面向自动驾驶的多模态解释对驾驶表现、认知负荷、技能、信心与信任的影响
人机交互
2024-06-14 v4 人工智能
机器人学
摘要
自动驾驶的进步为 AI 辅助驾驶教学提供了机遇，直接回应了人类驾驶技能提升的关键需求。AI 教练应如何传递信息以促进学习？在一项前后测实验（n = 41）中，我们测试了模仿性能驾驶专家指导的 AI 教练解释性沟通的影响。参与者被分为四组，以评估 AI 教练解释的两个维度：信息类型（“是什么”和“为什么”型解释）和呈现模态（听觉和视觉）。我们通过观察学习，比较了不同解释技术对驾驶表现、认知负荷、信心、技能和信任的影响。通过访谈，我们描绘了参与者的学习过程。结果表明，AI 教练能有效地向新手传授性能驾驶技能。我们发现信息的类型和模态会影响表现结果。参与者学习成功程度的差异归因于信息如何引导注意力、减轻不确定性以及影响参与者所经历的过载。结果表明，在设计能够有效指导而不致使人不堪重负的 HMI 沟通时，应选择高效、模态恰当的解释。此外，结果支持了沟通需与人类学习和认知过程相协调的必要性。我们为未来自动驾驶车辆 HMI 和 AI 教练设计提供了八项设计启示。
引用
@article{arxiv.2401.04206,
title = {Effects of Multimodal Explanations for Autonomous Driving on Driving Performance, Cognitive Load, Expertise, Confidence, and Trust},
author = {Robert Kaufman and Jean Costa and Everlyne Kimani},
journal= {arXiv preprint arXiv:2401.04206},
year = {2024}
}
备注
14 pages, published in Scientific Reports