發(fā)布時(shí)間:2025-09-09 來源:烽火四起網(wǎng)作者:圣迭戈卡卡
長期以來,瓦斯?jié)舛瘸奘菍?dǎo)致煤礦發(fā)生爆炸和其他突出事故的主要原因。作為全球最大的煤炭生產(chǎn)國,中國一直以來都十分重視煤礦安全。數(shù)據(jù)顯示,中國煤礦瓦斯事故已從 2005 年的 414 起(死亡 2171 人)降至 2021 年的 7 起(死亡 30 人),但為了實(shí)現(xiàn)零事故零死亡,安全預(yù)警系統(tǒng)仍需進(jìn)一步完善。雖然大多數(shù)煤礦已部署瓦斯監(jiān)測系統(tǒng),但這些系統(tǒng)主要關(guān)注實(shí)時(shí)監(jiān)測數(shù)據(jù)是否超過閾值限制值(TLV, Threshold Limit Value),缺乏對多種監(jiān)測數(shù)據(jù)間潛在關(guān)聯(lián)的挖掘和分析。
為了解決這一問題,一個(gè)由澳大利亞悉尼科技大學(xué) (University of Technology Sydney) 羅伯特·吳博士(Dr.Robert M.X. Wu)和 魯海燕教授 (Associate Professor Haiyan(Helen) Lu) 領(lǐng)導(dǎo)的跨國研究團(tuán)隊(duì)歷經(jīng)數(shù)年攻關(guān),成功在數(shù)據(jù)分析、可視化及預(yù)警系統(tǒng)領(lǐng)域取得了一系列重大突破。針對煤礦瓦斯防治的實(shí)際需求,他們開發(fā)了包括“氣泡壁圖”可視化工具、“三聯(lián)相關(guān)分析”理論框架以及一套完整的瓦斯預(yù)警系統(tǒng),為煤礦安全生產(chǎn)提供了一套新的解決方案。
圖丨 Robert M.X. Wu(來源:University of Technology Sydney)
圖丨 Hai Yan(Hellen)Lu(來源:University of Technology Sy)
這一系列研究源自 2017 年某世界 500 強(qiáng)企業(yè)委托的重大技術(shù)攻關(guān)項(xiàng)目——礦井瓦斯防治大數(shù)據(jù)預(yù)警及可視化交互系統(tǒng)。該項(xiàng)目旨在解決礦井瓦斯防治面臨的三大關(guān)鍵挑戰(zhàn):缺乏高質(zhì)量的歷史數(shù)據(jù)(特別是瓦斯超限數(shù)據(jù))、基于機(jī)器學(xué)習(xí)的預(yù)測結(jié)果難以準(zhǔn)確解釋、以及提高模型效率所需的高昂硬件成本。
面對這些挑戰(zhàn),該課題組并未局限于對現(xiàn)有機(jī)器學(xué)習(xí)算法進(jìn)行修補(bǔ)或優(yōu)化,而是從更基礎(chǔ)的層面出發(fā),探索出了一系列理論思路、可視化工具和系統(tǒng)性方法論。
數(shù)據(jù)重塑:氣泡壁圖與三聯(lián)相關(guān)理論
首先是數(shù)據(jù)可視化方面的創(chuàng)新。在實(shí)時(shí)監(jiān)控預(yù)警系統(tǒng)中,如何將復(fù)雜、動態(tài)、多維度的數(shù)據(jù)以直觀、易懂的方式呈現(xiàn)給操作人員和決策者,是至關(guān)重要的環(huán)節(jié)。傳統(tǒng)的可視化方法,如折線圖(Line Charts)、平行坐標(biāo)圖(Parallel Coordinates Plot)、散點(diǎn)圖(Scatter Plots)、樹狀圖(TreeMap)等,雖然各有優(yōu)勢,但在處理實(shí)時(shí)流數(shù)據(jù)、尤其是需要同時(shí)展現(xiàn)多個(gè)系統(tǒng)、多個(gè)維度信息的動態(tài)變化時(shí),往往顯得力不從心。針對這一痛點(diǎn),研究團(tuán)隊(duì)在 2021 年澳大利亞信息系統(tǒng)會議(ACIS,Australasian Conference on Information Systems)上首次提出了一種名為“氣泡壁圖”(Bubble-Wall Plot)的新型數(shù)據(jù)可視化工具。
