由于施工现场的复杂性和动态性，建筑业已成为当今最危险的行业之一。据统计，中国目前每年仍有超过3 000人在施工安全事故中丧生[1]。当危险未被识别时，发生事故的可能性就会大大增加。有效的施工安全教育可以降低现场风险[2]，因而大多数施工安全研究将危险识别和风险评估列为安全教育的首要环节[3]。目前对建筑工人的安全教育多采用静态手段，通过潜在隐患直接警告的方式实现，更适合有经验的工人。对新手工人而言，传统安全教育模式难以实现隐性安全知识的传授[4]。此外，传统安全教育模式也难以充分调动工人的学习积极性。针对以上问题，近年来虚拟现实及计算机技术在建筑安全教育研究中不断被尝试[5]，但其中大多数受到学习条件和环境的限制。例如，虚拟现实技术需要将学习者置于单独的房间里开展学习，经济和时间成本较高。
眼动技术在危险识别方面具有巨大潜力，研究人员将它用于建筑工人注意力引导和危险识别能力提升[6-7]。已有的眼动研究主要关注建筑工人个体特征与危险识别认知过程的相关性，少有探索眼动技术如何提升施工安全教育的有效性。传统安全培训中，有经验的工人一般通过口头报告形式传授视觉搜索路径，可能会忽略无意识识别的重要区域，这是由于视觉搜索过程的知识内隐性会导致信息缺失或不可靠[8]。对于没有经验的新手工人，他们很难利用这些口头报告形成显性知识，以快速、准确地习得危险识别能力，因而迫切需要一种更加动态、直观的辅助教育模式[9]。
眼动模型示例(eye movement modelling examples, EMMEs)记录了专家在学习或解决问题时的眼动轨迹，并能够向学习者展示专家的认知加工过程。这种方法来源于观察学习，现在已越来越多地用于教育建模的各种任务和活动[10]。Dzeng等[7]评估了新手和有经验的工人在危险识别过程中的差异，发现有经验的工人在寻找和确定隐患时采用的策略可能是有效的安全教育材料。Mason等[11]发现，EMMEs干预后，学习者对科学材料的阅读能力明显提升，成绩也更好。因此，基于专家眼动轨迹回放的施工安全教育方式可能会提升建筑工人危险识别的学习效果。
本研究设计了建筑施工现场安全隐患识别实验，并记录实验参与人的眼动行为，通过分析建筑工人的危险搜寻视觉处理过程，探究了基于EMMEs的安全教育对不同经验程度工人的影响效果。
1 基于EMMEs的危险识别教育研究框架 1.1 危险识别和工作经验已有研究表明，施工现场未被识别的危险比例可能高达57%[12]，建筑工人危险识别能力亟待提高[13]。现有研究提出了不同的危险识别策略，如事故根源追踪模型[14]、故障树分析[15]和工作危险分析[16]等。不同因素的交互作用会影响危险识别绩效，例如经验和安全知识对风险承受能力有负向影响[17]。Goh等[18]指出，经验可以帮助建筑工人提高安全表现，有经验的工人会将注意力分散到整个施工场景中并更易注意到非紧急危险[9]，这是因为他们通过长时记忆形成了经验知识[19]。相反，经验缺乏可能导致新手工人采取更随机的危险搜寻方式，从而出现更多人为错误，据此提出假设1。
假设1 经验水平对施工危险识别准确率有显著和直接的影响。
此外，经验还会通过改变个体对兴趣区的注视时间，进而影响危险识别策略[20]。在安全驾驶领域，经验丰富的驾驶员和新手驾驶员使用不同的视觉搜索模式来识别道路危险[21]，有经验的驾驶员注视时间更短，视觉搜索更频繁[22]。据此，在建筑安全领域可以作出合理推断，有经验的建筑工人对危险识别更有信心，在危险区域注视时间更少[7]，经验有助于提高个体的注意力分配效率，并规范危险识别顺序，帮助工人快速识别危险，据此提出假设2、3。
假设2 经验水平对施工危险识别完成时间有显著和直接的影响。
假设3 经验水平对施工危险识别顺序规范性有显著和直接的影响。
1.2 EMMEs和危险识别绩效施工现场的危险识别任务可以抽象为一个视觉搜索任务。高经验者掌握隐性知识[23]，了解哪些信息对任务绩效是重要的，从而能够高效地完成任务，而低经验者却经常关注与任务绩效不相关的信息[24]。EMMEs干预可一定程度上提升学习者视觉任务的执行能力。EMMEs由问题(待检查场景)、认知过程的外化(口头解释)和示范者的感知过程(眼动)组成[25]。示范者通常是领域专家；在EMMEs中，他向学习者详细说明和演示了应该如何解决问题。近年来，基于视频的模型示例已经越来越多地用于视觉教育[26]。例如，医学生观察专家眼动后习得了更有效的扫描路径，提高了医学图像诊断表现[25]。
