人因工程学的重要性及应用doc 13页Word格式文档下载.docx

资源描述

人因工程学的重要性及应用doc 13页Word格式文档下载.docx

《人因工程学的重要性及应用doc 13页Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《人因工程学的重要性及应用doc 13页Word格式文档下载.docx（17页珍藏版）》请在冰豆网上搜索。

人因工程学的重要性及应用doc 13页Word格式文档下载.docx

综上所述，人因工程学可以简单地定义为：

人因工程学是基于对人和机器，技术的深入研究，发现并利用人的行为方式、工作能力、作业限制等特点，通过对于工具、机器、系统、任务、和环境进行合理设计，以提高生产率、安全性、舒适性和有效性的一门工程技术学科。

作为一门工程技术，人因工程学不同于其他一般工程技术学科的一些要点有：

*牢记产品是用来为顾客服务的，在设计时必须始终把用户放在首位。

*必须意识到个体在能力和限制上的差异，并且充分考虑到这些差异对各种设计可能造成的影响。

*强调设计过程中经验数据和评价的重要性。

依靠科学方法和使用客观数据去检验假设，推出人类行为方式的基础数据。

*运用系统的观点去考虑问题，意识到事物、过程、环境和人都不是独立存在的。

另外，还需要指出的是：

*人因工程学不只是基于表格数据和一些指标来进行设计。

实践中，人因工程师要制订和使用列表和指标，但这并不是其全部工作的意义。

如果使用不当，同样不能确保设计出一件好的产品。

一些设计中非常重要的因素、具体的应用和思想方法是不可能通过列表或指标得到的。

*人因工程学不是设计产品的模型。

对工程师来讲，成熟的工作程序并不能保证所有人都能成功的进行工作。

人因工程师必须通过研究个体差异，从而在为用户设计产品时考虑到不同的特征。

*人因工程学不同于常识。

从某种程度上说，应用常识也能够改进设计，而人因工程学远不止这些。

标志上的文字需要多大才能够在一定的距离内看到，如何选择一个听的见的报警声，使它能够不受其他杂音的干扰，这些都是简单的常识做不到的，常识也测不出驾驶员对报警灯和汽笛的反应时间。

