人与自主系统交互中的个性化信任预测：一种折扣模型

《IEEE Transactions on Haptics》：Personalized Trust Prediction in Human–Autonomy Interaction: A Discounting Model

　　摘要：自动驾驶系统的日益普及凸显了理解和预测用户对这些技术的信任需求的迫切性。现有的信任预测模型对大多数用户表现良好，但无法捕捉"振荡者"的波动性大、高度波动的信任模式。这提出了两个关键挑战：第一，开发一种能够准确近似振荡者动态的模型；第二，识别哪些个体可能是振荡者，以便选择性应用该模型。针对第一个挑战，我们提出了一种折扣信任模型，该模型优先考虑最近的交互，同时衰减较早的交互，从而提高了对振荡者的预测准确性（最优折扣因子 λ = 0.8）。针对第二个挑战，我们开发了一个基于七项个人特征的分类模型，用于筛选潜在的振荡者。最后，我们将两种方法整合，仅对预测为振荡者的个体应用折扣信任模型。我们使用了两个数据集（开发集 N = 130，验证集 N = 41）。开发集用于确定最优折扣因子并训练筛选分类器。验证集用于识别潜在的振荡者并验证折扣信任模型在其上的表现。41名参与者中有4人被识别为潜在振荡者。我们使用考虑了自相关性的线性混合效应模型，将折扣模型与非折扣基线模型进行比较。与基线模型相比，折扣模型显著降低了预测误差（p < .001）。研究结果表明，结合个人特征和折扣因子对于提高对振荡者的信任预测具有重要价值。