建筑工人因技能素质低、知识储备不足等问题导致无法适应建筑产业化带来的智能化设备操作和精细化生产建造需求，成为当前影响中国建筑业转型升级的障碍，因此提高建筑工人的知识和技能水平成为建筑业转型升级亟待突破的困境之一^[1]。尽管政府和企业采取了多项建筑工人技能培训措施，但效果不明显^[2]。国内外学者就如何提升建筑工人的学习效率进行了研究^[3-6]，但大多集中于培训方法与技术的创新对建筑工人学习效果的影响，而关于工人工作学习环境对学习效率的影响研究较少。在实际工作中，“边干边学”是建筑工人主要的学习方式，其学习效率与现场工作环境密切相关^[7-8]。噪声作为工业环境中最具危害性的因素之一，对工人的生产效率和绩效有重要影响^[9]。噪声会导致注意力下降、工作和学习效率降低，甚至引发生产事故^[10]。因此，本文主要研究建筑产业工人实际工作环境中的噪声对其学习效率的影响程度和作用机理，以制定针对性的改善措施。

研究表明，人对噪声的主观感受在不同时期有所不同^[11]。例如，人对某特定嘈杂情境的当下体验与事后回忆所反映的烦恼程度往往是不一致的。因此，若使用传统的访谈和问卷调查等方法来研究噪声对学习效率的影响，结果容易受到主观因素的干扰而造成偏差。相比之下，利用实时测量的生理指标可以有效评估噪声对认知状态的影响，从而突破对噪声主观感知偏差造成的研究局限。近年来，便携式脑电(electroencephalogram, EEG)设备和数据处理分析算法在建筑业研究中的应用逐渐增多。戚作秋等通过提取工业噪声下脑电不同频段的功率谱评估工业噪声对工人认知状态的干扰^[12]。Ke等通过EEG指标解释噪声对建筑工人注意力、认知负荷和压力等认知状态指标的影响^[13]。Mir等利用EEG研究了不同水平和类型的建筑噪声对情绪的影响^[14]。

综上所述，EEG信号特征可以有效评估噪声对工人学习过程中的认知状态的影响效应。本研究使用便携式脑电设备通过非入侵式脑电信号采集，评估不同级别和类型的建筑工业噪声对建筑工人学习效率的影响，并验证认知状态在其中的中介效应。

正确率反映学习者对学习内容的理解和应用程度，高正确率意味着学习者能够准确地应用所学的知识或技能，正确率与学习效率呈正相关。反应时间则可以反映学习者对学习内容的熟悉度和快速应用能力，较短的反应时间意味着学习者对学习内容有更熟练的掌握程度，反应时间与学习效率呈负相关。因此，本研究选择正确率与反应时间这2个行为指标来衡量学习效率^[15]。

认知状态指一个人的思维和认知能力状况，包括感知、注意力、记忆、理解、认知负荷等方面。噪声对学习效率的影响是通过噪声带来的听力损失或对注意力、认知负荷等认知状态的影响来达到的。认知心理学认为，注意力和学习是强关联的，注意力越集中，学习效率也会随之提升^[16]。同时，噪声还会影响认知负荷^[17]。认知负荷是完成一项任务所需的工作记忆量。由于工作记忆在保存和处理信息时容量和时间的限制，当个体的认知负荷超过了其工作记忆总量，他就无法进行有效学习^[18-19]。因此，本研究选择注意力与认知负荷作为认知状态指标。

使用脑电设备记录工人在噪声环境下执行学习任务(包括观看视频学习与完成答题任务)过程中的脑电特征来评估其认知状态变化，并与实验记录的行为数据(答题正确率和答题反应时间)作对比分析。本研究路线图如图 1所示。

图 1 研究路线图

图选项

使用Emotive-EPOC X设备收集脑电信号。该设备有14个电极通道，电极的放置遵循国际10-20系统的放置方法，如图 2所示。为精准测定环境噪声的大小，使用希玛工业分贝仪AS824进行现场噪声收集与测度。使用专业心理学实验软件E-Prime 3.0收集和记录工人在不同噪声影响下的行为数据。

