近年来，随着智能驾驶技术的快速发展，人智交互安全问题在交通领域备受关注。智能驾驶系统虽然可以在一定程度上减少人为失误导致的道路事故，但也引发了对接管安全性的担忧。在人机共驾的过程中，驾驶员应当持续监控智能系统以及周围道路环境，并在必要时及时接管车辆，以防止或减轻因系统局限性、人机冲突或接管不当所引发的交通安全风险。心理学院安全心理课题组针对智能驾驶中的人智交互安全问题，近期在SSCI期刊《Transportation Research Part F: Traffic Psychology and Behaviour》发表两篇文章。

（安全心理课题组合照）

一、车祸还是人祸？辅助驾驶接管失败谁之过？

在部分自动驾驶系统中，驾驶员需要持续监控系统状态与道路环境，并在必要时进行接管，以保障道路安全。然而，现有研究普遍关注因分心或过度信任导致的“被动接管失败”，而忽视了另外一种可能存在的情况：当驾驶员意识到潜在风险且应该进行接管操作时，是否会出于特定动机而故意不干预？例如，在路权冲突情境下，当他车强行变道侵占路权时，部分驾驶员可能选择不刹车、不干预，任由事故发展，以满足报复或维护路权的心理需求。目前尚未有研究明确提出并验证这类现象是否存在，也未探究激进驾驶态度能否解释这种行为。

基于此，马锦飞老师带领团队成员袁琛、陈豪，联合浙江警察学院丁靖艳老师、联勤保障部队大连康复疗养中心的崔毅老师，首次构建了自动驾驶中驾驶员接管行为的四分类框架（被动接管、主动接管、被动接管失败、主动接管失败）。研究采用情感错误归因范式测量驾驶员的内隐激进驾驶态度，并结合接管模拟实验，系统探究了激进驾驶态度与主动接管行为的关系。结果发现，在非竞争性接管情境中，激进驾驶员的主动接管意愿更强，但他们对系统的信任会对这种效应产生抑制作用。而在竞争性接管场景中，无论为其匹配激进风格的还是保守风格的自动驾驶系统，激进驾驶员都会出现主动接管失败现象，其驾驶安全性也更低。而非激进驾驶员则没有出现这种情况，表明驾驶员的驾驶风格具有跨情境的一致性。该研究不仅丰富了自动驾驶接管领域的理论分类框架，也为责任界定、保险监管及自动驾驶系统设计优化提供了心理学依据。

该研究成果于2025年10月，在交通心理学顶刊《Transportation Research Part F: Traffic Psychology and Behaviour》（JCR1区，影响因子4.4）发表。

二、如何突破自评量表局限，实现驾驶员共情的客观测量与交通违法行为的精准预测？

违规驾驶行为是道路交通事故的重要诱因，严重威胁道路交通安全。已有研究表明，共情水平是预测驾驶员违规倾向的重要指标，共情能力较强的个体在社会交互过程中更倾向于遵守规则和减少冲突，整体上共情水平与交通违法行为呈负相关关系。然而，现有研究往往过度依赖主观自评量表（如人际反应指标量表，IRI）来评估驾驶员的共情能力，虽然该量表在信效度方面被广泛认可，但单纯自评方式可能存在社会赞许效应与自我报告偏差。尤其是在交通安全领域中，个体可能倾向于低估自己的负面驾驶倾向或高估正向特质，从而导致共情与交通行为之间关系的测量误差，进而限制研究结论的生态效度。

因此，马锦飞老师带领团队成员李刚毅、方鼎，联合同济大学艺术与传媒学院陈静茜、浙江警察学院丁靖艳老师，突破了以往依赖自评量表测量共情的传统范式，研究一通过将驾驶情境诱发、点探测任务与眼动追踪技术相结合，实现对驾驶员状态共情的客观测量，并以眼动指标替代主观自评，提高研究的信效度。在此基础上，引入真实交通违法数据，回归分析发现，对疼痛刺激材料的总注视时长越长，驾驶员过去三年的交通违章扣分就越少，通过将眼动指标与“违章扣分”这一硬核的绩效指标挂钩，我们为眼动指标的心理含义提供了坚实的“实证效度。

