孙晓枫, 赵莹, 吕春梅
东北大学 机械工程与自动化学院，辽宁 沈阳 110819
收稿日期：2021-09-17
基金项目：中央高校基本科研业务费专项资金资助项目(N2203018)；科技部创新方法工作专项(2018IM030200)。
作者简介：孙晓枫(1981-), 女, 辽宁本溪人, 东北大学讲师, 博士。

摘要：为探讨人们对自动驾驶汽车(autonomous vehicles, AVs)是否信任的影响因素及其作用机制，从信息内容、信息载体、信息通道、系统透明度、技术能力和情况管理6个角度设计了AVs人机交互信任模型.采用结构效度、聚敛效度、区分效度的验证性因子分析、中介效应分析及路径分析对结构方程模型进行拟合检验.研究发现：信息通道、系统透明度和信息载体对于自动驾驶信任影响显著；信息内容、信息载体和信息通道不仅对AVs人机交互信任直接产生影响，还通过系统透明度这一中介变量对AVs人机交互信任产生影响.
关键词：自动驾驶汽车人机交互信任信息内容信息载体信息通道
Influencing Mechanism of Human-Computer Interaction Trust in Autonomous Vehicles
SUN Xiao-feng, ZHAO Ying, LYU Chun-mei
School of Mechanical Engineering & Automation, Northeastern University, Shenyang 110819, China

Abstract: To explore the influencing factors and mechanism of people's trust on autonomous vehicles(AVs), the trust model of AVs was designed from six perspectives: information content, information carrier, information channel, system transparency, technical capability and situation management. The structure validity, convergent validity and discriminant validity of confirmatory factor analysis, the intermediary effect analysis and path analysis were used for the fitting test of the structural equation model. It was found that information channel, system transparency and information carrier have significant effect on AVs trust. Information content, information carrier and information channels not only affect AVs trust directly, but also affect AVs trust through the intermediary variable of system transparency.
Key words: autonomous vehiclehuman-computer interactiontrustinformation contentinformation carrierinformation channel
随着5G，AI等新一代信息技术的发展，传统汽车行业在信息化、工业化“两化”深度融合的基础上正向着智能化方向发展, 自动驾驶技术的不断突破和发展带来的行业进步有望在环境、经济和社会领域带来诸多好处：大数据背景下智能化的自动驾驶系统将减少因人为原因造成的交通事故；利用共享模式，可减少汽车保有量，同时提升汽车使用效率并提供更加便捷的个人出行.2020年3月9日，中华人民共和国工信部在官网公布了《汽车驾驶自动化分级》，指导和规范自动驾驶汽车产业发展，这项标准于2021年1月1日施行，这标志着2021年将是中国自动驾驶汽车商品化元年.汽车自动驾驶技术的发展，使得人与车的关系发生了转变，由传统的“人控制车”向“人车共享控制”发展，汽车获得了部分“控制权”.当需要人成为系统的监控者或置身于驾驶任务之外时，能否信任并将驾驶任务委托给驾驶自动化系统即汽车自动驾驶带来的人机信任问题随之而来.
1 AVs人机交互信任影响因素人机信任问题正成为影响AVs发展的关键问题之一，越来越受到人们的关注^[1].关于AVs人机信任的研究主要集中探讨人与AVs系统之间的影响信任的各类因素，研究的主要内容可以分为3类.
1) 影响因素主要集中在人这一主体，包括人对于自动驾驶的态度^[2]和期望^[3]、人格因素(文化、年龄、性别^[4])、性格因素(自信^[5]、满意度^[6])等.
2) 主要关注AVs系统，包括AVs系统的设计、性能等，包括研究交互界面设计对于信任的影响，比如拟人化^[7]、透明界面或系统反馈^[8]等.系统性能对于信任的影响，如可靠性、可预测性或可依赖性^[9].
3) 关注环境因素，包括外部环境和人的内部心理因素.比如心理机制和社会影响等情境因素^[10]，匹配用户的心理机制的界面^[11]等都对信任度有影响.
2 模型构建及基本假设2.1 AVs人机交互信任模型通过回顾以往文献，研究发现用户对自动化的信念正向影响信任.系统操作的透明性使得用户可以创建一个精确的系统操作和功能的心智模型.此外，了解系统运行的心理模型也很重要，这样可以增加人们对AVs的信任.关于驾驶辅助系统信任的研究表明，信任依赖于用户感知的性能和可靠性^[12].在AVs中，对系统性能的预期可能会增加信任.AVs的行为会导致一种失去用户控制的感觉，因此响应性援助已被证明会影响用户对自动化的信任态度：如果该系统允许司机在任何他们想要的时候接管车辆，他们将更容易信任自动汽车.由此得出，AVs的系统透明度、技术能力和情况管理对于信任有着重要的影响.同时AVs人机交互信任离不开信息的传递和交互，而信息内容、信息传递载体、信息传递通道也是影响AVs人机交互信任的重要因素.这3个方面本身对于AVs人机交互信任的形成和发展有影响，同时这3个方面从本质上来讲都涉及到AVs的系统透明度，又通过系统透明度影响AVs人机交互信任.基于此，构建了初步模型框架, 如图 1所示.
图 1(Fig. 1)

