亲身体验乘坐后公众对自动驾驶汽车的接受度

《Travel Behaviour and Society》：Public acceptance of autonomous vehicles after firsthand riding experiences

　　摘要公众对自动驾驶汽车（AVs）的接受度通常取决于媒体曝光而非直接体验，这导致了显著的感知-现实差距。本实地研究考察了实际自动驾驶体验如何影响用户接受度，将接触前的期望与体验后的评价进行对比。通过在中国长沙进行的一项纵向实地实验，涉及306名参与者，他们乘坐SAE L4级自动驾驶汽车（百度阿波罗）在城市道路上行驶，我们使用扩展的技术接受模型（TAM）考察了感知有用性（PU）、感知易用性（PeoU）、信任、感知风险（PR）、行为意向（BI）和总体接受度（GA）的变化。结果表明，第一手自动驾驶体验显著提升了采用自动驾驶汽车的行为意向和总体接受度，同时显著提高了感知易用性和信任，并降低了感知风险。体验后，扩展TAM解释了行为意向79%的方差和总体接受度75%的方差。值得注意的是，最强的预测因子——信任，中介了感知易用性和感知有用性的效应。与仅基于媒体曝光对自动驾驶汽车的接受度水平相比，第一手乘车体验显著缓解了安全担忧，大大提高了感知有用性、感知易用性、信任与接受度之间的一致性。这些体验还显著提高了非驾驶者和女性的接受度。这些结果意味着，汽车制造商应优先为无驾照女性群体提供真实的自动驾驶乘车体验。这一策略将通过弥合媒体感知与实际体验之间的差距，加速自动驾驶汽车的采用。1. 引言道路交通事故每年导致约119万人死亡，另有2000万至5000万人在全球范围内受伤（WHO, 2023）。人为因素是主要原因，造成了近90%的此类事故（Treat et al., 1979）。分心、疲劳和酒精损害都是重要因素。自动驾驶汽车（AVs）有潜力通过替代人类驾驶员来减轻甚至消除交通事故中的人为失误。与传统车辆不同，自动驾驶汽车持续评估驾驶条件，并在极少的人为参与下执行必要操作。Xiao等人（2021）提出，到2035年，自动驾驶汽车的广泛实施可使交通死亡人数减少13%。然而，要实现13%的死亡率降低，需要提高自动驾驶汽车的采用率，具体而言，是公众对其使用的接受度。因此，随着采用率的上升，交通安全带来的效益变得更加显著。此外，一旦自动驾驶汽车达到50%的市场份额，交通冲突预计将减少至少17.4%（Xiao et al., 2021）。尽管自动驾驶技术取得了快速进展，但公众接受度仍是广泛采用自动驾驶汽车的重大障碍（Shariff et al., 2017）。目前较低的公众接受度因对自动驾驶汽车的理解有限，以及安全担忧、信任等因素而加剧。同时，接受度还受到性别、驾驶经验和自动驾驶汽车熟悉度等变量的影响（Haghzare et al., 2021）。这种接受度的不足反过来降低了公众使用的频率和可能性，从而阻碍了渗透率。因此，与自动驾驶汽车相关的预期安全、环境和社会效益未能充分实现（Nordhoff, 2024）。当前关于自动驾驶汽车接受度的研究存在两个局限。首先，大多数受试者缺乏在真实交通场景中对自动驾驶汽车的第一手体验，而是依赖想象或通过二手渠道（如社交网络）的间接接触，这可能导致反应既不现实又存在偏差。其次，调查结果容易受到所呈现信息的影响，无论是来自采访者还是外部来源（如社交媒体），这进一步塑造了认知，有时还会引入不准确性（Rahman et al., 2017）。这种对描述性信息的依赖，通常被称为“信息暴露法”，阻碍了受访者构建关于自动驾驶功能和人与车交互的精确心理模型（K?rber et al., 2018）。相反，最近研究的发现表明，直接接触部分自动化车辆可以提升用户接受度（Feys et al., 2021）。最近的实地研究集中于拥有自动驾驶汽车直接经验的个体。这包括对部分自动驾驶（Feys et al., 2021）、测试环境中的私人自动驾驶汽车（SAE L3级）（Liu et al., 2019b）、在公共道路环境中运行的自动驾驶巴士（Yan et al., 2022）以及在测试道路上使用的自动驾驶研究平台（SAE L4级）（Encinar et al., 2023）的研究。这些研究旨在阐明早期采用者的观点和生活经验。相比之下，尚无实地研究考察公众在现实世界复杂交通情况下如何接受私人自动驾驶汽车。这在理解体验如何影响采用这些车辆的决定方面造成了显著空白。此外，预期接受度与实际接受度之间差异背后的心理原因仍然在很大程度上未知，这限制了我们预测和鼓励自动驾驶汽车在社会中广泛使用的能力。此外，除了预期与实际接受率之间的差异外，先前的研究表明，与老年人相比，年轻人表现出更高的采用新技术（包括自动驾驶汽车）倾向；这主要归因于他们更多地接触数字媒体和技术进步（Huang et al., 2022, Mao et al., 2025b）。尽管年轻人已被公认为重要的潜在市场群体，但他们对自动驾驶汽车的直接接触以及影响其接受度的心理社会因素受到的学术关注相对较少。为纠正这些不足，我们在城市公共道路上进行了一项实地实验。本研究涵盖了306名年轻人，他们在中国长沙乘坐由百度阿波罗开发的L4级自动驾驶汽车。本研究旨在为现有文献提供四项主要贡献：（1）重点关注私人L4级自动驾驶汽车在复杂、开放城市交通条件下的运行，这区别于以往主要强调驾驶模拟、自动驾驶公共交通系统（如巴士）或受控测试环境的研究。（2）采用比较实验设计，将间接接触（通过视频）与直接的真实乘车体验进行对比，从而为实际使用对用户感知的影响提供有力证据。（3）此外，通过强调信任作为中介因素，扩展了传统接受模型，说明直接体验如何通过建立信任来培养接受度。（4）我们仔细考察了人口统计和背景因素，如性别、年龄、教育和驾驶经验，如何在研究的不同阶段影响自动驾驶汽车的接受度。这种方法有助于确认模型的普遍适用性，并提供不同用户群体如何采用该技术的详细理解。为便于理解，表1列出了本研究中使用的缩写。表1. 缩写列表。缩写全称缩写全称AVs自动驾驶汽车PU感知有用性FAVs全自动驾驶汽车PeoU感知易用性SAE国际自动机工程师学会TR信任TAM技术接受模型PR感知风险GA总体接受度BI行为意向2. 理论基础与假设接受度在不同研究领域中被以不同方式理解。Adell等人（2018）将驾驶员对车内系统的接受度定义为“个体将系统纳入其驾驶活动的程度，或者，如果系统不可用，则其使用意图的程度”（第18页）。同样，Najm等人（2006）将接受度概念化为“使新型汽车技术实现其预期效益水平的先决条件”（第5-1页）。这些观点强调了接受度在新型交通技术广泛实施中的重要性。接受度是一个多层面的构念，涵盖了使用倾向和投资意愿等维度（Adell et al., 2018）。Lee和Kim（2025）认为技术采用产生两个主要结果：BI和GA。BI表示个体进行个人参与的动机驱动力和准备程度，而GA表示对技术在更广泛社会框架内融合的评价性判断或社会认可。BI可靠地预测个人使用行为，而GA代表社会认可，这对于可能向公众提出新颖或复杂挑战的新兴技术而言尤为重要。2.1. 技术接受模型（TAM）几个著名的心理学模型，包括TAM、计划行为理论（TPB）和技术接受与使用统一理论（UTAUT/UTAUT2），已被提出以阐明技术接受度（Kaye et al., 2020, Rahman et al., 2017, Xu et al., 2018）。