视觉分心条件下不同警报模态对驾驶员注意力转换的影响评估：一种序列分析方法

《Systems》：Evaluating the Influence of Alert Modalities on Driver Attention Transitions Under Visual Distraction: A Sequence Analysis Approach Niloufar Shirani, Elena Orlova, Manmohan Joshi, Paul (Young Joun) Ha, Yu Song, Anshu Bamney, Kai Wang and Eric Jackson

　　

本研究采用序列分析（sequence analysis）评估在视觉分心条件下，不同警报条件如何影响驾驶员的注意力转换。研究采用被试内（within-subject）实验设计，13名参与者在驾驶模拟器中完成试验，分别经历3种不同警报条件：面部追踪听觉警报、方向盘听觉扭矩警报，以及无警报对照情境。研究人员使用眼动追踪系统记录驾驶员在3个关键兴趣区（Areas of Interest，AOIs）——道路、仪表板和基于平板的信息娱乐系统——上的注视时长与注视序列。分析方法包括转换概率计算、用于刻画长期注意力分布的马尔可夫链（Markov chain）建模，以及用于量化注视转换随机性的熵（entropy）分析。结果显示，与其他条件相比，面部追踪警报显著提高了注视重新定向至道路的概率，从而增强了即时性与持续性的注意力。方向盘扭矩警报的有效性极为有限，且由于其被动性质，驾驶员可绕过注意力重定向要求，因此在某些情况下其表现甚至劣于无警报条件。稳态（steady-state）分析进一步证实，面部警报可将驾驶员对道路的持续关注显著提升约3.6%，强化了其在长期注意力控制中的应用价值。熵分析还表明，面部警报在结构化注意力转移与行为灵活性之间提供了最佳平衡，从而提高了注意力行为的可预测性。上述发现与既有文献一致，强调了主动式、基于视线的干预相较于被动机制具有更优的效果。本研究凸显了在车辆安全技术中设计前瞻性警报系统的重要性，以有效降低视觉分心相关风险。

该文发表于《Systems》，围绕分心驾驶情境下警报系统如何重塑驾驶员视觉注意分配这一核心问题展开。研究背景在于，驾驶员注意力是道路安全的关键决定因素，而车载信息娱乐系统、触控界面与移动设备的广泛引入，使驾驶员在执行次级任务时更容易发生视觉分心和认知分心，进而削弱对动态交通环境的反应能力。既有研究已证明视觉分心会增加事故风险，也表明听觉、触觉等警报可在一定程度上召回驾驶注意，但关于不同警报模态在多任务场景下如何影响驾驶员在不同兴趣区之间的序列性注意转移，尤其是对道路、仪表板与次级任务界面之间注视切换机制的影响，仍缺乏系统性证据。因此，开展该研究具有明确必要性：其不仅可补充分心驾驶与警报干预交叉领域的证据空白，也可为符合安全系统（Safe Systems）理念的主动式车载安全设计提供依据。

研究人员以驾驶员—车辆—警报机制构成的社会技术系统为理论视角，将驾驶员注意力理解为系统交互中涌现的动态属性，而非仅仅归因于个体责任。研究重点考察了两类具有不同检测机制与行为约束逻辑的警报条件：一类为方向盘扭矩警报，基于方向盘传感器检测驾驶员5 s以上未施加转向扭矩后发出蜂鸣；另一类为面部追踪警报，基于车内面部识别摄像机检测驾驶员面部偏离道路5 s以上后发出蜂鸣。两者虽使用相同听觉刺激，但解除警报的行为要求不同：方向盘警报只需重新施加转向扭矩，而面部追踪警报则要求驾驶员将视线重新转回前方道路。研究最终得出结论：面部追踪警报在引导驾驶员视线返回道路、维持较长期道路关注以及提升注意转移可预测性方面均优于方向盘扭矩警报；后者因具备可被规避的被动特征，其效果有限，甚至在部分指标上劣于无警报条件。该研究的重要意义在于，证明了要求明确视觉再参与（visual re-engagement）的主动警报机制，比仅要求简单操作反馈的被动机制更能有效缓解视觉分心风险，并为未来高级驾驶辅助系统（ADAS）与车内安全提醒机制设计提供实证支持。

