文献研读 | 自动驾驶汽车异常驾驶行为引发的驾驶愤怒效应

CASA范式的应用不仅限于计算机领域。近期对自动化主体的研究也支持该范式。CASA范式及其支持性研究表明了人-人及人-计算机互动的相似性，暗示人类驾驶员与机器人驾驶员的互动礼仪将与其他人类驾驶员相似。

驾驶愤怒（Driving anger）是一种常见的驾驶员负面情绪(Deffenbacher et al., 2003; Neighbors et al., 2002)。驾驶愤怒是受情境、人口统计学（年龄、性别）、人格特质等因素影响的负面情绪，会显著诱发冒险驾驶、攻击性行为，是交通安全的关键风险因素(Deffenbacher et al., 1994, 2003)；其测量采用成熟的驾驶愤怒量表（DAS），涵盖非法驾驶、低速占道等典型愤怒诱发场景。

心智感知(Mind Perception)理论认为人类对非人类主体的反应由“心智感知”主导，该感知包含两个维度：能动性(agency)(即行动与规划能力,如自我控制、道德判断、情绪识别、思维能力)和体验性(experience)(即感受与感知能力,如饥饿、恐惧、疼痛、喜悦的感受能力)(Gray et al., 2007)；本研究认为心智感知并非单纯引发积极反应，过度赋予体验性可能触发“恐怖谷效应”，导致负面情绪。

核心研究问题与研究假设

现有研究缺口：过往基于微观模拟的研究对AV的安全效益预测存在分歧，且普遍忽视两大关键问题：一是当前AV安全性仍不足，测试数据显示其单位里程事故率远高于传统车辆；二是AV融入交通后可能引发人类驾驶员的负面交互行为（如挑衅、追尾等），但缺乏从人机交互视角探究人类驾驶员情绪反应的实证研究。本研究聚焦以下问题：

1.AV的异常驾驶行为是否比人类驾驶员的相同行为更易引发人类驾驶员的驾驶愤怒？

2.人类对AV的态度、心智感知（体验性、能动性维度）与驾驶愤怒存在何种关联？

3.年龄、性别等人口统计学因素是否会调节驾驶愤怒的水平？

CASA范式认为，人类驾驶员可能对人类与机器人驾驶员的相同异常行为平等对待。然而，近期关于人类对人类与机器人驾驶员反应的研究表明，人们对待机器人驾驶员更为严厉。例如，在混合交通场景中，参与者对自动驾驶车辆表现出比其他人类驾驶员更强的攻击性驾驶意图。

因此，本研究提出H1：AV的异常行为比人类驾驶员做相同的异常行为时引发的驾驶愤怒更高。

“态度”指人们对事物、问题或个人的整体评价（如喜欢或不喜欢、赞成或反对）(Eagly & Chaiken, 1993)。对某项技术或行为的态度是预测人们接受该技术或行为的关键指标(Ajzen, 1991; Davis, 1989; Nordhoff et al., 2019)。对自动驾驶汽车的态度影响公众接受度及使用意愿(Zhang et al., 2019)。

因此，本研究提出H2：参与者对AV的态度与其因AV异常行为引发的愤怒情绪呈负相关。

人们对于自主主体(autonomous agents)是否具有类人心智的认知（即心智感知），会直接影响其与这些智能体的互动方式及情感反应(De Graaf & Malle, 2019; S. Lee et al., 2020)。

Young与Monroe(2019)的研究表明，在道德困境中，参与者将更高的心智归于AV，可以预测更低的对于AV道德困境行为的愤怒。Waytz等(2014)发现，当AV被动卷入事故中时，一辆像人的AV比普通AV受到的指责更少。Keijsers与Bartneck(2018)的研究指出，参与者对机器人“心智”的归因越强，其反应的攻击性就越弱。

本研究假设，自动驾驶汽车的体验性与能动性归因会影响驾驶者对它们的愤怒情绪。因此，本研究提出H3：参与者对AV的体验性归因与其因AV异常行为引发的愤怒呈负相关。H4：参与者对AV的能动性归因与其因AV异常行为引发的愤怒呈负相关。

实证研究

1.实验设计

• 被试及分组

被试：

通过微信等社交媒体招募671名受访者。排除无驾照者(40人，6.0%)和数据异常者(9人，1.3%)，最终有效样本 622 人。

分组情况：

人类驾驶场景组(n=303)：女性占比54.1%，平均年龄27.1岁。AV场景组(n=319)：女性占比50.2%，平均年龄25.7岁。两组性别无显著差异，年龄存在轻微显著差异，已在后续分析中作为协变量控制。

• 研究工具与测量指标

驾驶愤怒量表：基于短版驾驶愤怒量表（DAS）及其中文版改编，含8个异常驾驶场景，采用5点计分（1=完全不愤怒，5=非常愤怒），经探索性因子分析（EFA）验证为单因子结构，信效度良好。（8种场景：DA1车辆在车流中随意变道穿插；DA2车辆在山路上低速行驶且不靠边让行；DA3车辆未观察路况便直接倒车冲到你前方；DA4车辆闯红灯；DA5你准备超车时，前方车辆突然加速阻碍超车；DA6车辆停车缓慢，造成交通拥堵；DA7车辆对你的驾驶行为鸣笛示意；DA8车辆在非常靠近你的情况下变道超车。）