图 2 Emotive-EPOC X设备及对应的14个电极通道

图选项

为模拟建筑产业工人真实工作环境的噪声，采集了海南某构件厂生产现场的噪声样本，根据工业噪声分类，合成为平稳噪声环境(又名Gauss噪声，指概率密度函数服从Gauss分布的噪声)与复杂噪声环境(指由瞬态高能量脉冲噪声叠加在平稳噪声上形成的噪声)。根据噪声级别将每类噪声分为低噪声组(平均值60 dB(A))、中噪声组(平均值70 dB(A)) 和高噪声组(平均值80 dB(A))。实验对照组的噪声为工人日常生活白噪声，其余组别的噪声为对照组基础上叠加合成的不同类型与级别的噪声。

实验用的教学视频和测试题目来自《全国装配式建筑职业技能竞赛考试题库》。由该构件厂的培训教员根据工人的实践知识需求制定了对应的知识点内容，并将其制成为教学视频。测试问题则由从教学视频中提取的知识点组成。共制作4个教学视频，且每个视频对应20道选择题。每个教学视频及对应试题难易程度相近，教学内容与题目文字数量差别控制在10%以内。

共招募了29名建筑工人(以下简称“被试”)进行实验。被试的平均年龄为35岁，从事建筑业平均工龄为12 a。招募原则包括：身体健康，视力和听力正常，对噪声的耐受能力正常，且没有任何脑部损伤或手术史，并在实验前避免饮酒或摄入过量刺激性物质。将被试按照平稳噪声与复杂噪声2种类型进行分组，每组被试均随机进行特定噪声类型下的对照组、低噪声组、中噪声组和高噪声组4个不同级别噪声干扰实验。

根据有效性筛选去除了2类不合格数据：1) 由于无效动作过多导致脑电信号伪影无法消除，切除过多片段后导致数据有效性丧失。2) 随意应付导致实验结果明显异常，经事后回访确认，删除数据。经有效性筛选后，2类噪声环境各剩余11人。

实验开始前的准备工作主要包括以下5项：1) 基本信息收集；2) 清洁与电极接触的皮肤，并粘贴电极佩戴设备；3) 实验前放松；4) 熟悉实验流程和任务要求；5) 系统设备检查。

正式实验包含观看教学视频、答题和休息3个步骤，并多次循环，如图 3所示。具体流程为：确认被试理解指导语后按键开始实验，首先观看5 min的教学视频进行学习，学习结束后进行每道题限时20 s答题任务，完成题目后休息2 min。在执行学习任务期间随机进行不同级别的噪声干扰，并进行脑电数据的实时采集。整个流程循环4次，被试将遍历特定噪声环境下实验设置的所有噪声级别及教学视频。为了降低视频与噪声先后顺序对实验结果的影响，实验将噪声级别与视频随机匹配，并打乱顺序进行。

图 3 实验流程图

图选项

脑电设备佩戴过程中产生的伪影会影响对脑电信号的准确解释和分析。伪影主要包括内在伪影(个体的眼动、眼漂及其他肌肉运动)和外在伪影(电极移动、汗液干扰、电力线干扰等)。使用有限脉冲响应(finite impulse response，FIR)滤波器去除低于0.5 Hz与高于40 Hz的脑电信号，以消除如电极移动、电力线干扰等大部分外在伪影，以及少部分由呼吸、心跳等肌肉运动造成的内在伪影。眼动、眼漂等肌肉运动带来的内在伪影可通过独立成分分析(independent component analysis, ICA)将信号分离成多个独立的分量进行判断去除^[20]，如图 4所示。通过以上方法将受伪影污染的脑电信号转化为清晰准确的脑电信号，如图 5所示。