、人因工程学的历史

了解人因工程学的历史对学好这门课程是非常重要的。

然而，想要详细叙述全世界人因工程学的发展历程是十分困难的。

这里只能以一些重要事件和任务的贡献来简单地描述人因工程学的发展历程。

1、早期历史

人因工程学开始于十九世纪的晚期和二十世纪初，从那时起，人因工程学的发展就不可避免地和技术的发展相互交织在一起。

例如在二十世纪早期，Frank和LillianGilbreth就已经在进行动作研究和商务管理方面的工作了。

Gilbreth后来被认为是人因工程学领域的先驱之一。

他们致力于熟练动作和作业疲劳方面的研究、进行工作站设计以及为残疾人设计合适的工具。

例如他们对外科手术过程的研究成果直到今天还在使用。

现在，在手术中外科大夫只需说出所需的器械，同时把手伸向护士，由护士从器械盘中拿起所需器械并递给大夫。

而以前，外科大夫是自己从托盘中拿器械的。

显然，这样很浪费时间，尤其是当大夫正在手术却又不得不去寻找工具时。

尽管有Gibreth等人所作了巨大的努力和贡献，但是人们还是没有意识到使设备及操作程序适应人的要求的必要性。

二战前，进行行为研究的科学家主要工作还是通过测验为工作选择合适的人员，对培训过程进行不断的优化来使人员满足工作的需要。

这种理论在二战期间出现了问题，因为即使是采用最好的人选和培训手段，有些复杂设备的操作还是超出了工作人员的能力要求。

这时，人们开始重新考虑使设备满足人员的需求的问题。

2、1945年到1960年：

专职人员的出现

1945年战争结束的时候，美国空军和海军共同建立了工程心理实验室。

与

三类：

描述性研究、试验性的研究、评价研究。

现实中一个具体的研究往往涉及多个类别。

虽然每一类都有不同的目标，使用不同的方法，但它们全都有同样的基本决策过程：

选择研究地点、选择变量、选择采样主体、收集数据、分析数据。

1、描述性研究

描述性研究用于描绘人的某些特性。

如人体尺寸的测量、不同年龄的人的听力损失、人们对把手如何旋转的偏好、能够抬多重的箱子等等。

虽然描述性研究比较枯燥，但它们对于人因科学的意义非常重要。

许多的设计决策都是基于它得出的基本数据。

另外，在方案给出之前，描述性研究还常用于评定问题的大小和范围。

比如说，对操作者进行调查，了解他们对设计效率和操作问题的一些看法等。

2、试验性研究

试验性研究的目的是为了检测一些变量对人的行为的影响。

通常根据实际问题、预测理论来决定需要调查的变量和检测的行为。

例如比较人们编辑手稿的不同偏好，评价手臂活动的时候肩部的负荷大小、人们的视野等。

、通常，试验性的研究更关心变量是否对行为有影响以及将如何影响的问题。

描述性研究则更关心所描述对象的统计结果，如平均值、标准偏差和百分比等。

3．评价研究

评价研究类似于试验性研究，但它的目的多是为了评价一个系统或产品，并希望事先了解人们在使用系统或产品时的行为表现。

评价研究比试验性研究更为全面和复杂。

它通过比较目标的差异来评价一个系统或产品的各个方面。

人因工程学专家通过对设计优劣的系统评价，提出改进的建议。

评价研究常用的方法是成本收益分析。

评价作为各种设计过程的一部分，它可能是最具挑战性的一部分，也是最难的一部分。

它的研究成果通常被用来改进现实系统或产品的设计，作用比较大，但进行这种研究是很不容易的。

在这方面，Murphy的话几乎成了一个规则：

任何事物只要它有毁坏的可能，它就不会永远完好无缺。

因此在无法预测的环境下，评价研究要特别注意选择数据的收集方法和设备。

下面我们分别对于各种研究方法中的各种决策序列分别进行分析：

研究地点选择

研究地点的选择是第一个需要决定的问题，其内容就是选择实地研究，还是选择在实验室中进行研究。

对于不同的研究方法有不同的选择规则。

描述性研究是为了收集一个特殊群体的有关数据的，如煤矿工人，计算机操作者，或者是普通市民。

要接近这些人，必须进入现实世界才行。

当然，实际的数据收集可以在实验室中完成，这种实验室常常是可以到处移动的。

试验性研究在选择地点时要略微复杂一些。

对于任务变化，环境约束、被测者的特征等方面的研究，在实际环境中进行比较理想，因为这样获得的结论更容易推广到现实中去。

然而，它也有不利的方面，比如成本高，被测者有一定危险，不能进行试验控制。

由于受到资源限制，常常不能够重复很多次试验，因此许多变量不能保持恒定。

而且有时过程太分散，一些数据还收集不到。

实验室中进行的研究，在实验控制方面具有极大的优势。

许多变量都能受到控制，试验能被随意重复，数据的收集也更加精确。

但是它可能过于理想化，失去了一定的普及性。

一般认为：

实验室研究的成果有时不太实用，在应用之前，必须经过现实世界的检验。

对于理论研究，最好是在实验室中进行，因为需要把多个变量分离开，观察它们的不同影响。

这样的精确度在不受控的现实中是不可能实现的。

然而，现实世界又是应用研究结果的本质的环境。

往往有些变量在高度控制的实验室中非常有效，但在现实世界中，受到其他变量的影响时，就完全失去了作用。

在有些案例中，实地研究也能进行很好的控制。

为了把实验室和实地研究的优势结合起来，研究人员常采用模拟现实的方法。

模拟显示可以分为实体模拟和计算机模拟。

实体模拟常由硬件和模拟的系统、程序或环境组成。

