粒子加速器操作这一复杂任务中的专家网络模型

我们采用基于网络的方法来研究专家在一个复杂真实任务中的表现：操作粒子加速器。我们日常学习和执行的大多数任务（例如驾驶汽车、操作复杂机器、解决数学问题）都比较难以学习，因为它们是复杂的，而且从众多可能性中寻找最佳策略也比较困难。然而，我们如何学习这些复杂任务仍是一个部分未解之谜，因为由于难以收集和建模复杂行为数据，我们无法解释策略如何随练习而演化。由于复杂任务通常由许多个 elementary 子任务组成的网络构成，我们将任务表现建模为子任务的网络或图，并研究随着专家水平而变化的网络。我们通过对来自14年操作日志中大量文本进行自然语言处理和机器学习来构建这些网络。通过四个层次的细粒度——单个子任务、子任务之间的相互关联、子任务组以及整个复杂任务——来检验网络的变化。我们发现，无论是在子任务、相互关联还是整个任务层面，运营商都会随着专家水平而发生一致的变化，但在子任务如何被分组方面表现出显著的相似性。这些结果表明，所有阶段的运营商都采用一种常见的分而治之方法，通过将复杂任务拆分为可管理复杂性的部分来工作，但他们在嵌套子任务的频率和结构方面存在差异。操作日志是来自真实场景的数据来源，在这些场景中，人们会与硬件和软件环境合作以执行复杂任务，而本文所研究的网络模型可以扩展以容纳多模态数据。因此，我们的基于网络的方法为在真实世界中研究专家知识提供了一种实用方法。