Automated vehicles (AV) can exhibit diverse driving behaviors that deviate from driver expectations. More research is needed to understand drivers’ preferred driving styles when navigating safety-critical situations as well as their responses to unexpected AV driving behaviors. Forty-eight participants experienced simulated automated driving scenarios where an AV navigated a construction zone while exhibiting four different predefined driving styles that varied in terms of cautiousness and efficiency. After each trial, participants provided feedback to adjust the AV’s driving style toward their preferences, which was successfully implemented in 80% cases. Drivers’ trust, workload, voluntary takeover decisions, eye movements, and skin conductance were measured. Overall, participants preferred driving styles balancing cautiousness and efficiency. When AV behavior matched driver preferences, they reported higher trust and more stable visual scanning patterns, while unexpected behaviors were associated with broader ocular scanning. Findings can inform the development of adaptive systems that intelligently modify AV behaviors.
خودروهای خودران (AV) می‌توانند رفتارهای رانندگی متنوعی از خود نشان دهند که ممکن است با انتظارات رانندگان متفاوت باشد. پژوهش‌های بیشتری برای درک سبک‌های رانندگی ترجیحی رانندگان در موقعیت‌های بحرانی ایمنی و همچنین واکنش‌های آنان به رفتارهای غیرمنتظره خودروهای خودران مورد نیاز است. چهل‌وهشت شرکت‌کننده سناریوهای شبیه‌سازی‌شده رانندگی خودکار را تجربه کردند که در آن خودرو خودران از یک منطقه ساخت‌وساز عبور می‌کرد و چهار سبک رانندگی از پیش تعیین‌شده با سطوح مختلف احتیاط و کارایی را به نمایش می‌گذاشت. پس از هر آزمون، شرکت‌کنندگان بازخوردهایی برای تنظیم سبک رانندگی خودرو مطابق با ترجیحات خود ارائه دادند که در ۸۰٪ موارد با موفقیت اجرا شد. اعتماد رانندگان، بارکاری، تصمیمات داوطلبانه برای در دست گرفتن کنترل، حرکات چشمی و هدایت الکتریکی پوست اندازه‌گیری شد. به طور کلی، شرکت‌کنندگان سبک‌های رانندگی متعادل میان احتیاط و کارایی را ترجیح دادند. زمانی که رفتار خودرو با ترجیحات راننده مطابقت داشت، اعتماد بیشتری گزارش شد و الگوهای اسکن بصری پایدارتری مشاهده گردید، در حالی که رفتارهای غیرمنتظره با اسکن چشمی گسترده‌تر همراه بود. یافته‌ها می‌تواند به توسعه سامانه‌های تطبیقی که رفتار خودروهای خودران را به‌صورت هوشمندانه تعدیل می‌کنند، کمک نماید.
As human–AI cooperation becomes increasingly prevalent, reliable instruments for assessing the subjective quality of cooperative human–AI interaction are needed. We introduce two theoretically grounded scales: the Perceived Cooperativity Scale (PCS), grounded in joint activity theory, and the Teaming Perception Scale (TPS), grounded in evolutionary cooperation theory. The PCS captures an agent’s perceived cooperative capability and practice within a single interaction sequence; the TPS captures the emergent sense of teaming arising from mutual contribution and support. Both scales were adapted for human–human cooperation to enable cross-agent comparisons. Across three studies (complete N=409) encompassing a cooperative card game (N1=94), LLM interaction (N2=182), and a decision-support system (N3=133), analyses of dimensionality, reliability, and validity indicated that both scales successfully differentiated between cooperation partners of varying cooperative quality and showed construct validity in line with expectations. The scales provide a basis for empirical investigation and system evaluation across a wide range of human–AI cooperation contexts.
با گسترش روزافزون همکاری انسان-هوش مصنوعی، ابزارهای قابل اعتماد برای سنجش کیفیت ذهنی تعاملات تعاونی انسان-هوش مصنوعی مورد نیاز است. ما دو مقیاس نظریه‌محور معرفی می‌کنیم: مقیاس ادراک همکاری (PCS) مبتنی بر نظریه فعالیت مشترک و مقیاس ادراک تیمی (TPS) مبتنی بر نظریه تکاملی همکاری. PCS توانمندی و عملکرد تعاونی ادراک‌شده یک عامل را در یک توالی تعامل منفرد اندازه‌گیری می‌کند؛ TPS حس پدیداری تیمی ناشی از مشارکت و حمایت متقابل را می‌سنجد. هر دو مقیاس برای همکاری انسان-انسان نیز تطبیق داده شده‌اند تا امکان مقایسه بین عامل‌ها فراهم شود. در سه مطالعه (کل N=409) شامل یک بازی کارتی تعاونی (N1=94)، تعامل با LLM (N2=182) و یک سامانه پشتیبان تصمیم‌گیری (N3=133)، تحلیل‌های ابعادی، پایایی و روایی نشان داد که هر دو مقیاس به طور موفقیت‌آمیزی میان شرکای همکاری با کیفیت تعاونی متفاوت تمایز قائل می‌شوند و روایی سازه‌ای مطابق با انتظارات را نشان می‌دهند. این مقیاس‌ها مبنایی برای پژوهش‌های تجربی و ارزیابی سامانه‌ها در طیف وسیعی از زمینه‌های همکاری انسان-هوش مصنوعی فراهم می‌کنند.
