《战术模拟环境中分布式认知在冲突裁定中的应用研究》最新59页

本研究探讨数字裁定支持工具如何影响MUNI-KASS战术推演中的脑力负荷，以及该工具的界面优化方案。该推演用于研究无人自主系统对海上指挥控制的影响。研究采用分布式认知方法分析推演规则与裁定员角色，揭示裁定员在MUNI-KASS推演中扮演影响进程的主动决策者角色，而非机械规则执行者。数字工具作为认知工件，将规则与推演机制逻辑外部化。通过层次任务分析与认知负荷分析结合，识别出高固有负荷任务；利用NASA任务负荷指数量表（NASA-TLX）分别测量手动裁定与数字辅助裁定的脑力负荷。数字工具旨在自动化涉及传感器探测、单位定位及战斗结果判定的任务——该方法已验证有效，因这些任务被确定为具有最高固有负荷。NASA-TLX显示使用工具后裁定员总体脑力负荷降低（尤见于前述高负荷任务）。

为评估数字工具界面，参与式设计工作坊与梅耶（Mayer）多媒体学习认知理论原则共同指导设计过程，确立界面设计四大核心原则：连贯性、空间邻近性、分段性及标记突出性。本研究提供结构化裁定员负荷评估方法，提出迭代式理论驱动的数字辅助工具设计建议；不仅交付了数字工具用户界面原型，更论证了数字化辅助如何提升兵棋推演质量及其成为未来推演必备组件的必然性。

背景与技术应用

无人自主系统在各社会领域普及度与能力持续提升，军事领域尤为显著。这类系统被视为应对日益复杂快节奏作战场景的关键要素。鉴于军事领域高度复杂、容错率低且绩效标准严苛，系统实施需审慎规划。其影响尤显于指挥控制（C2）领域——即军事行为体规划、协调与执行行动的核心流程，对确保资源有效分配以达成战略战术目标具有枢纽作用。瑞典武装力量条令将C2定义为"协调可用资源实现任务目标所需效能的过程"（Försvarsmakten, 2016）。

为探索自主系统如何影响C2，瑞典国防研究院（FOI）开发了机械化陆战兵棋推演（Saleh等人, 2022）。军事领域运用推演研究、训练、规划与教学的历史长达千年（Halter, 2006），现代形式亦有二百年积淀（Hausrath, 1972）。兵棋推演的价值在于促进体验式学习：有效帮助参与者理解复杂不确定环境（Perla & McGrady, 2011）、突发事件及技术影响（Kriz, 2003, 2008）。体验式学习支持知识反思与抽象概念形成：通过可视化呈现问题空间，参与者能精准指代特定单位、事件或场景，从而提升研讨与学习效能（Saleh等人, 2022; Pestrea等人, 2022; Bengtsson等人, 2022）。另一优势在于可通过规则机制融入现实约束（如单位能力）。

UNI-KASS推演框架

FOI开发的"通用自主作战指挥与控制研究冲突棋盘推演"（瑞典语缩写UNI-KASS）集成半自主系统——其接收策略指令后在模拟战场环境中执行任务。该推演为自主系统研究者与参与者创造多元学习场景：研究者可捕捉分析推演生成的反思与研讨；参与者则能提炼经验以应对未来态势。UNI-KASS作为战术棋盘推演，配备代表现实或未来载具的3D单位模型，及模块化六角形棋盘（如图1数字推演界面所示）。单位数量类型与环境呈现由预设场景决定。棋盘由具差异化特性的六角形图块构成以模拟真实环境要素。蓝方与红方对抗推演，每方可有多名参与者组成战队。

图1：UNI-KASS推演棋盘示例​​

理想情况下，战队成员应具备机械化作战知识。战队操控棋盘单位达成己方目标。场景包含双方任务目标、预设单位类型数量，旨在为双方设定可探索特定C2研究议题的战术问题（Pestrea等人, 2022）。推演轮次间的状态更新与规则执行由两名裁定员完成行政任务，其职责同时包括引导推演进程以适配研究目标。

