使用驾驶实验室评估车内任务的分心效应

研究背景与问题

• 作者发现了哪些问题或挑战？
  现有测量司机注意力分散的实验室方法存在构造和生态效度的缺陷，无法提供全面可靠的估计，反映车辆内部任务对司机注意力分散的影响。这些方法通常只聚焦于任务时间或平均目光离开时间等，忽略了潜在的致撞风险，以及认知和视觉分散的综合影响。

• 为什么这个问题很重要？
  司机注意力分散被广泛认为是导致交通事故和危急状况的主要原因之一。然而，缺乏可操作、广泛接受的测量方式，难以为车辆用户界面(UI)设计提供有力支持，尤其在现代较为复杂的电动车中，UI设计是否会引发注意力分散与增加事故潜在风险，需要更直接和生态有效的评价体系。

• 研究动机与相关工作
  以往工作主要关注:

  1. 测量的有效性和可靠性：如操作时间、目光离开时间等指标缺乏清晰的因果关系。
  2. 仿真驾驶实验中的人工感知与真实世界的差异：驾驶模拟器的任务要求可能不同于真实驾驶。
  3. 交通事故因果分析的欠缺：在测量中缺乏与真实交通中碰撞潜在风险的直接联系。

  为解决这些问题，作者提出了一种基于“安全车间距维护”的新型测量方法，专注于反映真实驾驶场景中需要的关键认知过程。

解决方案

• 作者提出了哪些方法或解决方案？

  1. 创建了一个名为“Drive-In Lab”的实验室环境，与实际交通能更好模拟匹配，用户可以直接在真实车辆中完成注意力分散测量。
  2. 提出了新的“司机注意力不足”和“分散”操作定义，结合个性化刹车反应时间和当前跟车距离，评估司机是否因分散而未能保持能够有效避免追尾的安全距离。
  3. 提供了关乎实时车距数据和分散效应结果的新测量方法，即比较司机在无任务驾驶与带任务驾驶时的分散效应和车间距不稳定率。

• 该解决方案的创新之处是什么？

  1. 情景真实性：通过180度屏幕呈现实际视角，与真实驾驶条件高度模拟一致，允许分析自然认知过程（如对前方车辆的反射反应）。
  2. 个性化测量：基于个人刹车反应时间和上下文情况，为每位参与者适配安全驾驶的基准。
  3. 分散效果定量化：提出基线对比和“分散比率”的新指标，直接关联注意力分散和潜在事故风险。
  4. 识别UI设计良莠：通过任务的细化分析，揭示UI设计的差异性对驾驶分散效应的影响，诸如直观性和菜单布局对任务完成效率的干扰。

• 实施步骤是什么？使用了哪些关键技术？

  1. 实验环境搭建：实验室使用三投影仪系统提供180度驾驶视角，同时辅以后视镜通过屏幕模拟后方视野。车辆驾驶部件如刹车踏板与实际车辆连接，且动态反馈提供真实感。
  2. 场景与测试设计：设定随机化任务序列，司机需完成如调节空调、导航、亮度等常见车内部任务。
  3. 数据捕获与分析：记录每秒车距、任务完成时间以及司机反应等核心数据，采用Wilcoxon符号秩等非参数统计分析方法，计算出任务对分散的效应规模效应值。
  4. 多车型、多任务实验验证：使用两辆不同型号的2024电动车（VW ID.7 和 Kia EV9），测试32名不同年龄段参与者覆盖多个任务情境。

研究成果

• 取得了哪些具体成果？

  1. 验证实验可靠性和效度：研究发现，参与者在带任务情况下较基准驾驶增加了车距不足的比例，证明新定义的分散测量有较高的构念效度。
  2. 区分UI交互任务的分散效应：测量显示某些任务（例如屏幕亮度调节）对分散影响较大，而通话任务对分散的影响较小。
  3. 制定任务评级标准：通过效应值(r值)将每项内车任务评级为弱效应至中强效应（0-3星标准），为生产厂商改进内车交互设计提供直观参考。

• 与现有解决方案相比，它有哪些优势？

  1. 与传统测量注重“需求”（如目光持续时间）相比，方法直接量化分散对安全驾驶的关键影响（如刹车或避让延迟）。
  2. 允许打破实验室与真实场景的部分隔阂，确保测量的生态效度。
  3. 提供适应个体变化的综合指标（例如根据反应时间与紧急车距阈值，动态确定安全系数）。

• 实验或评估结果是什么？

  1. VW ID.7 UI在导航与亮度任务设计上引发更多注意力分散（低星级），而Kia EV9则在某些辅助功能调整中减少分散。
  2. 使用混合效应模型分析，发现任务完成率和UI复杂度显著影响参与者分散率指标。
  3. 在可靠性验证方面，通过随机采样低误差测试表明，该实验方法重复性和跨样本稳定性良好。

• 局限性与未来方向

  1. 局限性：
     • 实验条件仍与实况驾驶存在差异，例如复杂交通场景和紧急刹车等动态性因素未完全模拟。
     • 未对语音命令等新型人机交互方式展开研究。
     • 分散效应是否能直接转化为真实事故风险需进一步考察。
  2. 未来方向：
     • 扩展研究范围至多种驾驶场景（如城市、雨天、夜间）。
     • 探讨不同文化背景或驾驶习惯参与者的适应性，以检查全球化应用有效性。
     • 将生物信息（如EEG脑电或眼动数据）与现有测量指标结合，进一步验证对认知负荷与安全反应的关联性。

通过提供直观量化指标与模型，该研究为司机分散测量及车辆UI设计优化奠定了基础，或可推动行车安全评定标准的改革，显著减少司机因车内任务导致的驾驶分散风险。