然而，也有研究表明，EMMEs的有效性随着个体经验增加而降低[27]，这种现象被称为专业知识逆转效应。对专业知识水平较高的学习者而言，详细的指导会无意义地增加认知负荷，进而降低学习效果[28]。建筑安全领域同样存在专业知识逆转效应，当有经验的工人使用EMMEs学习危险识别策略时，由于先验知识和教学指导针对性之间的不平衡导致认知负荷增加；相反，这种学习模式能帮助新手工人在一定程度上弥补缺少的经验，因而应针对不同经验程度工人采取差异化的安全教育手段。据此，提出假设4—6。
假设4 EMMEs干预对经验水平和施工危险识别准确率之间的关系具有调节作用。
假设5 EMMEs干预对经验水平和施工危险识别完成时间之间的关系具有调节作用。
假设6 EMMEs干预对经验水平和施工危险识别顺序规范性之间的关系具有调节作用。
综上所述，本文的理论模型如图 1所示。
|
| 图 1 研究框架 |
2 实验设计 2.1 实验设备和实验参与人
本实验使用Tobii Pro Fusion眼动仪采集数据。考虑到施工现场的实际情况，实验参与人大多为男性。有偿招募了40名工人和学生参与实验，最终数据有效的为24人。其中：10名实验参与人(皆为男性)是具有3年以上现场施工经验的工人，14名实验参与人(2名女性，12名男性)是来自西安建筑科技大学工程管理或土木工程专业的学生，了解施工管理和建筑安全的基础知识，但对现场作业几乎没有经验。建筑工人为高工作经验组，学生为低工作经验组。该研究获得了西安建筑科技大学神经工程管理实验室伦理审查委员会的批准。采用了2(工作经验：高vs低)×2(干预措施：有EMMEs干预vs无EMMEs干预)的组内组间混合实验设计。
2.2 实验材料本研究使用SketchUp Pro 2018创建了8个虚拟的建筑施工场景(示例场景见表 1)，其中危险包括坠落、坍塌、电击、破损、爆炸和不安全行为，这是目前施工现场常见的6类危险[7, 29]。构建的EMMEs是配合着语音解释的专家危险识别眼动轨迹视频(图 2)，总时长116 s。现有关于施工现场危险识别绩效的研究中，高效的搜索路径依次为人、设备、环境[7, 30]。因此，本研究将EMMEs材料中专家眼动轨迹设置为人—洞口—设备—环境。视频材料中的语音解释是为了向学习者强调危险识别过程中的关注重点。此外，为了避免学习效应带来的实验测量误差，EMMEs学习视频中的施工场景与正式测试中的场景不同。
| 施工场景 | 危险标号 | 危险类型 | 描述 |
| EMMEs干预前 | |||
 |
Haz1 | 坠落 | 不得在危险区域2 m以内使用梯子 |
| Haz2 | 坍塌 | 工作区域应畅通无阻 | |
| Haz3 | 电击 | 电线不能放置在潮湿环境中 | |
| EMMEs干预后 | |||
 |
Haz1 | 爆炸 | 电焊作业周围不能堆放木板 |
| Haz2 | 爆炸 | 交叉作业时，电焊工人下方不能有其他人 | |
| Haz3 | 坍塌 | 钢筋应捆扎、固定 | |
| Haz4 | 破损 | 混凝土墙破损露筋 | |
|
| 图 2 实验程序 |
2.3 实验程序
实验分为3个阶段。第1阶段(危险识别前测)：依次显示施工场景1—4，同一张图像重复出现2次。第1次，实验参与人在90 s内搜寻危险，然后利用键盘输入识别出的危险数量；第2次，在15 s内用鼠标在图像中点击此前识别出的危险。第2阶段(危险识别学习)：实验参与人通过观看EMMEs学习专家的危险识别策略，视频播放2次，以确保实验参与人有效习得。第3阶段(危险识别后测)：实验参与人利用习得的策略检查施工场景5—8中的危险，其他操作与第1阶段一致。实验程序见图 2。
2.4 危险识别顺序规范性的量化危险识别顺序规范性的计算要综合考虑危险重要性和识别顺序权重。考虑到洞口是最常见的事故发生原因[31]，本实验将识别目标分为4类，并依据前文分析，将重要程度设为：人>洞口>设备>环境。某一类识别目标aj(j=1, 2, 3, 4)重要性得分Sj为该目标重要程度在4类目标中的占比，
| $S_j=\frac{\sum\limits_{i=1}^4 L_{i j}}{\sum\limits_{i=1}^4 \sum\limits_{j=1}^4 L_{i j}}.$ | (1) |