近日,這項(xiàng)成果的擴(kuò)展研究也于 2025 年 7 月 1 日發(fā)表在PLoS ONE(h-index 467 SJR Q1 期刊,)。第一作者和通訊作者為羅伯特·吳博士(Dr.Robert M.X. Wu),魯海燕教授 (Associate Professor Haiyan(Helen) Lu 為合作作者之一,第一作者和通訊作者單位是澳大利亞悉尼科技大學(xué)工程與計(jì)算機(jī)技術(shù)學(xué)院。相關(guān)論文題目為《氣泡壁圖作為一種動態(tài)分析處理可視化工具,用于開發(fā)視覺預(yù)警系統(tǒng):一個(gè)案例研究》(Bubble-Wall Plot as a Dynamic Analytical Processing Visualization tool for developing Visual Warning Systems: a case study)。
(來源:資料圖)
(來源:資料圖)
“氣泡壁圖”(Bubble-Wall Plot)采用單一維度設(shè)計(jì)理念,包含一個(gè)氣泡和兩條水平線的極簡結(jié)構(gòu)。在這一設(shè)計(jì)中,氣泡代表狀態(tài),上線表示上限值(ULV, Upper Limit Value),下線表示下限值(LLV, Lower Limit Value),實(shí)時(shí)值在這兩條線之間變動。當(dāng)實(shí)時(shí)值超過上限值或低于下限值時(shí),氣泡顏色會從藍(lán)色變?yōu)辄S色,直觀地表示異常狀態(tài)。
圖丨氣泡壁圖的圖示(來源:ACIS 2021 Proceedings)
氣泡壁圖基于 Bertin 的制圖符號化原理,遵循“保持最簡策略”(KISS, Keep It Simple Strategy)和“保持最小策略”(Keep It the Smallest Strategy),實(shí)現(xiàn)了復(fù)雜數(shù)據(jù)的簡化表達(dá)。該課題組通過對 25 種可視化方法的分析,發(fā)現(xiàn)氣泡壁圖在異常識別方面具有顯著優(yōu)勢。與傳統(tǒng)可視化方法相比,氣泡壁圖具有三個(gè)關(guān)鍵特性:符號簡單性(相比散點(diǎn)圖和折線圖更簡潔)、維度簡化(僅使用一個(gè)維度而非多維)和異常直觀性(通過顏色變化立即識別異常)。
審稿人評價(jià)稱:“它的主要優(yōu)勢之一是它專注于實(shí)時(shí)流數(shù)據(jù)而不是靜態(tài)數(shù)據(jù),使其非常適合實(shí)時(shí)監(jiān)控場景。此外,該工具設(shè)計(jì)為用戶友好型,允許技能水平較低和經(jīng)驗(yàn)不足的用戶無需大量培訓(xùn)即可輕松解釋復(fù)雜數(shù)據(jù)。”該工具于 2021 年 5 月在案例研究礦部署用戶驗(yàn)收測試,并被成功應(yīng)用于實(shí)時(shí)預(yù)警系統(tǒng)開發(fā)。
在建立了高效直觀的可視化工具后,研究人員接著深入探究了預(yù)警信號產(chǎn)生的根本依據(jù)。他們質(zhì)疑了傳統(tǒng)預(yù)警過度依賴外部地質(zhì)因素分析或僅僅追求復(fù)雜模型預(yù)測精度的做法,轉(zhuǎn)而提出一種新的理論思路——“閉環(huán)系統(tǒng)下非相關(guān)因素的內(nèi)隱關(guān)聯(lián)要素相關(guān)性”(Implicit Correlation of Unrelated Factors in a Closed-Loop System)。他們認(rèn)為,在一個(gè)相對封閉的監(jiān)測系統(tǒng)內(nèi)部,各監(jiān)測參數(shù)的變化即使沒有直接的物理或化學(xué)聯(lián)系,也可能因共同受到系統(tǒng)整體運(yùn)行狀態(tài)的影響而呈現(xiàn)出有價(jià)值的統(tǒng)計(jì)相關(guān)性。
基于這一“向內(nèi)求索”的思路,該團(tuán)隊(duì)在開發(fā)“創(chuàng)新綜合瓦斯預(yù)警系統(tǒng)”的過程中,并沒有將重心完全放在應(yīng)用復(fù)雜的機(jī)器學(xué)習(xí)模型來直接預(yù)測瓦斯?jié)舛?,而是采用了相關(guān)性研究的方法,深入挖掘瓦斯監(jiān)測系統(tǒng)內(nèi)部各監(jiān)測參數(shù)之間的潛在關(guān)系。具體而言,他們著重分析了三種類型的相關(guān)性,構(gòu)成了所謂的“三聯(lián)相關(guān)分析”理論框架。
