摘要

壓力起源于個人與周圍環境之間的交流，以及前者對后者的刺激的反應。環境刺激與應對能力之間失去平衡，就會產生非適應性反應，威脅到復原力，并可能損害心理健康的維持。

在正常的生理條件下，急性壓力刺激會觸發導致皮質醇釋放的機制，通常被稱為 "壓力荷爾蒙"。在適當的條件和足夠的濃度下，這種荷爾蒙對個人有功能和保護作用，并成為讓某人面對警報或危險情況的核心。它還在調節與神經元趨向性相關的神經化學機制和更廣泛的神經元可塑性方面發揮著關鍵的生理作用。如果皮質醇水平過高，其釋放持續時間過長，其影響可能是有害于認知的。

在服役和執行任務期間，受雇的軍事人員暴露在關鍵事件中，其心理情感價值與創傷的發病機制相關。創傷的影響打破了主體的活動，降低了適應策略的效率和效果。

在軍事領域，人們一直特別關注提高人員心理復原力的技術。事實上，為了幫助軍事人員管理壓力，已經制定了專門的指導方針和有效的預防和培訓計劃（部署前和部署后）。作為一個例子，想想壓力接種訓練和復原力訓練的技術，這是壓力管理培訓計劃的一部分。

為了使這些技術更加有效，虛擬現實 "VR "技術被廣泛使用，它在高度互動、生態有效和情感參與的氛圍中提供了一個多感官的信號表現。

由于VR在部署前的沉浸性，人們在整個漸進的多步驟脫敏技術中被引導在緊張的情況下行動。這使得人們可以提前學習在情緒-生理、行為和程序層面上掌握現實的必要過程。

在部署后階段，如果創傷性事件或高度緊張的情況對卓越的認知能力產生了負面影響，恢復這些功能就變得至關重要。

為此目的而創造的虛擬技術的一個例子是大腦-虛擬認知康復，一個VR系統分為三個模塊，每個認知領域都有一個模塊。

它是各種治療途徑的附加工具，能夠結合創新和吸引力，并能夠減少在純軍事背景下工作的人員和所謂的 "數字一代"的恥辱感。

對VR進行的各種研究的結果突出了沉浸感是其主要特征。對大腦進行的研究使用了39人的樣本，證實了這一特點。事實上，接受測試的人呈現出與暴露在真實環境中的受試者相同的情感參與和心理物理激活。因此，在整個軍事行動周期內使用這項技術來治療干擾認知表現的疾病的好處可以很容易地推斷出來。

關鍵詞：壓力，虛擬現實，軍事，腦膜。

摘要:社會性量化的需要

在2020年新冠肺炎大流行之后，制定新方法和應對戰略以保持世界各地社區的社會凝聚力和心理復原力顯然成為一個優先事項。我們稱這種社會認知行為為“社會性”。社交是我們作為個人和更廣泛群體的一部分有效發揮作用的能力，盡管外部限制在關鍵環境中變得更有意義，如軍事干預，非軍事行動，如緊急反應，ICU衛生操作員，空乘和深空探索。諸如Social XR[1]等數字技術的獨特功能為滿足這些需求提供了機會，并部署可擴展和靈活的解決方案，以促進內部團隊的穩定性和更好的運營性能。

在軍事和非軍事環境中，設計和部署精神上和社會上可持續的行動的先決條件是選擇具有彈性的個人，并為他們提供一個合作框架，確保平衡的關系和高質量的人際溝通。社會凝聚力是計劃行動成功的一個重要因素，及時監測、檢測和預測其有效性的能力對于管理潛在的行為異常是有意義的。對目標團隊內部發生的群體動態的研究，以及任務控制，可以提供關鍵的和早期的線索，鼓勵建設性的交流，阻止關鍵的關系模式[3]。

本項目重點介紹一種技術支持的群體動態方法，能夠遠程和自主地捕捉人類互動的復雜性，并返回對預防和管理個人和群體行為異常有用的可操作的見解[4]。群體互動的復雜性需要一系列的人類主題專業知識(SME)來觀察、評估、測量、評估、預測、預防和應用必要的對策[5]。在現實世界中，讓這個龐大的從業人員團隊隨叫隨到或在現場對任務團隊進行持續監測是不切實際的。技術支持系統，如本文所述，將提高過程提供遠程操作軟件為基礎的工具，以幫助專家評估和自我效能，以維持社會凝聚力。一個自動化的、遠程操作的嵌入式系統將提供持續的測量和評估，以識別微妙和微妙的社會脆弱性指標。這將節省時間和資源，提供不引人注目的預防措施，以提高團隊業績，減少風險和增加任務成功的可能性。

