解释你自己！自动驾驶中实现积极用户体验的透明度

文献标题

ExplAIn Yourself! Transparency for Positive UX in Autonomous Driving

文献信息

• 主题领域: 自动驾驶用户体验设计、可解释人工智能
• 关键词: 用户体验, 解释性人工智能, 自动驾驶, 可控性, 用户接受度, 透明度, 人机交互, 驾驶模拟, 用户研究, 设计指南

研究背景与问题

• 作者发现的挑战:
  • 在自动驾驶车辆中，系统的人工智能替代了人的驾驶行为，这可能引发用户对系统的不信任，并导致负面用户体验（UX）。
  • 被动的驾驶体验（如乘客对车辆的决策感到困惑或不认可驾驶风格）可能会降低用户接受度和控制感。
• 重要性:
  • 在自动驾驶技术普及的初期阶段，用户接受度是决定技术成败的关键因素。
  • 提高用户感知的安全性与透明性，能有效减少用户的不安情绪，有助于推动自动驾驶技术的应用。
• 研究动机:
  • 深入探讨解释性人工智能（XAI）如何结合用户体验设计（UXD），以提高自动驾驶技术的透明度，并增强用户信任和接受度。

解决方案

• 提出方法:
  • 作者设计了一个基于驾驶模拟器和移动应用的实验研究，用以探索系统透明度对用户体验的影响。
  • 对比两种信息传递模式：实时解释（live explanations）和在驾驶后通过移动应用的回顾性解释（retrospective explanations）。
• 创新之处:
  • 将XAI方法与UXD结合研究，专注于信息透明度对首次使用自动驾驶车辆用户体验的影响。
  • 提供了一组初步的自动驾驶用户体验设计指南。
• 实施步骤:
  1. 使用固定驾驶模拟器及移动应用程序模拟完全自动驾驶场景（SAE Level 5级）。
  2. 将研究参与者分为两组，一组在乘车过程中获得实时解释信息，另一组仅在乘车后通过应用查看相关解释。
  3. 评估参与者在不同测试条件下的用户体验及感知安全性。
• 关键技术:
  • 动态驾驶场景中基于AR（增强现实）的视觉化信息呈现。
  • 使用标准问卷（AVAM和UEQ-S）来测量用户接受度、控制感及用户体验。

研究成果

• 主要成果:
  • 提供解释信息（无论是实时的还是回顾性的）均有助于将负面的用户体验转变为中性。
  • 实时解释对提高用户对自动驾驶的理解及接受度更为有效。
  • 用户更高的控制感与更积极的用户体验显著相关。
• 实验结果:
  • 提供实时解释的用户组在用户体验和理解系统行为方面显著高于未实时解释的组。
  • 在无实时解释情况下，移动应用的回顾性反馈显著提高了用户的感知控制感与理解度。
  • 然而，实时解释和回顾性反馈的结合效果并不显著。
• 局限性:
  • 使用静态驾驶模拟器可能影响了用户的真实感知，特别是在安全性测评方面。
  • 实验参与者普遍较年轻（平均年龄24.65岁），可能导致偏向于更高的技术接受度。
  • 研究仅针对首次用户的短期体验，尚未涵盖长期使用情况下的影响。
• 未来方向:
  • 探索个性化信息呈现，以适应不同用户的偏好与长期交互中透明度的变化。
  • 通过动态驾驶场景的实时实验，进一步验证信息透明度对用户信任及体验的影响。
  • 集成多模态交互（例如声音、座椅振动），以增强感官信息传递的有效性。

总结与贡献

• 初步设计指南:
  • 实时解释可有效缓解用户对自动驾驶负面情绪并提升体验。
  • 回顾性反馈在无实时解释情况下同样能改善体验，但实时解释对提供更好的整体心理安全感更有效。
  • 提高控制感是设计用户友好型自动驾驶系统的重要依据。
• 对研究社区的贡献:
  • 研究首次整合UX和XAI领域，提出了一些可以帮助设计更积极用户体验的实用见解和指导原则。
  • 为未来的自动驾驶与人机交互研究提供了参考方向。