开放科学(资源服务)标识码(OSID)：
Although some results have been achieved in the technical research on human-machine collaborative task planning, most scholars at home and abroad are mainly concerned with the impact of the overall development of AI technology as an antecedent variable on society, enterprises and individuals, and seldom explore the collaborative innovation synergy formed by both parties from the perspective of intelligent machines or human-machine interaction.There is a lack of a theoretical system on the criteria for the application of AI to human-computer collaboration. Only a qualitative and descriptive outlook is available, and a modeling of the human-machine task system as an object, process and as a whole is missing, because the complexity of task activities increases with the flexibility of human participation in the system and machine performance, and the intricate relationships between the standard dimensions of human-machine collaborative operational functions embedded in it require a modeling approach that can deal with the complexity of the system, for these reasons this study proposes the use of OPM to build the model.
Given the requirements of human-machine relationship and the definition of the content involved in the intelligent manufacturing system in the national intelligent manufacturing standard system construction guidelines, this study designs an interview outline and selects 14 middle and senior managers who have been working for many years in large and medium-sized manufacturing enterprises that are undergoing digital intelligent transformation. Combined with the specifications of assisted robots issued by the International Organization for Standardization, this study obtains 130 000 words of primary data and collects secondary data 200 000 words as triangular test through the authoritative way. The specific content includes initial, focus, axis, theoretical coding, saturation test five links, and the supplementary interviews and literature are taken as a saturation test and expert discussion is held to develop the scale items, the grassroots, middle and senior managers of intelligent manufacturing. Intelligent manufacturing link enterprises were selected as the respondents, and a large-sample questionnaire was issued. Then the test is conducted based on the large-sample data to obtain a reliable human-computer collaboration operation function standard measurement scale with 21 items, and the content structure of the human-computer collaboration operation function standard is formed, namely the six core dimensions of flexibility, predictability, repeatability, extensibility, elasticity, and multi-role, respectively. They are the core dimensions of the human-computer collaborative operation function criteria measurement scale. Only when such criteria are met can the advantages of human-computer collaboration be maximized and the companies achieve maximum performance improvement.