这些模型基于共同的基本原则，即个体的感知和信念构成了塑造BI和实际使用的知识基础（Ajzen, 1991, Davis, 1989, Venkatesh et al., 2012）。我们的研究主要采用TAM，这是出于策略性和情境特定性的考虑。首先，在涉及L4级自动驾驶汽车等新兴技术的单次乘车体验情境中，我们认为体验认知主要受即时功能反馈的影响，而非持久的社会结构。自动驾驶汽车目前尚未广泛普及。人们更可能基于他们认为系统有多大用处和多大易用来做决定。这种对这些因素的关注使得它们在现实世界中比“社会影响”（来自UTAUT/UTAUT2）或“主观规范”（来自TPB）在理论上更重要。此外，TAM更简单的方法可以更清晰地理解用户接受度的变化，避免使用UTAUT2中长期概念（如习惯或价格价值）可能产生的测量误差。习惯和价格价值在简短实地实验的限制下不易可靠地操作化。这一方法学决定进一步有助于对文献中关于PeoU的先前差异进行更集中的检验，通过在高度互动、真实世界驾驶环境中对其进行评估，从而为早期采用研究中观察到的冲突结果提供实证精度。最终，TAM为纳入安全关键要素提供了稳健而灵活的框架，从而允许在不引入过度复杂性的情况下整合信任和感知风险——这两者都是自动驾驶汽车接受度的关键决定因素——进入结构路径分析。TAM提供了一个理解和预测人们如何采用新技术的框架（Davis, 1985, Davis et al., 1989）。最初的TAM提出PU和态度直接影响BI。相反，PeoU和PU被认为通过态度间接影响BI（Davis, 1985）。TAM的最新版本省略了态度变量，而提出PU和PeoU直接影响BI，其中PeoU通过PU间接影响BI（Davis et al., 1989）。TAM已被广泛用于阐明和预测自动驾驶汽车的接受度（Ho et al., 2025, Huang et al., 2026, Rejali et al., 2023, Tang et al., 2025）。例如，Yan等人（2022）基于乘客对L4级自动驾驶巴士的体验，证明了该模型在理解乘客如何评价自动驾驶系统有用性和易用性方面的实用性。先前研究表明，影响自动驾驶汽车接受度的因素超出了原始TAM变量（Keszey, 2020, Xu et al., 2018）。与信任的因果链理论一致（Lee and Kim, 2025, Poortinga and Pidgeon, 2005），本研究通过添加特定于私人自动驾驶汽车的特征（如TR和PR）作为新的预测因子来扩展TAM。因此，这一改进有助于更细致地理解认知信念在高度互动、真实世界环境中如何形成，从而影响个人行为意向和社会总体接受度。2.2. 感知有用性与感知易用性Davis等人（1989）将PU定义为相信使用特定系统将改善任务完成方式的信念。在本研究中，PU代表使用自动驾驶汽车的预期收益。同时，PeoU反映人们相信系统易用程度的信念（Davis et al., 1989）。先前的研究一致表明PU和PeoU对技术接受度产生正向影响（Davis et al., 1989, Ho et al., 2025）。公众对自动驾驶汽车的接受度通常受到过度积极的营销信息的影响，导致对其益处的期望被夸大（Feys et al., 2021）。然而，驾驶环境比这些理想化表征更为复杂，这可能导致乘客在真实体验后重新评估自动驾驶汽车的有用性。尽管自动驾驶汽车通常被认为难以操作，但其实际设计优先考虑简单性和用户友好性。因此，我们提出在公共道路上的第一手体验将降低乘客的感知有用性，同时提高他们的感知易用性。因此，本研究旨在检验以下假设：H1–2：PU正向影响BI（H1）和GA（H2）。H3–4：PeoU正向影响BI（H3）和GA（H4）。H5：AV乘坐体验后PU降低。H6：AV乘坐体验后PeoU增加。H7：PeoU正向影响PU。2.3. 感知风险在本研究中，PR被操作化为个体感知AV潜在危害的程度。虽然AV的安全特性代表了相当大的益处，但参与者对这些技术的不熟悉，加之媒体对AV相关事件的大肆渲染，导致PR升高。这种升高的PR进而阻碍了公众接受AV的倾向。Zhu等人（2020）提出，风险既包括技术可靠性，也包括对威胁的主观评估。媒体叙事显著塑造公众认知，因此需要在技术评估的同时平衡考虑用户观点。此外，Zhu等人（2025）表明，负面媒体报道通过级联效应放大了公众的风险感知，从而滋生了焦虑和抵制情绪。因此，越来越多的人群表现出对采用自动驾驶技术的犹豫。此外，Zhu等人（2024）强调，FAV存在需要专门关注和分析的独特风险。同时，Delbosc和Currie（2012）提出，PR对使用交通服务的倾向有显著影响。因此，这些研究表明PR是考察AV接受度时需要考虑的关键因素。考虑到AV的商业化仍处于起步阶段，市场渗透率有限，公众对AV的安全担忧仍然是一个重要问题。据此，我们提出以下假设：H8-9：PR与BI（H8）和GA（H9）负相关。此外，媒体报道显著塑造公众的风险感知，经常强调涉及AV的事件。当前数据表明，百度Apollo已累计行驶超过1亿公里自动驾驶里程，未发生任何导致死亡的重大事故（CNR，2024）。因此，我们还提出以下假设：H10：乘客在乘坐体验后对FAV的PR降低。2.4 信任信任通常被概念化为一种心理状态，代表个体基于对他人行为或目标的积极预期而接受脆弱性的倾向（Rousseau等，1998）。具体而言，在AV背景下，信任指潜在用户愿意面对与这些车辆相关固有不确定性的信念。作为一种情感构念，信任培养采用和使用新技术的倾向（Lee和See，2004）。信任程度直接影响消费者对AV的接受度（Shariff等，2017）。简言之，如果用户不信任，即使是最好的技术也不会被采用。因此，获得信任是技术采用中最关键的步骤。Du等人（2021）进一步证实，信任起着核心中介作用。外部因素（如媒体报道）首先影响人们对技术的信任，而这种信任最终决定了他们是否愿意真正采用和使用该技术。基于这一认识，我们提出以下假设：H11-12：信任与BI（H11）和GA（H12）正相关。此外，信任影响对PU和PeoU的认知评估，进而影响技术接受度。因此，信任可能通过对PU和PeoU的影响间接影响BI（Ho等，2025）。此外，信任对于减少不确定性和风险感知至关重要（Hengstler等，2016）。先前的研究表明，增强的信任可以降低与AV相关的感知风险（Choi和Ji，2015；Pavlou，2003）。因此，认为AV可靠的个体更倾向于克服他们的安全顾虑。基于这一推理，我们进一步假设：H13-15：信任与PU（H13）和PeoU（H14）正相关，与PR（H15）负相关。在新兴技术中培养信任是一项重大挑战，尤其是在公众缺乏与AV直接互动的情况下。鉴于大多数个体几乎没有或没有实践经验，他们建立信任的能力有限。我们建议：H16：乘客在乘坐体验后对FAV表现出更高的信任水平。2.5 行为意向和总体接受度BI表示个体参与特定行为的倾向和有意决心（Ajzen，1991）。较高的BI与行为实施概率的增加相关。先前的研究已证明BI在不同情境下对实际行为具有一致的预测能力（Ajzen，1991；Ho等，2025）。相反，GA涉及技术的广泛社会整合（Lee和Kim，2025）。而BI反映了个体对个人应用的内在动机，GA表示一般性评估判断或关于该技术在公共领域可用性的社会认可程度。