编辑推荐：
为探究自动驾驶汽车（AVs）在模糊道德困境中的行为，研究人员以 34 名参与者为对象，结合脑电图（EEG）记录开展研究。结果发现，当 AI 决策与参与者不一致时，额中央区 P3 和 LPP 振幅增加。这有助于识别关键情境，对脑机接口研究有重要意义。
在现代交通领域，自动驾驶汽车（AVs）正逐渐从设想走向现实。它有望大幅提升道路安全，减少交通事故，还能优化交通流量，降低出行时间，为残障人士等特殊群体提供出行便利。然而，随着 AVs 的发展，一个棘手的问题摆在眼前：在复杂且模糊的交通场景中，当面临道德困境时，AVs 应如何决策？比如，在一场无法避免的交通事故中，AVs 该选择保护车内乘客还是行人？目前，对于 AVs 在这类道德困境中的行为研究尚不完善，公众难以理解 AVs 的决策逻辑，这可能影响其广泛应用 。
为了深入探究这一问题，德国卡尔 - 冯 - 奥西茨基大学（Carl - von - Ossietzky University）等机构的研究人员展开了一项别具一格的研究。他们巧妙地将道德困境融入实验室模拟的交通场景，借助先进的脑电图（EEG）技术，记录参与者在面对 AVs 决策时的大脑活动，进而分析事件相关电位（ERP）的变化 。最终，研究人员发现，当 AVs 在道德困境中的决策与参与者的判断不一致时，参与者大脑额中央区的 P3（322 - 422ms）和晚期正电位（LPP，500 - 900ms）振幅会显著增加。这一发现意义非凡，它为理解人类与 AI 在道德决策过程中的交互机制提供了关键线索，也为脑机接口（BCI）研究中动态调整 AVs 行为奠定了重要基础。该研究成果发表在《Scientific Reports》上。
在这项研究中，研究人员主要运用了以下关键技术方法：首先，采用改良版的道德机器（MM）实验范式，精心设计 100 种不同的静态图像困境 vignettes，涵盖多种角色类型、位置和数量组合，以此模拟复杂的交通道德困境场景；其次，利用 32 通道 actiCAP snap 电极系统记录 EEG 数据，并借助 Psychtoolbox 等软件编程控制实验流程和数据采集；最后，通过一系列数据预处理和统计分析方法，如更新 EEG 触发、去除伪迹、滤波、分段等，提取并分析 P3 和 LPP 成分，运用重复测量 t 检验和方差分析（ANOVA）探究不同条件下的差异 。
行为结果
研究人员通过对参与者决策行为的分析，发现了一些有趣的现象。在干预行为方面，虽然参与者总体上更倾向于让 AVs 保持在原车道行驶，但这一差异并不具有统计学意义。在与 AVs 的关系上，参与者明显更愿意牺牲车内乘客来保护行人；在角色数量的选择上，他们坚定地倾向于拯救更多的角色；在物种选择上，人类的生命被置于宠物之上。此外，当 AI 的决策与参与者自身决策一致时，参与者对 AI 决策的可接受性评分显著更高 。
EEG 结果
- P3 结果：研究人员对 P3 成分进行分析时，发现了显著的主效应和交互效应。在条件主效应方面，不一致试验中的 P3 振幅明显大于一致试验。电极主效应显示，不同电极位点的 P3 振幅存在显著差异，枕部位点的振幅最高，越往前的位点振幅越低。同时，条件与电极的交互作用也很显著，进一步分析发现，这种差异主要体现在额中央区电极，而顶叶电极差异不显著 。
- LPP 结果：LPP 成分同样呈现出显著的条件主效应，不一致试验中的 LPP 振幅高于一致试验。电极主效应也显著，不同电极位点的 LPP 振幅存在明显差异，分布趋势与 P3 相似。与 P3 不同的是，LPP 条件与电极的交互作用不显著，且在顶叶电极上，不一致和一致试验的 LPP 振幅差异也显著 。
在研究结论和讨论部分，研究人员指出，本次研究成功揭示了 AVs 决策与参与者判断不一致时，P3 和 LPP 振幅的变化规律，这表明人类与 AI 在道德决策交互过程中涉及高阶认知加工。不过，研究也存在一定局限性。例如，实验采用的静态图像困境 vignettes 虽适合 ERP 分析，但与现实交通场景存在差距；LPP 的产生源可能涉及深层脑结构，EEG 难以全面捕捉。尽管如此，该研究为后续研究指明了方向，如在更真实的动态场景中开展研究，结合功能磁共振成像（fMRI）等技术深入探究大脑机制。同时，研究结果有望应用于训练 BCI 中的单试次分类器，实现对人类与 AVs 交互的实时评估，推动自动驾驶技术在道德决策方面的发展，让 AVs 的行为更加符合人类的道德期望，为未来智能交通的安全发展提供有力支持 。
