文献研读 | 被自动驾驶激怒时,人的攻击性更强?

基于上述理论线索，本研究旨在进一步考察混合交通中的人 — AV互动。研究情境取自“愤怒驾驶倾向量表”（Propensity for Angry Driving Scale, PADS）（DePasquale等，2001）中，19种可能导致驾驶员愤怒的驾驶交互场景。具体而言，这些场景包括日常驾驶交互过程中常见的、可能引发驾驶员愤怒的事件，例如交互车辆违规行驶、被其他驾驶员挑衅、被慢车占用快车道等。

本研究主要考察在会引起驾驶员愤怒的驾驶交互情境下，该情境中引起愤怒的不同行动体（人类驾驶员 vs. 自动驾驶汽车）是否会对该驾驶员的报复性反应产生不同影响。据此，本文提出三个核心假设：

H1：人类驾驶员对AV的报复行为会比对其他人类驾驶员更具攻击性。

H2：感知AV具有“心”（有感情）会导致较少的攻击性报复行为。

H3：将情境归因为有意、自身情绪评价更消极的个体，其报复行为更具攻击性。

研究设计

预研究

研究首先对PADS量表进行了修改：降低部分报复行为选项的严重程度，将“做出下流手势”等选项替换为“鸣笛”“闪灯”等更常见的行为选项；创建自动驾驶汽车版本，将原量表中的“另一辆车”替换为“自动驾驶汽车”，将“另一名驾驶员”替换为“它”或“该车”；并为每个场景增设问题，以评估感知到的意向性、愤怒和恼怒程度。

随后，通过两项预研究，分别收集了修订后PADS中各反应选项的严重性评分（预研究1），并验证了两种AV能力描述的可理解性（预研究2）。两种描述分别为：“脑条件”（Mind condition），即能够交流和理解人类语言及手势；“心条件”（Heart condition），即拥有思想、体验内疚和感受的能力，并能分辨对错。

预研究结果显示，大部分可能引起驾驶员愤怒的场景对参与者来说，是可以理解和想象的，但PADS量表中场景8、14、17和18在AV版本中对部分参与者而言令人困惑且难以想象，因此主研究最终保留了该量表剩余的15个核心场景。

主研究

研究目的

实验设计

采用被试间设计，实验条件（人类驾驶员PADS、心条件的自动驾驶汽车PADS、脑条件的自动驾驶汽车PADS）为被试间变量。场景顺序随机化，每次呈现一个场景。根据预研究2的结果，主研究包含15个场景。

通过Amazon M-Turk招募1169名符合纳入标准（年满18岁、居住在美国、持有有效驾照）的参与者，随机分配至三个条件：心条件AV组392人、人类驾驶员组399人、脑条件AV组378人。大多数参与者（90%）听说过自动驾驶汽车。

使用三个版本的PADS、人口统计问卷以及攻击性问卷（AQ）测量被试特质攻击性。参与者首先阅读知情同意书，随后完成随机分配的PADS、人口统计调查和AQ。研究过程中随机插入注意力检查问题，参与者平均耗时约10分钟完成研究。

核心结果

两个AV条件下的驾驶员预期报复行为严重性均显著高于传统汽车（人类驾驶）条件。然而，意向性归因呈现相反模式：人类驾驶条件下，52.0%的参与者将场景评为有意；而在AV心条件和脑条件下，这一比例分别为43.1%和43.9%。当互动涉及AV时，参与者相对更频繁地将场景归因为无意。AV心和脑条件下的预期报复行为严重性并无显著差异。多水平模型结果显示：意向性评分、愤怒和恼怒评分及AQ分数均正向显著预测预期报复行为的严重性；年龄和性别负向预测预期报复行为，表明男性和年轻参与者的预期报复行为更严重。条件与意向性的交互项不显著。

综上，研究假设H1和H3得到支持，H2并未获得支持。

理论意义与实践启示

理论意义

1. 揭示人机不对称性的理论边界 

本研究在混合交通情境下系统检验了人类驾驶员对自动驾驶汽车与人类驾驶汽车的归因与行为差异。研究揭示了“人机不对称性”现象 — 参与者判定AV的行为是无意的，但却选择对它们做出更具攻击性的反应。这一发现为理解未来人机共存的复杂社会图景提供了实证基础。

2. 整合攻击性驾驶理论与心智归因理论

本研究将攻击性驾驶领域的归因框架与人机交互领域的心智感知理论相结合，在混合交通情境下系统考察了驾驶员对AV与人类驾驶汽车的差异化反应。研究结果为理解人机互动中的攻击行为提供了整合性的理论视角，拓展了攻击性驾驶理论在非人类行动者情境下的适用边界。

3. 验证归因 — 情绪 — 行为链条在AV情境中的适用性

本研究在社会行为理论框架下，证实了意向性归因与情绪反应对行为意图的预测作用同样适用于AV互动情境。这一发现表明，社会行为理论的核心逻辑 — 归因引发情绪、情绪激发行为，在人与非人类行动者的互动中依然成立，为理论在新技术情境下的应用提供了实证支持。

实践启示

1. AV行为设计的社会性考量

研究结果表明，AV的谨慎、规避风险的驾驶风格可能成为人类驾驶员利用和攻击的对象。制造商在设计AV的行为逻辑时，需充分考虑其行为如何被人类驾驶员解读与归因。

2. 混合交通安全的风险防范

鉴于人类对AV存在更强的攻击倾向，更好地理解攻击行为产生和升级的原因对于维护混合交通中的安全至关重要，尤其应关注自动驾驶系统对传统汽车驾驶员行为的影响。

3. 事故责任认定机制需提前布局

对自动化责任的判断不仅取决于意向性，还取决于情境意识与自主性。当AV造成事故时，公众对“谁该负责”的判断直接影响其情绪与行为反应。保险机构、司法部门与车企应共同建立清晰、透明的事故责任认定机制，明确算法失误、硬件故障、用户干预等不同情境下的责任归属，以疏导公众情绪、避免无序追责。

✨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。当前研究兴趣聚焦于自动驾驶技术的应用及其社会影响，尤其关注公众对自动驾驶汽车与人类驾驶交互行为的反应。

✨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。