式中：Lij为目标aj相对于目标ai的重要程度，若aj比ai更重要，则Lij计1；若aj与ai同等重要，则Lij计0.5；若aj的重要性低于ai，则Lij计0。
在工程实践中，危险越早被发现，就可以越快进行处置，这对于避免安全事故意义重大。因此，将危险识别先后顺序权重分别赋值100、75、50、25。危险识别顺序规范性即为识别目标重要性得分与其顺序权重乘积的加和：
| $T=\sum\limits_{j=1}^4 O_j S_j .$ | (2) |
式中：T为危险识别顺序规范性得分，Oj为目标aj的顺序权重。
为了便于后文的统计分析，对T进行标准化，
| $T_{\text {std }}=\frac{T_{\max }-T}{T_{\max }-T_{\min }}.$ | (3) |
式中：Tmax为识别顺序规范性最大得分，Tmin为最小得分，Tstd为标准化得分。
3 实验结果 3.1 工作经验对危险识别绩效的影响本研究旨在探讨EMMEs干预对高、低工作经验建筑工人危险识别绩效的影响。EMMEs为干预措施，因而学习阶段不采集绩效数据，只在干预的前测和后测阶段采集绩效数据。从识别准确率、识别完成时间、识别顺序规范性3个维度综合评估实验参与人的危险识别绩效。其中：准确率是实验参与人正确识别出的危险数量占所有危险数量的百分比；完成时间是实验参与人对危险相关区域的总注视时间；顺序规范性是实验参与人的注视轨迹与专家注视轨迹的契合程度。
每个实验参与人依次进行了施工场景1—8的危险识别测试。表 2为高、低经验组在EMMEs干预前后危险识别绩效的独立t检验结果。结果表明：干预前，不同经验组在识别准确率、识别完成时间、识别顺序规范性方面均有显著差异。高经验组的识别绩效在干预前明显优于低经验组，而干预后无显著优势。对于识别准确率和识别顺序规范性，EMMEs干预后，低经验组与高经验组相似，组间差异影响不显著(准确率：p=0.699>0.05；顺序规范性：p=0.623>0.05)，假设1、3部分得到支持。工作经验对识别完成时间的影响始终显著(EMMEs干预前：p=0.024 < 0.05；EMMEs干预后：p=0.048<0.05)，假设2得到支持。在前测及后测阶段中，低经验组的识别完成时间都显著高于高经验组。由此推断，在判断一个注视点是否为危险时，高经验组能更高效率地搜寻施工场景。
| 场景 | 低经验组 | 高经验组 | t | p | ||||
| 样本数 | 平均值±标准差 | 样本数 | 平均值±标准差 | |||||
| 前测 (施工场景1—4) |
准确率/% | 14 | 43.878±11.156 | 10 | 54.286±6.901 | 2.606 | 0.016 | |
| 完成时间/s | 14 | 69.667±11.884 | 10 | 56.984±13.559 | 2.432 | 0.024 | ||
| 顺序规范性 | 14 | 45.536±18.086 | 10 | 72.500±20.242 | 3.428 | 0.002 | ||
| 后测 (施工场景5—8) |
准确率/% | 14 | 58.674±8.013 | 10 | 57.144±11.170 | 0.392 | 0.699 | |
| 完成时间/s | 14 | 55.171±14.141 | 10 | 44.018±10.771 | 2.093 | 0.048 | ||
| 顺序规范性 | 14 | 85.714±16.155 | 10 | 82.500±14.672 | 3.428 | 0.623 | ||
3.2 EMMEs对危险识别绩效的影响
高、低经验组在EMMEs干预前后的危险识别准确率、完成时间、顺序规范性的统计结果如表 3所示，配对t检验表明EMMEs对危险识别绩效有显著影响。低经验组经过EMMEs干预后识别准确率更高(p=0.000<0.05)，识别完成时间更短(p=0.004<0.05)，识别顺序规范性更高(p=0.000<0.05)。EMMEs干预使低经验组的识别准确率平均提高了14.796%，识别完成时间平均减少了14.496 s，识别顺序规范性平均提高了40.178。干预后，高经验组的识别准确率和顺序规范性平均提高了2.858%和10.000，然而该差异无统计学意义(p=0.423>0.05，p=0.053>0.05)。在识别完成时间方面，EMMEs干预对高经验组有显著影响(p=0.015<0.05)。