鉴于公众对L4级AV的不熟悉经常导致谨慎的社会层面接受，直接体验反馈预计将重新调整这些现有的评估视角。这种多层面方法确保了采用的内在动力和更广泛的社会感知效度都被纳入理论框架。基于这些因素，提出以下假设。H17：乘客在乘坐体验后对FAV表现出更高的BI。H18：乘客在乘坐体验后对FAV表现出更高的GA。整体研究框架和假设如图1所示。下载：下载高分辨率图片（425KB）下载：下载全尺寸图片图1. 研究模型和假设。3. 方法论图1中所示的六个构念（PU、PeoU、TR、PR、BI和GA）与FAV相关。然而，由于缺乏在SAE 5级运行的FAV，目前无法对其进行实地实验。然而，中国知名公司百度已成功开发出Apollo，一种被归类为SAE 4级的自动驾驶车辆。2019年，Apollo在长沙等中国城市的公共城市道路上进行了广泛测试（Baidu，2019）。在本研究中，使用Apollo车辆为参与者提供在城市道路上各种驾驶情境下的自动驾驶车辆亲身体验。该方法旨在帮助参与者修正和调整他们对FAV的感知和判断。3.1. 设备和测试路线设计本研究使用的自动驾驶车辆是百度Apollo（红旗第四代），设计满足SAE 4级标准。如图2所示，该车辆配备了多个摄像头、激光雷达、传感器和GPS。百度Apollo具有多种驾驶功能，有助于实现其高水平的自主性。百度Apollo的架构包含自动驾驶的四个基本组成部分：感知——通过传感器数据采集实现环境理解；定位——使用GPS和高精度地图确保精确定位；规划——生成安全合规的行驶路径；控制——管理速度、转向和制动操作。这些集成能力促进了多种复杂功能，如避障、交通标志识别、车道保持辅助、复杂路口导航、窄路引导和自动泊车（Baidu，2025）。这些驾驶功能协同使百度Apollo能够在公共道路上自主安全地运行，从而提升了车辆的自动化水平。下载：下载高分辨率图片（255KB）下载：下载全尺寸图片图2. 百度Apollo在中国长沙的公共道路上运行。来源：作者本研究在中国长沙的自动驾驶车辆测试路线（AVTR）上进行（见图3和表2）。AVTR由一条6公里长的城市道路组成，包含十二个典型驾驶场景，从S1（车辆启动）到S12（路口掉头），使参与者能够体验Apollo车辆的所有主要功能，包括加速、减速、变道、转向及其他驾驶行为。每位参与者在AV中乘坐约20分钟，完成所有任务的总时间约为40分钟。下载：下载高分辨率图片（1MB）下载：下载全尺寸图片图3. 自动驾驶车辆测试路线和十二个场景。来源：作者表2. 十二个驾驶场景的描述。驾驶场景 时长 描述S1 车辆启动 60秒-90秒 乘客使用百度地图智能手机应用确定出发地和目的地，Apollo规划行驶路径。所有乘客系好安全带后，车辆自动开始行驶。S2 通过复杂路口 30秒-90秒 Apollo到达一个复杂的信号灯路口并驶入左转车道。Apollo识别红灯信号，停车等待直到绿灯亮起，然后Apollo左转。S3 右转 10秒-30秒 Apollo在T型路口右转并驶入最左侧车道。S4 通过地下通道 10秒-30秒 Apollo进入地下通道（约20米长），克服明暗适应和GPS信号弱等挑战。S5 变道 5秒-10秒 向右变道。S6 靠边停车 10秒-30秒 在道路右侧停车。S7 前向碰撞避免 5秒-10秒 一辆有人驾驶车辆停在Apollo前方，Apollo检测到障碍物并绕行。S8 掉头 10秒-30秒 车辆驶入左转车道（地下通道内两车道并一车道）并掉头。S9 通过单车道道路 30秒-60秒 Apollo通过一条单车道道路，右侧停放多辆车。S10 通过无信号灯路口* 10秒-30秒 Apollo通过无信号灯路口，让行行人并减速。S11 无保护左转 30秒-90秒 Apollo通过没有专用左转相位信号的路口。S12 路口掉头 20秒-90秒 Apollo在信号灯路口掉头。* 尽管该路口设有交通信号灯，但在研究期间未启用。3.2. 测量工具设计了一份结构化问卷，用于测量与公众接受FAV相关的六个构念（PU、PeoU、TR、PR、BI和GA）。所有题项均采用5点李克特量表评分，从“非常不同意”（1）到“非常同意”（5）。本问卷中的所有题项均改编自成熟且经过广泛验证的量表，以确保可靠有效的测量结果。每个题项的具体内容和参考来源请参见附录A。3.3. 参与者与流程实验包括311名参与者。在数据清洗过程中删除了5份无效问卷后，使用了306份有效观测数据。表3显示，158名参与者（51.6%）为女性，148名（48.4%）为男性。此外，226名参与者（73.9%）持有有效驾驶证，299名（97.7%）事先了解FAV，107名（35.0%）拥有学士学位或正在攻读学士学位，199名（65.0%）拥有研究生学位或正在攻读研究生学位。参与者通过社交媒体链接注册，提供基本信息和电子邮件地址。实验时间表确定后，每位参与者被分配一个唯一的识别编号。研究人员在实验前一天通过电子邮件确认预定时间。所有参与者签署了知情同意书。此外，资格要求包括在城市道路上没有自动驾驶或无人驾驶车辆的前期经验。内部审查委员会批准了该研究团队的研究。表3. 人口统计学特征。特征 描述 频率 百分比性别 1：男 148 48.4% 2：女 158 51.6%年龄 1：18-22岁 156 51.0% 2：23岁及以上 150 49.0%教育程度 1：学士学位（含在读） 107 35.0% 2：研究生学位（含在读） 199 65.0%驾驶经验 1：< 1年 80 26.1% 2：1-2年 113 36.9% 3：> 2年 113 36.9%自驾频率 1：从未 80 26.1% 2：< 1次/年 122 39.9% 3：≥ 1次/年 104 34.0%是否持有驾驶证 1：是 226 73.9% 2：否 80 26.1%对AV的熟悉程度：您对AV了解多少？ 1：从未听说过AV 7 2.3% 2：听说过AV，但不熟悉 116 37.9% 3：对AV有一定了解，但从未在实际道路上使用过 146 47.7% 4：非常熟悉AV，但从未在实际道路上使用过 37 12.1%鉴于在真实交通中测试AV的安全顾虑，研究团队及其合作伙伴将参与者安全放在首位，并承担了研究的全部责任。为确保安全，一名专业安全技术人员坐在驾驶座上，并被指示在任何意外问题出现时立即接管控制。道路实验以小规模小组进行，每次试验只有一名参与者。为使驾驶体验尽可能逼真，参与者坐在右后座，即驾驶员斜后方（见图4）。这种座位安排使参与者能够清晰地看到自动驾驶转向和车辆对复杂交通的实时响应。共完成311次试验，累计约104小时的驾驶时间。安全技术人员极少干预，使系统在大部分时间内自主运行。因此，参与者体验到了高度一致且真实的自动驾驶过程。实验后的反馈也表明，安全驾驶员的存在并未降低他们对系统能力的信心。具体实验流程如下所述。参与者首先被告知实验方案，随后签署知情同意书。之后，在平板设备上播放介绍Apollo的视频（参见附录B）。随后，参与者填写了一份基线接受度问卷。在实验阶段，Apollo 自主运行，穿梭于十二个预设的交通场景中。研究人员在场，以回应参与者的任何询问。完成道路评估后，参与者被要求再次填写接受度问卷。作为报酬，每位参与者获得了70元人民币，约合10美元。下载：下载高分辨率图像 (273KB) 下载：下载全尺寸图像 图4. a) 实际车辆测试的座位安排；b) 从参与者座位看到的景象。来源：作者

