Page 339 - 《软件学报》2026年第3期

1302 软件学报 2026 年第 37 卷第 3 期

据了里程碑式的地位. 但是, 该模型没有充分考虑到人的个体差异和个性特点对构建人与机器互动和信任的影响,
也没有充分描述信任如何随时间和经验的累积而发展的动态过程.
Lee 等人 [92] 和 Dzindolet 等人 [114] 在系统分析影响信任的分析、类比及情感过程因素, 并探讨协同信任与机器
依赖性之间关系的基础上, 提出了一个综合的概念模型. 该模型整合了自动化系统信任研究中的多个视角, 进一步
指出信任及其对行为的影响, 源于用户、环境、自动化系统与交互界面之间的动态交互过程. 尽管该模型描述了
信任的动态性, 但仍然没有充分地捕捉到信任如何随时间、经验和反馈逐渐形成和变化的过程. 同时, 该模型过于
强调技术和系统的角度, 忽略了人的复杂性, 如文化、年龄、性别、性格等因素对信任的深远影响.
Hoff 等人 [93] 进一步提出三层次信任框架, 区分了倾向性、情境性和习得性信任; Liu 等人 [104] 整合前人成果,
建立了包含初始信任、演进信任和使用依赖的循环发展模型; Razin 等人 [97] 通过对人机信任调查问卷的元分析,
揭示了人机信任的结构, 提出了一个综合模型. 该模型将人机信任相关因素分为 3 个层次: 倾向层面, 包含对技术
的信念等因素, 是个体在接触特定系统前就存在的信任倾向, 会影响后续信任形成; 情境层面, 有熟悉度、情境常
态和情感反应等因素, 这些与特定交互情境相关, 基于先前知识或经验形成, 影响用户对系统的心理预期; 习得层
面, 涵盖结构信任、能力信任、情感信任、一般信任和使用意图等因素, 是在人机交互过程中实际产生和不断评
估的信任形式. Lin 等人 [96] 从机器 (技术)、人、交互行为和环境这 4 个视角剖析影响因素, 构建基于医疗人机交
互主体、融合交互环境与行为的交互信任机制模型. 该模型为医疗机器设计开发提供参考, 基于特定影响因素解
决信任问题, 助力构建良好医疗环境, 提升医疗人机信任度, 模型结构如图 6 所示.

人道主义 年龄
互动行为 医疗保健专业人员 专业水平
经验
机器 人类
(技术) 年龄
医疗专业人员
患者和陪护 和机器的感知
(专业水平)
对疾病的感知
可信任的机器 环境 法律和道德 水平 (经验)
学习
图 6 Lin 等人 [96] 提出的人机信任模型

在计算模型领域, 人机信任研究已逐步形成了一套多维度、多模态的技术体系. 在基于行为与性能建模方向,
Fang 等人 [91] 采用高斯函数量化人机操作差异, 并结合 Sigmoid 函数实现信任度转化, 建立了双向评估机制; Hu 等
人 [105] 则基于线性时不变状态空间理论, 整合卡尔曼滤波算法, 通过对驾驶员干预频率、任务完成率等行为指标及
感知风险的实时监测, 实现了动态信任的连续量化. 在生理信号分析领域, Li 等人 [106] 突破性地融合皮肤电活动
(EDA)、心电图 (ECG)、呼吸信号 (RSP) 和功能性近红外光谱 (fNIRS) 等多模态生理数据, 构建了随机森林、BP
神经网络和贝叶斯网络的混合分类体系; Akash 团队 [109,115,116] 则专注于脑电 (EEG) 和皮肤电信号的机器学习分析,
通过线性判别分析和支持向量机等算法, 取得了 60.72% 的平均分类准确率.
在动态预测模型方面, Akash 等人 [109] 采用部分可观察马尔可夫决策过程, 首次实现了信任水平与工作负荷的
联合建模, 并验证了系统透明度对信任演变的显著影响; Azevedo-Sa 等人 [113] 则将眼动追踪数据与次要任务表现相
结合, 通过卡尔曼滤波算法实现了秒级响应的信任动态预测. 在贝叶斯与混合推理模型方向, Ding 等人 [107] 基于期
望效用理论框架, 引入变分贝叶斯推理方法, 通过对自我信心、AI 信心等潜在变量的概率估计, 建立了具有解释
性的信任预测模型; Sun 等人 [108] 提出的综合信任评价模型 (CTEM) 则代表了当前最先进的多模态融合技术, 其集
成残差卷积神经网络的干预行为识别、VGG16 网络的感知信任评估, 以及长短时记忆网络的认知信任计算, 最终
通过 0.715 5 的量化阈值实现控制权移交的智能决策.
传统时序模型研究同样取得重要进展, Lee 等人 [110,111] 应用自回归滑动平均 (ARMA) 模型分析问卷数据, 建立