該研究框架基于對隔離高危人群進行的初步研究。諸如AR頭戴式顯示器(HMD)等技術接口已被用于在人際群體互動中收集第一人稱視角，然后根據所得數據對量化的見解進行人類專業評估(圖1)。機器學習算法已被應用于人類觀察和感知計算，以驗證參與技術并計劃最佳對策[6]。由此產生的人機交互模型表明，有機會開發一個適合隨時隨地執行的非本地化和異步社會支持系統，由于系統自主性的增長，人類評估的時間預計會減少。

摘要

解釋團隊表現的基本因素仍然是一個激烈的研究課題。在成功的團隊合作中，信息必須被快速有效地傳遞，而解決方案必須通過一個被稱為團隊認知的過程利用團隊的集體知識。加強團隊合作不僅提供了提高生產力、安全性和滿意度的手段，而且在高壓/高風險情況下需要快速和戰略反應時，也變得非常必要。越來越多地，電子競技中的合作已經成為動態快節奏的團隊工作過程和更普遍的團隊認知的代表模式。特別是在競爭激烈的團隊電競中，團隊快速協調和參與戰略決策的能力可以轉化為巨大的優勢，使團隊能夠超越對手，即使在其他技能水平可能是平等的。盡管對團隊合作的機制進行了幾十年的研究，但直到最近，非侵入性神經影像學才為研究多個個體參與現實的團隊合作場景提供了可利用的方法。在本文中，我們調查了成功的團隊表現的基本因素，以及電子競技游戲為研究這些因素提供靈活背景的方式。接下來，我們介紹了參與人際互動和協作的神經生理機制，以及測量人際神經同步性及其與團隊認知的相關性的方法。最后，我們介紹了一個正在進行的團隊認知研究中的超掃描協議，并討論了基于團隊的神經影像學方法在現實世界中的應用前景。

關鍵詞：神經工程學、功能性近紅外光譜（fNIRS）、皮膚電活動（EDA）、超掃描、人際同步性、團隊工作、協作

引言

雖然一個人可能擁有很大程度的角色靈活性，并能獨自完成各種不同的任務，但與其他人一起工作能夠完成明顯更復雜的項目，并取得本來無法實現的結果。團隊合作不僅在較高的復雜情況下是必要的，而且在必須快速、平行和響應地處理信息的情況下也是至關重要的[1]。這種情況在高壓力的職業中經常遇到，比如緊急醫療服務、第一反應者和軍事行動[2]-[4]。由于在快速戰略反應中失敗的代價往往非常高，團隊表現的機制往往被置于顯微鏡下，以便找出成功合作的基本要素。從這一研究思路來看，團隊績效的幾個關鍵因素已經被描述出來，包括認知風格、個性、經驗、信任和領導角色的影響[5]-[7]。然而，這些研究大多集中在行為和定性評價上，對于大腦如何在快節奏和動態環境中促進成功的合作，人們了解得相對較少。

近年來，神經影像學模式的進步使科學家們能夠在個人從事認知任務時同時監測他們的神經生理活動，這一過程被稱為 "超掃描"[8]。這種方法使社會神經科學得到了飛躍式的發展，并使基于大腦的方法能夠研究團隊功能和認知[9]。同時，基于團隊的 "電子競技 "或電競已經從一個相對邊緣的愛好變成了一個價值數百萬美元的產業，擁有龐大的獎金池、觀眾追隨者，甚至是專門建造的競技場[10]。由于電競的競爭性質及其對有效溝通和協作的嚴重依賴，研究人員被授予一個窗口，以了解在這些虛擬環境中重新創建的良好的團隊合作機制[11]。此外，電競在公眾中越來越受歡迎，在普通人群中創造了高度不同的技能范圍，使研究人員能夠研究團隊如何在不同的經驗水平、團隊組成、工作環境和其他因素中運作。最后，電競作為一種團隊合作的模式，也許從來沒有像現在這樣，在經濟變化的推動下，繼續向遠程工作發展，但由于COVID19大流行[12], [13]而大大加快了。在這項工作中，我們介紹了通過當前團隊認知背后的神經生物學理論引入的關鍵概念，電子競技如何作為團隊認知的原型模型發揮作用，量化神經同步的方法，以及這些技術在未來神經工程學背景下的最終應用。

