视觉采样行为不能解释风险感知：一项数据驱动的可解释人工智能研究

驾驶员如何感知风险？理解哪些情况和因素导致驾驶员认为情况危急，可以增进我们对道路使用者行为的理解，并为自动驾驶技术提供信息。为了研究塑造驾驶员风险感的因素，我们进行了一项眼动追踪研究，27名参与者观看dashcam视频并持续对各种驾驶情境的感知风险进行评分。利用所得数据集，我们开发了一种基于计算机视觉的机器学习方法，从视频和眼动追踪数据生成可解释的风险感知预测。我们的SHAP分析显示，物体的接近度和场景中的车辆数量是感知危急性的最重要贡献者。最有趣的是，尽管人们在危急情境中倾向于采样相似的物体，但他们的风险感知仍然高度个人化，使得视觉采样行为成为风险感知的弱预测变量。总体而言，我们的解释揭示了超越先前工作的非线性洞察，表明风险感知不仅由视觉输入塑造，主要还由认知过程决定，这与态势感知理论模型一致。数据集、源代码和综合使用指南公开可用：https://osf.io/cwd6h/?view_only=31a8173570de4b0383f55d52dc784492。