This paper uses the object process methodology for modeling human-machine collaboration criteria, unifies static and dynamic models based on the aforementioned conceptual model of human-machine collaboration operational functional criteria to propose an overall conceptual model that can be dynamically extrapolated based on the logical relationships between subcategories. Then it performs dynamic feasibility analysis of the conceptual model functional operation in OPCAT software. The model is used to measure and correlate the level of human capabilities and machine assistance and cooperation, and determine the degree of human-machine complementarity in performing a given task. It provides a possible way to view the whole process of "design-improvement-optimization" to achieve the human-machine collaboration standard. According to the OPD diagram, the functional characteristics can be dynamically adjusted according to the actual behavior of a pair of workers and robots to achieve the optimal allocation of human resources in smart manufacturing enterprises. This study not only provides a reliable measurement tool for subsequent research, but also expands a new perspective of human-computer collaboration theory whichapplicable in actual manufacturing enterprise management cases.
开放科学(资源服务)标识码(OSID)：
工业 4.0 战略举措正逐步改变生产和运营管理系统，制造业通过智能连接和自动化实现智能化，经历范式转变并建立网络物理生产系统集成最先进的技术，加强人与技术的交互，实现向智能工厂的转型，加快实现生产系统中的自学习、自组织、自决功能及相关业务流程[1]。智能机器、高级分析技术和技术人员是工业互联网的3种重要要素[2]，在可以预见的将来，人工智能技术将成为智能制造的主要驱动因素，不仅能拓展制造主体范围，还能优化智能生产过程，更能重塑人机协作模式。目前，大部分制造企业还处于数字化、智能化转型阶段，尚未达到人机无缝合作的水平，甚至还会出现1+1<2的情况。智能制造人机协作管理方面存在以下问题：首先，被解放出来的人力未被合理分配利用，人类和机器各自需肩负的责任界限比较模糊[3]；其次，如何使员工适应一个无感情的合作伙伴是一大挑战，大部分员工无法从原有的组织存在形式中转变过来，与智能机器配合不够密切[4-5]；再次，智能制造人才需求与现有人才之间存在技能鸿沟，市场上的智能化人才短缺[6]；最后，在非智力因素方面，对某一方面素质的要求会远远超过传统一贯重视的某些品质[7]。加上政策和技术环境的不断变化，人机协作系统的运行功能标准可能随着技术的发展而发生改变。因此，结合具体技术发展和最新政策背景研究人机协作标准具有重要意义。
传统的人机合作范式在一定时期内被看作是研究人机关系的实用性分析框架，但人工智能给其带来较大冲击。很多学者认为，与前几次技术革命不同，人工智能技术引发的人机关系变革是巨大的[8]。通过梳理以往研究发现，人机协作理论大多以人为中心[9-10]，很少从智能机器或二者结合的角度探讨双方形成的协作创新合力，甚至会夸大智能机器的负面影响。人工智能不仅会影响制造企业外部环境，如人才需求、意识形态、公共关系及技术运用[11-14]，还会对企业内部人机主体产生深远影响，即人类和智能机器的主次地位问题，这关系到智能机器与员工是工具性、平等性抑或是被动性协作关系[15]。目前，学界缺少对智能制造影响下人机协作系统化的理论分析，鲜有文献提出智能化人机协作的相关治理思路。这就需要在厘清人工智能对人机系统运行和功能影响的基础上，对人机关系相关理论进行补充，完善智能制造下的人机协作标准和运行功能指导框架，维持智能化人机协作的平稳运行。
为充分探索智能制造中的人机协作标准，本文通过扎根研究、文献对比和专家讨论进行量表开发，基于大样本数据进行检验，得到可靠的人机协作运行功能标准测量量表，并根据得到的内容概念模型，克服传统管理学建模研究方法和一些代表性建模方法的局限性，基于对象过程方法论，提出研究智能制造人机协作运行功能标准的动静结合建模方法，该方法层次清晰且关联性强。
