An investigation of supervised machine learning models for predicting drivers’ ethical decisions in autonomous vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Vehicle-pedestrian interactions in autonomous vehicles (AVs) present complex challenges that require advanced decision-making algorithms. Understanding the factors influencing ethical decision-making (EDM) in critical situations is essential as AVs become more prevalent. This study addresses a gap in AV research by using predictive analytics methods to develop models that assess decision-making outcomes under varying time pressures. We recruited 204 participants from North America, aged 18-30 years and 65 years and above, for an online experiment. Participants viewed video clips from a driving simulator that simulated ethical dilemmas. They had to decide whether the AV should stay in its lane or change lanes by pressing the spacebar. The principal component analysis identified age, distraction, and trust in automation as the key factors influencing decision-making. Several machine learning models were optimized to predict decision outcomes, with the Gaussian Naive Bayes model demonstrating strong performance across different time pressures. Feature importance analysis highlighted the significant roles of age and trust in automation. Partial dependence plots illustrated the interaction between these factors and their influence on decision-making outcomes under time constraints. These findings contribute to the development of personalized decision-making algorithms for AVs. Predictive analytics provides valuable insights into improving AV systems’ safety, trust, and ethical behavior by accounting for individual differences in decision-making. • Optimized machine learning models to predict drivers’ ethical decisions in autonomous vehicle-pedestrian interactions. • PCA identified age, distraction, and trust in automation as key factors in utilitarian decision-making. • Gaussian Naive Bayes performed optimum across different time constraints.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle