基于心理生理学和LLM提取的城市自行车决策建模

在交通情境中测量情感状态是一项新兴领域。基于自报告情感的方法受限于情感粒度低且易受记忆偏差影响。相比之下，基于生理指标的方法提供连续数据，使研究人员能够以高细节和准确性测量情感状态的变化。除了情感本身之外，理解触发情感变化的原因同样重要。诸如交通状况、行人互动和基础设施等不可控变量是一大挑战，因为它们可能对情感状态产生深远影响。解释这些情感状态背后的原因需要收集充足且恰当的情境数据，而这在现实世界环境中极其困难。本文通过一种创新方法应对这一挑战，从录制的多媒体数据中提取情境数据（expert annotator level），这些数据由大型语言模型（LLM）提取。本文采用来自智利圣地亚城的城市自行车案例研究数据。所应用的模型聚焦于理解不同环境和交通情境如何影响参与者的情感状态和行为。从录制的视频中提取的图像序列由LLM处理，以获得环境的语义描述。这些离散的、尽管密集且详细的情境数据被整合到一种混合模型中，其中疲劳与唤醒作为潜在变量影响观察到的自行车行为（推断自GPS数据），如等待、加速、制动等。该研究确认，自行车决策受压力相关情感的影响，并凸显了城市特征和交通状况对骑行者行为的强烈影响。