图 1 初步模型框架Fig.1 Preliminary model framework

2.2 AVs人机交互信任模型假设2.2.1 信息内容AVs交互信任信息内容指的是在自动驾驶过程中，人与自动驾驶系统交互时产生的各类信息的内涵及表达形式.信息内容决定了人与自动驾驶系统交互过程所发生的信息流动及采取的行动和措施.Helldin等^[13]调查了不确定性信息如何影响车辆自主驾驶能力，从而影响驾驶员对AVs系统的信任，发现提供不确定信息的驾驶员对AVs系统的信任度低于没有收到不确定信息的控制组.因此认为：
H1：信息内容将会影响AVs人机交互信任.
H2：信息内容将会影响AVs系统透明度，进而影响人机交互信任.
鉴于信息内容不同的构成结构，从信息质量、信息反馈、信息安全和信息层次4个方面设计了测量尺度题项并提出了相关假设.
H1a：信息质量将会影响信息内容进而影响AVs人机交互信任.
H1b：信息反馈将会影响信息内容进而影响AVs人机交互信任.
H1c：信息安全将会影响信息内容进而影响AVs人机交互信任.
H1d：信息层次将会影响信息内容进而影响AVs人机交互信任.
2.2.2 信息载体自动驾驶领域的信息载体主要是指AVs人机交互系统及其外在表现如交互界面等.AVs界面设计过程中的表达方式、呈现形式及界面布局等影响着人们对于AVs的信任.因此认为：
H3：信息载体将会影响AVs人机交互信任.
H4：信息载体将会影响AVs系统透明度进而影响人机交互信任.
鉴于信息载体有不同的构成结构，从信息载体表达方式(系统透明度^[14])、信息载体呈现形式(考虑人的认知特性的形式^[15])和信息载体布局3个方面设计了测量尺度题项并提出了相关假设.
H3a：信息载体表达方式会影响信息载体进而影响AVs人机交互信任.
H3b：信息载体呈现方式影响信息载体进而影响AVs人机交互信任.
H3c：信息载体布局影响信息载体进而影响AVs人机交互信任.
2.2.3 信息通道人对环境信息的感知通常是由视觉、听觉、触觉、嗅觉等感官通道接受外界信息并对信息进行加工而完成的.AVs人机交互中的信息通道也主要依赖于这几种感官通道进行感知并完成信息的交互.信息通道是否通畅、信息通道与信息量的匹配度通过信息传递速度影响交互信息的传递和反馈，也影响着人们对于AVs的信任.基于此，认为：
H5：信息通道将会影响AVs人机交互信任.
H6：信息通道将会影响AVs系统透明度进而影响人机交互信任.
同时，鉴于信息载体有不同的构成结构，从信道容量、信息通量、信道载荷和信道联合4个方面设计了测量尺度题项并提出了相关假设.
H5a：信道容量将会影响信息通道从而影响AVs人机交互信任.
H5b：信息通量将会影响信息通道从而影响AVs人机交互信任.
H5c：信道载荷将会影响信息通道从而影响AVs人机交互信任.
H5d：信道联合将会影响信息通道从而影响AVs人机交互信任.
2.2.4 系统透明度、技术能力和情况管理人对AVs系统的信任应建立在对系统信息、功能、主要操作方式及运行情况充分了解的基础上，研究强调系统透明性对于保持适当的信任校准的重要性，系统透明度指人们相信AVs系统是可预测和可理解的.技术能力指的是AVs系统处理复杂事件的能力，在一定程度上反应了车辆自动驾驶技术的成熟度，体现为用户对AVs系统准确、正确地执行任务的信念.情况管理则指AVs面临突发事件时的应急能力，包括需要驾驶接管时的驾驶接管和可控制等，反应了用户可以在任何需要的情况下恢复对汽车的控制权.根据Choi等^[16]在2015年关于信任对AVs接受的重要性相关研究，提出以下假设：
H7:系统透明度对AVs人机交互信任有积极影响.
H8:技术能力对AVs人机交互信任有积极影响.
H9:情况管理对AVs人机交互信任有积极影响.
3 问卷设计与调查3.1 问卷设计根据研究中提取的影响AVs人机交互信任的因素，结合以前****关于AVs信任影响因素的研究进行了问卷设计.其中，用于测量信任的项目取自Gefen等^[17]的相关研究，系统透明度、技术能力和情况管理的评估则采用了自动化系统的研究方法和量表.
根据初步模型框架和研究假设，设计了调查量表，量表内容包括受访者背景信息和潜变量的观测变量信息.观测变量信息包括信息内容、信息载体、信息通道、系统透明度、技术能力、情况管理和AVs人机交互信任7个潜变量，23个观测变量如表 1所示.变量的测量均采用李克特5分制量表，1~5表示由“非常不同意”到“非常同意”.
表 1(Table 1)