关于智能制造人机协作的研究主要从人机协作主导者和人工智能技术整合方式两个角度展开。
(1)按照对人类劳动者和人工智能两大维度的侧重程度分类。一是人类主导型研究。航空航天、造船和建筑等技术复杂行业的任务和过程需更多依赖人的主观能动性[16]。在智能制造对人类操作者的新要求下，产生了促进人类社会化可持续生产和人机共生的第四代操作工理念[17-18]，在信息—人—物理体系中，人类的新角色可以归纳总结为操作员、代理商、使用者和传感终端用户等几种类型[19]。二是人机合作型研究。某些工种通常不仅要求人工智能提供大数据、信息支持、高效计算、快速管理等服务，还要求人类劳动者采取一些具有创新性的工作行为，与人工智能分工合作实现优势互补[20-21]。有学者结合人工智能时代工作的科学分类，立足人机匹配和人岗匹配的科学原理，形成3类“员工—AI—工作”组合[22]，并基于人机任务团队角色的概念，指出人工智能队友在团队中可能扮演的4种角色[23]，且不同类别的人类管理者对管理决策中的人机权重偏好不同[24]。此外，要有效安全地控制机器，还需准确推断何时需要人类操作，允许机器同步进行其它任务[25]。三是人工智能主导型研究。人工智能可以独立自主处理复杂性、常规性的低价值工作，人类只需相对应地担任控制者、指导者、监管者角色。例如，使用智能规划技术的人机任务分配方法[26]，以提高工作效率为目标，研究装配线上以机器为主导的人机配合策略；利用任务规划算法有效控制包括人类和机器人在内的多智能体团队[27]；允许自动任务处理技术处理人类与机器人团队之间的交互[28]。此外，还可使用人工智能技术处理人类存在带来的时间差异，并根据一对人类工人和机器人的实际行为，动态调整活跃任务计划[20]。
(2)按人工智能技术整合方式分类。一是基础替代。基础替代是人机协作的最底层，将人工智能技术简单引入任务中替代传统人类劳动方式和基础工具，该过程对人类合作者的影响程度很低，如制造业场所中用机器传送产品、运送包装袋、记录工作日志等基础服务工作。二是提高增强。人工智能与提高增强之间既存在联系又相互排斥，人工智能同时具备取代人类和延伸人类智能的功能，需要机器深度学习[29]。通过引入神经网络对特征进行有效表示，可以实现降低任务复杂性、提高学习速度的效果[30]；利用一种基于DRL的多机器人编队控制方法对可观测的高维状态空间信息进行压缩表示也可加快机器学习进度[31]；将深度神经网络与Q学习算法相结合，让计算机学习策略性游戏的玩法，其超越专业人类玩家的表现也证明深度强化学习方法具有强大的自主学习能力[32]；将专家神经网络应用到基于RL的抓取控制中，通过对输入物体图像的特征学习，使机械爪具有与人类相似的感知与决策能力[33]。三是创新重塑。在智能制造重塑下的现代企业制造环境中，大中型技术装备企业除引进最高端的技术设备外，还需要不断汲取智能趋势下新的企业发展理念，以实现动态创新和自身长远发展。自20世纪80年代以来，学者试图让机器自己执行认知任务，以解决创新的问题，但存在很大争议[34-35]。此后，认知创新理论——模糊特征假说(OFH)强调，所有创新解决方案都至少建立在问题的一个模糊特征之上[36]，并在后续发展中基于对象特征的新定义(对象与其它实体之间的交互影响)，得出人机伙伴关系可能比任何一个合作伙伴都更具创新性的结论，未来的人机融合发展方向更是将人机协作推到一个前所未有的水平。
总体看，虽然有关人机协作任务规划技术的研究已经取得了一些成果，但大部分学者主要关注人工智能技术的整体发展作为前因变量对社会、企业和个人的影响，对人发展的影响大多只从人机关系的定位方面展述，很少有从学理角度探讨人与人工智能合作时，基于未来需要达到的任务目标，各自应该遵循的水平和准则，即缺少关于人工智能运用到人机合作中的标准理论体系。大多数文献只有定性和描述性的展望，缺少对其运行功能标准的制定，更缺少人机任务系统作为对象、过程及整体的建模。随着人类在系统中参与的灵活性和机器性能的提高，任务活动的复杂性也会增加[37]，其中蕴含的人机协作运行功能标准维度之间的关系错综复杂，这就需要一种能处理系统复杂性问题的建模方法，由此本文提出采用OPM构建模型。
本文基于《国家智能制造标准体系建设指南》对人机关系需求和智能制造系统涉及内容的界定，结合国际标准化组织[38]发布的协助机器人规范设计访谈提纲，包括智能感知、制造过程中的生产人员、生产设备、原辅材料、制造环境、互联互通、协作、分析与统计、预测与预警、决策支持、控制与执行等因素，对人机关系和人机协作标准进行研究。
本文认为，智能制造要求的人机协作运行功能标准是指机器和人类各自或共同需要达到的一种足以发展智能化的水平，只有达到这种标准，才能发挥人机协作最大优势，企业才能最大限度提升绩效。本文遵循科学的测量工具开发范式，利用文献分析法、扎根理论法和专家访谈法等获得理论。
2.1.1 资料收集
本文通过访谈的方式收集一手资料，遵循最大差异信息饱和原则，采用理论抽样方法[39]，当访谈不再有新的信息产生时，停止访谈。访谈对象主要是正在进行数字化、智能化转型的大中型制造企业管理人员，受访企业5家，受访人数共14人，其中高层、中层和基层管理者分别有5人、5人和4人，男性占72.2%，女性占22.2%。深度访谈历时1个月，获得有效文本资料约13万字。本文通过权威途径收集二手数据，包括企业高层在学术论坛中的演讲、公司网站资料、访谈视频音频、国际权威媒体新闻报道、人工智能发展白皮书等研究报告。二手数据收集历时两个月，计20万字，作为一手资料的三角检验，使研究结果更为全面和准确。
2.1.2 人机协作标准内容结构
资料收集完成后，笔者和两名熟悉该研究主题并有足够能力诠释数据的研究生进行独立编码，通过讨论，解决有问题或冲突的编码，以使差异最小化。在编码过程中，通过与两名专家、1个研究团队、8位研究生交流并收集意见，从多角度得到启发。首先，在初始编码之前，先对口语化的访谈文本资料进行书面化整理，减少无关文字干扰，再对资料逐段、逐句编码，保留表达最鲜活的部分。以人工编码为主，借助质性分析软件Nvivo，将访谈时建立的大致分类想法存到备忘录。第一次信息处理相对随意，主要是提取并涵盖所有有用信息。依据相关性、准确性、典型性原则，剔除不符合人机协作标准内容、表达意思含糊不清、出现频率较低且不具有代表性的编码，合并表达重复的编码。整理后，获得符合主题的初始编码共101个。部分初始编码见表1。