图 4 用ICA分析去除脑电信号中眼动、眼漂等运动伪影

图选项

图 5 去除伪影前后脑电信号对比

图选项

由于数据样本量较小，不同噪声级别比较采用Kruskal-Wallis方差分析法，其中H为该检验法统计量，自由度df=k-1。k是样本组的数量。H的分布取决于df，df与H相结合可以进一步确定P值，以进行差异显著性检验。不同噪声类型比较使用Mann-Whitney U检验法，其中U为该检验法统计量，Z为U的标准化，用于计算双尾P值。显著性水平取0.05，当P>0.05，则认为组与组之间不存在显著统计学差异^[13]。

复杂噪声环境与平稳噪声环境下被试的正确率和反应时间数据分别如图 6和7所示。从总体来看，复杂噪声环境下所有噪声级别的正确率均低于平稳噪声环境下相对应级别的正确率，由此说明与平稳噪声环境相比，复杂噪声环境更容易导致工人对所学知识的正确理解和应用能力降低。其中高噪声组的差异最为明显，说明复杂噪声环境下的高噪声比平稳噪声环境下的高噪声更影响工人对知识的理解和应用。同样地，复杂噪声环境下所有噪声级别的反应时间均高于平稳噪声环境下相对应级别的反应时间，由此说明与平稳噪声环境相比，复杂噪声环境更容易导致工人的反应时间延长。其中低噪声组和中噪声组的差异较为明显，说明复杂噪声环境下的低噪声和中噪声比平稳噪声环境的低噪声和中噪声更影响工人对知识的熟悉度和快速应用能力。

图 6 不同分组正确率对比

图选项

图 7 不同分组反应时间对比

图选项

分别对2类噪声环境下不同噪声级别的正确率和反应时间的差异进行显著性分析，结果如表 1所示。2类噪声环境下不同噪声级别对正确率和反应时间的影响无显著差异，说明噪声类型对工人的学习效率影响差异较大，同类型下噪声级别影响差异较小。

EEG波通常分为5个基本频带：δ(1~4 Hz)、θ(5~7 Hz)、α(8~14 Hz)、β(15~30 Hz)和γ(＞30 Hz)。本研究使用功率谱密度(power spectral density, PSD)函数来描述信号的功率沿频率的分布情况，并且使用MATLAB软件中pwelch函数计算各个频带的相对PSD值，其中采样率为128 Hz，使用Hamming窗，窗口长度为2 s，包含256个采样点，叠加比例为50%。

注意力水平通过唤醒指数来评估，较高的唤醒指数值表示较高的注意力水平，而较低的值则表示较低的注意力水平^[21]。唤醒指数为额前叶4个电极通道AF3、AF4、F3、F4的α频带与β频带的功率加和的比值。

认知负荷可通过参与指数来评估，参与指数越高，说明脑力工作量越大，认知负荷越高^[21]。参与指数可通过β频带功率除以θ与α频带功率之和的值来计算。本文计算参与指数时，采用所有脑电通道的PSD值在频率范围内进行平均，以便综合大脑不同区域的活动，更好地反映整体认知负荷。

利用各个通道PSD值即可计算得到不同噪声环境下的唤醒指数与参与指数。通过对数据的分组与加权平均，可评估不同噪声类型与级别下的注意力与认知负荷。为便于比较分析，对反映注意力与认知负荷水平的唤醒指数与参与指数进行归一化处理。

复杂噪声环境与平稳噪声环境的注意力和认知负荷数据分别如图 8和9所示。总体来看，不同噪声类型对注意力和认知负荷的影响并无统一规律。复杂噪声环境下低噪声组和高噪声组的注意力会高于平稳噪声环境，而中噪声组的注意力反而低于平稳噪声环境。复杂噪声环境下低噪声组和中噪声组的认知负荷会高于平稳噪声环境，而高噪声组的注意力反而低于平稳噪声环境。

