Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica# Interazione uomo-macchina# Intelligenza artificiale# Apprendimento automatico

Costruire fiducia nei veicoli autonomi

Esaminando i fattori che influenzano la fiducia nei veicoli autonomi tra i giovani adulti.

Robert Kaufman, Emi Lee, Manas Satish Bedmutha, David Kirsh, Nadir Weibel

― 7 leggere min


Fiducia nei veicoliFiducia nei veicoliautonomi: Punti chiaveveicoli autonomi svelati.Fattori che influenzano la fiducia nei
Indice

La bassa fiducia nei veicoli autonomi (AV) è un grosso problema per la loro accettazione. Per creare AV di cui la gente si fida, dobbiamo capire meglio cosa influisce sulla fiducia delle persone. Questo studio analizza come i tratti personali, le emozioni e le esperienze passate influenzano la fiducia negli AV. Abbiamo usato il machine learning per scoprire quali fattori personali contano di più nel determinare la fiducia tra i giovani adulti.

Fattori Che Influenzano La Fiducia Negli AV

Quando pensiamo alla fiducia negli AV, diversi tratti personali e esperienze giocano un ruolo. Abbiamo raccolto informazioni da un sondaggio su 1.457 giovani adulti riguardo il loro pensiero sugli AV, comprese le loro sensazioni riguardo a rischi e Benefici, stili di guida, atteggiamenti verso la tecnologia e le loro esperienze con la guida e gli AV. Abbiamo scoperto che le percezioni dei rischi e benefici legati agli AV, le esperienze passate e gli atteggiamenti verso la tecnologia erano i migliori predittori di fiducia.

Importanza Dei Tratti Personali

Nel nostro sondaggio, abbiamo esaminato vari tratti personali, come la demografia, i tipi di personalità e le esperienze individuali. Volevamo vedere come questi tratti influenzassero la fiducia negli AV. Alcuni tratti non avevano l'impatto previsto, suggerendo che l'attenzione dovrebbe essere rivolta a come le persone si sentono riguardo ai rischi e benefici degli AV piuttosto che solo alle loro caratteristiche personali.

Problemi Di Fiducia E AV

Una delle ragioni principali per cui la gente è riluttante a fidarsi degli AV è la preoccupazione per la sicurezza, l'affidabilità e come gli AV prendono decisioni. Molti trovano difficile fidarsi di qualcosa che non comprendono completamente. Concentrandosi su diverse prospettive degli utenti e le loro preoccupazioni specifiche, i progettisti possono creare sistemi migliori che affrontano questi problemi.

Metodologia

Per condurre questa ricerca, abbiamo inviato un sondaggio ai giovani adulti. Il sondaggio chiedeva informazioni sui loro tratti personali, le esperienze di guida e i pensieri sugli AV. Dopo aver raccolto questi dati, abbiamo usato tecniche di machine learning per analizzare le risposte e prevedere il livello di fiducia negli AV.

Raccolta Dati

Abbiamo raccolto risposte da 1.457 partecipanti, con un'età media di circa 21 anni. La maggior parte dei partecipanti erano studenti di una grande università. Abbiamo garantito la qualità dei dati filtrando le risposte che non soddisfacevano i nostri standard.

Progettazione Del Sondaggio

Il nostro sondaggio includeva domande su una vasta gamma di argomenti, dai tratti personali a preoccupazioni specifiche riguardo agli AV. Abbiamo sviluppato un punteggio composito per misurare la fiducia negli AV, basato su vari aspetti della fiducia.

Misurazione Della Fiducia

Invece di chiedere una semplice domanda come "Ti fidi degli AV?", abbiamo creato un punteggio composito composto da varie domande legate alla fiducia. Questo approccio aiuta a catturare la complessità della fiducia e rende i risultati più significativi.

Analisi Dei Dati

Una volta raccolti e puliti i dati, li abbiamo analizzati usando tecniche avanzate di machine learning. Abbiamo esaminato quali fattori erano più importanti nel prevedere la fiducia negli AV. Usando metodi che ci hanno permesso di spiegare come diversi fattori contribuiscono ai livelli di fiducia, abbiamo trovato diversi insight chiave.

Modelli Di Machine Learning

Abbiamo applicato vari modelli di machine learning ai nostri dati per vedere quale avrebbe fornito le migliori previsioni per la fiducia. Abbiamo scoperto che un modello Random Forest ha performato meglio, raggiungendo alta precisione nel prevedere se i partecipanti avessero alta o bassa fiducia negli AV.

Importanza Delle Caratteristiche

Attraverso la nostra analisi, abbiamo identificato fattori importanti che influenzano la fiducia negli AV. I fattori più significativi includevano le percezioni dei rischi e benefici degli AV, la fattibilità e le esperienze precedenti con gli AV. Sorprendentemente, molti fattori attesi, come la personalità e le informazioni demografiche, avevano meno impatto di quanto inizialmente pensassimo.

Insight Dallo Studio

I nostri risultati fanno luce sui tratti e le attitudini specifiche che contano quando si parla di fiducia negli AV. Comprendere questi fattori può aiutare i progettisti a creare sistemi migliori e migliorare la comunicazione sugli AV.

Rischi E Benefici

Una delle scoperte più significative è stata che la Percezione di una persona sui rischi e benefici degli AV influenzava notevolmente il suo livello di fiducia. Chi credeva che i benefici degli AV superassero i rischi era più propenso a fidarsi di loro.

