文献研读|影响人类驾驶员对全自动驾驶汽车信任的关键因素

    完全自动驾驶汽车（Fully Autonomous Vehicles,FAVs）能够在所有道路条件下，无需人类干预独立完成驾驶任务，被视为减少交通事故、提升道路效率的关键技术。然而，行业预测显示其大规模普及可能要到2040至2060年，信任问题始终是最大的社会障碍。过度信任可能延误紧急情况下的人类干预，而信任不足则可能使社会错失技术红利。

    尽管外部人机界面（eHMI）可通过传达清晰意图来增强周边道路使用者的信任，但现有研究多聚焦于FAV直接用户或行人，长期忽视了一个同样关键的群体 — 在混合交通环境中与FAVs共享道路的人类驾驶员。当手动驾驶车辆与FAV交互时，人类驾驶员是否信任该系统的决策与行为，仍是一个未被充分探究的问题。

    本期我们团队成员-胡凡，为大家研读分享2026年Transportation Research Part F: Psychology and Behaviour期刊发表的一篇相关论文Research on the influencing factors of human Drivers’ Trust in fully autonomous vehicles。该研究基于刺激-有机体-反应（SOR）与风险感知态度（RPA）框架设计驾驶模拟实验，并采用PLS-SEM进行分析，识别了影响人类驾驶员信任的关键因素与中介机制，为FAV交互设计与政策制定提供了重要实证依据。

文献研读分享

题目：Research on the influencing factors of human Drivers’ Trust in fully autonomous vehicles

作者：Yifeng Cai,Yongkang Chen,Running Tang,Wu Song

期刊：Transportation Research Part F: Psychology and Behaviour

年代：2026

理论基础

1.刺激-有机体-反应理论框架（Stimulus–Organism–Response,SOR）

SOR框架由Mehrabian和Russell于1974年提出，用于解释外部刺激如何触发个体的内部认知过程，进而影响行为反应。在本研究中，FAV的设计特征以及社会影响构成了外部刺激（S）；人类驾驶员的内部认知状态构成了有机体（O）；而信任则被视为最终的行为反应（R）。该框架为理解FAV设计特征如何影响人类驾驶员的认知并最终影响信任提供了整体逻辑结构。

2.风险感知态度框架（Risk Perception Attitude, RPA）

RPA框架由Rimal和Real于2003年提出，是一种用于解释个体面对风险时反应的心理模型，其中感知风险与自我效能构成两大核心变量。与FAV直接用户或乘客不同，人类驾驶员并非技术的受益者，而是在交通环境中与之互动的其他道路使用者，因此其核心关切并非感知有用性或易用性，而是潜在交通风险与控制感。本研究将RPA框架嵌入SOR模型的“有机体”阶段，用以阐释感知风险与自我效能在FAV设计特征与信任之间的中介机制。

研究假设

H1：FAV的同理心将显著增强人类驾驶员的信任。

提出逻辑：同理心被定义为个体通过设身处地来体验他人情感并理解其处境的心理能力。在FAV语境中，同理心指车辆通过设计特征与人机交互机制主动感知并回应其他道路使用者的情感、意图与心理需求。已有研究表明，具备同理心的车载智能代理能帮助驾驶员保持更安全的驾驶行为并减少负面情绪，从而增强信任；FAV通过表达礼貌信息已证明能建立与行人的积极互动。据此推断，FAV表现出的同理心越强，人类驾驶员的信任水平越高。

H2：FAV的信息透明度将显著增强人类驾驶员的信任。

提出逻辑：信息透明度指系统有效传达其当前状态、潜在未来行动与能力信息的程度。在FAV交互中，透明度使人类驾驶员能够预判车辆行为，从而增强可预测感。研究表明，随着FAV自主能力提升，透明度的重要性相应增长；FAV通过eHMI向人类驾驶员提供运行状态与功能线索，当车辆传达让行意图时，通常被认为更透明、更可靠。由此推测，FAV的信息透明度越高，人类驾驶员的信任水平越高。

H3：社会影响将显著增强人类驾驶员对FAV的信任。

提出逻辑：社会环境影响个体的决策过程，人类本能地对社会线索做出反应。随着越来越多政府出台支持自动驾驶车辆测试与部署的政策，机构背书已成为塑造公众信任的重要因素。研究表明，FAV附近人类驾驶员的行为是交通交互中的关键信息源，社会影响已被证实能显著影响对FAV的信任。基于此，可以预期社会影响越积极，人类驾驶员对FAV的信任水平越高。