摘要

在航空航天和機器人手術等領域，復雜的高精度人機系統的效率和安全性與操作員的認知準備、管理工作量的能力和態勢感知密切相關。對心理工作量的準確評估有助于防止操作失誤，并通過預測工作負荷過重或刺激不足可能導致的業績下降，從而進行針對性的干預。基于人體和大腦活動測量的神經工效學方法可以為復雜訓練和工作環境下的人類心理工作量提供敏感和可靠的評估。本文概述了可穿戴腦和身體成像方法通過神經/生理信號評估心理工作量的潛力，并提供了一種利用多模態生物傳感器對多領域認知任務中的工作量進行比較評估的研究設計。這種綜合的神經工效學評估利用神經成像和生理監測，可以為開發下一代神經適應接口和更有效的人機交互和操作技能獲取的訓練方法提供信息。

關鍵詞:認知工作量，fNIRS，腦電圖，眼動跟蹤，神經工效學，移動腦/體成像

引言

人類在任何類型的目標或任務上的表現都與熟練完成這些目標或任務所需的認知工作量有關。每個人都有自己獨特的認知模式，在執行某些類型的任務時更有效率。通過有針對性的培訓，可以在更短的時間內提高操作人員的能力，提高工作效率。

心理負荷在許多復雜的指揮控制系統中起著至關重要的作用。在航空航天和機器人手術等領域，復雜的高精度人機系統的效率和安全性與操作員的認知準備、管理工作量的能力和態勢感知密切相關。主觀操作員報告、生理和行為測量不足以可靠地監測可能導致不良結果的認知負荷。心理負荷這個概念反映了大腦為滿足任務需求而努力工作的程度，它的一個關鍵特征是，它可以與行為表現數據分離。經驗豐富的操作員可以通過增加努力、激勵或改變策略，在較長一段時間內保持所需的性能水平，即使面臨更多的任務挑戰。然而，持續的任務需求最終會導致績效下降，除非心理工作量的上升趨勢可以用來預測隨后的績效崩潰。因此，重要的是在訓練和行動任務期間評估獨立于業績衡量的精神工作量。基于人體和大腦活動測量的神經工效學方法可以為復雜訓練和工作環境下的人類心理工作量[2]提供敏感和可靠的評估。

在軍事行動的背景下，評估和衡量操作員的認知工作量尤其重要，因為在軍事行動中，性能故障可能會導致災難性的損失。對心理工作量的準確評估有助于防止操作失誤，并通過預測工作負荷過重或刺激不足可能導致的業績下降，從而進行針對性的干預。

摘要

目前戰斗機飛行員的訓練幾乎無一例外地是按固定的小時數和特定的時間安排設計的。基于績效的訓練是一種旨在優化訓練的概念，最好是個性化的方式。它是關于事先防止訓練/表現差距，而不是事后解決它們。有效的個性化學習假設所提供的學習任務具有最佳難度水平。為此，本文提出了一種基于多種認知負荷指標的飛行員認知負荷實時分類優化負荷模型。該研究旨在測試腦電圖(更具體地說，是個人的上波段功率和θ波段功率)，作為戰斗機駕駛艙環境中該模型的認知負荷指標之一。共有4人參加，他們都是前F-16飛行員。每個參與者都進行了三次多次跑步。第一次測試(記憶測試)的認知負荷預計會比最后一次測試(性能測試)的認知負荷更高。與記憶測試相比，表現測試中的表現和主觀工作量分別更高和更低，而認知負荷指標顯示兩種測試之間的混合結果，這可以歸因于個體間和個體內的高差異。

關鍵詞:績效訓練，認知負荷，腦電圖，戰斗機駕駛艙模擬器，保持間隔，戰術攔截

引言

目前，戰斗機飛行員的訓練幾乎無一例外都是在特定的時間內進行固定小時的資格訓練和年度訓練。一般來說，偏離項目與組織要求有關，較少與個體飛行員的要求有關。基于績效的培訓是一個培訓概念，旨在優化培訓，最好是以個性化的方式，以便在正確的時間和正確的資源提供相關的培訓活動。它是關于防止訓練/表現差距，而不是事后解決它們，可以用于目標的最高個人標準，而不是確保最低標準。基于性能的培訓需要先進的技術來測量和記錄飛行員和系統的性能和行為。它還需要先進的分析技術。由于各種各樣的原因，這兩種技術在實踐中很少使用。它們需要組織中缺乏的專業知識，它們需要時間來使用，它們可能會影響任務的執行(它們是“侵入性的”)。我們預計，隨著技術的進步，這些限制將在未來十年消失。

