预测对自动驾驶汽车的信任：用机器学习建模年轻成人心理社会特征、风险收益态度和驾驶因素

研究背景与问题

• 发现的问题或挑战: 作者发现年轻人对自动驾驶汽车（Autonomous Vehicles，AV）的信任不足，这是阻碍广泛采用自动驾驶技术的主要障碍。尽管自动驾驶汽车提供诸如减少交通事故、提升效率和降低环境影响等潜在益处，但公众对自动驾驶技术的信任不足导致难以推广。特别是，信任问题在涉及个人安全的高风险场景（如驾驶）中尤为严重。

• 重要性: 信任是主动接受并使用技术的前提。即使自动驾驶汽车的性能和安全性十分优越，没有用户的信任，这些技术仍可能面临 adoption 的失败。因此，理解信任的形成及其影响机制对于技术的成功部署至关重要。

• 研究动机和相关工作: 虽然现有研究已经探索了自动驾驶信任相关的个性特征、态度和经验，但多数研究覆盖的变量过于单一，且单独研究变量的方式限制了对这些变量间相互作用的理解。此外，大多数研究针对总体群体而非特定群体，因此难以满足特定用户群体的需求。从而，他们试图通过广泛变量的调查和机器学习方法来填补这两个研究空缺，并特别关注年轻成年人这一未来的交通技术主要用户群体。

解决方案

• 提出的方法或解决方案: 本研究通过问卷调查收集年轻人的数据（样本量 = 1457），涵盖心理、驾驶行为、技术态度及对自动驾驶风险和益处的感知等广泛变量。随后使用机器学习（例如随机森林、支持向量机等）对用户的信任进行预测，并结合SHAP（Shapley Additive exPlanations）解释关键影响因素。

• 创新之处:

  1. 调查因素比以往任何研究都更全面，涵盖了广泛的个人特征和自动驾驶相关的风险与益处评估。
  2. 使用机器学习方法捕捉复杂的非线性特征间关系，而传统统计方法可能会遗漏这些关系。
  3. 应用可解释性AI技术（SHAP），揭示不同变量的相对重要性及其对预测信任的贡献。
  4. 通过对年轻成人群体的专注，为这种特定人群提供深层次的见解。

• 实施步骤:

  1. 数据收集: 使用问卷收集全面的个人特征和态度，例如驾驶行为、心理因素、对自动驾驶的风险和益处感知。
  2. 模型构建: 通过机器学习算法预测用户是否属于“高信任”或“低信任”群体。
  3. 特征重要性分析: 用SHAP解释模型结果，获取变量的重要性排名及其对信任预测的影响。
  4. 孤立变量分析: 进行特征消融实验（即去除某些变量后），以进一步探索特定变量对模型的影响力。

研究成果

• 取得的具体成果:

  1. 机器学习模型准确率高达85.8%，能够有效预测年轻人的自动驾驶信任水平。
  2. 不同因素的重要性分析显示，风险与益处的感知对信任预测至关重要，其中“总体风险与收益评估”贡献最大。
  3. 特定的心理、驾驶和技术相关特征的重要性低于预期，挑战了以往对信任机制的假设。
  4. “人类化”的AV决策模型被证明与更高的信任相关。

• 优势:

  1. 比传统线性回归或方差分析更具预测力，并能够捕捉非线性和交互效应。
  2. 提供具体可操作的设计指导，用于进一步优化对年轻人的自动驾驶技术沟通和设计。

• 实验或评估结果:

  • SHAP分析揭示“总体风险与收益评估”、“减少事故”和“易用性”等是信任评级的主要因素。另一方面，复杂的心理或驾驶性格特征对信任预测显得不那么重要。
  • 特征消融实验验证了风险与益处感知的重要性，仅使用风险与收益特征的模型几乎能达到完整模型的预测精度（84.6%）。

• 局限性与未来方向:

  1. 局限性: 本研究数据基于自我报告，可能存在主观偏差；此外，样本主要集中在美国的年轻大学生，限制了结果的广泛适用性。
  2. 未来方向:
     • 在不同年龄和文化背景的群体中重复研究以验证结果的普适性。
     • 使用行为信任而非自我报告数据，以提高信任预测的精确性。
     • 测试实际应用于AV设计的建议，以验证信任提升效果。

总结

该研究证实通过个人特征可以有效预测年轻人对自动驾驶汽车的信任，并揭示风险/收益感知是最重要的信任预测因素。研究结果对未来的自动驾驶设计和政策制定提供了重要启示，包括如何设计易理解且透明的系统以提升用户信任，同时为其他群体的个性化设计和研究提供了范例。