| 准确率 | 完成时间 | 顺序规范性 | ||||||||||
| (平均值±标准差)/% | t | p | (平均值±标准差)/s | t | p | 平均值±标准差 | t | p | ||||
| 低经验组 | 前测 | 43.878±11.156 | -5.597 | 0.000 | 69.667±11.884 | 3.488 | 0.004 | 45.536±18.086 | -5.993 | 0.000 | ||
| 后测 | 58.674±8.013 | 55.171±14.141 | 85.714±16.155 | |||||||||
| 高经验组 | 前测 | 54.286±6.901 | -0.840 | 0.423 | 56.984±13.559 | 2.999 | 0.015 | 72.500±20.242 | -2.228 | 0.053 | ||
| 后测 | 57.144±11.170 | 44.018±10.771 | 82.500±14.672 | |||||||||
3.3 工作经验与EMMEs干预对危险识别绩效的交互效应
如图 3所示，工作经验与EMMEs干预对危险识别准确率和顺序规范性的交互效应显著，假设4、假设6得到验证。低经验组受到EMMEs干预的影响，危险识别绩效显著提高；但高经验组在干预中由于先验知识作用，危险识别绩效的提高不明显。工作经验与EMMEs干预对识别完成时间的交互作用不显著，说明EMMEs干预并没有削弱工作经验在识别完成时间方面的影响，不支持假设5。
|
| 图 3 交互效应分析 |
3.4 危险识别顺序规范性
危险识别顺序规范性是衡量EMMEs干预效果的一个重要指标。在EMMEs干预之前，高经验组的危险搜寻顺序总体为：人—设备—环境—洞口(见图 4和5); 低经验组实验参与人的识别行为一致性较低。高经验组一般在对人的安全性进行评估后才检查设备，但低经验组有时首先评估设备或环境。低经验组的注意力更容易被场景中新奇、特别的物体吸引，如场景1中第2次长时注视点是一辆无人的运输车。出乎意料的是，几乎所有实验参与人在EMMEs干预前都忽视了洞口的重要性，尽管保护洞口至关重要。坠落是建筑致命事故的主要类型，占总死亡事故的55%以上[31]，而坠落事故大部分与洞口有关，比如电梯井口坠落、基坑坠落、墙洞坠落等。
|
| 图 4 EMMEs干预前的识别顺序 |
|
| 图 5 EMMEs干预后的识别顺序 |
EMMEs干预后，大多数实验参与人改变了危险搜索策略，开始有意识地按照规范的顺序识别危险。除施工场景5因为洞口比较隐蔽容易被忽略之外，其他场景下实验参与人基本都能及时检查洞口。低经验组注视轨迹层次分明、顺序合理，扫描路径与高经验组更加相似(如施工场景6)；但高经验组的识别顺序却不如EMMEs干预前规范，在场景8中最后才检查设备。
4 结论本研究探讨了EMMEs干预对不同工作经验水平建筑工人危险识别绩效的影响效果。研究发现：首先，工作经验与危险识别绩效正相关，在前测实验中，高经验组能以更快、更准确、更规范的方式识别危险。其次，EMMEs干预后高、低经验组的危险识别绩效均不同程度提高。低经验组的识别绩效提升更为明显，能通过EMMEs提供的视觉和语义线索高效理解安全培训资料，从而顺利进行危险搜寻。经EMMEs干预后，实验参与人的危险识别顺序更具策略性、目的性和有效性，能更为规范地依据人、洞口、设备、环境的合理顺序进行危险搜寻。最后，EMMEs干预的作用效果随工程实践经验增加而减弱，具有专业知识逆转效应。工人在长年累月的工作中积累并形成了大量的长时记忆隐性知识，这些知识对危险识别效率具有很大的提升作用。高经验组已有的隐性知识与EMMEs指导信息间存在信息冲突，会增加工人的认知负荷，并额外占用工作记忆资源，导致EMMEs难以实现预期的干预效果。因此，高经验组更适合自我探索类学习或辅助信息较少的安全教育模式。相反地，低经验组缺乏与危险识别相关的认知结构，EMMEs可作为一种教学指导工具补足缺失的认知结构，同时最小化工作记忆负荷。因此，在EMMEs干预前的危险识别任务中，低经验组在无提示信息的情况下，会产生较高认知负荷，并导致识别绩效低于高经验组。总之，要提高工人的整体危险识别绩效，应从经验水平的角度对工人加以区分，并采用差异化的安全培训方式。本研究结果证实了EMMEs对建筑工人施工安全教育存在促进作用，但也发现存在一定的有效性边界条件，即附带指导语的眼动模型示例对新手工人最为有效，但对有经验工人的作用效果却非常有限。