图 8 不同分组注意力对比

图选项

图 9 不同分组认知负荷对比

图选项

进一步对复杂噪声环境和平稳噪声环境的脑电数据进行统计学分析，结果如表 2所示。2类噪声环境下的注意力和认知负荷均不存在统计学上的显著差异。由此表明，不同的噪声类型对工人认知状态的影响并无显著不同。

分别对2类噪声环境下不同噪声级别的认知负荷和注意力进行统计学分析，结果如表 3所示。2种噪声环境下不同噪声级别对认知负荷的影响差异均不具有统计学显著性，即相同噪声类型下不同级别的噪声对工人的认知负荷的影响并无明显差别。

同样地，复杂噪声环境下不同噪声级别对注意力的影响差异也不具统计学显著性，而平稳噪声环境下不同噪声级别对注意力的影响存在显著差异。通过多重对比进一步分析组间差异，结果如表 4所示。高噪声组的注意力显著低于其余3组，而其余组别相互对比无显著差异。由此说明，在平稳噪声环境中，日常白噪声、60 dB(A)、70 dB(A)的建筑工业噪声对工人的注意力影响并无明显差别，但当噪声达到80 dB(A)时，则会引起明显的注意力下降。

通过描述统计得到行为指标与认知状态指标之间相关性散点图，如图 10所示。使用Pearson相关系数(r)评估2项指标相关关系，结果如表 5所示。2项指标相互关系中，注意力和认知负荷与正确率不存在相关性，而与反应时间均显著相关，其中注意力与反应时间呈负相关，认知负荷与反应时间呈正相关，由此证明了认知状态在噪声与建筑工人的学习效率之间具有中介作用。在2项指标内部关系中，注意力与认知负荷呈负相关，反应时间与正确率不相关。由此表明，执行认知任务会导致工人的认知负荷增加，从而引起注意力水平下降，进而导致工人的反应时间延长。

图 10 认知状态与行为指标散点图

图选项

本文基于EEG实验探究了不同类型与级别的建筑工业噪声对产业工人学习效率的影响，主要结论如下：

1) 与平稳噪声环境相比，复杂噪声环境更容易导致工人的学习效率降低。但相同噪声类型下，60~80 dB(A)区间范围内不同级别的噪声对工人学习效率的影响无显著差异。因此，在构件生产现场，应注重采取措施降低复杂噪声，避免工人长期处于复杂噪声环境下引起学习效率降低以及由于反应时间延长造成的其他危险。

2) 不同噪声类型对认知状态的影响不存在统计学意义上的显著差异。复杂噪声环境下60~80 dB(A)区间范围内不同级别的噪声对工人的认知状态的影响无明显差别。平稳噪声环境下60~70 dB(A)的建筑工业噪声对工人的注意力影响无明显差别，但当噪声达到80 dB(A)时会引起显著的注意力降低。因此，构件生产现场应严格控制噪声不超过80 dB(A)，避免引起工人注意力降低以及由此引发的学习或工作效率降低，或其他安全隐患。

3) 认知状态与正确率不存在相关性，而注意力与反应时间呈负相关，认知负荷与反应时间呈正相关，由此证明了认知状态在噪声与学习效率之间存在中介效应。同时，认知负荷与注意力呈负相关，与反应时间呈正相关，表明工人认知负荷的增加会导致注意力的降低，从而使反应时间延长。因此，在工人执行任务时，可根据具体情况采取措施降低工人认知负荷(如合理分工合作以降低任务复杂度)、提高工人注意力(如加强警示、监督)与改进厂内噪声防护措施，以提升工人的学习效率，并避免可能由此引发的质量与安全事故。

受伦理委员会对人体实验噪声范围的限制，并结合构件厂的噪声实际情况，本文只是对均值为60、70和80 dB(A)的建筑工业噪声进行研究。在未来的研究中，将进一步对噪声类型和噪声源进行细化，深入分析不同噪声类型对学习效率的影响程度和作用机理，为建筑产业工人打造适宜、高效的工作与学习环境提供参考。