這三種相關(guān)性分別是:不同監(jiān)測點(diǎn)或時(shí)間點(diǎn)的瓦斯?jié)舛戎g的“瓦斯與瓦斯”(Gas and Gas)相關(guān)性,這有助于理解瓦斯在礦井環(huán)境中的擴(kuò)散規(guī)律;瓦斯?jié)舛扰c相應(yīng)監(jiān)測點(diǎn)溫度之間的“瓦斯與溫度”(Gas and Temperature)相關(guān)性,揭示了溫度變化可能對瓦斯逸出或相關(guān)化學(xué)反應(yīng)的影響;以及瓦斯?jié)舛扰c相應(yīng)測點(diǎn)風(fēng)速或風(fēng)量之間的“瓦斯與風(fēng)速”(Gas and Wind)相關(guān)性,反映了通風(fēng)條件對瓦斯稀釋的關(guān)鍵作用。
圖丨三重相關(guān)分析理論框架(來源:Scientific Reports)
這些相關(guān)性分析結(jié)果為預(yù)警系統(tǒng)提供了重要的理論基礎(chǔ),實(shí)現(xiàn)了從單一因素監(jiān)測向多因素關(guān)聯(lián)預(yù)警的轉(zhuǎn)變。實(shí)際應(yīng)用表明,該框架能夠在危險(xiǎn)濃度達(dá)到閾值前 10-15 分鐘識別潛在風(fēng)險(xiǎn),大大提高了預(yù)警時(shí)間窗口。
為驗(yàn)證三聯(lián)相關(guān)分析理論框架的可靠性,團(tuán)隊(duì)開發(fā)了“FSV 分析方法”(First-round-Second-round-Verification round analysis approach,首輪-次輪-驗(yàn)證輪分析方法)。這一方法包含五個(gè)嚴(yán)格的技術(shù)步驟:數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、兩輪數(shù)據(jù)分析、驗(yàn)證分析以及相關(guān)性分析。
在數(shù)據(jù)獲取階段,研究人員從案例研究礦采集數(shù)據(jù),包括瓦斯、溫度、風(fēng)速和粉塵傳感器數(shù)據(jù),采樣間隔為 15 秒。數(shù)據(jù)預(yù)處理階段包括消除極端值、去除異常值和數(shù)據(jù)標(biāo)準(zhǔn)化。研究采用箱線圖(Box-plot)技術(shù)識別異常值,并使用 Z 分?jǐn)?shù)歸一化方法進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化,將原始數(shù)據(jù)轉(zhuǎn)換為基于數(shù)據(jù)集平均值和標(biāo)準(zhǔn)差的標(biāo)準(zhǔn)分?jǐn)?shù)。
兩輪數(shù)據(jù)分析分別使用不同時(shí)間段的數(shù)據(jù)集進(jìn)行獨(dú)立分析。第一輪使用 2022 年 2 月 5 日的數(shù)據(jù),第二輪使用 2022 年 2 月 6 日的數(shù)據(jù),每組數(shù)據(jù)包含每個(gè)傳感器 5760 個(gè)數(shù)據(jù)點(diǎn)。驗(yàn)證分析階段比較兩輪分析結(jié)果,確認(rèn)穩(wěn)定存在的相關(guān)性。具體技術(shù)措施包括克朗巴赫系數(shù)α檢驗(yàn)(值大于 0.6 視為可接受)、KMO 測度(Kaiser-Meyer-Olkin Measure,值大于 0.5 視為可接受)和巴特利特球形度檢驗(yàn)(Bartlett's Test of Sphericity,p < 0.001)等。
研究結(jié)果顯示,F(xiàn)SV 方法成功驗(yàn)證了四組瓦斯與瓦斯間相關(guān)性,三組瓦斯與溫度間相關(guān)性、以及三組瓦斯與風(fēng)速間相關(guān)性。
(來源:Scientific Reports)