在尋找最佳學習條件的過程中，教育科學研究者提出了個性化學習的概念。與個性化醫學的成功發展類似，個性化學習旨在識別學習中個體差異的遺傳、神經和行為預測因子，并旨在使用預測因子幫助創建最佳教學范式[1]。有效的個性化學習至少假定所提供的學習任務具有最佳的難度水平。最佳任務難度與表現和認知負荷的平衡有關(“認知負荷理論”)。在學習的過程中，需要適當的任務難度來保持平衡。次優的任務難度會導致無效的訓練，例如，向專家提供適合新手的訓練，已經發現會對他們的學習進度產生負面影響。通過提高積極性可以更快地達到平衡。這些發現與Vygotsky的兒童最近發展區(Zone of Proximal Development for children)[5]和游戲設計[7]中應用的流概念Csíkszentmihályi[6]相一致:焦慮和無聊之間的“流通道”(見圖1)。后一個概念強調了任務難度在挑戰性和簡單性活動之間波動的帶寬的重要性，同時避免極端沮喪或無聊的狀態。這種進步可能不僅對游戲有刺激作用，而且對任何類型的活動都有刺激作用，包括Kiili[8]所顯示的學習。

摘要

認知-運動干擾指的是當認知任務和身體任務同時執行時(雙任務)與單獨執行時(單任務)相比，認知或身體表現的下降。本研究旨在探討兩種認知運動干擾測驗在軍事環境下的效度和測驗靜息信度。24名士兵、軍官和學員參加了四次實驗訪問(測試:訪問1和訪問2;在第1次和第3次來訪時，他們進行了10分鐘負重行走、10分鐘精神運動警戒任務(PVT)以及兩項任務的合并(雙任務1);5分鐘的測試，5分鐘的單詞回憶任務，以及在Visit 2和Visit 4同時進行的兩項任務(雙任務2)。在訪視1和3時測量步長、步頻、反應時間和失誤數;在來訪2和4時測量跑步距離和回憶單詞數量。與單任務條件相比，雙任務條件下負重行走的步長更短(t(21) = -0.721, p < 0.001)，步頻更高(Z = -3.523, p < 0.001)。pvt的平均反應時間(t(21) = 0.856, p = 0.402)和失憶次數(Z = -0.721, p = 0.479)均無顯著性差異，跑步距離(t(21) = 5.600, p < 0.001)和記憶單詞數(t(21) = 3.227均有顯著性差異。P = 0.004)。在單任務和雙任務條件下，所有認知和物理變量的信度均表現為良好到優秀，但失誤次數在兩種條件下均表現為低信度。總之，本研究結果表明，跑步+單詞回憶任務測試是一種有效、可靠的雙任務測試，可用于評估軍事環境下的認知運動干擾。進一步提高Marching + PVT試驗的效度和信度仍需進一步研究。

介紹

認知-運動干擾是指當認知任務和身體任務同時執行時(雙任務)與單獨執行時(單任務)相比，認知表現和/或身體表現的下降[1]。大量研究調查了行走時的認知-運動干擾，顯示在雙任務條件下，步態表現明顯受損[2]和更高的認知負荷[3]。然而，對其他體力活動的研究較少，如跑步[4-7]、游泳和爬山。在軍事環境中，同時執行一項以上任務的能力(即多任務處理能力)是至關重要的。然而，由于多任務比單一任務帶來的更高的工作量，錯誤和其他性能損害往往是不可避免的，即使是最專業的人。

不同的策略被提出來提高軍事人員[10]的多任務性能。然而，多任務性能的客觀評估在軍事環境中并不常用。一組康復科學家通過開發軍事多任務性能評估(AMMP)進行了嘗試。AMMP是一個臨床雙任務和多任務的電池，旨在評估受輕度創傷性腦損傷[12]影響的軍事人群的重返任務需求。一些研究也對腦震蕩和輕度創傷性腦損傷后的認知干擾對步態穩定性的影響進行了研究[13-15]，最近，一個旨在評估體力工作時的精神工作量的多模態數據庫[16]被描述。然而，在健康士兵和其他軍事人員中開發有效和可靠的認知運動干擾測試還需要更多的工作。在此，我們描述了一項研究，旨在調查兩項認知運動干擾測試的效度和測試重測信度的士兵，軍官和學員無腦損傷。

