“对发声行为生态评估工具”的开发与可靠性测试——一种用于编码自然对话中安全倾听行为的方法

《Frontiers in Public Health》：The Ecological Assessment of Responses to Speaking-up tool—development and reliability testing of a method for coding safety listening behavior in naturalistic conversations

安全沟通中倾听行为评估工具EARS的开发与验证。通过分析150例航空事故前飞行机组对话，建立包含实施、澄清、质疑、敷衍、拒绝和沉默6类倾听行为及升级、放大2类安全声音行为的分类框架，验证工具间信度系数达0.73-0.87。该工具为高风险环境安全对话研究提供新方法，支持组织安全培训与干预评估。

　　在当今快速发展的社会中，安全沟通已成为确保组织运作安全的关键因素。无论是工业、医疗还是航空领域，安全沟通的有效性直接关系到潜在事故的发生与否。研究者们普遍关注如何激励员工表达安全关切（称为“安全发声”），但对如何回应这些关切（即“安全倾听”）的探讨却相对较少。现有的研究大多依赖自我报告的测量方法，例如问卷调查和访谈，但这些方法往往聚焦于倾听的感知而非实际行为。因此，开发一种能够准确评估高风险环境中自然情境下安全倾听行为的工具，显得尤为重要。

### 安全倾听的重要性与现状

安全倾听指的是在他人表达安全关切后，倾听者如何采取行动以理解或解决这些关切。在一些重大事故案例中，安全发声和安全倾听的失效被证实是导致灾难的重要因素。例如，挑战者号和哥伦比亚号航天飞机的事故、波音737 MAX的坠机事件，以及墨西哥湾深水地平线的漏油灾难，都表明了在安全沟通链中，倾听行为的有效性对事故预防起着决定性作用。然而，尽管安全发声被认为是安全沟通的重要组成部分，但只有在倾听行为真正有效地回应这些关切时，安全才能得到保障。

目前，关于安全倾听的研究主要集中在理论层面，缺乏一种能够直接评估倾听行为的工具。自我报告方法虽然能够提供关于个体对倾听的感知，但无法准确反映实际行为。此外，实验和假设情境的研究虽然有助于探索倾听行为的潜在影响，但这些方法往往无法模拟真实环境中的复杂性和不确定性。因此，研究者们开始关注如何通过自然观察和行为记录来研究安全倾听行为，以确保研究结果更加贴近实际情境，并能有效指导实践中的安全改进。

### EARS工具的开发背景与意义

为了填补这一研究空白，本文提出并测试了一种名为“生态响应发声评估工具”（Ecological Assessment of Responses to Speaking-up，简称EARS）的评估工具。该工具旨在通过分析飞行甲板上的对话，评估安全倾听行为。飞行甲板对话是研究安全沟通行为的重要数据来源，因为这些对话通常发生在高风险环境中，且包含了大量关于安全问题的实际交流。

EARS工具的开发基于非技术技能（Non-Technical Skills, NTS）和行为标记系统（Behavioral Marker Systems, BMS）的研究。这些研究强调，在高风险环境中，除了技术能力外，非技术技能如团队协作、领导力、情境意识和决策能力同样重要。然而，传统的行为标记系统往往关注于行为的执行和传递，而忽略了倾听行为的重要性。因此，EARS工具的出现为研究安全倾听提供了一种新的视角，使研究者能够更准确地识别和评估实际倾听行为。

### EARS工具的开发过程

EARS工具的开发分为三个主要阶段：分类框架的构建、分类框架的迭代以及分类框架的测试。在分类框架构建阶段，研究者们通过定性内容分析（Qualitative Content Analysis, QCA）对45份飞行甲板对话的转录文本进行了初步分类。这一阶段的目标是基于已有文献，建立一个初步的分类框架，涵盖安全倾听的不同类型。

接下来，在分类框架迭代阶段，研究者们使用了四个编码员对同一组10份转录文本进行编码，以评估编码的一致性和准确性。通过分析编码员之间的反馈和分歧，研究者们对分类框架进行了多次调整和优化。这一过程持续进行，直到达到编码饱和（即新的编码不再带来新的信息）。最终，分类框架经过四轮迭代，形成了较为完善的版本。

在分类框架测试阶段，研究者们使用了三名编码员对110份未见过的飞行甲板对话转录文本进行了编码，并引入了一名新的编码员对其中的50份文本进行独立编码。通过计算Krippendorff’s alpha和Gwet’s ACT1等指标，研究者们验证了EARS工具的编码一致性。结果显示，EARS工具在编码过程中达到了较高的可靠性，表明其在实际应用中的有效性。

### EARS工具的分类框架

EARS工具的分类框架包括六种安全倾听行为和两种额外的发声行为。六种安全倾听行为分别是：行动（实施和拒绝）、情境构建（提问和详细阐述）、非参与（忽视和表面倾听）。这两种额外的发声行为是：升级和放大安全发声。这些分类涵盖了倾听者在面对安全关切时可能采取的各种行为，从积极的行动到消极的忽视。

行动类倾听行为包括实施安全建议和拒绝错误的安全关切。情境构建类倾听行为涉及提问和详细阐述，这些行为有助于倾听者更好地理解安全问题的背景和细节。非参与类倾听行为则包括忽视和表面倾听，前者指倾听者完全不回应安全关切，后者指倾听者虽然在语言上回应，但实际行为并未与关切相呼应。升级和放大安全发声则是在倾听行为不足时，发声者或第三方通过更直接或更强烈的表达来纠正或强化安全关切。

### EARS工具的应用与意义

EARS工具的应用不仅限于航空领域，还可能扩展到其他高风险行业，如医疗、制造业和交通运输。通过分析自然情境下的对话，EARS工具能够帮助研究者识别和评估安全倾听行为的多样性，从而为组织安全改进提供科学依据。此外，EARS工具还可以用于培训和政策制定，帮助组织成员更好地理解和实践安全倾听行为。

在实际应用中，EARS工具能够为组织提供反馈，分析安全事件的原因，并评估模拟训练的效果。通过将安全倾听行为与安全事件的结果联系起来，组织可以更有效地识别和纠正潜在的安全问题。同时，EARS工具的使用还可以促进跨行业的比较研究，帮助研究者理解不同环境中安全倾听行为的差异和共同点。

### 未来研究方向与局限性

尽管EARS工具在评估安全倾听行为方面表现出较高的可靠性，但仍存在一些局限性。首先，编码员在处理模糊或不明确的对话内容时可能会遇到困难，特别是在涉及多方交流或复杂情境时。其次，目前的样本主要来自美国的飞行甲板对话，这可能影响工具的普适性和跨文化适用性。此外，飞行甲板对话虽然提供了丰富的语言数据，但无法全面反映非语言行为，如飞行员在紧急情况下的实际操作。

未来的研究可以进一步探讨EARS工具在不同文化和行业中的适用性，并结合其他数据来源（如访谈记录和操作日志）进行综合分析。同时，开发基于大型语言模型（Large Language Models, LLMs）的自动分类系统，可以提高评估效率并减少人为误差。然而，这种自动系统需要经过严格的测试和验证，以确保其准确性和可靠性。

总之，EARS工具的开发为研究安全倾听行为提供了一个新的视角和方法。通过自然情境下的对话分析，该工具能够帮助研究者更深入地理解安全倾听行为的多样性及其对安全结果的影响。未来的研究和应用将进一步拓展EARS工具的适用范围，为提升组织安全水平提供更全面的支持。