JCP | 公众感知与自动驾驶汽车责任

📘 文献介绍

题目：Public perception and autonomous vehicle liability（公众感知与自动驾驶汽车责任）

作者：Julian De Freitas、Xilin Zhou、Margherita Atzei、Shoshana Boardman、Luigi Di Lillo

发表期刊：Journal of Consumer Psychology

发表时间：2025年

🔍 研究背景

自动驾驶汽车的承诺与挑战
全球每年约125万人死于交通事故，其中90%由人为错误导致。全自动驾驶汽车（AV）有望通过消除疲劳、分心、酒驾等因素大幅降低事故率，同时带来减少拥堵、解放注意力、降低碳排放等社会经济效益。然而，AV的广泛部署面临一个关键障碍：事故责任与公众感知。

研究空白
现有文献主要关注：

1. AI失败时的责任归因：多数研究发现，当AI（或AV）犯错时，人们倾向于比人类更少责备AI，因为AI被认为缺乏意图和自主性。

2. AV的接受度：消费者对AV的信任不足，担心安全、失控以及算法在道德困境中的决策。

但一个被忽视的重要问题是：当AV不是事故过错方时，公众是否仍会要求AV制造商承担赔偿责任？ 现实中，Cruise等公司的AV已遭遇“无过错事故”后被吊销运营许可的先例。这一问题对AV的保险、定价乃至产业生存至关重要。

研究问题

1. 与人类驾驶车辆（HDV）制造商相比，AV制造商在无过错事故中是否会被消费者认为应承担更高责任？

2. 这一判断的心理机制是什么？（反事实思维的可及性）

3. 如何干预以降低AV制造商的不合理责任风险？

📐 理论框架与发现

核心概念

理论模型

AV的异常性 → 无过错AV变得显著 → 反事实相关度提升（想象AV本可不同行为）→ 认为AV制造商应承担责任

• 当无过错车辆是HDV时，人们主要关注过错方；

• 当无过错车辆是AV时，其“无人控制”的异常特征使人们想象“如果有驾驶员（或更优算法）就能避免事故”，从而判定AV制造商有责。

关键发现（3项主实验 + 4项补充实验，总样本N=5834）

研究1（Cruise真实事故场景）

• 材料：基于旧金山Cruise AV被撞击的真实事故（专家确认人类驾驶员无法避免）。

• 操作：无过错车辆为AV vs. HDV。

• 结果：

• 认为应起诉AV制造商的比例显著高于HDV制造商（38.3 vs. 30.6，p=0.001，d=0.24）。

• 反事实相关度中介效应显著。

• 对AV的信任度调节“AV→反事实相关度”路径（信任越低，反事实越相关）。

• 信任本身不直接中介责任判断。

• 支持假设：AV制造商在无过错事故中面临更高责任风险。

研究2（自发反事实生成）

• 要求参与者写出事故后家属“如果……”的想法。

• 结果：

• AV条件下43.2%的人提到无过错车辆，HDV条件下仅14.4%。

• 提到无过错车辆的参与者中，AV制造商被诉合理性远高于HDV（48.8 vs. 8.6，p<0.001）。

• 未提到时无差异。

• 在AV条件下，最常生成的反事实是“如果车里有人类”（56.6%）。

• 强化机制证据：反事实内容直接影响责任判断。

研究3（干预：强调过错方）

• 操作：在事故描述中额外强调“过错车辆超速并闯停牌”。

• 结果：

• 无干预时，AV制造商被诉合理性高于HDV制造商（17.0 vs. 9.4，p<0.001）。

• 有干预时，差异消失（12.2 vs. 11.4，p=0.65）。

• 干预降低了反事实相关度，从而消除了效应。

• 证明可管理干预：企业可通过强调过错方的违法行为来转移注意力，降低自身责任风险。

补充实验（概念复制）

• 使用不同事故场景、不同责任测量（如“车辆是否有缺陷”）、控制政治倾向和自认驾驶能力等，均得到一致结果。

📊 核心结论

1. AV制造商面临额外的“无过错责任”风险：在相同事故中，即使AV完全无过错，消费者也更倾向于认为AV制造商应被起诉或赔偿，而HDV制造商或人类驾驶员则较少被追责。

2. 机制是反事实思维的可及性：AV的“异常性”（无人驾驶）使其在事故中更突出，促使人们想象“如果AV行为不同（或有人类在控制）就能避免事故”，从而推断制造商有责任。

3. 信任起调节而非中介作用：对AV信任度低的人更易进行反事实思考，但信任本身不直接决定责任判断。

4. 可干预：在沟通或法庭辩护中强调过错方的违法行为，可有效转移公众注意力，减少对无过错AV的反事实关注，从而降低责任风险。

🎯 理论贡献

1. 挑战“AI被较少责备”的主流发现：以往研究多表明AI犯错时比人类更少被责备（因低能动性），本文发现在无过错情境下，AI因“异常性”反而被更多追责，拓展了对AI失败反应的理解。

2. 整合反事实思维与新产品责任：将反事实理论应用于新兴技术（AV），揭示“异常性”如何改变消费者构建因果解释的焦点。

3. 区分信任与反事实机制：明确了对AV的信任主要调节而非中介责任判断，为AV接受度研究提供更精细的模型。

4. 为产品责任法提供心理学基础：在缺乏明确“缺陷”定义时，公众感知可直接塑造法律责任标准，本文提供了实证证据。

💼 实践启示

⚠️ 研究局限

• 样本局限：主要使用美国Mturk和Prolific被试，结论可能不直接推广到法律环境差异较大的国家（如欧洲、亚洲）。

• 场景模拟性：虽然使用了真实事故还原和视频动画，但参与者并非真实陪审员，实际庭审中证据复杂性、律师辩论等因素未纳入。

• 未测量长期暴露效应：AV普及后，“异常性”可能减弱，但本研究为横截面设计，无法预测动态变化。

• 机制测量依赖自陈：反事实相关度通过问卷测量，虽结合了开放式编码，但仍可能有社会期望偏差。

• 未涉及多主体责任分摊：AV供应链涉及软件商、传感器商、整车厂等，本研究仅聚焦整车制造商，未分解责任归属。

🔮 未来研究方向

• 跨文化比较：在集体主义文化（如日本）或对技术更信任的国家（如中国），AV的“异常性”是否同样引发反事实归责？

• 长期正常化效应：随着AV在城市中成为常态，公众的反事实思维是否会减弱？需要纵向跟踪研究。

• 责任链分解：当AV事故涉及算法错误、传感器故障或地图数据问题时，消费者如何分配责任给不同供应商（软件商 vs. 硬件商 vs. 整车厂）？

• 其他异常技术的类推：本研究框架是否适用于其他“异常”AI产品（如医疗诊断AI、陪伴机器人）在无过错失败时的责任判断？

• 干预措施的边界：强调过错方虽能降低责任，但若过错方也是弱势群体（如行人违规），是否会产生伦理问题？

• 实际陪审团实验：与法律机构合作，使用模拟陪审团检验外部效度，并探索法官指示能否纠正公众偏差。

• 情绪因素：事故严重程度（死亡 vs. 轻伤）是否调节反事实思维的影响？受害者的身份是否影响？