研究二进一步结合智驾陪伴系统实现机制干预，通过智能驾驶陪伴（IDC）的语音引导（将他人的粗鲁行为归因为无意不可控的原因，如“他为了避险只能别过来”），显著增加了低共情驾驶员对疼痛图片的注视时间。说明虚拟智能驾驶伴侣IDC能够增强低共情驾驶员在不文明驾驶情境中的共情反应，由此形成“测量—预测—调节”的一体化研究范式。该方法为交通行为研究提供了更高生态效度的技术路径，也为智能驾驶系统的个性化安全干预提供了方法学支持。

研究成果于2026年4月在交通心理学顶刊《Transportation Research Part F: Traffic Psychology and Behaviour》（JCR1区，影响因子4.4）发表。

回望这十二年的研究历程，我们的核心使命始终如一：理解驾驶员。不是将他们看作简单的“信息处理者”，而是看作一个个带着自身情感、态度、经验和认知习惯的“人”，探究他们在复杂的道路情境中如何感知、思考、决策，并最终采取行动。这条探索之路，大致可以分为四个相互衔接又不断深化的阶段。

第一阶段：描摹蓝图——从唤醒机制到攻击性模型的理论奠基

我们的研究起步于对驾驶警觉这一基础问题的关切。在系统梳理音乐对驾驶警觉影响的各类理论时，我们发现一个共性问题：无论是唤醒理论还是容量有限理论，都倾向于将驾驶员视为一个被动的反应体。而动态模型，特别是补偿控制理论的出现，让我们看到了驾驶员“主观能动性”的光芒。驾驶员并非机械地接受刺激，他们会主动调控自己的心理努力和注意资源来应对挑战。这一“主体性”视角的建立，成为了我们团队最根本的理论出发点。

带着这种视角，我们迅速将目光投向了交通事故中最危险的心理诱因之一——攻击性驾驶。我们不仅引入了西方的归因理论和一般攻击模型，更重要的是，我们试图回答：在中国文化的土壤里，路怒的种子是如何生根发芽的？通过对大量驾驶员的调研，我们发现，那些持“例外者”道德立场——即虽然承认规则，但更看重实际利益，且不惮于伤害他人来维护规则——的驾驶员，往往具有更高的攻击性。这背后，或许潜藏着一种以暴制暴的潜意识心理。

基于此，我们整合了“挫折-攻击”模型与一般攻击模型，提出了一个包含“诱发事件→认知评估→行为反应→冲突升级”的循环模型。我们强调，驾驶文化、人际信念在认知评估中扮演着关键角色，正是这种“自我实现预言”般的循环，让路上一次小小的抢道，最终演变为一场不可收拾的冲突。

第二阶段：探寻微光——以眼动之法，观“视而不见”之谜

搭建好宏观的理论框架后，一个更棘手的问题摆在我们面前：驾驶员在决策的那一瞬间，大脑这个“黑箱”里究竟发生了什么？为什么他们有时会对近在眼前的危险“视而不见”？

为了回答这个问题，我们的研究方法迎来了一次关键性的“视觉化”转向——引入眼动追踪技术。我们不再满足于问卷和反应时数据，而是要直接“看到”驾驶员在看哪里，看多久。这种方法的革新，让我们得以深入到驾驶决策的微观认知过程之中。

在危险知觉研究中，我们发现，那些爱追求刺激的驾驶员，在面对车辆信号提示时，其危险检测率反而更低。眼动数据揭示了真相：他们并非看不见，而是对危险的敏感性降低了，内心的判断标准更宽松了。他们更愿意“赌一把”。而愤怒的驾驶员在强行换道时，其眼动模式呈现出一种“隧道视野”——死死盯住前方，却忽略了侧后视镜里的来车。这种看似专注的行为，恰恰是补偿控制理论的鲜活例证：他们试图用聚焦前视野的方式来“补偿”自己冲动决策带来的高风险。

“视而不见”是另一个困扰我们已久的谜题。为什么驾驶员有时对道路上的关键标识信息和危险视而不见？我们在传统的注意计算框架中，加入了一个关键变量——“驾驶图式”。我们通过实验证明，仅仅告诉新手驾驶员“要注意交通规则”是没用的，因为他们脑中缺乏相应的规则图式。只有在实践中积累了大量规则图式，他们才能建立“规则-情境”的联结，将注意主动导向关键的交通信息。这个发现让我们确信：驾培的真谛，不在于背诵交规，而在于塑造图式。