表1 初始编码(部分)
Tab.1 Initial code (partial)
整理后的访谈文本资料初始编码除了实际的装配过程之外,智能机器还需要支持人类操作人员有效地进行非增值活动。在这个方向上,合作机器人旨在引入移动单元或移动操作器,在组装期间作为操作员的助手,其目标是启用自主资源,能在适当的生产地点内为操作者提供适当的零部件或工具……企业研发部门中的科研人员往往需要听取一位或几个领域内多位专家的所有讲解,从他口中得到知识后,把知识传递给企业人工智能,然后再输入到企业人工智能体系中。但如此做会形成相当高昂的成本,而且实际操作起来也有相当的困难。与此同时,如果知识数量在持续地增长,那么当操作系统实际运用的规则超过数亿条后,在这些规范间也可能出现问题或矛盾,所以对这些体系还必须加以保护和管理能帮助人类工作;是同时发生的;输入指导性要求后再工作……将知识传输给人工智能;知识数量不断增加;实际运行规则达成千上万条;规则之间矛盾或冲突;系统维护和管理
聚焦编码是指将访谈文本与研究主题相关联，进行理论整合。对101个初始编码进行综合、分类和区别，对语义关系、过程与结果的关系进行迭代分析，体现出概念之间的相关、类属和同一关系。将初始编码与子范畴相联系，使编码结果不断接近研究主题，101个初始概念共整理为52个子范畴，最终确定52个聚焦编码C1～C52，见表2。
表2 聚焦、轴心与理论编码结果
Tab.2 Focus, axis and theoretical coding results
研究主题类别核心维度主范畴子范畴初始编码A1灵活性B1实时辅助C1操作支持C2听命配合能帮助人类工作;是同时发生的;输入指导性要求后再工作B2实时概念C3概念罗列C4提供选择提供一些可参考的概念和选择;可分析复杂性的软件项目B3实时组织C5调动资源C6组织协调调整实时工作流;聚集大量专家、专业知识和经历A2及时性B4问题纠正C7揭示隐性问题C8 探索未知问题C9发现和解释未知关系自动弥聚效应的信息修正;利用AI探索业务中所尚未知晓的事情;找到数据和数据之间被忽略的关系;软件设定众多假设,解释和推测可能的关系B5整合信息C10知识迁徙C11自动管理信息将知识传输给人工智能;知识数量不断增加;实际运行规则达成千上万条;规则之间矛盾或冲突;系统维护和管理B6监测分析C12任务过程监督C13保障安全性人工智能持续监测地点、用户行为数据,识别潜在的微弱信号、行为模式;保证机器人轻量化;机器人的表面和关节必须光滑而平整人机协作运行功能标准内容结构机器单向辅助类A3可预测性B7风险干预C14 缓冲机制C15预警能力C16化解预案设置最大化效用函数给予错误回避空间;控制、转移、预警风险B8偏好服务C17分析客户偏好C18提供吻合服务使用风格、教育背景、理解工作方法、学习方式、具备技能、文化与种族等的综合因素,用户界面技术,用户的新要求B9建议制定C19自生成推荐方案C20智能决策语音传输需求,理解用户想法;后台大数据与人工智能融合,迅速生成有效结果A4可重复性B10事务性C21按需协助C22人类转为主导型生产以人类为中心的生产;从制造系统性能的固定任务中解放;智能机器的按需协助;人类转为主导作用;操作员集中精力发挥人判断的作用B11持续性C23极限性C24耐久性和力量掌握人类技能、拓展人类极限;协作机器人通过手臂反复举起重物;可穿戴的机器人设备使工人工作时间更久B12学习性C25强化学习算法基础C26机器自发性协作人机优势互补、基于学习的算法、人机团队实现自适应协作决策A5 扩展性B13责任限度C27定义责任范围责任低的人工智能造成人机分离的状态;责任高的人工智能模糊了蓝领、白领以及新旧岗位之间的界限B14机器招聘C28大数据人才简历分析C29智能机器交流C30智能机器预测C31智能机器匹配确立数据收集的目标、建立人才的数字画像、文本分析、智能聊天机器人、语音分析、视频分析、工作场景模拟、预测分析B15维护机制C32自诊断程序C33设备维护与修复掌握设备维护技术;自发判断机器故障并解决;对于缺陷漏洞进行技术升级弥补B16可解释性C34值得推敲的模型提供可解释的算法可以让我们确保有一种可测试和可审计的方式来捍卫算法决策的公平,从而加强控制,提高对未知漏洞和缺陷的可见性,并帮助识别和纠正错误,以及提供解释,以便轻松改进模型人机双向类A6重塑性B17环境应变能力C35传感器避障C36机器自决策感知工作环境、检测物体;敏锐的环境感知和避障功能;根据环境的变化改变自身的行为;及时做出停止、远离或其它合理性动作
轴心编码是指系统整理子范畴之间的关系，紧扣编码主题和相关研究，进而确定核心范畴的过程。人机协作运行功能标准是指以完成共同任务为目的，人机双方在协作运行过程中所要达到的机器功能标准和人员素质行为标准。这一阶段编码既要契合人机协作的定义，又要突出人机协作区别于一般协作的特征。因此，需要进一步紧扣现有研究成果，提高概念的抽象层次。经过整合与精炼，52个子范畴概括为人机协作运行功能标准的24个主范畴B1～B24。
理论编码是指把支离破碎的线索重新聚拢在一起，使分析型数据变得理论化。对之前的编码与资料进行互动和比较，继续考察和深入分析24个主范畴后发现，维度划分可以按照内容的不同特性进行最终编码。结合人机协作模式和上述24个主范畴，经过专家评议和研究团队审议，认为人机协作运行功能标准可划分为灵活性、及时性、可预测性、可重复性、扩展性、重塑性和多角色性7个维度(A1～A7)。
本研究的总访谈人数为14+2的形式，通过对14位专家访谈确定编码后，再利用两位专家的访谈内容进行饱和度检验，直至未发现新的内容结构。本研究还对已有文献进行梳理，共有47篇涉及智能制造人机协作或人机合作的文献，其中33篇外文文献，14篇中文文献，再综合新闻报道、演讲、研究报告和公司网站资料，经比较，这些资料均可划分在7个维度内，一定程度上可为编码结果的合理性和饱和度提供文献支撑。最后，本研究邀请8位智能制造代表性企业的中高层管理人员，从反映程度和语义表达归类是否合适等方面对量表题项提出建议。讨论认为人机协作中机器的技术部分是决定性的，人在其中的作用有多种情况，其标准需具有整合互补性，最终为提高协作效率服务，因此从机器单向辅助和人机双向协作两方面考虑更能反映智能制造企业人机协作发展现状。最终确定人机任务系统运行功能标准的初始量表，如表3所示。