现场实验是在一条最高限速为30–60公里/小时的指定路线上进行的。由于交叉路口多且频繁停车，Apollo的平均速度约为21公里/小时，最高达到58公里/小时。这与人类驾驶员在60公里/小时限速下的平均速度相似。每位参与者只能参加一次实验，因为我们要求他们之前没有乘坐过真实世界自动驾驶汽车的经验。

4.4. 结果

4.1. 验证性因子分析

使用AMOS 24软件对测量模型进行了验证性因子分析，以全面评估其信度和效度。首先，通过Cronbach's Alpha系数评估内部一致性信度。实验前和实验后的所有系数均超过了0.7的可接受阈值（参见表4），从而表明量表的信度很强（Kline, 2023）。随后，使用六个指数评估模型拟合度：χ2/df比率（理想范围为1–3）（Hsu et al., 2012）、RMSEA值（良好标准低于0.05）（Kline, 2023），以及GFI、AGFI、IFI和CFI（均需超过0.90）（Hsu et al., 2012）。根据修正指数调整模型后，所有指标均满足建议阈值（Schreiber et al., 2006）。

表4. 信度和效度分析结果。
项目 | 实路乘坐 | 观看视频
| α | CR | AVE | α | CR | AVE
PU | 0.81 | 0.81 | 0.59 | 0.83 | 0.83 | 0.62
PeoU | 0.86 | 0.86 | 0.67 | 0.82 | 0.82 | 0.61
TR | 0.83 | 0.83 | 0.62 | 0.87 | 0.88 | 0.70
PR | 0.86 | 0.86 | 0.68 | 0.88 | 0.88 | 0.72
BI | 0.86 | 0.86 | 0.68 | 0.79 | 0.79 | 0.56
GA | 0.84 | 0.84 | 0.73 | 0.77 | 0.78 | 0.64

在视频条件下，拟合指数如下：χ2/df = 1.907，RMSEA = 0.055，GFI = 0.929，AGFI = 0.895，IFI = 0.966，CFI = 0.966；而在乘坐条件下，指数为：χ2/df = 1.496，RMSEA = 0.040，GFI = 0.943，AGFI = 0.915，IFI = 0.984，CFI = 0.984。这些指数均满足良好拟合的标准，从而表明模型与数据拟合最佳。此外，表4中呈现的组合信度和平均方差提取结果显示，所有构念的CR值均超过0.7，且两种条件下的AVE值均超过0.5，这意味着测量工具表现出稳健的结构信度和收敛效度（Kline, 2023）。最后，使用Fornell-Larcker准则评估区分效度，该准则规定每个构念AVE的平方根必须大于其与其他构念的最高相关性（Fornell和Larcker, 1981）。表5中的数据证实，这些概念在统计上显著代表不同的心理维度，表明它们可以清晰地区分。

表5. 描述性统计、相关性和区分效度。
观看视频 | M (SD) | PU | PeoU | TR | PR | BI | GA
PU | 3.91 (0.64) | (0.79) | | | | |
PeoU | 3.75 (0.64) | .460** | (0.78) | | | |
TR | 3.59 (0.70) | .605** | .566** | (0.84) | | |
PR | 3.54 (0.69) | -0.066 | -.159** | -.224** | (0.85) | |
BI | 3.74 (0.60) | .579** | .576** | .689** | -.182** | (0.75) |
GA | 3.94 (0.52) | .451** | .419** | .523** | -.190** | .616** | (0.80)

现场实验 | M (SD) | PU | PeoU | TR | PR | BI | GA
PU | 3.86 (0.61) | (0.77) | | | | |
PeoU | 3.89 (0.66) | .662** | (0.82) | | | |
TR | 3.82 (0.62) | .638** | .595** | (0.79) | | |
PR | 3.12 (0.79) | -.177** | -.121* | -.164** | (0.82) | |
BI | 3.89 (0.66) | .675** | .687** | .710** | -.148** | (0.82) |
GA | 4.03 (0.59) | .668** | .600** | .680** | -.189** | .755** | (0.86)

注：括号中的对角线值表示Fornell-Larcker区分效度分析中平均方差提取的平方根（√AVE）。非对角线值表示不同构念之间的皮尔逊相关系数。M = 均值；SD = 标准差。*p < 0.05；**p < 0.01。

