Page 340 - 《软件学报》2026年第3期

章程 等: 人机共驾场景中驾驶权接管技术研究综述 1303

了信任水平与系统使用意向的预测关系; Moe [112] 则通过隐马尔可夫模型将信任状态划分为信任、中性和不信任
这 3 类, 并结合强化学习算法优化状态转移概率, 为动态环境中的信任演变建模提供了新范式.
总体而言, 当前人机信任计算模型呈现出从单模态分析向多模态融合、从离线评估向实时预测、从单一维度
向综合集成发展的明显趋势. 这些模型不仅推动了人机信任研究从理论向实践的转化, 也为智能系统的自适应交
互设计提供了关键技术支持.
2.4 人机信任测量方法
在人机共驾系统中, 人机信任的准确测量是推进和充分应用自动化技术的关键. 信任测量方法可以归纳为主
观测量、客观测量和混合测量, 具体如表 9 所示.

表 9 主要人机信任测量方法

测量类型 具体方法 代表研究 核心发现/指标 局限性
Jian等人 [117] 12个项目, 聚焦能力、可靠性、可预测性 文化普适性不足
标准化量表
Körber等人 [118] 19个项目, 强调文化差异调节作用 未验证跨情境效度
主观测量 Li等人 [119] 纳入人口统计学变量作为调节因子 模型复杂度高
多维模型
Seet等人 [120] 区分能力信任 (CT) 与完整性信任 (IT) 需行为数据验证
验证性量表 Wojton等人 [121] 双因子模型 (性能×理解度), 军民样本验证 社会赞许性偏差影响
前额叶theta波 (4–7 Hz) 功率谱密度与信任决
文献[116,122] 信号噪声干扰大
策正相关
心理生理测量
Palmer等人 [123] 背外侧前额叶皮层氧合血红蛋白浓度增加 设备成本高
23.5%
客观测量 多模态融合 Ajenaghughrure等人 [124] EDA+HRV+眼动, 分类准确率82% 需标定个体基线
Robinette等人 [125] 任务分配比例作为量化指标 受任务类型限制
行为测量 de Visser等人 [126] 信任状态下状态显示区注视时长增加37% 环境光线敏感
Rezvani等人 [127] 制动反应时间与信任水平负相关 需控制疲劳因素
多源数据同步 Gupta等人 [128] EEG/GSR+操作延迟+实时评分, 毫秒级 系统集成复杂度高
基于实时信任评估调节界面透明度, 接受度
[129]
混合测量 动态调节系统 Akash等人 需预训练模型
提升28%
机器学习建模 Huang等人 [130] 系统透明度权重 (0.61)＞可靠性权重 (0.39) 可解释性不足

主观测量方法通过标准化量表和情境化问卷收集用户自我报告数据, 是目前信任研究的主要手段. Jian 等人 [117]
开发的自动化系统信任量表 (STAS) 是该领域的奠基性工作, 通过 12 个项目的聚类分析确立了能力、可靠性和可
预测性等核心维度. 后续研究在此基础上不断拓展: Körber 等人 [118] 开发了包含 19 个项目的 German TiA 量表, 特
别关注文化因素的影响; Li 等人 [119] 提出的高阶测量模型则系统考察了人口统计学变量对信任的调节作用.
Schaefer [131] 针对人机交互场景设计的 40 项问卷经过 6 轮严格验证; Seet 等人 [120] 的工作将信任区分为能力信任
(CT) 和完整性信任 (IT) 两个独立维度. Wojton 等人 [121] 提出的 TOAST 量表通过军民两用样本验证, 证实了双因
子模型 (系统性能×理解度) 的普适性. 然而, 主观测量面临方法论挑战. Wei 等人 [132] 的元分析指出, 现有量表多采
用等距量表形式, 但缺乏测量水平的理论依据. Brzowski 等人 [133] 强调, 大部分量表缺乏跨情境效度验证, Buckley
等人 [134] 研究发现社会赞许性偏差可使信任评分虚高 15%–20%. 为此, Kim 等人 [135] 建议采用结构方程模型厘清信
任与相关变量的因果路径.
客观测量技术包括心理生理测量技术和行为测量范式. 目前, 心理生理测量技术取得显著进展. 部分学者基于
脑电展开研究, 相关结果揭示前额叶 theta 波 (4–7 Hz) 功率谱密度与信任决策呈显著正相关 [116,122] . Palmer 等人 [123]
采用功能性近红外光谱进行研究, 发现背外侧前额叶皮层的氧合血红蛋白浓度在信任状态下有较大提升. 目前, 多
模态融合成为新的研究趋势, Ajenaghughrure 等人 [124] 整合 EDA、HRV 和眼动数据, 使分类准确率大幅度提升. 行
为测量范式也在不断创新. Robinette 等人 [125] 提出基于任务分配比例的信任量化指标. de Visser 等人 [126] 的眼动研