揭示路怒症动态：基于真实世界 footage 在视听和模拟环境中重建与建模路怒症

文献标题

Unveiling Road Rage Dynamics: Recreating and Modeling Road Rage in Audiovisual and Simulating Environments Based on Real-World Footage

出版信息

• 主题领域: 路怒动态与数字化干预方法。
• 关键词: 路怒，视听环境，模拟环境，R3-Ftg 数据集，愤怒建模，副交感反弹，HCI，情绪调节，动态阻尼函数，触发器识别。

背景与问题

• 问题/挑战: 现有的路怒数字化干预方法主要集中在事后响应的检测与调节上，这可能无法及时预防事件的发生。此外，这些方法由于依赖领域特定的训练数据集，面临泛化性挑战。
• 重要性: 路怒带来了显著的安全风险，包括车祸、肢体冲突和死亡。理解其动态对于开发事前干预措施以降低这些风险至关重要。
• 动机与相关工作: 先前的研究探索了路怒的心理模型和数字化干预方法，包括测量、诱发、检测和调节。然而，这些研究通常依赖缺乏生态有效性的人工场景或数据集。本文旨在通过使用真实世界视频建模路怒动态，并在受控环境中重现真实场景，来填补这些空白。

解决方案

• 提出的方法: 开发*真实路怒视频 (R3-Ftg) 数据集，并在视听和模拟环境中重现诱发愤怒的场景，以研究路怒动态。
• 创新性:
  1. 创建首个包含真实世界路怒视频的细粒度标注数据集 (R3-Ftg)。
  2. 在双重环境（视听和模拟）中重现真实路怒场景，以进行受控实验。
  3. 使用二阶阻尼振荡函数建模路怒动态，捕捉“缓慢上升、快速衰减”现象。
• 流程与关键技术:
  1. 收集并标注81段真实世界路怒视频，记录物理/交通条件和交互事件。
  2. 在视听和模拟环境中选择并重现最具诱发愤怒的场景。
  3. 招募52名高特质愤怒参与者进行实验，记录自我报告和EEG数据。
  4. 开发动态阻尼模型以表征路怒的时间模式。

结果

• 具体发现:
  • 在两种环境中均成功诱发了路怒，其中模拟环境提供了更为真实的体验。
  • 路怒动态呈现“缓慢上升、快速衰减”模式，并通过非对称阻尼函数建模。
  • 自我报告和EEG测量显示强相关性，愤怒峰值均出现在第7分钟左右。
• 相较基线的优势: 模拟环境诱发的愤怒强度高于视听环境，但在严格校正后未达到统计显著性。
• 实验/评估:
  • 参与者: 52名高特质愤怒个体（年龄22.26 ± 2.74岁，14名女性，38名男性）。
  • 指标: 自我报告的愤怒水平（Likert量表）和EEG指标 (βH + γ)/(θ + α)。
  • 实验阶段: 平静、刺激和恢复，刺激源自标注的真实世界视频。
• 局限性与未来工作:
  • 参与者多为年轻男性，未来研究将聚焦于老年人和女性驾驶员。
  • 未考虑车内条件等偶发性情绪影响因素。
  • 环境间中等效应量差异需更大样本量验证。
  • 实验后残留的情绪不适感需进一步研究。

总结

本研究通过创建R3-Ftg数据集并在受控环境中重现真实场景，填补了路怒研究中的关键空白。通过对52名参与者的实验，识别出路怒动态的“缓慢上升、快速衰减”模式，并使用二阶阻尼振荡建模。研究结果为事前调节策略提供了可操作的见解，并为实时触发器识别系统铺平了道路。未来工作将集中于扩展参与者群体特征、优化实验条件，并解决与残留情绪不适相关的伦理问题。