4.2. 相关性分析与区分效度

使用方差膨胀因子（VIF）评估多重共线性。观察到的最大VIF为2.15，视频环节后PU、PeoU、TR和PR的值分别为1.64、1.52、1.96和1.06，现场实验后分别为2.15、1.95、1.86和1.04。由于VIF值低于五（通常认为可接受），因此未发现多重共线性问题（Myers, 1990）。随后进行皮尔逊相关分析，以探索BI和GA与PU、PeoU、TR和PR之间的关系。表5显示了变量之间的相关性，以及我们对概念区分效度的评估。对角线条目（用括号表示）表示每个概念的平均方差提取的平方根，从而证明每个概念的内部一致性。非对角线值是相关系数，表示概念之间关系的强度。分析显示，在视频和乘坐实验条件下，每个概念的内部一致性值均超过该概念与任何其他概念之间的相关系数。这一观察结果与Fornell-Larcker准则一致。结果表明，在两种实验环境中，PU、PeoU和TR与BI和GA呈正相关，而PR与BI和GA呈负相关。所有相关性均具有统计显著性，证实这些变量适合后续的结构分析。

4.3. 多组分析

采用独立样本t检验和单因素方差分析（ANOVA）来评估不同人口统计学群体之间在自动驾驶汽车接受度方面的潜在差异。考察了性别、年龄、教育程度、技术熟练度、驾驶经验以及对自动驾驶汽车的熟悉度的影响。研究结果表明，在“观看视频”和“实路乘坐”阶段之间，用户的感知发生了细微变化（参见表6）。在体验前阶段，认知评估和采纳意向在不同人口统计学群体（包括性别、驾驶经验和教育）之间表现出相当大的一致性（p > 0.05）。个人的性别和先前的驾驶经验成为试驾后影响接受水平的关键因素。女性参与者相对于男性对应者，对PU（p = 0.012）、BI（p = 0.028）和GA（p = 0.027）表现出明显更积极的评价。此外，研究发现，没有驾照的个体对自动驾驶汽车的接受度（BI，p = 0.011）和感知社会接受度（GA，p = 0.011）显著高于经常驾驶者。

表6. 研究不同阶段的多组分析。
变量 | 实路乘坐 (p值) | 观看视频 (p值)
性别 | PU (0.01)**, BI (0.03)**, GA (0.03)** | PU (0.56), BI (0.63), GA (0.81)
年龄 | TR (0.045)** | PeoU (0.01)**
教育 | BI (0.19), GA (0.15) | BI (0.82), GA (0.23)
熟悉度 | GA (0.02)** | PU (0.04)**, BI (0.01)**, GA (0.02)**
驾驶经验 | PU (0.001)***, BI (0.01)**, GA (0.01)** | BI (0.31), GA (0.55)
驾驶频率 | BI (0.01)**, GA (0.008)*** | BI (0.43), GA (0.42)

注：*p < 0.1；**p < 0.05；***p < 0.01。

年龄和先前经验表现出动态影响。最初，年长用户认为系统更易用，而年轻参与者（18–22岁）在互动后TR显著增加（p = 0.045）。熟悉度对个人BI的影响在乘坐后减弱，尽管它继续显著影响GA（p = 0.023）。相反，教育水平在研究的两个阶段始终不显著。这些发现表明，虽然测量模型在不同群体中总体稳健，但乘坐体验对特定人群——特别是女性和非驾驶员——产生特定的“增益效应”，增强了他们对实用性的感知和采用FAV的倾向。

4.4. 两种情境之间的差异

使用配对样本t检验来检验两种条件下潜在构念的差异。如表7所示，与视频情境相比，实路乘坐后PeoU、TR、BI和GA得分显著更高，而PR显著更低。这种差异在图5中清晰可见。然而，PU总体未发现显著差异（t = -1.494，p = 0.136）。相反，对个别项目的详细检查揭示了总体得分所掩盖的显著差异。具体而言，便利性（PU1）和多任务处理（PU3）的感知有用性在道路测试后显著下降，表明参与者发现FAV在操作效率上低于他们最初的想象。相反，安全改进（PU2）的感知显著增加，表明参与者认为FAV更安全。

表7. 所有变量的均值、标准差和t检验差异。
项目 | 实路乘坐 均值 (SD) | 观看视频 均值 (SD) | t | p
PU | 3.86 (0.61) | 3.91 (0.64) | -1.494 | 0.136
PU1 | 4.01 (0.69) | 4.15 (0.62) | -3.075 | 0.002
PU2 | 3.78 (0.70) | 3.62 (0.77) | 3.496 | 0.001
PU3 | 3.78 (0.76) | 3.96 (0.73) | -3.670 | < 0.001
PeoU | 3.89 (0.66) | 3.75 (0.64) | 3.302 | 0.001
TR | 3.82 (0.62) | 3.59 (0.70) | 5.866 | < 0.001
PR | 3.12 (0.79) | 3.54 (0.69) | -7.629 | < 0.001
BI | 3.89 (0.66) | 3.74 (0.60) | 4.501 | < 0.001
GA | 4.03 (0.59) | 3.94 (0.52) | 2.614 | 0.009

下载：下载高分辨率图像 (195KB) 下载：下载全尺寸图像 图5. 乘坐前后所有变量的平均得分比较。注：误差线代表标准差（SD）。具体p值表示条件之间差异的统计显著性水平。

4.5. 路径分析

采用结构方程模型（SEM）和路径分析来研究内生构念（BI和GA）与外生构念（PU、PeoU、TR和PR）之间的关系。图6显示所有拟合指数均达到推荐阈值，确认模型拟合充分。

下载：下载高分辨率图像 (540KB) 下载：下载全尺寸图像 图6. 视频和乘坐环节中BI和GA的路径分析结果。注：* p < 0.05；**p < 0.01；***p < 0.001；虚线 = 不显著效应。

结构模型在视频条件下解释了BI的76%，在乘坐条件下解释了79%，而GA在各自情境中分别被解释了45%和75%。PU、PeoU和TR对BI持续产生显著且直接的效应，而PU和TR是GA的主要决定因素。本研究不支持PeoU对GA的假设影响。在两种模型中，PR与BI或GA均无显著关联。在预测变量中，TR是影响BI的最主要因素。

4.6. 中介分析

通过bootstrap程序评估中介效应，使用5,000次重复生成95%偏差校正置信区间（CIs）。当CI不包含零时，确立统计显著性，这对应于p值阈值小于0.05（Kline, 2023）。关于总效应，在乘坐体验后，信任被确定为BI（β = 0.838）和GA（β = 0.812）的最显著预测因子。信任对BI和GA既有直接效应，也有间接影响。具体而言，PeoU和PU中介了信任对BI的影响（β = 0.380），而其对GA的影响（β = 0.379）仅通过PU中介。这些发现强调了信任在BI和GA发展中的关键中介作用。

4.7. 多组结构方程模型分析

采用多组结构方程模型来检验基于视频和实路情境之间的差异。这种方法有助于评估跨不同组的形态不变性和异质性。模型拟合指数在两种情况下均显示可接受的表现（对于BI：χ2/df = 1.768，RMSEA = 0.035，GFI = 0.940，AGFI = 0.912，IFI = 0.975，CFI = 0.975；对于GA：χ2/df = 1.565，RMSEA = 0.030，GFI = 0.953，AGFI = 0.928，IFI = 0.983，CFI = 0.983）。