1.1 新型海上兵棋推演系统

无人自主系统不仅适用于陆地作战，也涵盖所有军种作战领域，海军即是其中之一。海上作战环境中采用自主系统，使海军能够通过比纯载人系统更广的覆盖范围实施侦察与作战。为研究自主系统对海战指挥控制（C2）的影响，瑞典国防研究院（FOI）正在开发UNI-KASS的海上版本——MUNI-KASS。该海上推演系统旨在反映海上作战的复杂性（Wikström等，2024）。首要区别在于：海上作战覆盖水面、水下与空域三维空间，而陆地作战仅涉及地面与空中。从无人机（UAV）、无人水面艇（USV）到无人潜航器（UUV），各维度均存在对应的无人自主系统。此外，MUNI-KASS整合了以下复杂性要素：利用有源/无源传感器探测识别目标的风险、激活传感器时的暴露风险，以及目标优先级排序机制。其推演棋盘同样由六边形图块构成，象征不同地形类别（如陆地、岛屿、港口、浅海、深水区）。海上版最大变革在于棋盘划分为双层空间结构：一层处理水面与空中单位，另一层处理水下单位（Wikström等，2024）。这种空间分层体现了空中-水面-水下三维海战的复杂性。

图2：MUNI-KASS推演棋盘模块原型​​。顶层为透明设计，其上布置岛屿与港口图块；底层采用海水深度标识符，色调由浅蓝（浅水区）渐变至深蓝（深海区）。

现代及未来舰艇等军事单位延续UNI-KASS的3D模型呈现形式。每类单位受移动范围、武器类型、传感器强度、探测半径及隐身能力等规则约束。图2展示10x10标准模块化棋盘及部分单位模型（实际研讨会采用20x20或更大规格）。特定单位具备防御能力，其中部分单位若友军处于防空射程内还可提供协同防御。MUNI-KASS核心机制包含："视线"限制、有源/无源传感器探测识别、基于单位类型与地形的回合限制。每轮推演需裁定员按序列管理行动流程，行动分为两阶段：首阶段执行机动与传感器探测，次阶段实施武器攻击。对抗方分处独立作战室，仅可观察己方单位及已探测识别的敌方/民用单位。此机制模拟"无法即时获知攻击效果"的海战典型特征，同时体现传感器、战争迷雾和视线限制等海战要素。

为确保这些新增复杂机制正确应用，裁定员工作负荷必然增加。为缓解MUNI-KASS裁定压力，FOI正开发数字裁定支持工具，重点自动化需计算与规则解析的任务。本研究将评估该工具用户界面，探索优化方案以提升裁定任务辅助效能并降低工作负荷。研究采用认知科学方法：将MUNI-KASS视为认知系统，以裁定员角色为切入点进行系统分析，进而聚焦其任务域进行测绘与负荷测量。最终通过学习理论解读负荷数据，转化为可操作的界面设计指南。

1.2 研究目标与任务

本研究旨在评估并提升现有MUNI-KASS数字裁定工具的可用性，通过两大研究问题实现：

1. 数字裁定支持工具如何影响MUNI-KASS裁定员的工作负荷？
2. 当前版本数字工具向裁定员呈现必要信息的有效性如何？

鉴于裁定员认知能力受任务复杂度与外部干扰制约，能自动计算、辅助记忆卸载并厘清任务结构的数字工具或可减轻脑力负荷（问题1）。这凸显评估当前工具信息呈现方式的必要性——若数字工具无法直观传递信息，则可能仅转移而非降低工作负荷（问题2）。为解答这些问题，本研究将MUNI-KASS视为分布式认知系统，其中裁定员作为主动行为体；运用层次任务分析法（HTA）测绘裁定员任务域，识别其所需执行的所有子任务与操作。HTA与分布式认知分析为后续研究奠定基础，提供对裁定员角色的语境化理解。该方法不仅解析裁定员的行为职责，更揭示其信息处理、注意力分配与决策制定的认知机制。

基于研究结论，本研究还将提出数字工具用户界面改进方案，旨在降低工作负荷并提升裁定员绩效。