H4：人类驾驶员对FAV的主观知识将显著增强信任。

提出逻辑：主观知识指个体对某一产品类别熟悉程度的自我评估。在FAV语境中，人们的信任可能更依赖于主观知识而非客观技术专长。技术理解有限的个体因主观知识不足而倾向于表现出更消极的态度。现有研究表明，主观知识在信任形成中发挥重要作用，更高水平的主观知识与积极认知已被确认为促进公众对FAV的信任的关键因素。据此推论，人类驾驶员对FAV的主观知识越丰富，其信任水平越高。

H5：感知风险显著降低人类驾驶员对FAV的信任。

提出逻辑：感知风险指个体对潜在危险的主观评估。在自动化领域，它是信任的关键决定因素，尤其当个体考虑是否与自动化系统互动时。研究表明，较低水平的感知风险通常带来更高的信任。若人类驾驶员无法理解FAV的意图或怀疑其探测与规避故障车辆的能力，感知风险便会上升。因此推断，人类驾驶员的感知风险越高，其对FAV的信任水平越低。

H6：自我效能显著增强人类驾驶员对FAV的信任。

提出逻辑：自我效能指个体对成功执行特定任务或在特定情境中采取有效行动的信念。在FAV语境中，更高的自我效能与更大的风险容忍度相关。当个体对自身预判或管理情境的能力充满信心时，可能影响其对自动驾驶车辆的信任。由此可以推断，人类驾驶员的自我效能越高，其对FAV的信任水平越高。

H7：FAV的同理心显著降低人类驾驶员的感知风险。

提出逻辑：在人工智能代理研究中，具备同理心的虚拟助手能增强用户的积极态度，且感知风险较高的用户在使用具备同理心的虚拟助手时表现出更强的使用意愿。在驾驶行为领域，同理心已被发现能降低个体对潜在危险的主观风险评估，其机制在于同理心通过增强个体对交互对象意图的理解，减少了社会互动中的不确定性，从而降低感知风险。据此推测，FAV表现出的同理心越强，人类驾驶员的感知风险越低。

H8：FAV的同理心显著增强人类驾驶员的自我效能。

提出逻辑：研究发现感知到医生具有同理心的患者报告了更高的自我效能；在AI应用领域，具备同理心的AI工具亦被证明能改善学习者的自我效能。据此推断，FAV表现出的同理心越强，人类驾驶员的自我效能越高。

H9：FAV的信息透明度显著降低人类驾驶员的感知风险。

提出逻辑：在银行业、电子商务等多个领域，透明度降低感知风险的效应已被广泛验证，其核心机制在于透明度减少了主体间的信息不对称。在FAV语境中，eHMI的视觉与文本沟通有助于向其他道路使用者传达车辆行为与轨迹，从而降低感知风险。基于此，可以预期FAV的信息透明度越高，人类驾驶员的感知风险越低。

H10：FAV的信息透明度显著增强人类驾驶员的自我效能。

提出逻辑：透明度还被发现能增强用户的自我效能，提升对自动驾驶车辆的信任与感知可靠性。由此推测，FAV的信息透明度越高，人类驾驶员的自我效能越高。

H11：社会影响显著降低人类驾驶员对FAV的感知风险。

提出逻辑：公众对新兴技术的认知受伦理、信任与社会包容等因素影响，增加公众参与有助于减少抵触情绪，其背后的机制在于社会背书减少了个体对技术的不确定性感知。关于FAV的电子口碑塑造了公众态度与风险感知，媒体框架则影响个体世界观。据此推断，社会影响越积极，人类驾驶员的感知风险越低。

H12：社会影响显著增强人类驾驶员对FAV的自我效能。

提出逻辑：关于FAV的积极社交媒体内容已被证明能同时提升公众的信任与自我效能。由此可以推断，社会影响越积极，人类驾驶员的自我效能越高。

H13：主观知识显著降低人类驾驶员对FAV的感知风险。

提出逻辑：消费者对品牌危机的主观理解会增加感知风险，而在熟悉情境中感知风险往往因习惯性行为而降低。知识水平较低的个体更容易认同虚假主张——例如误判FAV与人类驾驶员的交互规则，或错误认为人类驾驶员无需向FAV让行。据此推论，人类驾驶员对FAV的主观知识越丰富，其感知风险越低。