此外,團(tuán)隊(duì)進(jìn)行了四項(xiàng)額外實(shí)驗(yàn),在不同工作面(1217 號和 3209 號)和不同季節(jié)(夏季和冬季)驗(yàn)證了相關(guān)性模式的穩(wěn)定性,進(jìn)一步證實(shí)了該框架的穩(wěn)健性。
算法優(yōu)化與用戶需求驅(qū)動
在建立并驗(yàn)證了三聯(lián)相關(guān)分析理論框架的基礎(chǔ)上,研究團(tuán)隊(duì)面臨的下一個(gè)關(guān)鍵問題是:如何選擇最適合實(shí)現(xiàn)這一框架的機(jī)器學(xué)習(xí)算法,以實(shí)現(xiàn)精準(zhǔn)的短期預(yù)測?為解決這一問題,該課題組對十種廣泛使用的機(jī)器學(xué)習(xí)算法進(jìn)行了系統(tǒng)比較,以確定在瓦斯預(yù)警系統(tǒng)中的最佳算法選擇。
這一研究使用 28,697 個(gè)數(shù)據(jù)集,按 60%:40% 的比例分為訓(xùn)練集和測試集。評估采用了四項(xiàng)預(yù)測誤差指標(biāo):平均絕對誤差、均方誤差、均方根誤差和絕對誤差和。這些指標(biāo)分別從不同角度評估算法的預(yù)測準(zhǔn)確性,比如平均絕對誤差衡量預(yù)測值與實(shí)際值之間的平均絕對差異,均方根誤差則對較大誤差給予更高的權(quán)重,有助于識別顯著偏差。
圖丨研究流程圖(來源:Scientific Reports)
研究結(jié)果顯示,自回歸積分移動平均模型(ARIMA,Autoregressive Integrated Moving Average)和線性回歸(LR,Linear Regression)在測試數(shù)據(jù)集中具有最低誤差指標(biāo),隨機(jī)森林(RF,Random Forest)和支持向量機(jī)(SVM,Support Vector Machine)雖表現(xiàn)優(yōu)異,但誤差稍高。在計(jì)算時(shí)間方面,K 近鄰算法(KNN,K-Nearest Neighbor)表現(xiàn)最佳,其次是 RF、LR 和 SVM。長短期記憶網(wǎng)絡(luò)(LSTM,Long Short-Term Memory)計(jì)算時(shí)間最長,顯著高于其他算法。
基于綜合性能評估,研究人員提出了“2D 空間四象限圖”作為評估可視化工具,將算法映射到四個(gè)象限:第一象限(最優(yōu))包括 LR、RF 和 SVM,預(yù)測誤差低且計(jì)算效率高;第二象限(高效)包括 ARIMA,預(yù)測誤差低但計(jì)算效率較低;第三象限(次優(yōu))包括基于自組織圖的反向傳播神經(jīng)網(wǎng)絡(luò)(BP-SOG,Back-Propagation with Self-Organizing Graph)、KNN 和 Perceptron(感知器),預(yù)測誤差高但計(jì)算效率高;第四象限(低效)包括循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN,Recurrent Neural Networks)、彈性反向傳播神經(jīng)網(wǎng)絡(luò)(BP_Resilient,Resilient Back-Propagation)和 LSTM,預(yù)測誤差高且計(jì)算效率低。這一評估方法為不同應(yīng)用場景下的算法選擇提供了清晰指導(dǎo),實(shí)現(xiàn)了預(yù)測性能和計(jì)算效率的平衡優(yōu)化。
(來源:Scientific Reports)
算法優(yōu)化選擇的結(jié)果直接影響了預(yù)警系統(tǒng)的實(shí)際性能,確保了系統(tǒng)能夠在有限的硬件資源下實(shí)現(xiàn)高效精確的預(yù)測。這種基于實(shí)證的算法選擇方法,與前述的三聯(lián)相關(guān)分析理論框架和 FSV 驗(yàn)證方法相結(jié)合,構(gòu)成了預(yù)警系統(tǒng)的核心技術(shù)支撐。
為確保系統(tǒng)開發(fā)過程中充分考慮用戶需求,團(tuán)隊(duì)創(chuàng)新性地采用了“多重焦點(diǎn)小組”研究方法。該方法在五個(gè)階段進(jìn)行了 11 次焦點(diǎn)小組會議,涉及 73 名參與者,包括 35 名領(lǐng)域?qū)<摇?6 名行業(yè)專家、10 名研究學(xué)者和 12 名系統(tǒng)開發(fā)人員。