由于眼动实验范式的局限，本研究所采用的样本量仍相对较小。尽管采取随机抽样的方式选定实验参与人，却难以避免研究对象间固有偏差对实验结论造成的影响。例如，本研究在选取高工作经验实验参与人时，既选取了学历相对较高的项目经理，亦选取了学历相对较低的现场工人，但仍然无法避免高经验组的整体学历层次低于由工程类本科生和研究生组成的低经验组，这也导致学历这一无关干扰变量对研究结论可能造成的潜在影响。此外，尽管本研究通过眼动实验验证了EMMEs对安全教育的良好作用效果，但眼动设备价格相对昂贵，难以用在施工现场对安全教育效果进行实时检测，故导致该安全教育方案在实际操作和推广过程中仍面临教学效果难以量化的现实阻碍。
| [1] |
黄玥诚, 张桎淮, 曹思涵, 等. 基于语义分析的建筑业安全文化管理机制设计[J]. 清华大学学报(自然科学版), 2023, 63(2): 179-190. HUANG Y C, ZHANG Z H, CAO S H, et al. Safety culture management mechanism design in the construction industry based on semantic analysis[J]. Journal of Tsinghua University (Science and Technology), 2023, 63(2): 179-190. DOI:10.16511/j.cnki.qhdxxb.2022.22.053 (in Chinese) |
| [2] |
ZHU M, LI G H, HUANG Q, et al. Analysis of eye movements of workers in safe and unsafe behaviors using a video-based method[J]. International Journal of Occupational Safety and Ergonomics, 2023, 29(1): 254-262. DOI:10.1080/10803548.2022.2035087 |
| [3] |
PERLMAN A, SACKS R, BARAK R. Hazard recognition and risk perception in construction[J]. Safety Science, 2014, 64: 22-31. DOI:10.1016/j.ssci.2013.11.019 |
| [4] |
JEELANI I, ALBERT A, AZEVEDO R, et al. Development and testing of a personalized hazard-recognition training intervention[J]. Journal of Construction Engineering and Management, 2017, 143(5): 04016120. DOI:10.1061/(ASCE)CO.1943-7862.0001256 |
| [5] |
SEO J O, HAN S U, LEE S H, et al. Computer vision techniques for construction safety and health monitoring[J]. Advanced Engineering Informatics, 2015, 29(2): 239-251. DOI:10.1016/j.aei.2015.02.001 |
| [6] |
BHOIR S A, HASANZADEH S, ESMAEILI B, et al. Measuring construction workers attention using eye-tracking technology [C]//The Canadian Society for Civil Engineering 5th International/11th Construction Specialty Conference. Vancouver, Canada, 2015: 222.