随后使用临界比评估路径差异，值超过1.96表示统计显著性（Wu, 2009）。无约束模型和约束模型之间的比较揭示了显著差异。对于BI分析，卡方检验表明无约束模型（χ2 (164) = 290.016，p < 0.001）与结构权重模型（χ2 (182) = 328.522，p < 0.001）之间存在统计显著差异，Δχ2 (18) = 38.506，p = 0.003，在95%置信区间内。同样，GA分析显示无约束模型（χ2(138) = 215.940，p < 0.001）与约束模型（χ2(155) = 276.318，p < 0.001）之间存在显著差异，Δχ2(17) = 60.378，p < 0.001，也在95%置信区间内。此外，对结构路径和协方差的检查揭示了两个组之间的显著差异。如表8所述，在连接PU到GA和BI、TR到GA和BI、PeoU到BI和PU以及TR到PeoU的路径中观察到显著变化。

表8. 多组分析结果。
路径 | 实路乘坐 β | 观看视频 β | 路径差异 | CI | p
PU → BI | 0.203 | 0.239 | 0.155 | 90% CI [0.014; 0.290] | 0.073
PU → GA | 0.412 | 0.272 | 0.320 | 95% CI [0.163; 0.485] | < 0.05
PeoU → BI | 0.309 | 0.249 | 0.153 | 95% CI [0.019; 0.282] | < 0.05
PeoU → PU | 0.484 | 0.156 | 0.251 | 95% CI [0.081; 0.414] | < 0.05
TR → BI | 0.458 | 0.485 | 0.147 | 90% CI [0.006; 0.289] | 0.084
TR → GA | 0.433 | 0.326 | 0.291 | 95% CI [0.143; 0.443] | < 0.05
TR → PeoU | 0.714 | 0.660 | 0.210 | 90% CI [0.016; 0.420] | 0.072

4.8. 假设检验

与视频条件相比，参与者在实路乘坐Apollo后表现出更强的使用意图和接受FAV的意愿。表9总结了假设检验结果以及乘坐条件下的标准化路径系数。除H4、H5、H8和H9外，所有假设均得到支持。必须注意，“不支持”不一定意味着没有影响，而是我们缺乏足够证据证明存在显著影响。

