Page 335 - 《软件学报》2026年第3期

1298 软件学报 2026 年第 37 卷第 3 期

间取得平衡. Razin 等人 [97] 将信任定义为“一种由信任者产生的状态, 在这种状态下, 被信任者对信任者的部分目
标具有影响力, 且信任者认为自己无法独自更好地实现这些目标”. 这种状态可以表现为态度、信念、期望、判断、
意愿、信心或依赖等形式, 被信任者主要指特定的技术系统, 如机器人或人工智能驱动的机器. Manchon 等人 [98]
将人机共驾领域人机信任定义为“在不确定性和脆弱性为特征的情况下, 人们对人机共驾帮助用户实现既定目标
的态度”.
信任的形成遵循动态交互模型. 根据主动推理理论, 信任本质上是人类对扩展感知-行动循环的虚拟控制感,
通过用户与系统的持续交互反馈形成 [99] . Lee 等人 [92] 提出的经典模型指出, 信任演化受系统性能、环境认知和界
面设计三重因素影响, 其中系统可靠性作为基础因素直接影响初始信任建立, 而交互过程中的透明度则作用于信
任的动态维持. Kok 等人 [100] 进一步拓展该框架, 强调信任具有情境敏感性和历史依赖性, 既往交互经验通过多维
潜在变量影响后续信赖决策, 如图 4 所示.

现有经验/知识
初始学习
初始对机器人
情境 (背景) 的依赖
信
任 处置性 交互前 情境因素
交互中
动态信任 机器人行为/
性能
设计因素
依赖机器人
(信任行为)
图 4 人机信任形成的动态交互模型 [100]

Juvina 等人 [101] 提出的统一学习信任理论为理解人机共驾场景下的人机信任动态提供了重要框架, 该理论揭
示了 3 个关键机制: 首先, 早期信任违背事件 (如人机共驾系统突发故障) 会对用户信任产生持久性负面影响, 这
种“第一印象效应”使得后续信任修复需要付出更多努力; 其次, 信任的建立与衰减具有不对称性, 即信任的建立是
一个缓慢累积的过程, 而信任的衰减可能在单次负面体验中迅速发生; 最后, 从神经机制层面来看, 人类对机器的
信任判断与对人际信任的神经表征具有相似性, 这表明人机共驾系统可以通过模拟人类可信行为特征 (如可靠性
和可预测性) 来增强用户信任. 这些发现突显了系统设计中初期可靠性保障与信任修复机制的重要性, 也为信任相
关的神经科学研究提供了新方向. 图 5 展示了人机信任的核心定义与其应用场景的对应关系.

人机信任的核心特征

积极预期 影响力状态 虚拟控制感 不确定性适应 情感交互状态
人类对自动化系统能 信任状态下系统能影 人类的感知可以操控 信任能缓解系统不确 信任源于认知和情感
达成目标持正面预期 响用户决策 自动系统 定性带来的焦虑 的动态交互过程

经典定义 扩展定义 认知神经科学定义 自动驾驶领域定义 动态学习视角定义

通用人机交互 人工智能系统 实时人机协作 自动驾驶 长期人机交互

图 5 人机信任的核心定义与应用场景