如简单的布娃娃到异常复杂的太空模拟舱。

计算机模拟要在计算机上对一系列的事件和过程进行建模。

通过改变参数来运行模型，推断结果。

比如，劳动力的需求，超载时间，设备停工时间等都可以通过计算机模拟的工作过程来得到。

建立一个正确的计算机模型需要对被测系统有较深的理解，通常要求人们根据实际系统的操作进行一些简单的假设。

3、评价研究

选择一个研究地点对于评价研究同样是没有任何意义的。

要想检测一个系统或设备的性能，让被测物体在一个完全可以替代实际环境的情形下使用，这样才比较真实。

举个例子，对于汽车上用的计算机地图显示器，就应该在汽车行驶当中测量，这样在不同的路况下，测量才能反映真实的情况。

在实验室中时，显示器可能非常清晰，但在行驶中的车上也许就很难看清楚了。

在实验室的桌子上，设备可能很好操作，但在刮着大风、交通繁忙的路上也许就比较困难了。

变量选择

在研究中，选择被测变量是一个非常基础和重要的问题。

这里被测变量被分为两个基本的类别：

标准变量、分层变量（预测）。

✧标准变量：

标准变量描述研究中的重要特征和行为。

根据所收集的数据的不同类型，这些变量被分为下面几组：

实体特征，比如手臂的活动空间、体重等；

行为表现方面的数据，如反应时间、视觉的敏锐性、手的握力和记忆的范围等；

主观数据，如偏好、观点和等级观念等；

生理数据，如心跳速率、体温等。

✧分层变量：

在一些描述性研究中，常选择有层次的样本研究。

这些样本都是经过年龄、性别、教育程度等特征进行划分以后，比较有代表性的一些人。

即使不用分层的样本，信息也常常从那些具有某种相似特征的人员中获得。

这样，数据就能以那些特征为依据来进行分析，如性别、年龄等。

在试验性研究中，研究人员在其他变量受控的情况下，改变一个或多个变量考察他们对被测行为的影响。

被改变的变量称为独立变量（或外部变量、辅助变量、相关变量）。

用独立变量变化来影响的被测行为被称为非独立变量。

独立变量都有可能影响飞独立变量，因此，试验中要控制独立变量，以免独立变量的影响相互混淆。

✧独立变量：

人因工程学研究中，独立变量通常被分为三类：

（1）与任务相关的变量，包括设备变量和程序变量；

（2）环境变量，如照明、噪声和振动等；

（3）与被测者相关的变量，如性别、身高、年龄和经验等。

多数研究中，独立变量的数目都比较少。

在1985年到1972年在《人因工程学》上发表的141篇试验论文中，60%的实验只研究了一到两个独立变量，不到3%的研究了五个以上的独立变量。

✧除了实体特征用得较少以外，非独立变量同描述性研究中的标准变量大体类似。

试验性的研究中大多数非独立变量是人员的成绩、个人效用或其他心理方面的变量。

为评价研究选择变量，要求研究人员把被评价系统或设备的目标转化成具体的、可测量的标准变量。

标准变量必须能够评价系统使用当中出现的一系列未知的问题。

它与描述性研究和试验性的研究中的基本类似。

被测者选择

选择被测者就是决定选择什么人、如何选择、选择多少等这样的问题。

恰当的选择被测对象，是对描述性研究的基础。

研究人员往往要花费很大的精力制定抽样计划，选择被测对象。

✧代表性的抽样：

描述性研究的目标是从具有代表性的样本中收集数据。

抽样的代表性是指样本应该包含总体的所有相应特征，而且两者构成也要相同。

例如，30%的煤矿工人年龄不到21岁，40%在21到40岁之间，30%在40岁以上，那么代表性的抽样就是以相同的比例包含每一年龄层的群体。

代表性的定义中，相关性是很重要的。

但也有某些采样，尽管与被测群体的特性不完全符合，但对整个研究的影响不是很大，因此仍然比较有用。

例如，在测量人们对空中交通控制的听觉警报器的反应时间时，可以只选一、两个城市进行研究，并不需要在全国各地进行抽样。

这样做的理由是地理位置不是影响反应时间的相关变量。

但在抽样中却要十分关注样本中不同年龄、性别的人的合适的比例关系，因为这些变量都是相关的变量。

不具有代表性的样本是有偏的样本。

✧随机抽样：

为了获得具有代表性的样本总体，应该从群体中随机的选择样本个体。

随机抽样就是群体中的每一个个体都有相等的机会被选入样本。

在现实社会中，获得一个完全随机的抽样几乎是不可能的。

通常研究人员都是选择一些比较容易获得的个体，并不一定按照严格的随机过程进行。

✧样本空间大小：

描述性研究的一个关键的课题就是确定被测对象的个数，即样本空间的大小问题。

样本空间越大，结果的可信度越高。

但是抽样需要花费大量的财力和时间，因此研究人员往往只收集必要数量的数据。

有一些公式可以用来决定要求的被测对象的数目。

三个主要的参数影响着数目的选择：

期望的准确度（置信度）；

群体的变化性；

建立的统计量，如平均值、第5百分位等。

为试验性研究选择被测对象就是要选择那些具有代表性的、一般化的个体。

被测对象对目标群体的代表性并不需要达到与描述性研究同等的程度。

试验性研究更关心被测对象是否和目标群体受独立变量影响的方式一样。

例如，我们要依据研究数据来设计办公环境时，研究室内照明度对显示在计算机屏幕上的文件的阅读的影响的实验中，不必只选择那些对于计算机屏幕阅读有丰富经验的人，因为无论经验多少，在很强的照明下任何人都比在合适的照度下的阅读能力要差一些。

