一项关于矿工在不同工作环境中的安全情境意识的研究，以及通过集成极端梯度提升（Extreme Gradient Boosting）和边界合成少数样本过采样技术（Borderline Synthetic Minority Over-sampling Technique）进行的人类可靠性评估

安全情境意识对矿工危险识别的影响机制及机器学习模型构建研究。通过改编Lawrence安全模型构建五阶段危险识别框架，结合眼动追踪和行为数据，分析68名矿工的认知行为差异。结果显示高情境意识者反应时间延长但识别准确率提升，眼动模式更广，XGBoost-SMOTE模型在少样本条件下识别准确率达84%。验证了多模态数据融合在安全评估中的有效性。

　　

田芳媛|邱伟帅|田水成|李红霞|毛俊瑞|马雷

西安科技大学管理学院，中国西安710054

摘要

了解矿工的情境意识及其对危险识别的影响对于提高高风险环境中的可靠性至关重要。以往的研究主要关注行为数据，对生理指标的整合较少。本研究采用了劳伦斯安全模型，并将其改编为一个五阶段的危险识别框架，以考察矿工的认知-行为过程，通过机器学习方法评估其预测有效性。实验共有68名男性矿工参与，收集了他们在决策各阶段的行为数据（准确性和反应时间）和眼动数据（注视持续时间和注视次数）。结果表明，具有较高情境意识的矿工反应时间较长，但在危险识别和事故判断方面准确性更高。他们的注视模式更为分散，对关键区域的关注度也更高。此外，结合边界SMOTE的XGBoost分类器在小样本条件下实现了84%的准确率。总体而言，这些发现表明整合行为数据和眼动数据是表征个体情境意识差异的有效方法，所提出的混合方法为采矿环境中的智能监控和预警研究提供了方法论上的启示。

引言

在煤矿作业中，工作人员需要在高风险和高度复杂的环境中持续进行危险识别、风险评估和应急决策。这些任务不仅要求准确的感知和高效的认知处理，还要求操作者在时间压力和环境压力下保持稳定的表现[1]。因此，识别和提高人类可靠性已成为实现地下采矿系统内在安全管理的关键前提。随着安全科学和人因工程学的日益融合，人类可靠性已成为评估任务表现和预测安全相关行为的核心概念[2]。

危险识别是安全操作行为的核心组成部分，在有效风险控制中起着决定性作用[3]。最近的事故调查进一步强调了其重要性。例如，2024年1月平顶山天安煤矿发生的煤与瓦斯突出事故导致16人死亡，部分原因是在生产压力下未能及时识别前兆危险信号。实际上，当操作者面对相同的风险场景时，识别准确性和响应效率存在显著的个体差异。这种差异与风险敏感性、注意力资源分配和认知处理策略的差异密切相关，尤其是在情境意识（SA）水平不同的群体之间尤为明显[4]。此外，如图1所示，地下煤矿环境通常具有照明不足、湿度高和空间狭小的特点。这些环境因素可能导致情境意识波动，使其比地面职业更加不稳定和复杂。图1展示了中国陕西省榆林市某煤矿的典型工作环境。

“情境”这一概念最初被定义为在给定的时间和空间背景下感知、理解和预测环境元素状态的能力[5]。随着社会对安全问题的关注度在多个领域增加，情境意识已广泛应用于航空、交通、医疗和工业安全领域。在中国安全研究背景下，安全情境意识通常指个体在特定操作环境中识别、评估和预测可能构成威胁的危险元素的能力。传统研究主要依赖行为数据（如问卷调查、反应时间和现场判断）来评估安全相关表现[6]。尽管这些方法提供了有价值的描述性见解，但它们仍不足以揭示支配危险识别和决策的潜在认知机制和动态感知过程[7]。

为了解决这些问题，近期研究越来越多地结合生理监测和数据驱动方法来量化情境意识及其在人类可靠性中的作用。罗等人提出了一个结构化的理论框架，将眼动指标（如首次注视时间和注视持续时间）与感知和理解的心理过程联系起来，从而为将视觉注意力解释为情境意识的外部表现奠定了基础[8]。随后在高风险领域的研究进一步证实了这种关联。格雷韦和弗里德里希证明了飞行员在模拟飞行和实际飞行条件下的注视扫描策略的一致性，支持了基于模拟的情境意识研究的生态有效性[9]。在危险检测任务中，李等人利用眼动指标区分了“看到但未意识到”的错误和完全忽略的错误，揭示了工作负荷下注意力隧道效应对表现的影响[10]。类似的研究结果也在钻井作业[11]、医疗环境[12]和驾驶环境[13]中得到报告，共同证实了视觉扫描行为在情境意识中的核心作用。

