回答率有所下降，这是因为随着学术报告进入收尾工作，学生和人工智能专家的交流减少。综上可知，有效的团队沟通可以促进人机团队成员的共同理解，形成共享心智并进一步提高协作效率。

（a）学生和人工智能专家的提问率（b）学生回答人工智能专家提问的比率

2 针对任务工作（任务情境共享）的人机协作下共享心智模型应用案例

在人类与人工智能进行协作的任务中，有研究者发现任务情境和任务相关的目标、规范等是影响成员任务完成的重要因素[18]。人机协作时任务情景意识的增强，有助于团队共享心智模型的发展并促进任务绩效。

（1）研究主题与任务设计

在开展人工智能辅助决策实验时，Srivastava等[19]假设人机团队中人类成员获取更多的任务情境信息有助于团队共享心智模型的发展。根据此假设，实验通过在线招募平台（网址：https://aishiyan.bnu.edu.cn）共招募90名参与者，要求他们与人工智能辅助决策系统（即智能体）线上合作完成一项决策任务，并控制智能体向人类成员传递支持决策的情境信息，以考察人机协作下的共享心智模型能否有效促进任务绩效。在实验中，人类成员扮演火星轨道上航天器的指挥官，与智能体组成团队，共同完成航天器到着陆点的进入、下降和着陆的决策任务。实验中，智能体持续与人类成员共享对着陆区状态的认知（包括GPS卫星的轨道位置、沙尘暴的位置和航天器进入着陆点的视角）和对着陆轨迹的认知（包括飞行器的速度与高度、轨迹的纬度与经度）。而人类成员对这些状态的认知模式可以分为互动、观察、缺失三种：在互动模式下，人类成员观看信息屏幕，并与智能体进行问答互动；在观察模式下，人类成员仅观看信息屏幕；而在缺失模式下，人类成员不会得到任何信息。本实验采用2×3受试者间设计，即着陆区状态认知设有互动、观察和缺失三种模式，而着陆轨迹状态认知设有互动和缺失两种模式，参与实验的人类成员被随机分配到这六种组合模式中。

（2）数据采集与结论分析

本实验通过虚拟系统自动记录人类成员和智能体对着陆区状态的初始判断及其各自初始拟定的着陆轨迹，并在智能体作出决策后，记录人类成员和智能体共同做出的最终决策。利用人机协作下共享心智模型的计算框架，本实验得到团队数据库（如智能体预先设定的互动反应）、任务数据库（如着陆区状态和着陆轨迹）、任务状态（如人类和智能体的决策数据）、团队状态（如人类和智能体的互动数据）四组客观数据。

通过对上述数据的分析，本实验得到人类成员和智能体的判断与交流情况，如图3所示。其中，图3（a）显示，缺失模式下的人类成员在60%～85%的情况下与智能体判断一致，而观察模式和互动模式下的人类成员在80%～95%的情况下和智能体判断一致，这表明人类成员和智能体对着陆区状态初始判断的一致性和初始拟定轨迹的一致性会随着人类成员对着陆区状况认知的增强而提高，说明对任务情境的感知会促进人机团队心智的共享。而3（b）显示，当初始阶段判断不一致时，缺失模式下的人类成员对智能体建议的接受率为50%～80%，说明此模式下的人类成员倾向于过度依赖智能体来做出决定；而观察模式和互动模式下的人类成员对智能体建议的接受率为30%～40%，说明这两种模式下的人类成员从一开始就与智能体有较高的一致性，且更倾向于依靠获取的任务情境信息来做出判断。综上可知，任务情境共享会引发更高水平的共享心智，从而促进任务绩效。

（a）初始阶段人类成员和智能体判断的一致性（b）人类成员对智能体建议的接受率

四 结语

当前社会正处于科技革命与教育变革的历史交汇点，以人工智能为代表的新一代信息技术正从影响教育变革的外在推力转化为引发教育变革的内生动力。智能技术在引发人才需求变革的同时，也正在重构学习环境，并从感知、知识、认知三个层面引发教学过程变革，推动人机协同教与学的发展。本研究以此为切入点，引入“共享心智模型”这一概念，作为打破人机协作中的“黑箱”效应、促进团队合作和任务绩效的有效渠道；同时，梳理了共享心智模型的概念发展、类型特征和测量方法，构建了人机协作下的共享心智模型及其计算框架、测量思路，最后通过应用案例验证了人机协作下共享心智模型的可行性和有效性，探析了任务情境和团队沟通对人机协作下共享心智模型的影响，发现人机协作下共享心智模型的引入为人机团队提供了共同理解和高效协同的发展路径，有效促进了团队合作和任务绩效。

需要说明的是，本研究构建的人机协作下的共享心智模型及其计算框架与测量思路应用于教育领域时还存在一定的局限性。理论上来说，智能体是具有社会性、主动性、进化性的高度自治的主体，因而在协作过程中智能体可以自主捕获关于团队、任务和环境状态的信息以及团队成员之间共享的与任务有关的知识，并通过对信息和知识的转化与评估，调节自身行为或做出决策。当前人机协同教学尤其是课堂教学中普遍应用的智能体并未达到上述的高度自治水平，因此也就无法直接计算、评估其共享心智模型。随着生成式人工智能在教育领域应用的不断深入，人机协作下的共享心智模型将随着智能体的迭代进化而在教育领域发挥更大的价值。