摘要

在軍事航空人為因素部門，軍事飛行員的情緒壓力是我們感興趣的領域之一。在過去的十年中，我們的興趣集中在以下領域：

a) 測試了高信息負荷對空軍超音速戰斗機飛行員在模擬戰斗任務中的戰術決策所造成的情緒壓力。實驗測試是在飛行員戰術模擬器上進行的，模擬兩個飛行員小組（每方四名飛行員）之間的空戰。在整個任務過程中，飛行員的生理活動被監測。據分析，當飛行員做出錯誤的戰術決定時，是檢測到情緒壓力的時刻。

b) 驗證了提高空軍超音速戰斗機飛行員對 "戰斗準備 "級別的高信息負荷造成的心理壓力的容忍度的可能性。在兩個飛行員小組（每一方的飛行員）之間的模擬空戰中，再次在飛行員戰術模擬器上進行了實驗測試。每個飛行員在幾次實驗測量中都被測試，并分析了他在個別測量中的生理反應趨勢。我們工作的目的是監測飛行員在高要求任務中的情況，評估他們的生理抵抗水平。

c) 測試了提高空軍亞音速戰斗機在 "戰斗準備 "級別上對因訓練不足而產生的高信息負荷的耐受性的可能性。在模擬兩架亞音速戰斗機攻擊地面目標的過程中，在飛行員模擬器上進行了實驗性測試。為我們的實驗測量準備了特殊的任務場景，在這些場景中，飛行員還沒有得到充分的訓練。每個飛行員都在幾次實驗測量中接受了測試，并分析了他在個別測量中的生理反應趨勢。這些場景不盡相同，但難度相似。飛行員在解決這些情況時的監測和評估他們的容忍度是我們工作的目的。

在上述測試中，身體有機體的生理激活水平是通過生理值來確定的，具體是通過心率分析、語音記錄分析和眼球追蹤分析。

在上述領域解決的項目的結果集中在優化個人訓練上。

關鍵詞：飛行員的情緒壓力，戰術決策，對情緒壓力的容忍度

摘要

成功完成地下作業需要高度專業化的能力和由最新工具輔助的準確規劃。奧地利軍事學院的NIKE研究小組旨在為這些非常特殊的作戰環境提供決策、規劃和培訓。3D模型、平面圖、地圖或激光掃描等異構數據源的快速數據集成和可視化，以及從地下結構內部的傳感器和攝像頭收集的操作員信息，提供了虛擬進入通常看不見的裝置的可能性。BORIS（基于瀏覽器的空間定向）初始HTML模型、地下作業任務工具 (SOMT) 或快速隧道建模工具 (FTMT) 等專用工具通過創建虛擬的地下任務區域來提高快速可視化。在擴展現實 (XR) 應用程序中，改進的空間理解顯著改善了決策，并支持同步任務規劃和執行。由于地下服務結構的運營商和行動部隊之間的密切合作和信息交流是成功的先決條件，所有相關因素和行動者的整合將大大增加全面合作。該項目通過在真正全面的通用作戰圖中顯示相關信息來增強通用視角，從而實現更準確和精確的行動，減少自身損失和附帶損害。

摘要

由于軍事戰場日益復雜，國防部門正在尋找最先進的解決方案，為操作人員提供工具，以實現比對手更快和更有效的決策過程。這些工具通常被稱為決策支持系統（DSS），在過去幾十年里一直在使用。人工智能技術通常被應用在決策支持系統中，以確保與個人行為相比，錯誤率更低，決策更快。在決策支持系統中，這種實現的有效性在很大程度上取決于操作者對人工智能提供的建議的理解能力，以及由此產生的信任。可解釋的人工智能（XAI）允許用戶通過在DSS的用戶界面（UI）中可視化的過程來了解系統是如何得出關于某個決策的建議的。然而，這也帶來了一個固有的問題，即：在用戶超載、降低操作者的決策性能之前，應該向用戶展示多少過程？

在這項研究中，一個人工智能驅動的應用程序已經被開發出來，它可以幫助操作員規劃一個軍用直升機任務。在這個場景中，操作者需要為直升機上的士兵找到兩個合適的著陸區域(LZs)，以便接近一個小城市地區的恐怖分子營地。DSS支持選擇合適的降落區域的過程，考慮到各個方面，例如到目標區域的距離、光斑大小、表面類型和坡度。為了評估達到信任和任務績效的最佳水平需要多少透明度，我們定義了四個可解釋性級別，每個級別都增加了信息透明度和控制級別。對于這四個關卡中的每一個，都需要在測試階段設計、開發和評估獨特的ui。結果表明，第三和第四UI設計的性能有所提高(決策制定的時間更少，LZ決策的正確百分比更高，提交的LZ反映了良好的人機交互，感知和實際得分之間的偏差較低)，這比前兩層提供了更多的信息和更多的互動可能性。結果還表明，用戶更喜歡個性化他們的UI，以滿足他們的角色、體驗水平和個人偏好。

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射