表 1 AVs人机交互信任量表Table 1 AVs human-computer interaction trust scale 维度 指标 题项 信息内容 信息质量 可靠的信息质量会增加我对AVs的信任和使用. 信息反馈 及时的信息反馈会让我对AVs更加信任. 信息层次 AVs传递的信息层次分明会让你对其更加信任. 信息安全 信息安全程度将影响我对AVs的信任. 信息载体 信息载体表达方式 清晰反映汽车运行状态的信息载体表达方式能够增加我对AVs的信任. 信息载体呈现形式 有吸引力的信息载体呈现形式能够使我更加信任AVs. 信息载体布局设计 信息载体布局合理让我觉得AVs更加安全可靠. 信息通道 信道容量 信道容量大可以减轻我在AVs使用过程中的认知负荷. 信息通量 信息传递及时快速能够让我更加信任AVs. 信道载荷 信息载荷会影响我对AVs的信任. 信道联合 信道联合的信息传递方式可增加我对AVs的信任. AVs人机交互信任 可靠性 AVs是可靠的. 可依赖 AVs是可信赖的. 可信性 总体来说，我可以信任AVs. 系统透明度 行为可测 我相信AVs的行为是连贯的，它的行为是可以预测的. 符合预期 我相信我可以形成一个心理模型，预测AVs未来的行为. 表现可测 我相信我可以预测AVs的具体表现. 技术能力 技术可靠 我相信AVs是不会出错的. 技术可信 我相信我可以依赖AVs. 技术稳定 我相信AVs在各种环境下都能保持稳定的性能. 情况管理 可替性 我相信AVs提供了替代解决方案. 可控制 我相信我可以控制AVs的行为. 有帮助 我相信AVs将提供充分、有效和响应性的帮助.