表9.假设检验结果。假设路径标准化估计值p值H1PU → BI0.2030.050H2PU → GA0.412< 0.001H3PeoU → BI0.309< 0.001H4PeoU → GA0.0720.436H5乘坐体验后PU降低。-0.136H6乘坐体验后PeoU增加。-0.001H7PeoU → PU0.484< 0.001H8PR → BI-0.0040.927H9PR → GA-0.0490.276H10乘坐体验后乘客对FAV的PR降低。-< 0.001H11TR → BI0.458< 0.001H12TR → GA0.433< 0.001H13TR → PU0.433< 0.001H14TR → PeoU0.714< 0.001H15TR → PR-0.1730.010H16乘坐体验后乘客对FAV表现出更高的信任水平。-< 0.001H17乘坐体验后乘客对FAV表现出更高的BI。-< 0.001H18乘坐体验后乘客对FAV表现出更大的GA。-0.0095. 讨论本研究提供了关于与私人自动驾驶汽车直接互动对年轻成年人接受FAV影响的实证数据。通过对比视频观察和公共道路上一手乘坐体验所获得的感知，本研究阐明了影响BI和GA的主要因素。在TAM的基础上纳入TR和PR，该模型在实验后解释了79%的BI和75%的GA，从而超越了先前基于调查的研究（例如Xu等，2018）的解释力。这些发现强调了真实世界体验在促进更准确的AV接受度评估方面的重要性。5.1. 理论意义直接暴露对PU、PeoU、TR和PR关于FAV接受度的影响表现出若干显著趋势。利用精细化可能性模型（ELM）（Petty和Cacioppo，1986），该模型常用于态度和说服研究，直接体验可以通过两个关键过程影响感知：（i）促进更认知密集的信息加工，以及（ii）基于直接证据而非抽象推测促进态度和BI的发展。在AV的框架内，乘坐车辆体验为乘客评估PeoU和PU提供了具体基础，这两种认知信念与新技术功能最直接相关。本研究结果表明，直接体验显著改善了BI、PeoU和TR，同时降低了与FAV相关的PR。尽管PU的整体测量没有显示出显著增加，但其三个组成部分表现出不同的行为：PU1和PU3下降，而PU2在实地试验后显著增加。这一复杂结果表明，虽然某些预期收益可能与实际乘坐体验不符，但其他收益，特别是与功能性能相关的收益，可以通过直接互动得到强化。重要的是，与早期基于调查的研究（例如Xu等，2018）相比，我们的实地实验提供了更强的证据，表明真实世界的乘坐体验显著提升了采用FAV的意愿。多种因素可以解释这一效应。现有的AV系统，如百度Apollo，可能已经超越了用户对技术复杂性和操作可靠性的期望。此外，暴露于真实世界的驾驶场景可能增强了乘客在日常出行背景下对FAV的理解，从而促进更现实和积极的评价。这些发现强调了直接体验在影响公众接受AV方面的重要性，这对于该技术的广泛使用至关重要。基于ELM，该理论认为直接体验加强了感觉、信念和行动之间的联系，本研究表明在公共环境中与AV互动强化了重要概念之间的关键关系。更准确地说，PU、PeoU、BI和GA的预测力通过与TR的关联得到增强，而PR在所有实验条件下始终未能显著预测BI和GA。有趣的是，PU总体得分没有显著变化；然而，其三个测量项目揭示了不同的模式。关于PU，假设H5未获得统计支持，意味着乘坐后没有明显的整体下降。然而，对各个项目的仔细检查揭示了一种平衡机制，有助于解释这种稳定性为何出现。参与者对便利性的期望（PU1、PU3）在意识到操作限制后显著下降；他们对车辆安全性能的信心（PU2）增加。因此，这些相反的力量有效地相互抵消，导致PU总体得分保持一致。这种变化可能部分归因于主流媒体对AV相关事件的报道（Banks等，2018），这可能最初降低了公众的安全期望。我们的结果表明，直接体验具有重新调整这种感知的能力。值得注意的是，这一结果证实了先前的研究，这些研究已将PU确定为影响私人AV（Xu等，2018）和自动驾驶巴士服务（Yan等，2022）中BI的关键因素。此外，我们的发现支持PU在影响各种自动驾驶技术背景下的BI和GA中的核心作用，正如Rahman等（2017）和Liu等（2019a）所示。关于PeoU的发现与先前关于AV技术的研究一致，特别是Ho等（2025）和Xu等（2018）的研究，这些研究强调了PeoU在塑造BI中的重要性。我们的研究表明，PeoU是影响BI的关键因素。此外，这种效应在参与者直接体验AV后更强。在试验之前，参与者可能难以理解AV的工作原理（K?rber等，2018），这使得PeoU的预测力较低。然而，当他们观察到安全操作员几乎不与Apollo车辆互动，主要充当被动监督者时，这为参与者提供了更清晰的图景。这种亲身观察可能帮助他们感到AV易于使用，从而增强了PeoU对BI的影响。有趣的是，虽然PeoU始终强烈影响BI，但其对GA的影响在两种条件下都很小。这一发现支持了Zhu等（2024）的论点，即功能特性（如易用性）主要通过增加用户对自己使用技术能力的信心——即所谓的自我效能感——来鼓励采用。因此，PeoU主要涉及个人信心和意图，而GA反映了更广泛的社会认可（Lee和Kim，2025）。本质上，当人们评估FAV是否应被广泛接受时，他们往往更关注安全和信任，而不仅仅是操作简便性，这在个人使用和整体社会接受之间形成了区别。由于安全是人类的基本需求，人们对交通风险的感知长期以来一直被视为影响他们对自动驾驶汽车接受程度的关键因素。然而，由于缺乏商业环境中的现实世界研究，我们并未完全理解在不同情境下塑造公众意见的心理过程。本研究的对比实验表明，参与者在视频观看期间的风险感知与Zhu等（2020）高度一致，证实了间接信息流是构建公众先入之见的核心渠道。然而，随后的亲身经历导致PR显著下降，表明直接感官体验在认知校准方面比视频等中介信息发挥更强的效应。进一步的研究挑战了低风险感知总是导致高接受度的传统假设。研究表明，人们对风险的感知并不总是预测他们的行为或整体接受度。这种逻辑分歧源于安全第一效应和信任替代的联合作用：一方面，实验环境中的参与者将安全协议视为默认前提，将风险感知降低到基本阈值而非决策变量；另一方面，通过直接体验建立的系统性信任作为调节变量，削弱了风险感知的心理权重。因此，在自动驾驶的采用中，风险降低仅仅构成技术接受度的基线，而信任的深度建立仍然是最终用户采用的核心驱动力。信任长期以来一直被认为是人机交互中的基本要素（Lee和Moray，1994），其影响接受度和对自动化系统的依赖的方式类似于其在社会环境中的作用。先前的研究表明，培养初始信任可以减轻对采用新技术的反对，从而在不确定性中促进其使用（McKnight等，2002）。本研究证实了信任显著塑造FAV的BI和GA的主张，从而强调了其作为关键决定因素的重要性（Choi和Ji，2015；Ho等，2025；Xu等，2018）。信任的影响可以通过认知心理学的启发式框架轻松阐明：在高度不确定性的背景下，信任作为关键的认知捷径发挥作用（Siegrist，2000）。鉴于L4级自动驾驶集成了传感器融合和实时路径规划等复杂技术——这些元素超出了普通用户的认知能力——它经常引发相当大的心理负担（Glikson和Woolley，2020）。因此，信任减轻了技术复杂性，使用户能够规避详尽、资源密集的风险评估，转而依赖简单的启发式推理（Siegrist等，2003）。虽然模型纳入了TR和PR等要素，但结果表明PR对BI和GA没有显著影响，从而突显了信任的优先性。这一观察源于信任在决策早期阶段的作用：当用户依赖制度性信任来处理技术不确定性时，它将PR降低到不显著影响决策的水平。信任作为一种强大的认知捷径，直接增强了PU和PeoU（Choi和Ji，2015；Pavlou，2003）。因此，信任是安全的基础，也是引导用户采用的主要决定因素，尤其是在风险感知较弱或不可靠时。5.2. 采用意愿中的人口统计学差异本研究揭示了从间接暴露到直接暴露的转变在不同用户群体中产生不同效应。具体而言，感知的变化表现出显著的人口统计学差异。根据Hoff和Bashir（2015）的三元信任模型，接受技术的倾向取决于倾向性、情境性和习得性信任，这些因素是相互关联的。性别和年龄等因素显著影响技术创新的初始接受度。同时，实地实验促进了用户从“初始习得信任”向“动态习得信任”的转变，在此过程中，他们根据车辆在现实世界中的实际表现调整自己的信念。实地乘坐后，性别成为观察接受模式的关键因素。虽然最初对视频的反应在性别间相对一致，但物理互动在女性参与者中引发了积极反应的显著增加。乘坐后，与男性相比，女性在PU、BI和GA方面表现出显著更高的得分。这一观察表明存在“安全验证效应”。Hulse等（2018）发现，女性通常对交通有更多隐藏的安全担忧。她们作为乘客或行人时也倾向于感知更高的风险。