续表2 聚焦、轴心与理论编码结果
Tab.2(Continued) Focus, axis and theoretical coding results
研究主题类别核心维度主范畴子范畴初始编码B18知识生产C37知识运用C38更高层次的知识本体知识共享平台、为机器人提供工作系统中执行分配操作所需的知识;运用知识的过程中,发明、发现、创造全新的知识B19管理控制C39管理人机协作能力C40控制事态发展能力人工智能产品是工业设计的结果;衍生系统的设计原代码是开源的,随时可以攻破修改;需建立完全合作的计划和控制关系B20深度态势感知C41自适应/无意识C42互适应/有意识C43人机物趋势分析有哲学上的人机协作思考;主体态势感知之上、整体系统趋势分析;有意识的分析决策;自组织、自适应、无意识;也有互适应、他适应;有软/硬调节机制A7多角色性B21洞察驱动角色C44观察力C45敏锐的直觉C46丰富的经验强大的观察力、与人沟通的能力、冷静震惊应对变化、敏锐的直觉、客观做出决定、充分利用失败和教训、有丰富的经验B22多技能角色C47规避人员不足风险C48熟悉和衔接工作一人多岗,解决突发情况下人员不足的问题,确保生产柔性;工作轮换,需要对上下衔接的工作比较了解合作B23专业人员C49技术深刻性C50学历门槛人机协作有一定的技术门槛,专业性强;高学历和技术深刻性成正比B24创意型角色C51新型系统化思维C52延伸具象化想法新技术支持的系统化思维和设计理念;延伸简单的想法,将其具象化
表3 人机协作运行功能标准初始量表题项
Tab.3 Items of initial scale of human-computer cooperative operation function standard
维度题项灵活性LH1 机器人能实时辅助人类完成组装任务及其它合作任务LH2 机器人能在设计师调整要求后,用软件实时提供新产品设计概念LH3 人工智能帮助人类分析项目,预计工作量,组织相关专家及时性JS1 人工智能机器能迅速筛查故障,标记问题信息,交由人类评估修复JS2 人工智能机器能从分散的系统中聚合产品信息,加快不同系统单元中操作人员的协作JS3 人工智能机器能分析预测机器和人类的行为,保证任务过程的安全性可预测性YC1 人工智能系统帮助人类预测风险,从而进行预防性干预YC2 人工智能预测客户偏好,提供针对性服务,优化服务功能YC3 人工智能分析历史数据,给予人类任务合作者下一步的操作建议可重复性CF1 用机器处理面向事务的基本问题,可使人类省出时间处理更复杂的问题CF2 机械视觉可持续地帮助人类操作员检测系统地各个角落CF3 机器可自动规划出最优的行为和动作路线与人类完成配合扩展性KZ1 在辅助和建议等方面,机器始终有自身一定的责任范围和边界KZ2 能用机器筛选符合智能制造条件的应聘者,增加合格者的面试数量KZ3 能利用智能诊断程序提供机器维护相关技术支持,进行设备维护KZ4 要求创建以人为中心的值得信赖的模型与技术重塑性CS1 机器具备一定的环境应变能力,人类更需适应周围环境的迅速变化CS2 利用人工智能的过程中产生新知识,用新知识不断加强技术的发展,继而又发现新的知识CS3 智能制造的环境下,要求人类更需要具备管理能力和控制能力CS4 具备深度态势感知的人机智慧多角色性DJS1 要求人具备深刻的洞察力DJS2 要求人具备多种技能DJS3 对专业化的要求更高DJS4 创造力被认为是人类不可被取代的重要能力
为保证量表质量，需要进行预调研。通过线上和线下相结合的方式收集小样本预调研问卷109份，其中有效问卷102份。信度分析的α系数为 0.931，验证为可靠后，使用单项—总体修正系数或CITC系数进行题项净化，如果某题项的系数小于0.5，则应该删除。从CITC值最小的答卷题项入手，逐步剔除问卷题项并检测新量表的α系数，当剔除JS1、JS2和JS3题项后，新量表的α系数上升至0.932，且各题项的CITC值均大于0.5。经过信度和题项分析，人机任务系统运行功能规范的题项从24个减至21个，及时性被剔除，剩下6个核心维度。
本研究选择智能制造企业或包括智能制造环节的企业基层、中层、高层管理者作为调查对象，发放大样本问卷。基层管理者熟知人工智能机器操作性部分内容，中高层管理者知晓统筹性战略实施部分内容，不同层级管理人员对人机协作标准有不同看法，因此三者皆需涵盖。2021年9月—10月，通过邮件、微信、QQ以及线下熟人推荐填写等渠道发放问卷，剔除同一选项过多、漏填、选项前后信息矛盾的样本，得到有效问卷共369份。
主要在安徽、陕西、山西、北京、广东等地进行数据收集，共回收问卷397份，其中有效样本369份，回收率为79.4%。样本特征为：男性55%，女性45%；年龄范围18～45岁，26～35岁占比最多，占45.3%；学历方面，博士占3%，硕士占32%，本科占49.9%，其它占15.2%；企业所属领域中，包括电子(18.2%)、医药(13.3%)、机械(11.9%)、化工(11.7%)、纺织(8.1%)、食品(7.6%)、材料(6%)、仪器(6%)、印染(2.4%)、其它(14.9%)；公司成立时间在10年以上占50.4%，3～10年占36.6%，3年以内占13%；企业规模方面，100人以内占14.6%，101～500人占46.9%，2000人以上占10.8%；高层管理者占6.2%，中层管理者占53.1%，基层管理者占40.7%。
3.3.1 探索性因子分析
人机协作运行功能标准量表因子分析旋转矩阵如表4所示。21个题项的KMO值为0.91，Bartlett's球形检验值显著，总解释能力达到74.681%，共同度均大于0.5，各测量题项的因素负荷量均大于0.5，且交叉载荷均小于0.4，每个题项均落到对应的因素中，表明量表具有较高的结构效度。
表4 人机协作运行功能标准量表因子分析旋转矩阵
Tab.4 Factor analysis rotation matrix of human-computer cooperative operation function standard scale
