远程火灾监控中警告内容与说服策略对风险感知的影响机制研究

本研究针对远程火灾监控中警告信息设计的关键问题，通过3×2混合实验设计（n=74），探究风险/响应信息内容（risk/response-related information）与说服策略（persuasive strategy）如何通过信息感知（perceived informativeness）和自我效能（self-efficacy）影响安全专业人员的风险感知（risk perception）。研究发现警告内容与策略组合显著影响风险判断，并构建了C-HIP（Communication-Human Information Processing）与PADM（Protective Action Decision Model）融合的理论模型，为智能监控界面设计提供了实证依据。

　　

在数字化应急管理时代，远程火灾监控系统已成为防灾前线的"数字哨兵"。然而，当安全人员仅通过控制室屏幕判断千里之外的火情时，警告界面上一行闪烁的文字如何让他们准确感知风险？这个问题关乎生死决策——研究显示，超过60%的应急响应延迟源于风险信息传达偏差。更棘手的是，随着AI技术深度介入灾害监测（如深度学习优化应急方案匹配算法），人类对机器生成警告的信任度与理解效率成为新型人机协同（Human-Machine Collaboration）的瓶颈。现有研究多聚焦警告的图形设计，却忽视了信息内容架构这一认知基石。

清华大学的研究团队在《Displays》发表的这项研究，首次系统解构了火灾警告的"信息基因"。研究人员采用混合实验法，让74名安全专业人员处理不同组合的警告信息（风险描述/应对建议×权威建议/情感唤起），通过结构方程模型（SEM）捕捉其认知轨迹。关键技术包括：1）基于C-HIP框架设计三维度问卷（信息感知、自我效能、风险评级）；2）运用ANOVA分析不同警告场景（森林/化工厂/高层建筑火灾）下的认知差异；3）通过AMOS软件构建多变量路径模型。

实验设计
研究构建3（场景）×2（说服策略）矩阵，每个警告包含风险概率、扩散速度等核心要素。例如化工厂警告中，"氢氟酸罐泄漏（风险内容）+穿戴A级防护服（响应内容）"组合分别搭配"国家应急部建议（权威策略）"或"您的决定将挽救工人生命（情感策略）"。

数据分析和结果
ANOVA显示响应性内容使风险评级提升27.3%（p<0.01），而情感策略在高层建筑火灾中效果最佳。SEM模型揭示：信息内容通过感知信息量（β=0.42）和自我效能（β=0.38）双路径影响风险判断，该效应在AI生成警告中更显著。

讨论
该研究突破性地将PADM模型应用于人机交互场景，发现当警告包含具体响应步骤时，即便风险概率相同，决策速度可提升19秒。这对智能监控系统设计具有范式意义——例如在深度学习推送应急方案时，应同步显示算法置信度（confidence level）以增强信任。

这项研究犹如为数字防灾系统安装了"认知透镜"，证明有效的警告不是简单的危险通告，而是精心架构的"决策脚手架"。其提出的"信息-感知-行动"模型，不仅适用于火灾监控，更为核电站、智慧交通等高风险领域的界面设计提供了量化标准。当灾难预警进入AI时代，这项研究提醒我们：机器的计算力与人类的认知规律，必须通过科学的信息设计实现完美和弦。