Quantitative description of cognitive fatigue in repetitive monotonous tasks

技术摘要：重复单调任务中认知疲劳的定量描述

问题陈述
本文探讨了“警觉性下降”（vigilance decrement）这一现象。在科学文献中，这是一个已被广泛记录的定性经验观察，即从事重复性和单调性任务的工人，其表现能力会随着任务持续时间的增加而逐渐恶化。虽然现有的理论（如资源理论）通过注意力资源的枯竭来解释这一现象，但目前仍缺乏关于这种疲劳如何转化为任务完成概率的分析性、定量化描述。具体问题在于，如何对一个必须连续执行 $N$ 次成功操作且不出错的工人进行建模，其中失败的概率会随时间增加，从而导致工人必须从头开始重新开始过程。

研究方法
作者采用了一种随时间变化的西西弗斯随机攀爬模型（time-dependent Sisyphus random climb model）来量化这一现象。在该随机框架中：

• 系统： 一名“西西弗斯工人”试图攀登一个高度为 $N$ 的阶梯（代表 $N$ 次连续成功的操作）。
• 动力学： 在每个时间步 $t$，工人有随时间变化的概率 $s(t)$ 进行向上一步的移动，以及互补的概率 $1-s(t)$ 发生失误并跌落回底部（$h=0$），从而必须重新开始。
• 疲劳假设： 该模型结合了经验证据，表明失误概率 $1-s(t)$ 会随时间增加（即 $s(t)$ 减少），反映出工人正变得日益疲惫。
• 分析方法： 研究推导出了失败概率函数 $F[t; s(t), N]$ 的主方程，该函数定义为在经过 $t$ 次操作后尚未完成任务的工人比例。通过利用连续极限近似，并假设在 $t$ 较大时成功概率 $s(t)$ 变得很小，将离散的递推关系转化为一个紧凑的微分方程。

主要贡献与结果
本文的主要贡献是基于成功概率 $s(t)$ 的函数形式，推导出了渐近成功概率 $S[t \to \infty; s(t), N]$ 的解析表达式。

1. 一般渐近行为： 文中推导出了失败概率函数为：
   $$F(t) = F_0 \cdot \exp\left[ -\int_{N}^{t} Q(t') dt' \right]$$
   其中 $Q(t)$ 是所需 $N$ 步内成功概率的乘积。该公式允许确定失败概率是趋于零（意味着所有工人最终都会成功），还是趋于一个非零常数（意味着部分工人永远无法成功）。

2. 指数衰减情况： 对于表现能力呈指数级恶化的工人（$s(t) = \alpha e^{-\beta t}$），分析表明失败概率会趋于一个大于零的有限常数。这从数学上证实了在指数疲劳下，一部分工人将永远无法完成任务。

3. 反比例幂律情况与临界边界： 本文识别了 $s(t)$ 函数行为的一个关键阈值。

   • 如果 $s(t)$ 按反比例幂律衰减，即 $s(t) \sim t^{-\beta}$，则渐近结果取决于无量纲乘积 $\beta N$。
   • $\beta N > 1$： 失败概率趋于一个非零常数。部分工人永远不会成功。
   • $\beta N < 1$： 失败概率趋于零。所有工人最终都会成功。
   • $\beta N = 1$： 此特定情况，即 $s(t) \sim t^{-1/N}$，标志着两种机制之间的临界边界。

意义与主张
本文声称提供了首个使用西西弗斯随机攀爬框架对重复任务中警觉性下降进行的解析、定量描述。其意义在于证明了疲劳的形式（即 $s(t)$ 衰减的速度）对劳动力的最终成功具有“剧烈影响”。

具体而言，作者证明了反比例幂律行为 $s(t) \sim t^{-1/N}$ 起到了相变边界的作用。在该阈值之下（衰减较慢），系统足够稳健，使得所有疲惫的工人最终都能完成任务。在该阈值之上（衰减较快），系统会导致一部分疲惫的工人无限期地无法完成任务。这一结果提供了一个精确的数学准则，用于区分疲劳导致“普遍最终成功”与疲劳导致“部分人群永久失败”这两种不同的情景。