题项成分可重复性扩展性重塑性题项成分灵活性可预测性多角色性CF1 事务性0.781LH1实时辅助0.784CF2 持续性0.764LH2实时概念0.799CF3 学习性0.810LH3实时组织0.806KZ1责任限度0.812YC1风险干预0.813KZ2机器招聘0.809YC2偏好服务0.708KZ3维护机制0.790YC3建议制定0.847KZ4可解释性0.756DJS1 洞察驱动角色0.796CS1环境应变能力0.792DJS2 多技能角色0.735CS2知识生产0.801DJS3 专业人员0.813CS3管理控制0.762DJS4 创意型角色0.813CS4深度态势感知0.839
3.3.2 验证性因子分析
在探索性因子检验中，共包含21个测量题目，利用Amos26.0执行验证性因素分析后，结果如图1、表5所示。结果显示，CMIN/DF为1.261，符合标准，GFI、AGFI、NFI、TLI、IFI、CFI均大于0.9的标准值，RMR为0.042，小于0.08，RMSEA为0.027，小于0.08。所有模型拟合指数都满足一般研究准则，由此可以认为模型具有较高的配适度。
图1 智能制造人机协作运行功能量表验证性因子分析模型
Fig.1 Confirmatory factor analysis model of human-computer cooperative operation function scale for intelligent manufacturing
表5 模型拟合结果
Tab.5 Model fitting results
模型拟合推荐值测量模型CMIN——219.442DF——174.000CMIN/DF<31.261RMR<0.080.042GFI>0.90.947AGFI>0.90.930NFI>0.90.951IFI>0.90.989TLI>0.90.987CFI>0.90.989RMSEA<0.080.027
3.3.3 信效度检验
量表的α系数为0.919，灵活性、可预测性、可重复性、扩展性、重塑性、多角色性6个维度的α信度系数分别为 0.88、0.855、0.81、0.865、0.864、0.874，不需要删减任何题项。表明测试量表具备较高的内容一致性，可以认为该测试量表稳定可信。所有测量指标的标准化因素负荷均大于0.6，平均值组成的可信度系数(CR)均大于0.7，平均值变化萃取量(AVE)均大于0.5，说明所有变量都具有较高的收敛效度。
如表6所示，各因素的AVE开根号都大于除可对角化外的所有标准化相关系数，对角线数值大于该列的其它数值，表明不同构面之间的关联度不高；对角线数值大于横向排列的其它数值，说明构面之间的关联度较高。据此可断定本研究变量之间具备较高的区别效度。
表6 区别效度检验结果
Tab.6 Test results of discriminant validity
变量灵活性可预测性可重复性扩展性重塑性多角色性灵活0.843可预测性0.559∗∗0.821可重复性0.533∗∗0.467∗∗0.767扩展性0.428∗∗0.379∗∗0.376∗∗0.787重塑性0.416∗∗0.424∗∗0.338∗∗0.326∗∗0.785多角色性0.403∗∗0.404∗∗0.376∗∗0.497∗∗0.430∗∗0.799
注：**表示在0.01水平上显著
结合访谈文本资料和文献分析，通过分析预试问卷和正式问卷数据，得到人机任务系统运行功能标准模型的6个主要运行功能标准，分别为灵活性、可预测性、可重复性、扩展性、重塑性、多角色性，如图2所示。
图2 人机任务系统运行功能标准模型
Fig.2 Standard model of operation function of man-machine task system
人机协作运行功能标准概念模型涉及6个维度和对应的21个主范畴，因协作标准的特殊性，范畴间的关系无论在理论上还是应用中都应相互关联，而不是独立的，因而不同范畴间的关系还需进一步解释。软件系统环境处于不断变化中，OPM的一个重要特性是能在概念模型中找到静态结构与动态行为表达之间的合理平衡点，动态行为能详细描述软件系统运作过程与功能实现的机制，对静态结构进行合理补偿。本文对人机协作运行功能标准概念进行延伸和补充。智能制造人机协作运行功能是企业对员工与机器之间完成共同任务目标的具体行为，也可看作一个动态过程行为。虽然智能制造企业中不同任务单元实现人机协作的具体方式存在差别，但总体遵循“下达命令—整合信息—执行任务”的关联机制，本文构建如图3所示人机协作运行功能标准模型。OPM的高度可执行性意味着模型的动态行为实时可测、可视，且通过恰当的设计能在软件系统环境中进行运行模式的推演。其推演功能与用计算机语言编程过程中的调试器比较相近，都是从软件流程中检测系统的动态行为，从而发现错误。本文基于同一视图建立人机协作运行功能系统整体结构模型和行为模型，使用的对象过程方法中包含的链接关系有激活链接、条件链接、过程链接、结构链接、变换链接、支持链接、手段链接等几大类，每一类链接还可根据需要继续细分。
模型图中对象过程语言名词之间的链接词由OPCAT自动生成，用于说明模型中描述人机协作场景过程、场景活动功能、场景执行流程、重复实施和完成任务的要求[40]。根据OPM的时间轴基本原理，整个流程次序一般默认由过程椭圆的顶端至其底面依次进行，除非有特定指示。演示观察时按照语义强度理解过程，例如在变换链和支持连接过程中，可以按连接的优先级顺序进行，即消耗=结果>影响>主体>手段。其中，指定状态的基础连接比没有指定状态的基础连接具有更大的优先权。模型主要描述如下：首先，以共享任务和整合信息两个主要过程为依托，面对人类和机器两个对象，通过虚拟仿真界面进行人机交互合作过程。其中，达到学习性过程标准可以使机器状态从未学习变为已学习，表示链接为特定状态的变换事件链接；事务性和持续性标准的执行主体是机器，表示链接为特定状态的支持事件链接。其次，虚拟仿真界面、管理控制、环境应变能力和多角色性标准均需要人机交互合作过程。知识生产触发人机交互合作，人机交互合作影响深度态势感知，经过人机交互合作，人类状态从未分配变为已分配。重塑性标准会影响知识生产，并产生深度态势感知、管理控制、环境应变能力3个标准。最后，实时概念具有实时辅助和建议制定的属性，责任边界是实时辅助和建议制定的条件。扩展性是环境的，在有定制化、维护机制、责任边界和机器招聘的情况下，可以认为系统满足扩展性。整合信息过程中包括实时概念、实时组织、偏好服务等子过程，问题纠正和监测分析作为系统子过程的补充部分。风险干预的主体是人类。其余部分根据OPL语句对照OPD图可以自然推断各部分的内容表达。