表 1 AVs人机交互信任量表 Table 1 AVs human-computer interaction trust scale

3.2 问卷发放与统计采用发放调查问卷的方式开展研究，鉴于调查问卷内容涉及自动驾驶，因此所有参与者均具有驾驶证和至少两年的驾驶经验，共回收调查问卷489份，其中有效样本445份，有效回收率为91%.
4 模型拟合与假设检验4.1 问卷效度和信度应用SPSS 22.0软件进行信度和效度检验，如表 2所示.23个观测变量的克隆巴赫系数(Cronbach′s α)值为0.920，7个潜变量的Cronbach′s α值均大于0.7，表明问卷具有较好的信度.23个观测变量的KMO(Kaiser-Meyer-Olkin)值为0.931.7个潜变量的KMO值均大于0.60，说明问卷具有不错的结构效度.
表 2(Table 2)

表 2 信效度检验结果Table 2 Test results of reliability and validity 潜在变量 Cronbach′s α KMO 信息内容 0.841 0.812 信息载体 0.772 0.662 信息通道 0.890 0.808 系统透明度 0.929 0.756 技术能力 0.834 0.724 情况管理 0.838 0.729 AVs人机交互信任 0.788 0.743

表 2 信效度检验结果 Table 2 Test results of reliability and validity

4.2 模型验证与分析4.2.1 验证性因子分析通过验证性因子分析确认模型是否符合之前所提出来的理论，主要验证模型的结构效度、聚敛效度和区分效度.绝对拟合指标主要有卡方值(χ²)、渐近残差均方根拟合度指标RMSEA(root mean square error of approximation).标准化测量模型验证性因子分析结果如图 2所示，可知各观测变量的标准化因子载荷及潜变量之间的相关系数.
图 2(Fig. 2)

图 2 标准化测量模型验证性因子分析结果Fig.2 Confirmatory factor analysis results of the standardized measurement model

1) 结构效度主要用于检验实验与理论之间的一致性，其检验的指标如表 3所示.卡方值χ²与自由度df(degree of freedom)的比值为1.502，小于3，适配理想；RMSEA为0.034，小于0.06，适配理想；正规拟合指数NFI(normed fit index)为0.953，相对拟合指数RFI(relative fit index)为0.943，增量拟合指数IFI(incremental fit index)为0.984，比较拟合指数CFI(comparative fit index)为0.984，非规范拟合指数TLI(Tucker-Lewis index)为0.980，均大于0.9，结果适配良好.综合来看，信息内容、信息载体、信息通道、技术能力、系统透明度、情况管理、AVs人机信任的模型适配良好.
表 3(Table 3)

表 3 整体拟合系数表Table 3 Table of overall fitting coefficient χ2/df RMSEA NFI RFI IFI CFI 1.502 0.034 0.953 0.943 0.984 0.984

表 3 整体拟合系数表 Table 3 Table of overall fitting coefficient

2) 聚敛效度是指运用不同测量方法测定同一特征时测量结果的相似程度.由表 4可知，信息内容等各个潜在变量所对应的题项的因子荷载均大于0.7，这在一定程度上证明了题项能够很大程度上代表潜在变量.同时潜在变量的和的平均提取方差AVE(average variance extracted)均大于0.5，并且组合信度CR(construct reliability)值均大于0.8，证明了聚敛效度较为理想.
表 4(Table 4)

表 4 因子荷载Table 4 Factor load 路径 参数估计值 AVE CR 信息质量 <--- 信息内容 0.742 0.571 0.841 信息反馈 <--- 信息内容 0.753 信息安全 <--- 信息内容 0.746 信息层次 <--- 信息内容 0.781 载体表达 <--- 信息载体 0.922 0.761 0.905 载体呈现 <--- 信息载体 0.907 载体布局 <--- 信息载体 0.781 信道容量 <--- 信息通道 0.753 0.614 0.864 信息通量 <--- 信息通道 0.828 信道载荷 <--- 信息通道 0.760 信道联合 <--- 信息通道 0.790 技术可靠 <--- 技术能力 0.769 0.636 0.839 技术可信 <--- 技术能力 0.870 技术稳定 <--- 技术能力 0.748 行为可测 <--- 系统透明 0.858 0.817 0.817 符合预期 <--- 系统透明 0.912 表现可测 <--- 系统透明 0.939 可替性 <--- 情况管理 0.856 0.697 0.873 可控制 <--- 情况管理 0.876 有帮助 <--- 情况管理 0.769 可靠性 <--- 信任 0.862 0.717 0.883 可依赖 <--- 信任 0.883 可信性 <--- 信任 0.793