|
| [7] |
DZENG R J, LIN C T, FANG Y C. Using eye-tracker to compare search patterns between experienced and novice workers for site hazard identification[J]. Safety Science, 2016, 82: 56-67. DOI:10.1016/j.ssci.2015.08.008 |
| [8] |
HAN Y, YANG J R, DIAO Y S, et al. Process and outcome-based evaluation between virtual reality-driven and traditional construction safety training[J]. Advanced Engineering Informatics, 2022, 52: 101634. DOI:10.1016/j.aei.2022.101634 |
| [9] |
HASANZADEH S, ESMAEILI B, DODD M D. Measuring the impacts of safety knowledge on construction workers' attentional allocation and hazard detection using remote eye-tracking technology[J]. Journal of Management in Engineering, 2017, 33(5): 04017024. DOI:10.1061/(ASCE)ME.1943-5479.0000526 |
| [10] |
MASON L, PLUCHINO P, TORNATORA M C. Using eye-tracking technology as an indirect instruction tool to improve text and picture processing and learning[J]. British Journal of Educational Technology, 2016, 47(6): 1083-1095. DOI:10.1111/bjet.12271 |
| [11] |
MASON L, PLUCHINO P, TORNATORA M C. Eye-movement modeling of integrative reading of an illustrated text: Effects on processing and learning[J]. Contemporary Educational Psychology, 2015, 41: 172-187. DOI:10.1016/j.cedpsych.2015.01.004 |
| [12] |
ZHANG Q W, ZHANG D, LIAO P C, et al. Investigation of interaction among factors underlying construction hazard identification[J]. Canadian Journal of Civil Engineering, 2021, 48(7): 838-847. DOI:10.1139/cjce-2020-0170 |
| [13] |
OUYANG Y W, LUO X W. Differences between inexperienced and experienced safety supervisors in identifying construction hazards: Seeking insights for training the inexperienced[J]. Advanced Engineering Informatics, 2022, 52: 101602. DOI:10.1016/j.aei.2022.101602 |
| [14] |
ABDELHAMID T S, EVERETT J G. Identifying root causes of construction accidents[J]. Journal of Construction Engineering and Management, 2000, 126(1): 52-60. DOI:10.1061/(ASCE)0733-9364(2000)126:1(52) |
| [15] |
BROOKE P J, PAIGE R F. Fault trees for security system design and analysis[J]. Computers & Security, 2003, 22(3): 256-264. |
| [16] |
ROZENFELD O, SACKS R, ROSENFELD Y, et al. Construction job safety analysis[J]. Safety Science, 2010, 48(4): 491-498. DOI:10.1016/j.ssci.2009.12.017 |
| [17] |
WANG T K, HUANG J, LIAO P C, et al. Does augmented reality effectively foster visual learning process in construction? An eye-tracking study in steel installation[J]. Advances in Civil Engineering, 2018, 2018: 2472167. |
| [18] |
GOH Y M, CHUA D K H. Case-based reasoning approach to construction safety hazard identification: Adaptation and utilization[J]. Journal of Construction Engineering and Management, 2010, 136(2): 170-178. DOI:10.1061/(ASCE)CO.1943-7862.0000116 |
| [19] |
肖玉琴, 丁道群. 专业知识逆转效应及其给多媒体学习的启示[J]. 心理研究, 2008, 1(6): 32-35. XIAO Y Q, DING D Q. Expertise reversal effect and its implications for design of multimedia instruction[J]. Psychological Research, 2008, 1(6): 32-35. (in Chinese) |