第三阶段：铸造标尺——开发工具，丈量人性的幽微之处

随着研究的深入，我们愈发感到，传统问卷在测量态度、情感等深层心理特质时力不从心。社会赞许性、记忆偏差，都让驾驶员的回答像被美颜过的照片，失去了本真。我们迫切需要更客观、更锋利的“标尺”。

在路权态度的研究中，我们开发了《驾驶员路权态度问卷（DARQ）》，首次将这一模糊的法律概念，解构为认知、情感、行为倾向三个清晰的心理学维度。这不仅是一份问卷，更是一个理论模型，它证明了职业驾驶员之所以事故率更低，关键之一在于他们拥有更积极、更稳定的路权态度。

为了克服情境缺失的问题，我们又开发了《驾驶员攻击行为视频问卷（DABVQ）》，让驾驶员在真实的视频冲突中做出即时反应。这种“第一人称”的沉浸式测量，大大提升了测试的生态效度。

而最让我们兴奋的，是对内隐认知的测量。我们采用点探测范式结合眼动技术，绕过了意识的“守门人”，直接测量驾驶员对疼痛线索的内隐共情注意偏向。结果令人振奋：一个驾驶员对疼痛图片看得越久，他过去三年的实际违章记录就越少。这意味着，我们找到了一个能够客观预测驾驶安全性的内隐指标。在此基础上，我们甚至尝试让虚拟的智能驾驶伴侣用共情的话语来引导驾驶员，结果显示，这种干预能有效提升低共情者的共情反应。这为未来的人性化智能座舱设计，打开了一扇充满想象力的窗户。

第四阶段：驶向未来——在人机共驾的十字路口，定义责任与信任

当自动驾驶技术从科幻驶入现实，我们敏锐地意识到，一个全新的研究领域正在展开。驾驶员不再是唯一的操控者，他们变成了与智能系统协同作战的“监督员”。在这个新角色下，人类的心理又会发生怎样的变化？

我们提出了一个颇具颠覆性的概念——“主动接管失败”。我们发现，一部分攻击性较强的驾驶员，在系统面临风险、本应接管时，却可能出于报复或捍卫路权的主观动机，故意袖手旁观，任由事态恶化。这与因分心或疲劳导致的“被动接管失败”性质完全不同，它涉及到驾驶员的主观恶意或责任推诿。在此基础上，我们构建了基于责任归属的人机决策错误分类模型，为未来界定自动驾驶事故的法律责任，提供了不可或缺的心理学视角。

我们的研究还显示，信息反馈在人机协同中是一把“双刃剑”。在漏报为主的系统里，它能提升人的警觉；但在虚报为主的系统里，它却可能加剧责任扩散，让人过度依赖机器而放松警惕。

展望未来

回顾这十二年，我们团队的研究始终围绕“人”这个核心，从关注状态（唤醒、疲劳），到剖析特质（攻击性、感觉寻求），再到深挖认知（注意、图式、内隐态度），最后进入人与智能系统的交互（信任、责任）。这条逻辑线索清晰而坚定。

展望未来，我们认为有以下几个方向值得深耕：

第一，从“行为”到“神经”的跨越。眼动技术让我们看到了认知过程的“影子”，而脑电、功能性近红外光谱等技术将让我们直接“看到”大脑的活动。将行为、眼动与脑成像数据融合，构建一个从神经到行为的完整模型，是我们努力的方向。

第二，从“横断”到“纵向”的追踪。目前的研究多为静态快照。未来需要进行长期追踪，观察驾驶员的认知图式、风险偏好、人机信任如何随着驾龄增长和自动化程度的提高而动态演变，这将是构建终身驾驶行为发展模型的基础。

第三，从“发现”到“干预”的闭环。我们已经在图式训练、共情干预等方面做出了初步探索，但未来需要将这些理论发现转化为可落地、可推广、可评估的系统性干预方案，并利用VR、AR等新技术，真正实现个性化、自适应的安全驾驶能力提升。

