Improving the Public's Perception of Autonomous Vehicles by Communicating the Consistency of Autonomous Vehicle Algorithms
Notice bibliographique
Résumé
Despite autonomous vehicles (AVs) being safer than human drivers, people are averse to their presence on roads. Across three studies (N = 4,014), we examined peoples’ perceptions of human drivers and AVs acting within a moral dilemma. Scenarios involved an out-of-control vehicle (piloted by a human, or autonomously) that could stay on its present course and hit five pedestrians, or swerve and hit a single stranger. Participants were given a description of the pilot’s final action and then judged them on several dimensions (e.g., blame, acceptability, predictability). We find evidence of AV aversion across all studies, with participants judging AVs more negatively (e.g., more blameworthy) than human drivers despite performing identical actions. Additionally, Studies 1 and 2 presented some participants with a statement outlining the consistency of AV algorithms, which increased perceived predictability and reduced AV aversion in some cases. In Study 3, some participants were given scenarios in which control of the vehicle was transferred prior to a pilot’s actions. Participants’ were averse to this transfer, as both AVs and human drivers were perceived as less predictable and judged more negatively after taking control of the vehicle. Overall, our findings highlight peoples’ aversion to autonomous and semi-autonomous vehicles, while also demonstrating that messages highlighting the consistency of AV algorithms have the potential to improve perceptions and thus reduce barriers for their eventual mass adoption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».