表 4 因子荷载 Table 4 Factor load

3) 区分效度：使用相关系数和AVE的平方根值进行区分效度的评估，当潜在因素的AVE平方根大于其他潜在因素的相关系数值，就证明区分效度较为合适.
由表 5可知，信息内容等潜在变量之间均具有显著的相关性(p < 0.001)，相关性系数绝对值均小于0.5，并且均小于对应的AVE平方根，这证明了潜在变量在具备一定程度的相关性的同时还具备较为明显的区分度，说明量表数据的区分效度是理想的.
表 5(Table 5)

表 5 区分效度Table 5 Discriminant validity 变量 信息内容 信息载体 信息通道 技术能力 系统透明 情况管理 信任 信息内容 0.571 信息载体 0.53*** 0.761 信息通道 0.228*** 0.344*** 0.614 技术能力 0.157*** 0.231*** 0.232*** 0.636 系统透明 0.411*** 0.53*** 0.239*** 0.241*** 0.817 情况管理 0.324*** 0.421*** 0.357*** 0.463*** 0.372*** 0.697 信任 0.382*** 0.514*** 0.345*** 0.254*** 0.559*** 0.412*** 0.717 AVE平方根 0.756 0.872 0.783 0.797 0.904 0.835 0.847 注：***代表p < 0.001；对角线为AVE评价方差变异抽取量.

表 5 区分效度 Table 5 Discriminant validity

4.2.2 中介效应分析检验某一变量是否成为中介变量及发挥何种程度的中介作用通常以中介效应分析进行.本研究采用逐步检验回归系数法对模型中的中介作用进行了检验.由表 6可知，系统透明度在信息内容、信息载体、信息通道和AVs交互信任之间起部分中介作用，即信息内容、信息载体和信息通道不仅直接对AVs交互信任起作用，还通过影响系统透明度对AVs交互信任间接起作用，因此模型设置合理，研究结论具有可靠性.
表 6(Table 6)

表 6 中介效应分析结果Table 6 Results of mediating effect analysis 自变量 中介变量 因变量 自变量→中介变量 自变量→因变量 自变量+中介变量→因变量 中介效应 自变量→因变量 中介变量→因变量 信息内容 系统透明度 AVs交互信任 0.371*** 0.298*** 0.023*** 0.464*** 部分中介 信息载体 系统透明度 AVs交互信任 0.342*** 0.365*** 0.108*** 0.573*** 部分中介 信息通道 系统透明度 AVs交互信任 0.731*** 0.314*** 0.029*** 0.632*** 部分中介 注：***代表p < 0.001.

表 6 中介效应分析结果 Table 6 Results of mediating effect analysis

4.2.3 路径分析结构模型的路径分析主要是探究各潜在变量之间的因果关系和效应关系.通过4.2.2节针对模型的验证性因子及中介效应分析，在一定程度上保证了以测量模型为基础构建的结构方程模型的拟合效果较为成功.根据图 2绘制的结构方程模型路径，导入数据，运行程序后切换到“标准化估计”，得到标准化结构方程模型路径的分析结果, 如图 3所示.结构模型显示各影响因素通过不同路径对AVs人机交互信任产生影响.通过最小拟合函数卡方值CMIN(minimum fit function chi-square)与自由度之比CMIN/df、拟合指标等对结构模型进行适配拟合检验，检验结果如表 7所示.CMIN/df为1.267，相对拟合指标NFI，RFI，IFI，CFI均超过0.9，绝对拟合指标RMSEA为0.012，每一个适配指标都在一个理想的取值范围中，显示适配合理，说明结构方程模型的整体拟合情况较好.
图 3(Fig. 3)

图 3 AVs人机信任交互结构关系模型Fig.3 Relational model of human-computer trust interaction structure for AVs

表 7(Table 7)

表 7 模型适配指标结果Table 7 Model adaptation index results 指标 模型适配值 可接受值 χ2 413.236 越小越好 RMSEA 0.012 < 0.05适配良好，< 0.08适配合理 CMIN/df 1.267 1~3 NFI 0.997 ＞0.9 RFI 0.976 ＞0.9 IFI 0.981 ＞0.9 CFI 0.973 ＞0.9