第四，拥抱AI，定义全新的人机关系。随着高级别自动驾驶的到来，如何通过可解释AI提升人的信任，如何设计能自适应驾驶员状态的车载交互系统，将是未来研究的重中之重。

过去十二年，我们试图从心理学的视角，为理解驾驶行为提供一个更深刻、更人本的框架。未来的路还很长，但我们相信，只有真正理解了人，才能最终让科技更好地服务于人，让道路变得更加安全与和谐。未来，团队将持续追踪人智交互领域国际前沿，发挥眼动追踪技术优势，深耕智能驾驶安全心理机制研究，服务工程心理学实践与国家交通安全治理。

近三年，团队成果汇总如下：

[1]Yuan, C., Ding, J., Cui, Y., Chen, H., & Ma, J (通讯作者). (2026). Active takeover failure of aggressive drivers during partially automated driving. Transportation Research Part F: Traffic Psychology and Behaviour, 116, 103416.

[2]Ma, J., Li, G., Ding, J., Fang, D., & Chen, J. (2026). Predictive role of empathic attention bias on driver traffic violations and the empathy-enhancing effects of intelligent driving companionship. Transportation Research Part F: Traffic Psychology and Behaviour, 119, 103568.

[3] Ma, J., Cao, Y., Cui, Y., Wang, Y., & Zhang, T. (2025). Development and application of the driver aggressive behavior video questionnaire (DABVQ). International Journal of Occupational Safety and Ergonomics, 31(3), 837–851.

[4] Ma, J., Sun, J., Shen, Z., Xia, M., Fang, D., Yang, L., & Zhang, J. (2025). Can working experience mitigate the safety risks of high sensation-seeking traits in railway drivers? The impact of working experience and sensation seeking on railway drivers’ hazard perception. Personality and Individual Differences, 237, 113065.

[5]Cao, Y., Ma, J.(通讯作者), Zhou, H., & Zhang, R. (2025). A Responsibility-Based Classification of Error Patterns in Human-Machine Collaborative Decision-Making and the Double-Edged Effect of Information Feedback. International Journal of Human–Computer Interaction, 42(6), 3986–4005.

[6]Ma, J., Yang, S., Cui, Y., Zhang, S., Shen, Z., & Wang, N. (2025). The Development and Validation of a Career Aspirations Questionnaire for High School Students and Its Impact on Academic Performance. Psychology in the Schools, 62(9), 3333–3350.

[7] Ma, J., Chen, H., Cui, Y., & Zhang, T. (2024). The Predictive Role of visual attention bias in aggressive driving decisions among violation-involved drivers on attitudes of right-of-way. Transportation Research Part F: Traffic Psychology and Behaviour, 107, 607–619.

[8] Ma, J., Shen, Z., Wang, N., Xiao, X., & Zhang, J. (2024). Developmental differences in children’s adaptation to vehicle distance and speed in street-crossing decision-making. Journal of Safety Research, 88, 261–274.

[9] Du, X., Ma, J.(通讯作者), Zhang, M., Wang, J., & Liang, C. (2024). The attentional guidance and facilitating effects of group behavioral cues on individual college pedestrians’ jaywalking decisions. Traffic Injury Prevention, 25(5), 733–740.

[10] Ma, J., Wang, Y., Xia, M., Guo, Z., Li, Z., Zhang, J., & Zhang, J. (2023). The influence of train driver’s foreign body penetration experience on hazard perception sensitivity: the mediating role of sustained attention. Cognition, Technology & Work, 26(1), 153–168.

[11]Huo, D., Ma, J.(通讯作者), & Chang, R. (2023). The development and application of the drivers’ attitudes of right-of-way questionnaire (DARQ). Transportation Research Part F: Traffic Psychology and Behaviour, 94, 67–82.

[12] Shen, Z., Ma, J.(通讯作者), & Wang, N. (2023). Development and validation of a video-based assessment tool for children’s street-crossing safety. Journal of Transport & Health, 33, 101716.

[13]杜心雨,马锦飞（通讯作者）,刘慧,常若松.车道情境与驾驶态度对驾驶员变道决策影响的眼动研究[J].心理科学,2023,46(3):570-577.(CSSCI)