✧样本空间的大小：

决定样本空间的大小其实就是确定如何以最小的成本收集足够的数据，保证评价独立变量的影响时的可信度。

确定样本空间的大小有好几种方法，可以参见统计学教材。

在上述的《人因工程学》中发表的论文中，50%的研究实验的样本容量还不到9个，25%使用9-11的样本容量，只有25%的采用了11个以上的样本容量。

这比描述性研究中使用样本容量的要小得多。

使用太少的数据是很危险的，可能得出错误的结论。

评价研究中选择个体与描述性研究和试验性研究考虑的因素一样。

被测对象必须能够代表最终用户群体。

被测者必须达到一定的数量，能够据此对用户群体的行为做出科学的判断。

数据收集

描述性研究中数据的收集可以在实地或实验室中进行。

比如在煤矿工人工作时测量他们的能量损耗。

带上秒表去工厂测量工人操作的时间。

通常采用调查和访问的方法收集数据。

调查问卷可以在实地填写或者邮寄给被测者。

存在的主要问题是回复率不太高，这样产生偏差的可能性就会增大。

回复率不到50%的调查偏差就相当高了。

试验性研究中数据的收集和描述性研究一样。

试验性研究常在实验室中进行，往往比较复杂，所以常采用计算机辅助的方法。

这种方法具有很大的潜力，能够在试验中加入更多的变量，而且在收集数据时具有更大的精确度和更高的采样率。

在评价研究中，收集数据经常比较困难。

被评价的设备可能本身不具有检测能力，工程师们还要专门为了评价而改造机器。

大多数情况下，原则上的方法还是通过研究人员观察或访问使用者来收集数据，了解他们所面对的问题和想法。

数据分析

收集数据到之后，研究人员必须对数据进行分析。

这里的数据分析常采用基本的统计方法进行。

如计算频率分布、平均值、中位数、标准偏差、相关系数、百分位数等。

试验性研究中的数据常用一些较为复杂的数理统计方法进行分析，比如变量分析或者多元变量分析法。

✧统计重要性：

研究人员常说，“自变量对因变量有显著的影响。

”或者说“他们均值之间的差异是非常显著的”。

这里的显著其实是统计重要性的简称。

统计学上的重要性就是表示把观察到的效果，或均值之间的差异归因于偶然性的可能性是不大的。

正因为如此，所以得出这种效果是因变量造成的。

对于显著结果需要记住几个要点。

（1）具有显著性的结果也有可能由偶然因素引起，尽管这种可能性非常小。

（2）不显著的自变量对因变量也会有影响，如果样本数目较少，这种影响还可能较大。

（3）统计显著性与重要程度无关，非常微小的影响也可能具有统计显著性。

（4）从统计分析中不能看出实验设计是否有误，或者外部变量是否会混淆结果。

因此，一个研究不能确定事实。

只有采用不同的方法和被测对象进行研究，得到同样的结论时，才可以确定自变量对因变量的确有影响。

变量范围的检验

测量范围是指描述性研究中被测的特征和行为，试验性研究中的因变量，评价研究中判断设计优劣的基础。

在人因工程学领域，我们大致把它分为三类：

描述系统功能的，描述任务如何完成的，描述人员的反应的。

任务执行测量常常和人的反应测量相互结合出现。

1、系统描述因变量

通常反应整个系统的基本硬件性能，多用于评价研究，描述性研究和试验性研究中比较少用。

比如设备的可靠性、耐磨损性、操作成本和维修性能，以及一些具体的特性，如最大转速、重量等。

2、任务执行标准

通常指任务的完成情况，无论有没有人员的介入。

这样的变量有

（1）产出数量：

如搬运的土方数等

（2）产出质量：

如事故次数、错误次数、钻孔的精确率或设计好的路径的偏差等（3）完成时间：

如在电路中找出错误的时间，任务开始时的延迟时间。

