信息透明度与情境风险对自动驾驶汽车信任度与自主权授予的平衡机制研究

本研究通过参与式设计结合在线实验，探讨自动驾驶汽车（AV）信息透明度（Transparency）与驾驶情境对用户信任（Trust）、舒适度（Comfort）及自主权授予水平（LoA）的交互影响，为构建符合ALTAI指南的可信人机交互系统提供实证依据。

　　

引言

随着自动驾驶技术（AV）的快速发展，其角色已从单纯的驾驶辅助工具转变为具有自主决策能力和情境依赖社交特征的交互代理。这带来了新的挑战：当人类将AV视为社交伙伴时，其界面设计和行为模式如何影响人类对AV的信任、舒适度以及自主权授予意愿？本研究基于欧盟可信伦理人工智能指南（ALTAI），重点探索透明度（信息共享程度）与自主性（SAE Levels 0-3）这两个关键维度如何共同塑造用户对AV的信任体验。

相关研究

现有文献表明，AV与人类的有效沟通是建立信任的核心。实时解释并响应人类行为对确保安全、维持信任至关重要。在信任与信息关系方面，Mackay等（2020）发现不同反馈类型对信任影响不显著，而Koo等（2015）证实提供"原因"（why）信息比"方式"（how）信息更能提升驾驶表现。Ha等（2020）引入风险感知变量，发现高风险情境下归因解释会降低信任。在测量方法上，Sheng等（2019）采用李克特量表与生理指标结合的方式，而Morra等（2019）通过虚拟现实（VR）模拟发现信息丰富的界面能减轻压力体验。值得注意的是，现有研究普遍缺乏用户参与设计过程，且对自主权偏好的探索较少。

材料与方法

研究采用2×2被试间设计，考察信息水平（高/低）与场景顺序（高速优先/郊区优先）对206名持照驾驶员的影响。通过参与式工作坊开发两种界面：低信息（LI）界面仅显示基本导航数据，高信息（HI）界面则完整展示AV决策处理的传感器数据、环境状态与交通规则。实验场景包含高速公路（三车道车辆切入风险）和郊区道路（无故降速后出现学校）两种情境，每个场景包含三个连续事件节点。

测量工具包括：

• •

  驾驶行为问卷（DBQ）评估驾驶习惯

• •

  自动驾驶负面态度量表（AV-NARS）量化对AV的接受度

• •

  自主权水平（LoA）通过多选项对应SAE 0-3级

• •

  信任度采用多选项加权评分（-2至4分）

• •

  舒适度采用单选项情感评分（-1至1分）

结果分析

透明度对信任与舒适度的影响

高速公路场景中，高信息（HI）界面显著提升用户信任度（p=0.0017, r_rb=0.171），尤其在风险场景（Scene 2）和解决阶段（Scene 3）。郊区场景中仅风险场景出现显著差异（p=0.003）。舒适度在高速场景第三阶段（p=0.027）和郊区场景平均分（p=0.048）呈现类似趋势，表明透明度主要在高风险情境中发挥作用。

透明度对自主权授予的影响

信息水平对自主权授予影响有限，仅在郊区风险场景出现显著差异（p=0.004）。表明自主权决策更依赖情境因素而非信息量。

环境因素的调节作用

驾驶环境对各项指标产生巨大影响（效应量r_rb达0.611-0.749）。高速公路场景中所有指标呈线性下降，即使用户对AV的处置结果满意，风险情境本身仍降低信任。郊区场景则呈现V型恢复趋势，风险事件后指标能回升至初始水平。

用户特质的相关性

AV-NARS分数与自主权（r_rho=-0.325）和信任度（r_rho=-0.540）呈中度负相关，表明对AV的负面态度直接影响授权意愿。信任与自主权在高速场景高度相关（r_rho=0.570），在郊区场景相关性减弱（r_rho=0.375），进一步印证环境因素的调节作用。

讨论与展望

本研究证实驾驶环境是影响自主权授予的首要因素，而透明度主要通过调节信任与舒适度间接发挥作用。高风险场景（高速公路）即使用户对AV的处置结果满意，风险情境本身仍降低信任。郊区场景则呈现V型恢复趋势，风险事件后指标能回升至初始水平。这种差异揭示了用户风险评估中存在速度偏见——对高速风险的敏感度高于低速环境中的潜在风险（如行人突然出现）。

从设计实践角度，研究支持开发情境敏感的自主权框架：在低风险环境提供高透明度信息以增强信任，在高风险环境则需平衡信息量与认知负荷。政策制定者可考虑基于环境风险等级动态调整AV自主权限的监管框架。

研究存在在线实验生态效度局限，未来需通过高保真模拟器验证发现。用户提供的14条文本反馈（如"在无法控制的情境中会焦虑"）虽数量有限，但为理解自主权-信任动态提供了质性洞察，可作为后续参与式工作坊的设计输入。

通过将参与式设计与实证验证结合，本研究为构建符合ALTAI指南的可信AV系统提供了方法论范例，推动人机交互研究向更自然、可持续的协作模式发展。