除了单一模式的视觉分析外，整合神经生理和心理生理信号的多模态方法为情境意识背后的机制提供了更深入的见解。阿尔德卡尼等人发现了与情境意识增强相关的β波和γ波脑电图活动[14]，而裴等人和郭等人则证明，将眼动数据与生理指标结合使用可以更敏感地检测疲劳引起的情境意识下降[15,16]。最近的研究从描述性评估转向了情境意识和人类可靠性动态的预测建模。郑等人以及贾和杜提出的可解释的机器学习框架表明，多模态特征融合显著提高了多类情境意识预测的准确性[17,18]。同时，情境意识也被认为是操作者对自动化系统信任和依赖的关键决定因素。孙等人通过情境意识恢复过程建模了信任演变[19]，而肖等人则揭示了操作者对系统性能的依赖性会动态适应其情境意识[20]。补充研究进一步量化了时间压力和不确定性对这些认知状态的非线性影响[21,22]。最近的眼动技术进步使得能够从生理层面了解注意力和处理模式，使用总注视时间和平均注视持续时间等指标[23,24]。虽然基于行为或生理数据的分析具有信息价值，但它们提供的解释能力有限。整合多模态数据可以更全面地理解矿工的人类可靠性和危险识别能力，这激发了本研究基于阶段和理论的情境意识评估框架的制定[25]。

尽管取得了这些进展，但在几个关键方面仍有进一步探索的空间。首先，大多数现有研究在聚合或任务层面描述情境意识，对危险识别和决策过程中涉及的特定阶段认知过程的关注有限。其次，尽管多模态数据融合提高了预测性能，但数据驱动特征与既定认知错误或情境意识理论之间的整合往往不足，限制了可解释性。第三，许多机器学习模型仍然不够透明，限制了它们在安全关键环境中的适用性，而这些环境中透明度和泛化能力至关重要。

基于此背景，本研究采用了劳伦斯安全模型作为理论基础。该模型由澳大利亚心理学家大卫·劳伦斯于1990年提出，综合了Wigglysworth事故模型[26]和Sully模型[27]，将人类错误分为三个阶段：疏忽、误解和失控。在此基础上，该模型被改编用于本研究的危险识别任务，包括五个连续步骤：接收危险刺激、识别危险、评估危险、采取行动和执行适当行动。为了确保与既定的情境意识概念一致，这五个步骤被映射到不同的情境意识水平：步骤1-2对应于第1级感知，步骤3-4对应于第2级理解，步骤5对应于第3级预测。根据这五个步骤，从多阶段、多情境的危险识别实验中提取了测量指标。然后收集行为和生理数据，系统地分析高情境意识和低情境意识操作者之间的认知和行为差异，从而探索人类可靠性背后的机制[28,29]。研究重点关注危险信息提取、处理和判断关键阶段的个体表现差异，旨在识别出既能提供理论基础又能为安全行为机制、操作者状态研究及风险预警系统开发提供实际见解的区分性特征指标[30,31]。

理论框架的实现通过多阶段计算流程完成。劳伦斯安全模型的认知结构被分解为可量化的指数，其中注视指标和危险判断准确性提供了原始输入。为了捕捉人类可靠性中的非线性动态，本研究结合了深度学习进行潜在特征提取和极端梯度提升（XGBoost）集成方法。此外，还使用了非线性分类器将这些多模态特征映射到四象限的安全输出空间。本研究通过（1）整合基于理论的、面向阶段的危险识别框架与多模态数据，以及（2）开发用于地下采矿中人类可靠性可靠评估和分层的可解释机器学习流程做出了贡献。基于劳伦斯模型的研究步骤如图2所示：

样本选择

样本选择

本研究招募了来自中国陕西省某煤矿的68名一线矿工，所有参与者均为男性、右撇子，无视力或精神疾病。为了确保样本的代表性，参与者年龄在30-55岁之间，工作经验在5-35年之间。主要职业类别包括司机、电工、维修工人等。基本人口统计特征见表1。

危险识别任务

基于

行为结果

使用E-Prime 3.0软件（版本3.0.3.9）构建了一个危险识别任务，包括四个连续阶段：初步识别图像中是否存在危险、统计图像中的危险数量（从零到五个）、对识别出的危险进行五点风险等级评估，最后评估这些危险可能导致的事故潜在严重性，也采用五点等级进行评估。相应地，收集了六个行为指标

讨论

本研究基于劳伦斯安全模型，设计并实施了一个危险风险识别实验，以分析高情境意识和低情境意识个体的决策行为和眼动特征。采用XGBoost-边界SMOTE混合算法进行分类预测，从而选择关键特征并评估整体模型准确性。基于这些过程，并遵循劳伦斯安全模型的逻辑顺序

结论

本研究使用基于劳伦斯安全模型的阶段式危险识别框架，系统地考察了矿工的安全情境意识（SA）。通过整合行为和眼动指标，利用机器学习分类量化并验证了高情境意识和低情境意识矿工之间的认知和注意力差异。

研究结果表明，高情境意识的矿工在危险识别准确性和整体决策效率方面表现更好，反应时间更长

作者贡献声明

田芳媛：资源获取、方法论、调查、概念化、资金筹集、监督、写作-审阅与编辑。邱伟帅：概念化、验证、正式分析、撰写-初稿准备、写作-审阅与编辑、可视化。田水成：资源获取、方法论、概念化、监督。李红霞：资源获取、方法论、概念化、监督。毛俊瑞：数据获取。马雷：数据获取。

数据可用性

数据可应要求提供。

作者贡献声明

田芳媛：写作-审阅与编辑、资源获取、方法论、调查、资金筹集、正式分析、概念化。邱伟帅：写作-审阅与编辑、撰写-初稿、软件、方法论、正式分析。田水成：监督、资源获取、概念化。李红霞：监督、资源获取、概念化。毛俊瑞：方法论、数据管理。马雷：数据管理。