在技术方法上，研究采用被试内驾驶模拟实验，纳入13名具有有效眼动数据的参与者，样本来源于既往更大规模驾驶模拟研究中的视觉分心条件子样本。研究使用Tobii Pro Glasses 2眼动追踪设备，以100 Hz采样率记录注视数据，并将注视点映射至道路、仪表板和平板3个兴趣区（AOIs）。在数据处理后，研究构建注视序列，计算兴趣区间转换概率矩阵，采用一阶马尔可夫链（first-order Markov chain）估计稳态注意分布，进一步利用Shannon熵（Shannon entropy）量化注视转换随机性，并通过含随机效应的混合效应Logistic回归（mixed-effects logistic regression）分析不同警报条件对“下一次注视是否回到道路”的影响。

在研究结果部分，文章首先通过热图与序列图展示了不同警报条件下的注视分布与个体差异。结果表明，13名参与者在3种警报条件下共形成39条序列，尽管由于会话时长、校准漂移和短暂信号中断等因素存在部分缺失值，但整体数据质量足以支持后续分析。序列可视化显示，不同驾驶员的分心程度与道路关注水平存在明显个体差异，但在所有条件下，平板均是占据视觉资源最多的兴趣区，这与实验设置中持续进行卡片匹配任务的情境一致。

在“转换矩阵”结果中，研究分别构建了无警报、方向盘警报和面部警报3类转换矩阵，用于刻画驾驶员在各兴趣区之间的注视迁移概率。结果显示，在所有条件下，自转换（self-transition）概率最高，即驾驶员一旦注视某一兴趣区，往往会在该区域停留较长时间。例如，道路和平板的自转换概率均较高，说明驾驶员注视行为具有明显持续性。尽管总体模式以维持当前兴趣区为主，但从平板回到道路的转换概率在面部警报条件下最高，显著高于无警报和方向盘警报条件。这一结果说明，面部警报在驾驶员注意力已被平板吸引时，更能促进视线重新定向至道路；相反，方向盘警报在该转换上的概率最低，提示其对打断平板相关分心的能力较弱。

在“随机效应二元Logit模型”结果中，研究进一步检验了不同警报条件对回视道路概率的统计学影响。模型以“下一次注视是否落在道路”为因变量，将无警报设为参照组，并控制当前兴趣区和当前注视持续时间的对数值。结果表明，面部警报显著提高了注视返回道路的可能性，其比值比（OR）为1.716，意味着相较无警报条件，回视道路的优势比提高72%；方向盘警报则显著降低该概率，OR为0.63，说明其回视道路的优势比下降37%。此外，离开道路后的注视持续时间越长，之后回到道路的可能性略有增加；而当前注视来源于仪表板还是平板，并未显著影响回视道路的概率。该模型还显示参与者之间存在较大个体差异，提示驾驶员基础注视策略并不一致，但整体趋势仍稳定支持面部警报的优势。

在“稳态概率与长期注意分布”结果中，研究将各警报条件对应的转换矩阵转化为马尔可夫链，以估计稳态概率，进而表征在既有转换动力学下驾驶员长期注视分配的相对比例。结果显示，面部警报条件下道路的稳态注视比例最高，为34.0%；无警报次之，为29.7%；方向盘警报最低，为26.7%。换言之，与无警报相比，面部警报使道路关注比例提高约3.6个百分点，而方向盘警报反而降低道路关注比例。相对应地，方向盘警报条件下平板的稳态注视比例最高，说明在该条件下驾驶员更倾向于持续将注意力停留于次级任务界面。仪表板在所有条件下的稳态概率均最低，显示其并非本实验分心模式中的主要竞争性兴趣区。尽管两两Bootstrap置信区间比较未达到95%显著性水平，但其方向性模式与Logit模型结果一致，共同证明面部警报在促进道路再关注方面具有稳定优势。