| [20] |
LI W C, ZHANG J Y, LE MINH T, et al. Visual scan patterns reflect to human-computer interactions on processing different types of messages in the flight deck[J]. International Journal of Industrial Ergonomics, 2019, 72: 54-60. DOI:10.1016/j.ergon.2019.04.003 |
| [21] |
LIU C C, HOSKING S G, LENNÉ M G. Hazard perception abilities of experienced and novice motorcyclists: An interactive simulator experiment[J]. Transportation Research Part F: Traffic Psychology and Behaviour, 2009, 12(4): 325-334. DOI:10.1016/j.trf.2009.04.003 |
| [22] |
KONSTANTOPOULOS P, CHAPMAN P, CRUNDALL D. Driver's visual attention as a function of driving experience and visibility. Using a driving simulator to explore drivers' eye movements in day, night and rain driving[J]. Accident Analysis & Prevention, 2010, 42(3): 827-834. |
| [23] |
吴继兰, 尚珊珊. MOOCs平台学习使用影响因素研究: 基于隐性和显性知识学习视角[J]. 管理科学学报, 2019, 22(3): 21-39. WU J L, SHANG S S. Factors affecting the use of MOOCs based on tacit knowledge and explicit knowledge learning[J]. Journal of Management Sciences in China, 2019, 22(3): 21-39. (in Chinese) |
| [24] |
JARODZKA H, SCHEITER K, GERJETS P, et al. In the eyes of the beholder: How experts and novices interpret dynamic stimuli[J]. Learning and Instruction, 2010, 20(2): 146-154. DOI:10.1016/j.learninstruc.2009.02.019 |
| [25] |
JARODZKA H, BALSLEV T, HOLMQVIST K, et al. Conveying clinical reasoning based on visual observation via eye-movement modelling examples[J]. Instructional Science, 2012, 40(5): 813-827. DOI:10.1007/s11251-012-9218-5 |
| [26] |
GEGENFURTNER A, LEHTINEN E, JARODZKA H, et al. Effects of eye movement modeling examples on adaptive expertise in medical image diagnosis[J]. Computers & Education, 2017, 113: 212-225. |
| [27] |
BOKOSMATY S, SWELLER J, KALYUGA S. Learning geometry problem solving by studying worked examples: Effects of learner guidance and expertise[J]. American Educational Research Journal, 2015, 52(2): 307-333. DOI:10.3102/0002831214549450 |
| [28] |
HSU Y, GAO Y, LIU T C, et al. Interactions between levels of instructional detail and expertise when learning with computer simulations[J]. Educational Technology & Society, 2015, 18(4): 113-127. |
| [29] |
赵挺生, 周伟, 蒋灵. 建筑施工安全隐患的分类与分级研究[J]. 工业安全与环保, 2019, 45(6): 1-5. ZHAO T S, ZHOU W, JIANG L. Research of kinds and classifications of safe hazards for building construction[J]. Industrial Safety and Environmental Protection, 2019, 45(6): 1-5. (in Chinese) |
| [30] |
WINGE S, ALBRECHTSEN E. Accident types and barrier failures in the construction industry[J]. Safety Science, 2018, 105: 158-166. |
| [31] |
张泾杰, 韩豫, 马国鑫, 等. 基于BIM和RFID的建筑工人高处坠落事故智能预警系统研究[J]. 工程管理学报, 2015, 29(6): 17-21. ZHANG J J, HAN Y, MA G X, et al. Research of intelligent early warning system for falling accidents based on BIM and RFID for construction workers[J]. Journal of Engineering Management, 2015, 29(6): 17-21. (in Chinese) |