尽管人员的执行情况与任务的执行以及系统的设备特征紧密相连，任务执行情况还是比人员执行情况用的广泛。

3、人员标准

人员标准用于处理执行任务时人的行为和反应。

常用绩效测量、生理指标、主观反应来度量。

✧绩效测量：

人员的测量通常指频率测量、强度测量、反应时间测量或耐力测量等。

有时是这些基本类型的结合，如单位时间内错过的目标数目。

✧生理指标：

生理指标常用来测量在体力劳动或脑力劳动时，人体的紧张程度。

或者是在受到如热源、噪声和振动等这样的环境影响时，人体生理上的反应。

生理指标按照人体生理系统可以分为：

心血管，呼吸道，神经系统，感觉器官，和血液中的化学物质。

✧主观反应：

通过被测者的主观判断来进行测量其感受。

比如座椅的舒适性，计算机使用的方便性，对工具手柄长短的偏好等。

主观反应还可以测量脑力和体力的负荷程度。

因为人们在评价喜欢、不喜欢或他们的感觉时有各种不同的偏好，所以在测量主观反应时必须要特别注意。

言辞、问题次序或指令的形式上的微小的变化，都可能改变被测者的反应。

尽管有这样的缺点，主观反应的数据还是非常有价值的，而且有时还是唯一合理的方法。

4、最终行为与中间行为的对比

在试验时我们既可以测量最终行为，也可以测量中间行为。

中间行为比最终行为更加具体和详细。

然而因为最终行为描述最终的结果，它往往比中间行为更有价值。

在进行诊断和解释时，中间行为是比较有效的。

比如，要检测一种药瓶上的警告标签的作用，标签要求患者在服药以前需要摇动药剂使其均匀，最终行为是检测人们是否摇动药剂并使其均匀，而中间行为是监测人们是否记得标签的内容，是否读了标签。

中间测量数据对于解释人们为什么没有按照指示去做的问题是非常有用的，是没有看到它，还是没时间读，还是不能记起标签的内容？

因变量的要求

研究中的因变量一般都必须满足特定的要求。

有实际测量方面的，也有心理测量方面的要求。

心理测量要求有可靠性、正确性、抗干扰性和敏感性。

1、基本要求

要保证实验是可信的话，因变量必须满足

（1）客观存在

（2）数量比较多（3）无突变（4）容易收集（5）不需要特别的数据收集技术（6）消耗尽可能的少财力和实验者的精力。

2、可靠性

在测量中，可靠性是指对一个变量测量多次结果保持稳定的特性。

从测量意义上讲，可靠性就是进行一系列的测量不出现错误的程度。

每次测量结果不稳定的测量就是不可靠的。

增加测量次数可以提高可靠性。

3、正确性

在人因工程学研究中，有几种比较常见的正确性类型。

如方向正确性，内容正确性，体系正确性。

另一种类型对于选择人员这样的测验是比较有效的，就是行为判断正确性。

✧方向正确性：

主要指通过测量想得到什么，也就是动机是什么？

在有些测量中，方向正确性可能影响被测者参与的积极性。

因此，研究人员应该尽可能的选择与用户相关的方面进行测量。

如测量办公用计算机屏幕的可辨认性时，最好选用办公室中常用的文件进行实验。

✧容量正确性：

指被测变量在某个相关领域中采样的程度，比如知识领域、工作行为领域等。

例如，对空中交通控制者的行为表现的测试中。

通常要包括对控制者各个方面的测试，不是仅仅某个方面。

✧体系正确性：

指测量范围能够包括根本因素的程度。

如对静止靶子射箭准确度的测量只能作为实际格斗技术中很小一部分的测量。

图1-1说明测量体系（格斗技术）和测量（射箭）之间的关系。

中间的阴影表明结构正确性，阴影范围比较小，比表明测量只涉及到目标很小一部分，正确性比较低。

体系正确性主要基于经验积累而形成的判断。

体系正确性：

体系中被测量评价的

干扰因素：

测量考虑了，但不属于体系

测量考虑因素