心智感知量表：采用Gray等人（2007）的量表，含9个条目，分为体验维度（感受痛苦、恐惧、愤怒、愉悦，4个条目）和能动性维度（自控、规划、道德行为、思维、情绪识别，5个条目），后因“情绪识别”条目在两维度交叉载荷被剔除。

AV态度量表：2个条目（“对AV的整体评价”“对AV的喜好程度”），5点计分。

人口统计学变量：收集性别、年龄、驾照持有情况等信息。

• 研究流程

被试先确认驾照资质，随后根据手机号末位奇偶性随机分配至两组（保证随机性）。人类驾驶场景组阅读“日常驾驶中遇到的烦人情况”说明后，评估8种场景的愤怒程度；AV场景组先阅读AV普及的背景说明，再评估“与AV共享道路时遇到的烦人情况”（将场景中“一辆车”替换为“一辆自动驾驶汽车”）。AV场景组额外完成AV态度量表和心智感知量表，所有被试最后填写人口统计学信息。

2.研究结果

• AV与人类驾驶场景的愤怒程度对比（H1验证）

通过协方差分析控制性别和年龄后，结果显示：

总体驾驶愤怒：AV场景显著高于人类驾驶场景，H1成立。

具体场景愤怒：8种异常行为场景中，AV场景的愤怒评分均显著高于人类驾驶场景，其中“闯红灯”（DA4）的差异最大，“车流中随意变道”（DA1）的差异相对较小。

• 态度与驾驶愤怒的关联（H2验证）

相关性分析：AV场景下，态度与总驾驶愤怒无显著关联。

分组分析：将态度分为低、中、高三组（基于M±SD划分），协方差分析显示三组愤怒程度无显著差异，H2被拒绝。

• 心智感知与驾驶愤怒的关联（H3、H4验证）

能动性维度（H4验证）：

相关性分析：能动性归因与总驾驶愤怒呈显著负相关。

分组分析：低能动性组愤怒程度显著高于中能动性组；高能动性组与人类驾驶场景愤怒程度无显著差异，即高能动性归因消除了人机愤怒差异。

回归分析：线性模型拟合良好，H4成立。

体验性维度（H3验证）：

相关性分析：体验性归因与总驾驶愤怒无显著线性相关。

分组分析：中体验性组愤怒程度显著低于低体验性组和高体验性组，呈U型关系。

两线分析：以2.5为转折点，转折点前体验性归因与愤怒呈负相关，转折点后呈正相关，进一步验证U型关系，H3被拒绝。

推测：高体验性归因触发“恐怖谷效应”，导致人类驾驶员产生不适感和更高愤怒。

• 人口统计学因素的调节作用

年龄：30岁以上组的总驾驶愤怒显著低于30岁及以下组，在6个具体场景中均呈现此趋势，与过往“年长驾驶员愤怒倾向更低”的研究一致。

性别：总驾驶愤怒无显著性别差异。

理论意义与实践启示

理论意义

1.揭示人机交互的特殊性：研究发现，AV的异常行为比人类驾驶员相同的异常行为引发更强烈的驾驶愤怒。这一结果挑战了经典的“计算机是社会行动者”范式，表明人类并非“不加思考”地对机器应用社会规则，而是有意识地区分人类与机器驾驶员，并对后者的反应更负面。

2.引入“心智感知”作为解释框架：研究成功地将心智感知应用于交通交互领域。

能动性（计划、自控等）与驾驶愤怒呈负相关。感知到AV具有高能动性可以消除人-AV在引发愤怒上的差异。

体验性（感受疼痛、恐惧等）与驾驶愤怒呈U型关系。赋予AV中等程度的体验性时愤怒最低，而赋予其过高或过低的体验性都会导致更高愤怒。作者推测，高体验性感知可能触发了“恐怖谷”效应，使AV显得怪异且令人不安。

3.丰富驾驶愤怒研究：将驾驶愤怒的研究对象从传统的人-人交互，拓展到了新兴的人-机（AV）交互场景，并验证了年龄等因素的影响（年轻驾驶员愤怒水平更高）。

实践启示

1.识别混合交通新风险：明确指出AV的异常行为及其引发的人类更高愤怒，是未来混合交通流中的一个新兴风险。这种愤怒可能转化为针对AV的攻击性或欺凌行为，威胁道路安全。

2.为AV设计与政策提供指导：

对开发者：不应只关注技术安全和规则遵守，还需设计更易预测、更符合人类期望的拟人化驾驶行为，并考虑通过外部人机接口（如信号、道歉）来解释行为、缓解人类愤怒。

对政府和公众：需要通过宣传和教育，让人类驾驶员认识到AV并非完美，其某些异常行为不可避免，过度的愤怒反应会危害自身安全。

✨本期分享人胡凡，浙江工商大学应用心理学专业一年级研究生，来自浙江杭州。主要研究兴趣为自动驾驶技术的应用与社会伦理问题。

✨智研前沿Human-AI Inquiry是由浙商大 Insight & Interaction Lab 研究小组运营管理的公众号，聚焦商科语境下人工智能与人类社会的交汇研究，分享学术文献精读与研究洞察。关注我们，洞见智能时代的商业与人文前沿。