动态动机场中的自我调节推理评估：EFEKT方法

《Proceedings of the Human Factors and Ergonomics Society Annual Meeting》：Assessing Self-Regulated Reasoning in a Dynamic Motivational Field: The EFEKT Method

　　

传统认知评估主要评估静态推理能力，往往无法捕捉在不断变化的表现条件下的适应性自我调节。本研究引入了EFEKT方法，一种动态计算机化评估框架，并探讨行为轨迹能否识别反复出现的自我调节和适应性决策模式。研究人员让参与者在连续试验中自由选择任务难度，并根据表现反馈持续调整其行为。研究利用序列任务选择和表现结果推导出行为轨迹，并对来自9,113名参与者的数据进行聚类分析。结果涌现出五种行为档案，它们在抱负调节、反馈适应、表现稳定性和成功率方面各有不同。研究结果表明，难度选择、反馈加工和行为调整之间的反复互动会形成可识别的自我调节行为模式，这些模式超越了静态认知表现测量。EFEKT方法为评估适应性表现提供了一个整合框架，在人员选拔和安全关键职业中具有潜在应用价值。

传统认知评估主要测量静态推理能力，难以反映个体在变化绩效条件下的适应性自我调节。已有研究指出，适应功能不仅依赖智力本身，还依赖在反馈和任务要求下灵活运用推理的能力。然而，现有动态测试、计算机化自适应测试等方法多聚焦于最终表现或测量精度，较少关注个体通过反复难度选择、反馈加工和行为调整所展现的调节轨迹。为此，研究人员引入EFEKT方法，将推理表现置于动态动机场中，以考察自我调节和自适应决策的可识别模式。

研究人员采用动态计算机化评估环境，包含10个任务集，难度根据目标人群标准解决率校准，题目涵盖一般知识与社会科学知识，并施加时间压力。参与者在连续试验中自由选择难度，系统记录难度序列与反应正确性。基于理论推演的行为轨迹类型，研究者构建了47个轨迹指标，经方差分析与迭代模型评估筛选出10个关键指标，随后应用多种无监督聚类分析。数据集为9,113名参与者的绩效记录，收集近二十年，其中男性5,200人，女性2,054人，未指明1,859人；年龄均值32.74岁（SD=16.5，范围19–86；n=7,350），智力估计均值99.08（SD=16.20）。

无监督聚类分析一致识别出五个主要行为档案，其区分主要与成功率、难度选择变异性、跨试验进展动态以及成功/失败后的行为调整有关。

均衡适应型（Balanced Adaptive）：最大群体（n≈3,000），成功率约50:50至60:40，难度进展相对稳定，对反馈调整灵活。选择难度与所达表现大致对应，表明挑战寻求与绩效调节之间的平衡校准；部分较低绩效亚组偶尔坚持超能力难度，但轨迹总体反映适应性自我修正。

谨慎高效型（Cautious-Efficient）：n≈2,300，成功率约70:30至80:20，难度转换变异性低，成功后向上调整有限，保持稳定难度范围，行为保守，表现为受控进展和较低行为波动。

雄心低效型（Ambitious-Inefficient，“Gambling”）：n≈1,700–2,000，成功率约30:70，频繁选择高难度任务，失败后向下修正有限，轨迹表现为高难度选择加不稳定绩效调节，可能反映抱负与任务适应之间校准不足。

雄心高效型（Ambitious-Efficient）：n≈1,000–1,600，持续选择较高难度同时保持相对平衡的成功率，反馈后适应更稳定，难度与表现一致性更好，表明高挑战下有效调节。

成长导向型（Growth-Oriented，“High-Gradient”）：n≈150–250，任务序列中难度水平逐步上升，同时在任务需求增加时保持相对稳定的表现，长期进展动态较强，表明重复试验中有效适应性调整。

跨聚类程序均出现类似结构，表明轨迹结构相对稳健。总体上，重复的难度选择-反馈-调整互动产生可识别的自我调节行为模式，超越静态认知表现测量。

讨论部分指出，EFEKT方法提供了整合性评估框架，将推理表现置于动态动机场中，接近高风险环境中的认知负荷、不确定性和自我调节需求。与常规认知评估不同，EFEKT能分析持续变化绩效条件下的适应调节，包括从有效调节到超负荷和绩效恶化的转变。识别出的调节档案在人员选拔、岗位分配和安全关键领域（如军事行动、应急响应、航空或空中交通管制）中具有潜在应用。通过捕获抱负调节、坚持性、风险承担和反馈适应的稳定模式，该方法比传统心理测量方法提供了更具生态效度的压力行为表征。稳定行为表型的识别有助于更精确地绘制需要持续情境意识和自适应决策的职业中的个体风险与韧性特征。未来研究应针对真实操作绩效和纵向结果进行验证，特别是人为错误、压力韧性和复杂社会技术系统中的绩效稳定性。