以交通为导向的发展（TOD）在全球范围内被广泛采用，旨在创建高密度、多功能性的交通枢纽，以缓解城市拥堵并促进可持续发展[1]、[2]、[3]。现代综合性交通枢纽具有巨大的空间规模、复杂的多种功能结构以及高乘客密度——这些特征增加了乘客导航的认知难度[4]。乘客依赖导航标识系统来解读空间环境、构建认知地图并做出导航决策[5]。在大型交通枢纽中，信息过载常常导致较高的认知负荷，从而影响导航效率和出行体验。因此，了解标识设计要素如何影响认知负荷对于优化复杂的交通环境至关重要。
林奇的认知映射理论为分类导航要素提供了一个系统框架，但现有研究大多孤立地考察单个要素，缺乏基于这一理论基础的实证量化。导航研究起源于托尔曼的认知地图理论[6]，该理论强调个体如何通过“映射”过程构建内部心理表征。在此基础上，林奇提出了五个环境要素——路径、边缘、区域、节点和地标——认为具有高“可读性”的环境能够使用户快速建立空间方向并高效导航[7]。在交通环境中，先前的研究已经确定了标识位置[8]、颜色[9]、照明[10]、[11]、格式[12]、[13]以及布局策略[14]、[15]、[16]对导航性能的影响。然而，大多数研究关注行为结果或感知效率，对不同标识要素如何通过潜在的认知过程调节认知负荷的关注有限。此外，尽管一些近期研究开始使用眼动追踪或皮肤电导活动等生理测量方法，但它们通常单独考察个别标识属性（例如颜色、箭头），而不是系统地评估林奇的五要素框架作为一个整合的认知映射系统。
认知负荷理论认为，外部负荷对信息呈现方法特别敏感[17]。传统研究主要依赖于主观量表[17]、[18]，这些方法无法持续追踪动态状态。最近的客观测量方法包括眼动追踪[19]、[20]、皮肤电导活动[21]、[22]和心率变异性[24]、[25]。眼动追踪研究表明，低负荷状态对应较短的注视持续时间和较高的注视次数[15]、[26]，而高负荷则会导致瞳孔扩张[27]、[28]。虚拟现实技术为导航研究提供了可控的实验环境[29]、[30]、[31]。深度学习方法在交通心理学研究中也显示出优势[32]、[33]，例如李等人[22]将多模态生理数据整合用于认知状态识别。尽管这些方法论进展展示了客观测量的潜力，但现有的多模态研究主要集中在二元分类任务（例如高负荷与低负荷）或通用认知状态上，而不是建立量化环境设计要素对导航认知负荷具体贡献的预测模型。代表性例子包括宋等人[30]在皮肤电导反应信号中捕捉多尺度特征，以及眼动追踪-深度学习模型显著提高了城市感知预测的准确性[34]、[35]、[36]。深度学习应用仍主要集中在实验室环境中，缺乏对实际交通环境中任务级认知负荷的系统性量化。
这些研究空白限制了导航认知负荷研究的理论进展和实际应用。从理论上讲，尽管林奇的五要素框架被广泛引用，但在复杂的交通环境中一些基本问题仍未得到解答：哪些要素真正驱动认知负荷，这些要素如何相互作用，以及是否存在层次化的认知处理机制。单一要素的研究无法揭示标识系统作为一个整体如何塑造乘客的认知体验，也无法指导整体的设计优化。方法论上，导航认知负荷代表了一个涉及视觉注意力、情绪唤醒和记忆负担的多维动态过程。无论是主观量表还是个体生理指标，单一测量方法只能捕捉部分维度，无法进行全面的客观评估。缺乏多模态整合框架限制了研究结果的稳健性和可重复性。尽管近期研究开始使用带有生理监测的虚拟现实环境，但它们在建立特定设计要素与持续认知负荷动态之间的定量关系方面仍然有限。
从实际角度来看，全球的城市轨道交通系统每天服务数亿乘客，标识设计的质量直接影响出行效率、安全性和满意度。然而，现有的标识设计主要依赖于设计师的经验或可用性测试，缺乏认知科学的定量基础。虽然先进的分析技术（如深度学习）在驾驶行为[37]和行人步态分析[38]方面取得了突破，但其在交通导航环境中的应用明显滞后。建立能够量化环境要素、生理反应和认知负荷之间关系的分析框架，不仅能够填补学术空白，还能为“符合认知需求”的交通空间设计提供基于证据的支持——这对改善数亿乘客的日常出行体验具有重要意义。
本研究开发了一个多模态认知负荷评估框架，整合了虚拟现实实验、Paas主观评分、生理信号（皮肤电导反应、心率变异性、瞳孔 dilation）和眼动追踪，以系统地分析交通枢纽中的导航认知负荷。基于林奇的五要素框架，我们将标识分为五类，并通过32名参与者的控制实验来考察它们的影响。与以往的研究相比，我们的框架在三个方面取得了进展：（1）系统地评估所有五个林奇要素，而不仅仅是孤立属性；（2）将三种互补的生理模态（皮肤电导反应用于唤醒、心率变异性用于压力、瞳孔 dilation用于心理努力）融合为一个综合认知负荷指数，使用主成分分析（PCA）实现连续的客观测量；（3）使用统计和深度学习模型进行预测分析，以量化要素的具体贡献并捕捉非线性交互作用。该研究采用双重建模策略，通过多元线性回归确定环境要素的主要影响，并使用混合MLP + Transformer深度学习模型捕捉非线性关系和交互作用。特征重要性分析量化了每个要素的相对贡献。实地观察和访谈验证了虚拟现实研究结果的外部有效性。
主要贡献包括：（1）从理论上讲，我们发现了“三锚机制”（区域-节点-地标）以及区域标识的“认知投资效应”，揭示了林奇五个要素在复杂交通枢纽中的不同作用。（2）方法论上，我们开发了一个多模态生理监测框架，将三种互补的指标（皮肤电导反应、心率变异性、瞳孔 dilation）与主观评分相结合。通过传统的统计模型和深度学习技术，该研究提供了一种全面的数据驱动方法，用于量化动态交通环境中的导航认知。（3）通过控制虚拟现实实验、实地验证和多模型分析，我们从实证和实际角度确定了减轻认知负荷和导航难度的关键环境特征。基于这些发现，我们提出了基于证据的设计策略，以提高地铁站的标识可见性、空间可读性和整体导航效率。
