对机器学习算法进行比较调查,以预测基于社会人口统计因素和认知标志特征的安全标志理解

科学领域:

• 人与计算机的交互
• 认知心理学 认知心理学
• 机器学习 机器学习

背景情况:

• 安全标志对于建筑中的危险传播至关重要.
• 安全标志的可理解性受社会人口和认知因素的影响.
• 预测建模可以提高安全标志的设计和有效性.

研究的目的:

• 调查社会人口统计学和认知标志特征对安全标志可理解性的预测能力.
• 通过机器学习 (ML) 识别影响安全标志理解的关键因素.
• 评估各种ML分类器在预测安全标志理解方面的性能.

主要方法:

• 2310名参与者使用开放式方法评估了20个建筑安全标志.
• 参与者在0-100级别上对标志特征 (熟悉性,具体性,简单性,意义性,语义接近性) 进行评分.
• 八个特征被用来训练和评估14名监督的ML分类器使用过器和封装特征选择.

主要成果:

• 熟悉性,简单性和意义性被确定为预测安全标志理解的最有影响力的特征.
• 使用这三个特征,K-最近邻居 (K-NN) 分类器实现了最高的准确性 (94.369%).
• 中高斯 SVM 也显示出强的表现 (76.075%准确率).

结论:

• 机器学习 (ML) 是预测和改进安全标志理解的强大方法.
• 熟悉性,简单性和意义性等认知特征对于设计用户友好和有效的安全标志至关重要.
• 这项研究为优化建筑环境中的安全标志设计提供了宝贵的见解.