H14：主观知识显著增强人类驾驶员对FAV的自我效能。

提出逻辑：研究已证明主观知识与自我效能之间存在稳定联系，影响个体在财务规划与投资决策中的信心。因此可以推测，人类驾驶员对FAV的主观知识越丰富，其自我效能越高。

实证研究

研究目的

探究FAV设计特征、社会影响与主观知识对信任的影响路径，以及感知风险与自我效能的潜在中介作用。

研究设计

被试：本研究采用便利抽样方式，在中国上海招募了180名被试（最终保留175份有效样本），涵盖大学生、行业从业者与普通公众。

实验流程：由于L5级完全自动驾驶车辆尚未在真实交通环境中大规模部署，本研究使用驾驶模拟器再现人类驾驶员与FAV的交互过程。模拟环境基于Unity3D引擎开发，模拟了典型的六车道双向城市道路，采用第一人称驾驶视角，将被试置于跟随FAV并准备超车的人类驾驶员位置。FAV为中尺寸车辆，配备光带与eHMI，其运行状态持续显示于后方视觉界面。实验采用跟车场景，FAV偶尔随机制动或减速，要求被试保持安全跟车距离，FAV的当前状态与即将发生的行为意图通过eHMI传达给后方人类驾驶员。每位被试与FAV交互不少于10分钟。

变量测量：完成任务后，被试填写问卷。问卷测量七个构念：同理心、信息透明度、感知风险、自我效能、社会影响、主观知识与信任。所有测量条目改编自先前文献中已验证的量表。采用回译法确保中英文版本的语言准确性与概念对等性。所有变量采用五级李克特量表（1=“非常不同意”，5=“非常同意”）。

核心结果

研究采用PLS-SEM方法依次评估了测量模型与结构模型。测量模型检验表明模型具有良好的信度、收敛效度与区分效度。结构模型采用Bootstrap方法进行检验，发现三个内生变量的R²值均远高于可接受水平。直接效应检验发现感知风险显著负向影响信任，自我效能显著正向影响信任，同理心、信息透明度、社会影响与主观知识均显著正向影响信任；同理心、社会影响与主观知识显著负向影响感知风险，信息透明度对感知风险的影响不显著；同理心对自我效能的影响不显著，信息透明度、社会影响与主观知识均显著正向影响自我效能。中介效应检验显示，同理心通过感知风险影响信任，信息透明度通过自我效能影响信任，主观知识通过感知风险影响信任，社会影响通过自我效能与感知风险双重中介影响信任；但自我效能在同理心与信任之间的中介效应不显著，感知风险在信息透明度与信任之间的中介效应不显著，自我效能在主观知识与信任之间的中介效应亦不显著。

研究结论

通过驾驶模拟实验与PLS-SEM分析，研究表明，FAV的设计特征（同理心与信息透明度）、社会影响与主观知识均显著正向影响人类驾驶员的信任。感知风险与自我效能在这一过程中发挥关键中介作用。其中，感知风险对信任的负向影响较强，而社会影响对信任的总效应最强，既直接增强信任，又通过感知风险与自我效能间接促进信任。值得注意的是，信息透明度虽能直接增强信任，却未能显著降低感知风险；同理心虽能增强信任，却未能显著提升驾驶员的自我效能。总体而言，人类驾驶员对FAV的信任并非由单一因素驱动，而是情感响应、知识储备、社会文化语境与心理评估交织作用的系统性过程。

理论意义与实践启示

理论意义

1.拓展了信任研究的受众边界。现有FAV信任研究多聚焦于直接用户或行人，本研究关注混合交通环境中人类驾驶员这一群体，揭示了其信任形成机制的特殊性。人类驾驶员的核心关切在于潜在交通风险与控制感，而非感知有用性与易用性。

2.实现了理论框架的整合。本研究将RPA框架嵌入SOR模型的“有机体”阶段，构建了“外部刺激→内部认知→信任反应”的解释链条，通过强调感知风险与自我效能的协同中介作用，增强了SOR框架在信任形成研究中的解释深度。

3.揭示了设计特征的多维影响机制。本研究将FAV设计特征（同理心与信息透明度）纳入信任前因模型，证实了设计属性可通过塑造驾驶员的感知风险与自我效能来影响信任形成，强化了同理心设计、人机交互与信任机制之间的理论联结。

实践启示

1.重视同理心设计。制造商可在eHMI中嵌入礼貌信号或语词信息，如“我正在让行”“请您先过”以增强意图可读性与交互温度，强化人类驾驶员的信任。

2.优化信息透明度呈现方式。信息透明度虽能直接增强信任，但未能显著降低感知风险。FAV应采用更具可解释性的交互机制，提供情境化解释。政策制定者应建立清晰的透明度标准。

3.发挥社会背书与公共话语的作用。政策制定者、制造商与专家可通过专业机构、行业协会与主流媒体传播基于证据的FAV应用信息，并发布权威安全评估报告。TikTok、微信等社交平台上的意见领袖对受众具有实质性影响，可进一步加速FAV的社会扩散。邀请具有社会影响力的公众人物体验、评测或演示FAV，可放大正面声誉效应。

✨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。