道路上亲社会AI道歉机制：针对其他驾驶员不当行为的情绪补偿

文献标题

Prosocial AI Apologies on the Road: Emotional Compensation for Other Drivers' Misbehavior

出版信息

• 主题领域: 基于人工智能的交通互动中的情绪调节
• 关键词: AI道歉, 亲社会谎言, 情绪调节, 交通安全, AR-HUD, 驾驶行为, 社会代理, 原谅, 愤怒缓解, 智能交通系统

背景与问题

• 问题/挑战: 传统的交通沟通机制（如手势）由于物理障碍和高速动态的限制，在驾驶违规行为中无法有效提供情绪修复。现有系统缺乏自动化且有效的方法来缓解负面情绪并修复交通中的社会关系。
• 重要性: 交通中的情绪反应（如愤怒和报复行为）会增加安全风险。通过人工智能介导的道歉来解决这些情绪问题，可以提升交通安全和社会和谐。
• 动机与相关研究: 先前研究表明，道歉和AR-HUD系统在减少路怒和促进共情方面具有显著益处。然而，这些系统通常依赖于肇事者的意图，当肇事者缺乏责任感或共情能力时，其效果有限。本研究引入了一种基于AI的道歉机制来弥补这一不足。

解决方案

• 提出的方法: 基于AI的“社会代理”系统，通过AR-HUD界面代表肇事司机传递道歉信息，利用亲社会谎言来缓解负面情绪并促进原谅。
• 创新点:
  1. 引入AI驱动的“社会代理”机制以解决交通冲突。
  2. 实证评估亲社会谎言作为交通场景中的认知干预工具。
  3. 系统性分析道歉深度对情绪缓解和原谅的影响。
• 流程与关键技术:
  • 开发了一个多模态人机交互原型，整合了视觉（AR-HUD图标）和听觉（语音信息）道歉提示。
  • 设计了五种道歉深度：无道歉（NA）、仅表达遗憾（RO）、遗憾+责任（RR）、遗憾+责任+解释（RRE）以及完整道歉（FA）。
  • 在驾驶模拟器中进行了2x5混合设计实验，40名参与者在低风险和高风险交通场景中对系统进行了评估。

结果

• 具体发现:
  • AI道歉在低风险和高风险场景中显著减少了愤怒情绪并提高了原谅程度。
  • 内容更丰富的道歉（RR、RRE、FA）比简单道歉（RO）或无道歉（NA）更有效。
  • 参与者获得了心理益处，并对AI介导的亲社会谎言表现出高度接受。
• 相较基线的优势:
  • RR、RRE和FA在缓解愤怒和增强原谅方面显著优于NA（例如，PANAS: FA = 3.00 vs. NA = -1.90, p <.001）。
  • RRE和FA在接受度和感知心理益处方面表现最佳，相较于简单策略更具优势。
• 实验/评估:
  • 参与者（N = 40）在驾驶模拟器中体验了两种风险场景（低风险：慢车；高风险：强行插入）以及五种道歉深度。
  • 使用验证量表（如PANAS, ARS, HFS）测量情绪状态、愤怒、原谅、沟通策略的接受度以及心理益处。
• 局限性与未来工作:
  • 仅限于两种风险场景；需要更广泛的生态有效性。
  • 在模拟器中进行，而非真实环境。
  • 未涉及肇事者行为或长期效果；未来应探索责任机制和纵向研究。

总结

本研究引入了一种基于AI的道歉系统，通过亲社会谎言缓解交通冲突中的负面情绪。通过驾驶模拟实验，该系统被证明能够减少愤怒、增加原谅并提供心理益处，尤其是在使用更丰富的道歉内容（如解释和承诺）时。尽管参与者认可了该系统在情绪调节方面的益处，但也对肇事者责任问题提出了关注。研究结果突显了AI作为智能交通系统中社会代理的潜力，为更安全、更具同理心的交通互动提供了可能的路径。