从未来教育领域的技术应用潜能来看，人机协作下的共享心智模型可以在教师-智能体协作、学习者-智能体协作上发挥作用。在教学情境中，教师与智能体的协作是一个基于共享工作的隐式交互协调过程，而建立有效合作的前提是教师与智能体具有共享的知识空间、动态的修正机制并获得合理的能动性分配。人机协作下共享心智模型的引入，可以帮助教师更好地理解教学辅助系统的决策。教师和智能体通过共享一个心智模型，以相同的教学目标为导向，可以更高效地进行教学设计、开展教学活动；同时随着推荐算法的应用，智能系统内部的决策过程逐渐透明化，教师与智能体在信息交互过程中不断共享、协调、分配和使用资源，也有利于教师更高效地做出教学决策。而在传统的学习情境中，学习者与机器的协作更多地强调机器的辅助、增援作用，在协作时学习者常常需要自己计划、执行与监控，并非真正意义上的人机协同。当智能体具有一定的自主性后，协同学习不再是传统意义上的机器辅助学习，而是一种融合共生。基于人机协作下的共享心智模型，智能体可以感知学习者的状态与情绪，在人机协作学习时及时识别情境（共享的知识空间）、预测情境变化；可以动态调整协同关系，监控与推动协作进程，直至顺利完成协作任务。借助人机协同下的共享心智模型，智能体可以在协同中主动交互，成为学习者有理解能力、学习能力、决策能力的合作方，从而推动人机协同学习的优化。

[1]何贵兵,陈诚,何泽桐,等.智能组织中的人机协同决策:基于人机内部兼容性的研究探索[J].心理科学进展,2022,(12):2619-2627.

[2]Parmar S, Illingworth D A, Thomas R P. Model blindness: A framework for understanding how model-based decision support systems can lead to performance degradation[A]. Proceedings of the Human Factors and Ergonomics Society Annual Meeting[C]. CA: SAGE Publications, 2021:680-684.

[3][5]Cannon-Bowers J A, Salas E, Converse S A. Cognitive psychology and team training: Training shared mental models and complex systems[J]. Human Factors Society Bulletin, 1990,(33):1-4.

[4]Craik K. The nature of explanation[M]. Cambridge: Cambridge University Press, 1943:51.

[6]Cannon-Bowers J A, Salas E, Converse S. Shared mental models in expert team decision making[A]. Individual and Group Decision Making: Current Issues[C]. Hillsdale: Lawrence Elbaum Associates, 1993:221-246.

[7]Mathieu J E, Heffner T S, Goodwin G F, et al. The influence of shared mental models on team process and performance[J]. Journal of Applied Psychology, 2000,(2):273-283.

[8]Cooke N J, Salas E, Cannon-Bowers J A, et al. Measuring team knowledge[J]. Human Factors, 2000,(1):151-173.

[9]Patrick J, James N. Process tracing of complex cognitive work tasks[J]. Journal of Occupational and Organizational Psychology, 2004,(2):259-280.

[10]Walsh J P. Managerial and organizational cognition: Notes from a trip down memory lane[J]. Organization Science. 1995,(3):280-321.

[11][12]何贵兵,杨琼.共享心理模型的测量[J].人类工效学,2006,(4):39-41.

[13][15]Scheutz M, DeLoach S A, Adams J A. A framework for developing and using shared mental models in human-agent teams[J]. Journal of Cognitive Engineering and Decision Making, 2017,(3):203-224.

[14]Jonker C M, Van Riemsdijk M B, Vermeulen B. Shared mental models: A conceptual analysis[A]. International Workshop on Coordination, Organizations, Institutions, and Norms in Agent Systems[C]. Berlin: Springer, 2011:132-151.

[16]Espevik R, Johnsen B H, Eid J, et al. Shared mental models and operational effectiveness: Effects on performance and team processes in submarine attack teams[J]. Military Psychology, 2006,(18):23-36.

[17]Hanna N, Richards D. The impact of multimodal communication on a shared mental model, trust, and commitment in human-intelligent virtual agent teams[J]. Multimodal Technologies and Interaction, 2018,(3):1-27.

[18][19]Srivastava D K, Lilly J M, Feigh K M. Improving human situation awareness in AI-advised decision making[A]. 2022 IEEE 3rd International Conference on Human-Machine Systems(ICHMS)[C]. Orlando, FL, USA: IEEE, 2022:1-6.

Research on Shared Mental Model under Human-machine Collaboration

HU Yi-Ling CHEN Yan-Jun

Human-machine coordination and symbiosis is a profound problem confronted by humans at present. But the low transparency and low control caused by the “black box” effect inside intelligent technology make human-machine collaboration often produce conflicts and contradictions. Under this context, the shared mental model has become the key concept to guide the members of human-machine collaborative team to understand and coordinate with each other. Based on this, the paper firstly reviewed the development process of the shared mental model and its classical measurement and evaluation methods. Then, based on the shared mental model, the concept of “extended thinking” was introduced, and the shared mental model under man-machine collaboration was designed. At the same time, combining the classic calculation and measurement methods of the shared mental model, this paper proposed a calculation framework and measurement approach for the shared mental model under human-machine collaboration. Finally, through application case analysis, it was found that the shared mental model under human-machine collaboration can effectively promote team collaboration and task performance, thereby verifying the feasibility and effectiveness of the shared mental model under human-machine collaboration. The shared mental model proposed in this paper under human-machine collaboration can provide theoretical support for the benign interaction of human-machine collaboration in the field of education, and provide reference for assisting human-machine collaborative learning and teachers’ educational decision-making.

shared mental model; human-machine collaboration; artificial intelligence; team collaboration

G40-057

A

1009—8097（2024）01—0064—09

10.3969/j.issn.1009-8097.2024.01.007

本文为2023年度国家自然科学基金青年项目“人工智能背景下教师人机协同度的影响机制与优化策略研究”（项目编号：72304099）的阶段性研究成果。

胡艺龄，副教授，博士，研究方向为人机协同机制研究与教育数据挖掘，邮箱为ylhu@deit.ecnu.edu.cn。

2023年10月15日

>

编辑：小米