表 7 模型适配指标结果 Table 7 Model adaptation index results

表 8显示了各潜变量的路径系数，9条路径均通过了显著性水平检验，这说明H1~H9假设均成立.
表 8(Table 8)

表 8 结构方程模型潜变量路径系数Table 8 Path coefficient of the latent variables of the structural equation model 路径 标准化路径系数 标准估计误差 CR 显著性p 系统透明度 <---信息内容 0.492 0.357 1.194 ** 系统透明度 <---信息载体 0.792 0.386 0.779 *** 系统透明度 <---信息通道 0.731 0.082 4.268 *** AVs交互信任 <---系统透明度 0.872 0.07 1.251 *** AVs交互信任 <---情况管理 0.428 0.07 2.526 ** AVs交互信任 <---技术能力 0.622 0.05 0.044 *** AVs交互信任 <---信息内容 0.654 0.46 1.576 ** AVs交互信任 <---信息载体 0.851 0.496 2.178 *** AVs交互信任 <---信息通道 0.928 0.1 5.84 *** 注：**代表p < 0.01；***代表p < 0.001.

表 8 结构方程模型潜变量路径系数 Table 8 Path coefficient of the latent variables of the structural equation model

结果显示：信息通道(0.93)、系统透明度(0.87)及信息载体(0.85)对AVs人机交互信任的总影响效应最大，为主要影响变量；信息内容(0.65)、技术能力(0.62)及情况管理(0.42)对于AVs人机交互信任的综合影响最小.信息内容、信息载体、信息通道与系统透明度之间的标准化回归系数分别为0.49，0.79，0.73，说明信息载体通过系统透明度AVs人机交互信任的影响最大，其次为信息通道，最次为信息内容.
系统透明度、技术能力和情况管理已经被前人充分证明对于AVs有影响并阐述了相关影响机制.本文主要探讨信息内容、信息载体及信息通道对于AVs人机交互信任的影响，主要分析信息内容、信息载体及信息通道3个1阶影响因素及2阶组成因素对AVs人机交互信任的影响.
信息通道对于AVs人机交互影响最为显著，排在第一位.信息通道的二阶因素对AVs人机交互信任影响程度从高到低的排序为信道联合(0.92)、信道容量(0.89)、信道荷载(0.74)及信息通量(0.71).信道联合的因素载荷为0.92，未来人机交互中的信息传递方式的发展方向就是多信道(模态)联合.
信息载体对于AVs人机交互的影响较为显著，排在第二位.对于大多数人来讲，自动驾驶交互中的信息载体作为信息的承载形式，对人的感知影响最为直接，也是影响人对AVs交互信任最直接的因素.信息载体中的二阶因素影响度排名为信息载体表达方式(0.98)、信息载体呈现形式(0.79)及信息载体布局(0.58).
信息内容对于AVs人机交互的影响排在第3位.信息内容中二阶因素对AVs交互信任影响程度的排名为信息质量(0.87)、信息安全(0.77)、信息反馈(0.75)及信息层次(0.75).
信息内容、信息载体和信息通道不仅对AVs人机交互信任直接产生影响，还通过系统透明度这一中介变量对AVs人机交互信任产生影响.在4.2.2中进行了中介效应分析，证明了信息内容、信息载体和信息通道通过改善AVs的系统透明度对AVs人机交互信任产生影响，结构方程模型潜变量路径系数显示信息内容、信息载体和信息通道对于系统透明度的因素荷载分别为0.492(p < 0.01)，0.792(p < 0.001)和0.731(p < 0.001)，说明这一中介效应是显著的.
5 结论1) 基于以往的AVs可接受模型，以信息内容、信息载体和信息通道3组新变量对模型进行改进，构建了AVs人机交互模型.运用结构方程模型进行数学分析，结果表明6个潜变量显著影响AVs人机交互信任.
2) 进一步验证了系统透明度、技术能力和情况管理对AVs信任有影响，研究结果发现情况管理(0.42)和技术能力(0.62)对自动驾驶人机交互信任的影响显著低于系统透明度(0.87).这在一定程度上表明，人们对于AVs的信任更多受到AVs系统运作表现形式的影响.
3) 信息通道、信息载体和信息内容对AVs人机交互信任有显著影响，并通过改善AVs的系统透明度对AVs人机交互信任产生影响.
参考文献