研究方法實(shí)施的具體步驟包括識別需求階段、項(xiàng)目規(guī)劃階段、發(fā)現(xiàn)項(xiàng)目需求階段、系統(tǒng)開發(fā)階段和測試與集成階段。每個(gè)階段都有特定的焦點(diǎn)小組會議和參與人員配置。通過這一系統(tǒng)化的過程,研究團(tuán)隊(duì)識別了 28 個(gè)關(guān)鍵問題和建議,分為四個(gè)類別:數(shù)據(jù)獲?。―A1-DA6)、數(shù)據(jù)隔離(DI1-DI8)、報(bào)警和早期預(yù)警(AEW1-AEW8)和系統(tǒng)界面設(shè)計(jì)(SID1-SID6)。
基于這些問題,該團(tuán)隊(duì)開發(fā)了七個(gè)解決方案:數(shù)據(jù)倉庫管理系統(tǒng)整合八種煤礦監(jiān)測系統(tǒng)的數(shù)據(jù)庫;數(shù)據(jù)預(yù)處理模塊消除異常數(shù)據(jù)和極端值;數(shù)據(jù)分析系統(tǒng)檢測傳感器變化的可靠性和有效性;相關(guān)性分析系統(tǒng)探索瓦斯、溫度和風(fēng)速之間的隱藏模式;激活決策規(guī)則系統(tǒng)集成預(yù)警子系統(tǒng);界面視圖子系統(tǒng)實(shí)現(xiàn)數(shù)據(jù)可視化;緊急警報(bào)移動預(yù)警系統(tǒng)發(fā)送移動文本消息。
圖丨演示所提議系統(tǒng)的三層架構(gòu)(來源:PLoS ONE)
最終,團(tuán)隊(duì)構(gòu)建了一個(gè)三層架構(gòu)系統(tǒng):數(shù)據(jù)訪問層整合八種煤礦監(jiān)測系統(tǒng);領(lǐng)域?qū)影ㄌ崛∠到y(tǒng)、數(shù)據(jù)倉庫、異常值消除、可靠性分析、相關(guān)性分析和激活決策規(guī)則;視圖層包括報(bào)警、預(yù)警和監(jiān)測三個(gè)子系統(tǒng)。該架構(gòu)設(shè)計(jì)通過統(tǒng)一建模語言(UML, Unified Modeling Language)進(jìn)行了系統(tǒng)化表示。
系統(tǒng)實(shí)現(xiàn)與未來展望
基于上述理論創(chuàng)新和方法論突破,研究團(tuán)隊(duì)開發(fā)并實(shí)施了一個(gè)創(chuàng)新的綜合瓦斯預(yù)警系統(tǒng)。該系統(tǒng)采用三層架構(gòu),整合了三聯(lián)相關(guān)分析框架和三個(gè)激活決策規(guī)則:第一,如果數(shù)據(jù)輸出超過閾值限制值,報(bào)警系統(tǒng)將立即提醒安全響應(yīng)團(tuán)隊(duì);第二,如果實(shí)時(shí)相關(guān)分析值超過相關(guān)分析限制值,預(yù)警系統(tǒng)將通知安全響應(yīng)團(tuán)隊(duì);第三,如果相關(guān)分析值不超過相關(guān)分析限制值,原始數(shù)據(jù)將轉(zhuǎn)發(fā)到監(jiān)控系統(tǒng)。
在技術(shù)實(shí)現(xiàn)層面,系統(tǒng)使用熵算法(Entropy Algorithm)計(jì)算實(shí)時(shí)相關(guān)分析值和相關(guān)分析限制值。熵算法的計(jì)算過程首先計(jì)算每個(gè)標(biāo)準(zhǔn)的屬性的替代方案的強(qiáng)度,然后計(jì)算每個(gè)標(biāo)準(zhǔn)的熵和關(guān)鍵指標(biāo),最后計(jì)算每個(gè)標(biāo)準(zhǔn)的權(quán)重。這種基于信息熵的權(quán)重計(jì)算方法能夠客觀評估不同指標(biāo)的重要性,避免了主觀賦權(quán)可能帶來的偏差。