对人机任务系统运行功能标准进行OPM建模，在建模过程中完成方案分析。确定人机任务系统运行功能统一规范的运行方案，对选定的行动方案进行分析和推演。利用OPCAT软件的演示选项，对图3所示的对象过程图(OPD)进行从上到下、从左到右的自动演示运行。人机任务系统运行功能统一规范建模是任务推演的指导基础，任务推演的主要目的是验证既定方案能否达成预期目标，或设想行动是否与实际情况相符。在领会上级命令和充分获得工作任务信息后，通过任务编辑设定行动步骤：①判断如何最大化发挥人机配合效能，同时降低操作风险和提高人体工程友好度；②预判真实工作环境中出现的各类情况和潜在应对措施；③判断在何时、何处投入任务行动力量和资源；④判断要达成行动目标和预期终止状态所需的力量和资源；⑤针对性信息收集、处理和分析需求；⑥判断行动方案的灵活性和容错性。企业通过运用该人机任务系统的OFUS，能够使管理者和团队更好地理解行动方案和方案中可能出现的问题。
图3 人机协作运行功能标准模型
Fig.3 Model of man-machine cooperative operation function standard
本研究首先通过扎根研究对获取的访谈和文献资料进行分析，发现智能制造下的人机协作运行功能标准大体包括7个方面，分别是灵活性、及时性、可预测性、可重复性、扩展性、重塑性和多角色性。其次，基于人机协作运行功能标准的内容结构，即分别以单向辅助和双向合作为核心，基于灵活性、及时性、可预测性等7个核心维度，形成24个题项的人机协作运行功能标准初始测量量表，经过预调研和正式调研，对量表进行修正和验证，剔除及时性维度，最终开发形成包括6个核心维度21个题项在内的正式量表，可为后续相关研究提供可靠的测量工具。最后，依据得到的人机协作运行功能标准概念模型，提出基于对象过程方法论的人机协作标准建模方法，该方法可以将静态和动态模型统一起来，根据几个副范畴之间的基本组成逻辑，提出可进行动态推演的整体概念模型，提供一种实现人机协作标准“设计—推演—优化”全过程的可行思路。
当前学界对人机协作标准的研究主要集中在人机任务规划技术的发展和人工智能技术的单方面改进，而对于按照何种标准进行人机协作则关注较少，更缺乏对二者协同进行管理创新的探索。智能制造的人机关系是一个动态变化过程，随着政策和技术的改变，其管理理论也会发生变化。首先，本研究基于国家智能制造政策和企业智能化转型需求，探索新要求下的智能制造人机协作运行功能标准，不仅弥补了现有人机协作管理理论的不足，还结合定性与定量分析，更加全面地发掘人机关系中的隐含内容，拓展人机协作理论的新视角。其次，本文突破了以静态为主的框架模型范式，将人机协作之间的范畴关系可视化，依照概念之间的语义关系在对象过程方法中进行合理表达，从而更好地把握维度与细分范畴之间的逻辑关系，从系统性、整体性方面丰富智能制造人机系统理论。利用该方法探索智能制造个性化的新管理模式，为人机协作管理理论提供新颖的思考方向和研究工具。
通过对智能制造人机协作工作标准内容的探究，对于人机协作关系重构后的企业人力资源管理具有以下启示：首先，管理者要关注管理模式升级，从而对经营系统有更高层面、更透彻的理解，并针对岗位要求提升相应管理技能，具备超越计算机的整体把握能力和大局思维，储备高水平的计算机技能与相关知识。其次，员工需要了解计算机系统的程序化决定步骤，要具备监控与调度计算机功能的先进技术能力，以现场操作管理人员的身份参与到由人工智能实现的作业流程中。最后，企业评估任务并预留计算机和算法程序尚未渗透领域覆盖的任务或岗位，设置专门标准，招聘符合条件的相应人员。
此外，本文研究结果还对未来人机协作标准建模具有重要借鉴意义，其模型也可应用到实际的制造企业管理案例中，为智能制造下的人机研究提供新思路，未来也可以采用其它研究方法进一步验证该模型。
[1] SPRINGER GABLER PREIS.Einführung und umsetzung von Industrie 4.0: grundlagen, vorgehensmodell und use cases aus der praxis[M]. Berlin:Springer-Verlag, 2016.
[2] EVANS P C, ANNUNZIATA M. Industrial internet: pushing the boundaries of minds and machines[R]. Boston：General Electric, 2012.
[3] 王亮.人工代理的道德责任何以可能——基于“道德问责”和“虚拟责任”的反思[J].大连理工大学学报(社会科学版),2022,43(1):113-120.
[4] 何勤,董晓雨,朱晓妹.人工智能引发劳动关系变革:系统重构与治理框架[J].中国人力资源开发,2022,39(1):134-148.
[5] 李茹,赵曙明.数字经济背景下人与环境匹配的新变化及应对策略[J].南京社会科学,2021,32(9):37-44.
[6] 宋旭光,左马华青.智能制造时代需要怎样的技能人才[J].东北大学学报(社会科学版),2022,24(1):16-24.
[7] 黄思翰,王柏村,张美迪,等.面向人本智造的新一代操作工：参考架构、使能技术与典型场景[J/OL].机械工程学报,[2022-03-11].https://kns.cnki.net/kns8/defaultresult/index.
[8] 刘大卫.人工智能背景下人力资源雇佣关系重构及社会影响分析[J].云南社会科学,2020,40(1):47-52.
[9] 王柏村,薛塬,延建林,等.以人为本的智能制造：理念、技术与应用[J].中国工程科学,2020,22(4):139-146.
[10] 许为,葛列众,高在峰.人～AI交互:实现“以人为中心AI”理念的跨学科新领域[J].智能系统学报,2021,16(4):605-621.
[11] 周世军,赵丹丹.人工智能重塑就业的未来趋势、特征及对策[J].经济体制改革,2022,40(1):188-194.