[1]	Ghazizadeh M, Lee J D, Boyle L N. Extending the technology acceptance model to assess automation[J]. Cognition Technology & Work, 2012, 14(1): 39-49. DOI:10.1007/s10111-011-0194-3
[2]	Bailey N R, Scerbo M W. Automation-induced complacency for monitoring highly reliable systems: the role of task complexity, system experience, and operator trust[J]. Theoretical Issues in Ergonomics Science, 2007, 8(4): 321-348. DOI:10.1080/14639220500535301
[3]	Lazányi K. Are we ready for self-driving cars—a case of principal-agent theory[C]//IEEE 12th International Symposium on Applied Computational Intelligence and Informatics(SACI). Timisoara: 2018: 251-254.
[4]	Hohenberger C, Sporrle M, Welpe I M. How and why do men and women differ in their willingness to use automated cars? The influence of motions across different age groups[J]. Transportation Research Part A: Policy & Practice A, 2016, 94: 374-385.
[5]	Jessie X Y, Wickens C D, Otto K H. How users adjust trust in automation: contrast effect and hindsight bias[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. London: SAGE Publications, 2016: 196-200.
[6]	Stahl P, Donmez B, Jamieson G A. Analysis of the interaction between human operator and automated dispatch in haul truck scheduling[C]//Proceedings of the Human Factors and Ergonomics Society Annual Meeting. London: SAGE Publications, 2012: 2291-2295.
[7]	Waytz A, Heafner J, Epley N. The mind in the machine: anthropomorphism increases trust in an autonomous vehicle[J]. Journal of Experimental Social Psychology, 2014, 52(3): 113-117. DOI:10.1016/j.jesp.2014.01.005
[8]	Koo J, Kwac J, Ju W, et al. Why did my car just do that? explaining semi-autonomous driving actions to improve driver understanding, trust, and performance[J]. International Journal on Interactive Design and Manufacturing, 2015, 9(4): 269-275. DOI:10.1007/s12008-014-0227-2
[9]	Serge T, Maria R, Erik L, et al. Driver adherence to recommendations from support systems improves if the systems explain why they are given: a simulator study[J]. Transportation Research Part F: Traffic Psychology & Behavior, 2018, 56: 420-435.
[10]	Hancock P A, Billings D R, Schaefer K E. Can you trust your robot?[J]. Ergonomics in Design, 2011, 19(3): 24-29. DOI:10.1177/1064804611415045
[11]	Fogg B J, Tseng H. The elements of computer credibility[C]//Proceedings of CHI. Pittsburgh, PA: ACM, 1999: 80-87.
[12]	Maltz M, Sun H, Wu Q, et al. In-vehicle alerting system for older and younger drivers: does experience count?[J]. Transportation Research Record, 2004, 1899: 64-70. DOI:10.3141/1899-08
[13]	Helldin T, Falkman G, Riveiro M, et al. Presenting system uncertainty in automotive UIs for supporting trust calibration in autonomous driving[C]//Automotive UI '13: Proceedings of the 5th International Conference on Automotive User Interfaces and Interactive Vehicular Applications. New York: ACM, 2013: 210-217.
[14]	Hofstadter D. Fluid concepts and creative analogies: computer models of the fundamental mechanisms of thought[J]. Journal of the Association for Information Science and Technology, 1996, 47(5): 403-415.
[15]	Norman D. The design of everyday things: revised and expanded edition[M]. New York: Basic Books, 2013: 128-132.
[16]	Choi J K, Ji Y G. Investigating the importance of trust on adopting an autonomous vehicle[J]. International Journal of Humancomputer Interaction, 2015, 31(10/11/12): 692-702. DOI:10.1080/10447318.2015.1070549
[17]	Gefen D, Karahanna E, Straub D W. Trust and TAM in online shopping: an integrated model[J]. MIS Quarterly, 2003, 27: 51-90. DOI:10.2307/30036519