此外，Gkartzonikas和Gkritza（2019）发现，男性通常对FAV表现出较少的忧虑，他们更可能期待享受而非焦虑。相反，持续的L4体验作为关键评估，消除了这些推测性的担忧，并促进了信任与系统可靠性之间更强的关联。同时，最显著的转变发生在“非驾驶者”中——即没有驾照或既定驾驶模式的人。对于这一群体，FAV代表着从将交通视为技能到将其概念化为服务的基本转变。虽然自动驾驶遭遇的频率此前无关紧要，但实际的乘坐体验相对于活跃驾驶者显著增加了他们采用该技术的倾向。这一观察与Gkartzonikas和Gkritza（2019）提出的包容性出行框架一致，该框架认为AV有助于减轻交通弱势群体的出行障碍。Harper等（2016）发现，非驾驶者的潜在需求在美国每年可能增加高达1940亿英里的车辆行驶里程。这种对采用技术兴趣的增加是由感知收益驱动的，例如更好地获得就业和基本服务。相反，活跃驾驶者通常对技术采取更批判性的视角，将其视为对其驾驶自主权的潜在威胁。最后，年龄被证明是决定体验后建立信任程度的关键因素。虽然年长参与者（23岁及以上）在视频阶段最初更积极地评估系统的可用性，但年轻乘客（18-22岁）在乘坐后表现出显著更高的信任水平。这一观察支持了年轻人群对新技术的接受度更高的主张，与Gkartzonikas和Gkritza（2019）的发现一致。此外，本研究证实了Hoff和Bashir（2015）的观点，即体验式学习可以加速信念调整。此外，Hulse等人（2018）提出，在复杂环境中获得可靠的自动化反馈后，年轻用户对信任的重新校准更为迅速。考虑到许多传统调查方法易受认知偏差影响且需要创造性的推断，我们的研究结果强调了在培养不同年龄段用户的“适度信任”中，物理互动的独特重要性。因此，这些人口统计学见解表明，FAV有可能促进公平出行，这取决于用户群体能否通过直接且安全的互动重建其信任。5.3. 实践意义本研究的调查结果为旨在提升FAV的BI和GA的车辆生产与公共传播策略提供了实践考量。此外，正如Lee和Kim（2025）所提议的，针对特定接受环境量身定制战略举措是有益的。为提升BI，制造商可以通过优先考虑操作简便性和个人优势来获得有利结果。相反，为提升更广泛的GA，培养信任和减轻安全顾虑可能是促进接受的关键。为避免采用通用、统一的方法，利益相关者应实施有针对性的干预措施，以解决不同用户群体独特的心理和生理需求。一个至关重要的考量是增强PU的重要性，因其与使用意愿密切相关，从而凸显其关键作用。参与者对PU条目的反馈为潜在干预策略提供了宝贵视角，这些策略也可能适用于其他态度维度。PU3的显著下降（前测均值=3.96，后测均值=3.78）表明，在乘坐后，参与者对FAV实现非驾驶活动能力的评价较低。这些发现为行业利益相关者和政策制定者突出了关键的战略目标。首先，提升自动化系统的技术可靠性和透明度至关重要。具体而言，实施更清晰的人机界面、容错控制设计以及实时安全反馈机制，可以直接减轻感知风险并增强用户对系统可靠性的信心。此外，针对性别差异的外展举措对于利用本研究发现的“安全验证效应”至关重要。制造商应设立专门针对女性的试验和体验项目，因为她们倾向于首先表达更大的潜在安全顾虑和感知风险。将这些潜在担忧转化为对技术的积极接受，最有效的方法是通过直接物理互动来验证安全性能。再者，制定基于证据的沟通和展示政策至关重要。政府和制造商应超越传统的营销或媒体推广，转而建立公共测试项目、城市示范区和沉浸式乘坐体验（Mao等人，2025a）。这些项目旨在帮助公众了解自动驾驶汽车的工作原理、安全特性及其实际应用。它们通过将复杂的技术理念与日常经验联系起来，简化了理解过程。这一过程有效弥合了感知与现实之间的鸿沟，有助于公众更快地接受这些技术。研究结果明确表明，无论参与者之前是否有在公共道路上使用Apollo车辆的经验，PeoU都显著影响BI。此外，在预测FAV的未来采用方面，PeoU的影响比PU更为显著。这一观察表明，潜在用户可能更看重自动化系统交互的易用性和直观性，而非纯粹的功能优势。因此，FAV的设计和开发应首要追求简化和高效的运行性能，因为可用性最终可能比感知有用性更能驱动接受。这需要优化人机界面以提升清晰度并降低认知负荷。开发者应专注于通过使用熟悉的符号、清晰的语言以及不同车型间一致的布局来简化交互设计，以缩短学习曲线。因此，可以通过涉及不同年龄和经验水平用户的真实用户测试来优化系统响应和界面人体工程学。同时，与行业监管机构合作制定人机界面标准化指南，对于保持各品牌和平台间的一致性至关重要。我们的研究表明，在参与者与自动驾驶汽车直接互动后，信任成为影响BI和GA的最重要因素。更高的信任水平往往导致更大的采用新技术的意愿和更广泛的接受。然而，关于人机交互的研究显示了一些潜在风险，例如过度信任和过度依赖自动化（Lee和See，2004）。此外，持续的不信任仍然是需要解决以促进更广泛采用的重大障碍。建立公众信心是一个全面的过程，涉及解决伦理和社会关切、增强自动化决策的透明度（Shariff等人，2017），以及改善人们对系统可靠性、可用性和可解释性的感知（Hengstler等人，2016）。具体而言，建立战略性信任应涉及理解代际差异和促进出行便利。年轻乘客可以作为“技术大使”，通过亲身体验帮助重建信任。同时，鼓励包容性出行对于满足非驾驶者未满足的需求至关重要。将AV纳入出行即服务系统，有助于解决需要帮助的人群面临的出行挑战，从而强化车辆作为社会赋能者的角色，而非仅仅是技术革新。5.4. 局限性与未来工作虽然本研究提供了有用的见解，但认识到其局限性和未来研究的机会也很重要。第一个局限性涉及样本的人口构成。尽管研究关注的是18至44岁年龄段，即FAV的预期主要用户群体，但大多数参与者处于较年轻段（18-35岁）。这种不均衡的年龄分布引发了对代表性的质疑，因为较大年龄段的观点仅被极小程度地代表。然而，由于研究主要考察的是直接体验前后的受试者内部变化，因此观察到的接触效应在更广泛的年龄段中可能会保持相对稳定。另一个限制涉及实验设计，特别是公共道路试验中驾驶座上安排了一名训练有素的安全员。尽管FAV设计为无需人工参与即可运行，但现有法规和安全要求强制采取这一预防措施。安全技术员的可观察存在可能充当了“信任的外部锚点”。尽管安全技术员的角色是被动的，但其在场可能提供了心理安全网，可能相对于完全无人驾驶的情况提升了TR和BI水平。人工监督的存在可能减轻了PR，从而影响参与者行为。因此，本研究的结论可能无法完全代表在真正自动驾驶环境中的反应。这一具体问题凸显了在自动驾驶汽车的实际评估中，协调生态效度与安全必要性的固有困难。为了推进该领域研究，后续研究应专注于厘清人工监督的影响。研究人员可以设计实验，对比配备车内安全驾驶员的互动与采用远程监控系统的互动。这些方法，当与高度沉浸式模拟环境相结合时，将能够实现与SAE 5级车辆的更真实互动，从而阐明自动驾驶系统对用户感知的真实影响。6. 结论研究表明，在公共道路上与自动驾驶汽车直接互动可以显著提升公众对该技术的接受度。我们调查了306名年轻乘客，考察他们在体验“观看宣传视频”和“亲自乘坐自动驾驶汽车”前后接受度的变化，以评估这两种体验方式的独特效果。研究表明，与AV的直接互动显著增强了乘客对技术的信心，促进了对其可用性和安全性的改善感知。因此，这些积极体验与更高的技术采用可能性和更广泛的社会接受度相关联。此外，研究发现，实际乘坐体验对接受度的影响在不同人口群体间存在显著差异，主要受性别、驾驶经验和年龄影响。真实的车辆体验对女性用户起到了“安全验证”的作用，因为系统的一致性运行缓解了她们的安全焦虑。非驾驶者获得了出行便利感和自主感，从而满足了他们对独立交通的需求。此外，在目睹系统可靠性能后，18-22岁年龄组相较于23岁及以上组表现出更高的信任度。这些发现强调了将实践经验纳入公众评估和宣传活动的必要性。自动驾驶的广泛采用不仅需要可靠的技术，还需要人们能够直接与之互动的方式。因此，包容性设计和直接互动策略对于解决非驾驶者和女性用户的特定出行焦虑至关重要，可能加速AV的更广泛社会采用。致谢本工作得到国家自然科学基金[批准号：72471249]、长沙市自然科学基金[批准号：kq2402221]以及长沙市重大科技项目[批准号：kh2401002]的资助。CRediT作者贡献声明蒋千山：写作——初稿、方法论、调查、正式分析、数据管理、概念化。Jaeyoung Jay Lee：写作——审阅与编辑、监督、资金获取、方法论、概念化、数据管理。Farrukh Baig：写作——审阅与编辑、验证、数据管理。王玉清：验证、写作——审阅与编辑。Amjad Pervez：写作——审阅与编辑。蒋千山|Jaeyoung Jay Lee|Farrukh Baig|王玉清|Amjad Pervez中南大学交通运输工程学院，长沙，湖南，410075，中国