[12] 胡晟明,王林辉,赵贺.人工智能应用、人机协作与劳动生产率[J].中国人口科学,2021,35(5):48-62,127.
[13] 朱晓妹,王森,何勤.人工智能嵌入视域下岗位技能要求对员工工作旺盛感的影响研究[J].外国经济与管理,2021,43(11):15-25.
[14] 张劲松,武红阵.人工智能嵌入人类生活的风险及其防控[J].苏州大学学报(哲学社会科学版),2021,42(5):26-33.
[15] 程承坪.人工智能：工具或主体——兼论人工智能奇点[J].上海师范大学学报(哲学社会科学版),2021,50(6):5-12.
[16] PÉREZ L, RODR
GUEZ-JIMÉNEZ S, RODRGUEZ N, et al. Symbiotic human-robot collaborative approach for increased productivity and enhanced safety in the aerospace manufacturing industry[J]. The International Journal of Advanced Manufacturing Technology, 2020, 106(3): 851-863.
[17] ROMERO D, STAHRE J, WUEST T, et al. Towards an operator 4.0 typology: a human-centric perspective on the fourth industrial revolution technologies[C]//Proceedings of the International Conference on Computers and Industrial Engineering (CIE46).Tianjin, China，2016: 29-31.
[18] ROMERO D，BERNUS P，NORAN O，et al. The operator 4.0：human cyber-physical systems & adaptive automation towards human-automationsymbiosis work systems[C]// IFIP International Conference on Advances in Production Management Systems. Cham:Springer，2016：677-686.
[19] JIN M. Data-efficient analytics for optimal human-cyber-physical systems[D].Berkeley:University of California,2017.
[20] LV Q, ZHANG R, SUN X, et al. A digital twin-driven human-robot collaborative assembly approach in the wake of COVID-19[J]. Journal of Manufacturing Systems, 2021, 60: 837-851.
[21] MCCAFFREY T,SPECTOR L.An approach to human-machine collaboration in innovation[J]. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 2018, 32(1):1-15.
[22] 李慧,李贵卿.人工智能时代人机协作工作模型构建研究[J].现代管理,2020,10(3):360-367.
[23] YILMA B A,PANETTO H, NAUDET Y.A meta-model of cyber-physical-social system: the cpss paradigm to support human-machine collaboration in industry 4.0[C]//Working Conference on Virtual Enterprises.Cham:Springer, 2019: 11-20.
[24] HAESEVOETS TESSA, DE CREMER DAVID,DIERCKX KIM,et al.Human-machine collaboration in managerial decision making[J].Computers in Human Behavior,2021,119:106730.
[25] ZANCHETTIN A M,CASALINO A,PIRODDI L,et al. Prediction of human activity patterns for human-robot collaborative assembly tasks[J]. IEEE Transactions on Industrial Informatics, 2018, 15(7): 3934-3942.
[26] MICHALOS G, MAKRIS S,SPILIOTOPOULOS J, et al. ROBO-PARTNER: seamless human-robot cooperation for intelligent, flexible and safe operations in the assembly factories of the future[J]. Procedia CIRP, 2014, 23:71-76.
[27] TAKATA S,HIRANO T.Human and robot allocation method for hybrid assembly systems[J].CIRP Annals, 2011,60(1):9-12.
[28] TSAROUCHI P, MICHALOS G, MAKRIS S, et al. On a human-robot workplace design and task allocation system[J]. International Journal of Computer Integrated Manufacturing, 2017, 30(12): 1272-1279.
[29] REIMANN J, SZIEBIG G.The intelligent factory space:a concept for observing, learning and communicating in the digitalized factory[J]. IEEE Access, 2019, 7:70891-70900.
[30] 董豪,杨静,李少波,等.基于深度强化学习的机器人运动控制研究进展[J].控制与决策,2022,37(2):278-292.
[31] WANG J, CAO J, STOJMENOVIC M, et al. Pattern-rl: multi-robot cooperative pattern formation via deep reinforcement learning[C]//2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA). IEEE, 2019: 210-215.
[32] CHUNG J. Playing atari with deep reinforcement learning[J]. Comput. Ence, 2013, 21: 351-362.
[33] MOUSSA M A. Combining expert neural networks using reinforcement feedback for learning primitive grasping behavior[J]. IEEE Transactions on Neural Networks,2004, 15(3): 629-638.
[34] LENAT D B, BROWN J S. Why AM and EURISKO appear to work[J]. Artificial Intelligence, 1984, 23(3): 269-294.
[35] RITCHIE G D, HANNA F K. AM: a case study in AI methodology[J]. Artificial Intelligence, 1984, 23(3): 249-268.
[36] MCCAFFREY T. Innovation relies on the obscure: a key to overcoming the classic problem of functional fixedness[J]. Psychological Science, 2012, 23(3): 215-218.
[37] DING N, FANG Z, DUAN L, et al. Incentive mechanism design for distributed coded machine learning[C]//2021-IEEE Conference on Computer Communications. IEEE,2021: 1-10.
[38] TEIXEIRA J V S, REIS A M, MENDES F B, et al. Collaborative robots[M]//Occupational and Environmental Safety and Health. Cham:Springer, 2019: 791-796.
[39] JULIET CORBIN,ANSELM STRAUSS. Basics of qualitative research: techniques and procedures for developing grounded theory[M]. Sage Publications, Inc, 2007.
[40] MORDECAI Y, DORI D. Model-based operational-functional unified specification for mission systems[C]//2016 Annual IEEE Systems Conference (SysCon). IEEE, 2016: 1-8.