Page 337 - 《软件学报》2026年第3期

1300 软件学报 2026 年第 37 卷第 3 期

表 6 人机共驾场景的人机信任影响因素 [102]

层面 影响因素 定义/示例 测量方式 作用机制
通过界面美学、品牌背书等塑造专业形象 用户对专业性的评分 提升初始信任, 降低用户对新技术
专家/声誉
(如科技感UI、知名厂商合作标识) (1–5分) 的不确定性感知
赋予系统人性化特征 (如语音助手姓名、
拟人化 亲和力问卷 增强情感联结, 减少人机隔阂
系统 性别化声线)
设计 根据用户习惯自动调节 (座椅位置、驾驶
自适应自动化 用户满意度调查 通过个性化服务提升依赖感
模式偏好)
允许用户调整非核心功能 (导航语音、
定制化 用户控制感量表 增强用户主导权, 降低被动感
HUD显示内容)
用户对系统能力的理解 (如“系统能否识别 系统知识测试题 减少误操作风险, 避免因误解导致
心理模型
暴雨中的行人”) (正确率) 信任崩塌
用户 共同目标 系统目标与用户需求一致 (如节能模式推 目标一致性评分 通过价值观共鸣建立长期信任
认知 荐与用户环保价值观匹配) (如Likert量表)
培训后信任度对比
培训 提供系统操作培训 (如模拟紧急情况处理) 填补知识缺口, 提升使用信心
(前测 vs. 后测)
多模态实时信息输出 (语音提示、仪表盘
反馈 反馈及时性评价 透明化系统状态, 减少用户焦虑
可视化)
主动告知性能限制 (如“当前大雪导致传感 信任维持指数 通过诚实沟通维持信任, 避免隐瞒
不确定性信息
交互 器灵敏度下降20%”) (错误前后信任变化) 引发怀疑
反馈 解释行为逻辑 (如“即将变道以超车, 已确
原因和方式信息 决策理解度问卷 增强可控感, 降低“黑箱”效应
认后方安全”)
错误后说明原因及改进 (如“紧急制动因检
错误信息 错误容忍度评分 通过归因和补救措施修复信任
测到障碍物, 系统已更新避障算法”)

心理模型通过清晰的信息呈现与反馈, 帮助用户准确理解系统功能与能力边界, 从而奠定信任基础; 专家/声
誉在信息收集与系统使用阶段塑造专业可靠的形象, 以提升用户信赖; 共同目标体现在驾驶模式选择、路线规划
等方面与用户需求的一致性, 增强目标契合感; 培训则在系统使用前后提升用户认知与操作熟练度, 通过增强掌控
感建立信任; 拟人化通过赋予系统人类特征拉近心理距离, 促进情感认同; 反馈机制借助多感官通道实时传达车辆
状态, 保障交互透明性; 自适应自动化根据用户偏好动态调整系统设置 (如座椅、温度), 以个性化体验提升信任;
定制化则通过允许用户调整非关键功能, 满足个性化需求并增强控制感; 不确定性信息在系统性能下降时主动告
知用户并说明应对策略, 有助于维持情境理解与信任; 原因和方式信息通过解释系统决策与行为的逻辑, 增强用户
对系统操作的理解与接受度; 错误信息则在失误或事故发生后, 清晰说明原因及其对系统性能的影响, 有效管理用
户预期, 减少不信任感.
人机共驾场景中的信任构建机制与通用人机交互存在显著差异, 主要体现在信任形成路径、透明性要求和心
理模型建立方式等方面. 具体对比如下.
在人机共驾场景中, 信任构建依赖于动态风险沟通机制, 系统通过实时反馈不确定性信息与错误解释替代通用
场景中依赖历史表现的静态信任积累模式. 同时, 即时透明性 (如明确告知系统决策逻辑) 成为能力信任的核心基
础, 而通用场景则更多依赖系统的长期可靠性记录. 两类场景虽均重视拟人化设计, 但人机共驾需在亲和力与专业
性之间取得平衡, 避免过度拟人影响驾驶严肃性. 此外, 人机共驾中的共享心理模型往往需借助主动干预手段 (如
HUD 可视化界面) 快速建立, 而非通用场景中通过自然交互逐步形成. 从系统设计角度来看, 人机共驾系统应整合
实时解释模块与风险预警功能, 以应对高动态驾驶环境; 而通用人机交互系统则可借鉴其动态目标协商机制, 提升
任务灵活性. 表 7 系统梳理了通用场景与人机共驾场景中人机信任影响因素的对比关系, 揭示出在高风险、高动
态场景下, 信任构建呈现出主动化与透明化的演进趋势. 这一对比也为跨领域人机协作系统的双向优化提供了理
论依据与实践路径.