該系統(tǒng)于 2021 年 12 月在案例研究礦成功部署,其對 3,211,215 個(gè)收集的數(shù)據(jù)進(jìn)行了分析,涉及 49 個(gè)傳感器,包括瓦斯傳感器(21 個(gè))、溫度傳感器(16 個(gè))、風(fēng)速傳感器(10 個(gè))和粉塵傳感器(2 個(gè))。數(shù)據(jù)分析結(jié)果顯示,在此案例礦中,研究團(tuán)隊(duì)發(fā)現(xiàn)了 328 個(gè)顯著相關(guān)關(guān)系,其中瓦斯與瓦斯之間 163 個(gè)相關(guān)關(guān)系、瓦斯與溫度之間 130 個(gè)相關(guān)關(guān)系,以及瓦斯與風(fēng)速之間 35 個(gè)相關(guān)關(guān)系。同時(shí)建立了三個(gè)激活決策規(guī)則。系統(tǒng)的運(yùn)行表明,該預(yù)警機(jī)制能夠在傳統(tǒng)閾值警報(bào)之前 10-15 分鐘發(fā)出警報(bào),大大提高了預(yù)警時(shí)間窗口,為安全人員的響應(yīng)提供了寶貴時(shí)間。
(來源:Scientific Reports)
研究團(tuán)隊(duì)表示,這些研究成果構(gòu)成了一個(gè)可用于多領(lǐng)域?qū)崟r(shí)預(yù)警的完整的工具包,可用于任何需要實(shí)時(shí)異動事件短期預(yù)測的系統(tǒng)。對于一個(gè)具體應(yīng)用,工程團(tuán)隊(duì)需要以三層架構(gòu)系統(tǒng)(數(shù)據(jù)訪問層,領(lǐng)域?qū)雍鸵晥D層)為模板,確定所需的數(shù)據(jù)系列(實(shí)時(shí)傳感器數(shù)據(jù)),通過三重關(guān)聯(lián)相關(guān)分析理論框架確定相關(guān)的預(yù)測數(shù)據(jù)系列,利用所提出的系統(tǒng)方法確定最佳預(yù)測算法,實(shí)現(xiàn)所選的預(yù)測算法得出預(yù)測結(jié)果,最后用氣泡壁圖顯示結(jié)果。該課題組計(jì)劃繼續(xù)完善基于“三聯(lián)相關(guān)分析”的瓦斯預(yù)警系統(tǒng),同時(shí)協(xié)助領(lǐng)域?qū)<依迷碚摰确椒ㄉ钊胩剿魍咚篂?zāi)害發(fā)生的因果機(jī)制,并進(jìn)一步研究機(jī)器學(xué)習(xí)與“三聯(lián)相關(guān)分析”理論框架的結(jié)合應(yīng)用,探索基于人工智能體(AI Agent)的工程創(chuàng)新實(shí)踐。
這一集成方法特別適合需要強(qiáng)化早期預(yù)報(bào)和預(yù)警的領(lǐng)域,如醫(yī)療疾控(監(jiān)測疫情異常變化和預(yù)警)、公共應(yīng)急(自然災(zāi)害或突發(fā)事件的早期預(yù)警)、氣候變化(極端天氣事件的預(yù)測和預(yù)警)、地震監(jiān)測(前兆信號的識別與預(yù)警)以及金融市場(異常波動的早期識別)等。另外,這一集成方法和其組成部分在社會科學(xué)領(lǐng)域也有很強(qiáng)的適用性。例如,基于氣泡壁圖的可視化技術(shù),團(tuán)隊(duì)已開始在澳大利亞 UNSW-UTS Trustworthy Digital Society (TDS)“數(shù)字誠信”專家委員會專項(xiàng)基金支持下,正在開展“消費(fèi)者數(shù)字誠信測評可視化技術(shù)”的創(chuàng)新項(xiàng)目研究。研究成果初步顯示前述研究成果在社會科學(xué)領(lǐng)域的適用性。
參考資料:
1.https://aisel.aisnet.org/cgi/viewcontent.cgi?article=1011&context=acis2021
2.https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0281603#sec016
3.https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0321077
4.https://www.nature.com/articles/s41598-023-35900-3#Sec22
5.https://www.nature.com/articles/s41598-024-67283-4#Sec15
https://www.tandfonline.com/doi/full/10.1080/19475705.2021.2002953#abstract
運(yùn)營/排版:何晨龍