Rischi Percepiti

Molti partecipanti hanno espresso preoccupazioni sui rischi legati alle prestazioni degli AV, all'usabilità e ai potenziali fallimenti del sistema. Queste preoccupazioni devono essere affrontate attraverso una comunicazione chiara e un design efficace.

Benefici Percepiti

D'altro canto, i partecipanti che vedevano potenziali benefici, come la riduzione degli incidenti e l'aumento dell'efficienza, erano più propensi a fidarsi degli AV. Sottolineare questi benefici nel marketing e nei materiali educativi può aiutare ad aumentare la fiducia.

Attitudini Verso La Tecnologia

Un altro fattore che ha influenzato la fiducia è stato l'atteggiamento dei partecipanti verso la tecnologia in generale. Quelli che si sentivano a proprio agio con la tecnologia erano più propensi a fidarsi degli AV. Questa scoperta sottolinea la necessità di fornire informazioni e supporto su misura per chi è meno familiare con le nuove tecnologie.

Fiducia Istituzionale

La fiducia nelle aziende che producono e regolano gli AV ha giocato anche un ruolo. I partecipanti che esprimevano fiducia in queste istituzioni erano più propensi a fidarsi degli AV. Questo evidenzia l'importanza della trasparenza e della responsabilità nello sviluppo e nella diffusione della tecnologia AV.

Implicazioni Per Design E Ricerca

I risultati di questo studio hanno diverse importanti implicazioni per la progettazione di AV affidabili e per la conduzione di ricerche future.

Focalizzarsi Sulla Percezione Degli Utenti

I progettisti devono prestare attenzione a come gli utenti percepiscono i rischi e i benefici. Creare sistemi che comunicano chiaramente le misure di sicurezza, le metriche di prestazione e i benefici unici può aiutare ad affrontare le preoccupazioni degli utenti.

Educare I Potenziali Utenti

Le campagne educative possono aiutare a informare i potenziali utenti sui vantaggi degli AV. Sottolineare che gli AV possono fornire benefici oltre a quelli offerti dai conducenti umani sarà essenziale per aumentare la fiducia.

Personalizzazione Della Comunicazione

Personalizzare le informazioni e la comunicazione per il singolo utente può migliorare la fiducia. Ad esempio, fornire dettagli specifici che affrontano le preoccupazioni o gli interessi di un utente può creare una connessione più profonda e rassicurante.

Ricerca Continua

Le ricerche future dovrebbero continuare a esplorare le differenze individuali nella fiducia e come queste influenzano le interazioni con gli AV. Questo lavoro continuo aiuterà a perfezionare la nostra comprensione dei bisogni e delle preoccupazioni degli utenti, portando a design migliori.

Conclusione

Questo studio fornisce preziosi insight sui fattori che influenzano la fiducia nei veicoli autonomi. Concentrandosi sulle percezioni degli utenti riguardo a rischi e benefici, sugli atteggiamenti verso la tecnologia e sulla fiducia istituzionale, possiamo gettare le basi per progettare sistemi AV che soddisfino le esigenze di gruppi di utenti variegati. In definitiva, affrontare questi fattori può aumentare l'accettazione pubblica e favorire l'adozione di AV nella società.

Limitazioni

Anche se abbiamo raggiunto risultati significativi, lo studio non è privo di limitazioni. Il nostro campione era composto principalmente da giovani adulti studenti di un'unica istituzione, il che potrebbe non rappresentare la popolazione più ampia. Gli studi futuri dovrebbero cercare di replicare questi risultati attraverso diverse demografie e contesti.

Direzioni Future

Con l'evoluzione continua della tecnologia AV, comprendere le dinamiche della fiducia sarà cruciale. I ricercatori dovrebbero concentrarsi su misure comportamentali di fiducia ed esplorare come le esperienze personali con gli AV possano modellare le interazioni future. Questa conoscenza sarà essenziale per creare AV affidabili e facili da usare, con cui tutti possano sentirsi a proprio agio.

Fonte originale

Titolo: Predicting Trust In Autonomous Vehicles: Modeling Young Adult Psychosocial Traits, Risk-Benefit Attitudes, And Driving Factors With Machine Learning

Estratto: Low trust remains a significant barrier to Autonomous Vehicle (AV) adoption. To design trustworthy AVs, we need to better understand the individual traits, attitudes, and experiences that impact people's trust judgements. We use machine learning to understand the most important factors that contribute to young adult trust based on a comprehensive set of personal factors gathered via survey (n = 1457). Factors ranged from psychosocial and cognitive attributes to driving style, experiences, and perceived AV risks and benefits. Using the explainable AI technique SHAP, we found that perceptions of AV risks and benefits, attitudes toward feasibility and usability, institutional trust, prior experience, and a person's mental model are the most important predictors. Surprisingly, psychosocial and many technology- and driving-specific factors were not strong predictors. Results highlight the importance of individual differences for designing trustworthy AVs for diverse groups and lead to key implications for future design and research.

Autori: Robert Kaufman, Emi Lee, Manas Satish Bedmutha, David Kirsh, Nadir Weibel

Ultimo aggiornamento: 2024-09-13 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2409.08980

Fonte PDF: https://arxiv.org/pdf/2409.08980

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Articoli simili