在“熵分析”结果中，研究采用Shannon熵衡量不同警报情境下注视转换行为的随机性与可预测性。结果显示，各条件下熵值均处于中等水平，说明驾驶员的注视模式既非完全确定，也非高度无序。无警报、面部警报和方向盘警报的平均熵值分别为0.636、0.681和0.684。方向盘警报熵值最高，表明其注视行为最为随机，提示驾驶员在该条件下对警报的反应方式并不稳定：有时仅通过将手放回方向盘解除警报，而不必真正转移视线；有时则伴随一定的视线转移。无警报条件下，由于驾驶员未受外部干预，注视模式反而表现出更高一致性。面部警报的熵值虽高于无警报，但被研究者解释为在结构化道路回视与行为灵活性之间取得更优平衡，即既促进了可预测的道路再关注，又未将驾驶行为机械化。

在讨论部分，研究人员指出，尽管不同警报条件下的绝对差异幅度并不巨大，但所有主要分析——转换矩阵、混合效应Logit模型、稳态概率和熵分析——均朝着同一方向收敛：面部追踪警报优于无警报和方向盘警报，尤其在促使驾驶员从平板等次级任务重新看向道路方面表现更佳。研究进一步强调，这种优势并非来自听觉刺激本身，因为两类警报使用的是相同蜂鸣声，其关键差异在于警报解除所要求的行为逻辑。面部警报只有在驾驶员真正将目光转回道路后才会停止，因此构成了主动式、注意力强制再定向机制；而方向盘警报只需简单恢复手部输入即可解除，因此容易被驾驶员规避，无法保证视觉注意真正回归驾驶任务。研究还从安全系统视角指出，真实驾驶中的人类失误与分心并非例外，而是系统设计应预先考虑的常态，因此更有效的安全技术应通过系统级干预补偿人的可预见性局限，而不是单纯依赖驾驶员自我修正。

研究也讨论了若干局限性。首先，眼动分析样本量相对较小，仅13名参与者具备跨全部警报条件的可靠数据。尽管被试内设计和高频采样产生了大量注视事件，提升了分析灵敏度，但更大样本仍有助于增强结果的外推性。其次，马尔可夫链分析依赖一阶无记忆假设，即下一次注视位置仅由当前兴趣区决定，而不考虑更早先前的注视历史；此外，稳态推断还默认转换概率在任务过程中保持不变，但疲劳、习惯化或任务结构变化都可能导致其随时间波动。研究人员据此建议，未来可在更大样本中检验高阶马尔可夫模型或时变转换概率模型，以更细致描述驾驶注视动力学。

研究结论部分可译为：本研究采用综合性的序列分析方法，考察了在视觉分心条件下，不同警报条件如何影响驾驶员的注视转换与注意分配。借助驾驶模拟器和眼动追踪技术，研究为比较面部追踪听觉警报与方向盘扭矩警报的有效性提供了关键证据。结果表明，面部追踪警报可显著增强驾驶员将注意力重新定向至道路的能力，增加朝向道路相关兴趣区的注视转换；相比之下，方向盘扭矩警报的有效性有限，在某些情况下甚至劣于无警报情境。这一看似反常的结果凸显了警报设计的重要性：能够促使驾驶员立即将视线重新转向道路的主动式警报，明显优于可被驾驶员规避的被动式警报。马尔可夫链建模表明，面部警报可使道路稳态关注比例提升约3.6%，显示其在长时段分心情境下维持更安全驾驶行为的潜力。与此同时，熵分析显示，面部警报下的注意转换兼具适度随机性与稳定性，提示其在缓解持续性视觉分心时可取得较优表现，而不会引发过度不可预测的行为。从安全系统视角看，本研究结果强调，应将安全责任由个体驾驶员部分转移至系统层面的设计解决方案；相较于无需真正恢复视觉注意即可绕过的被动机制，那些要求驾驶员明确重新注视道路的警报模态，在降低分心相关风险方面更具潜力。这些发现为未来车辆安全技术设计提供了实践启示，也通过展示如何将注意支持型干预整合进驾驶员—车辆系统，为更广泛的安全系统研究提供了经验依据。