Predicting Driver Adaptability: A Hierarchical Computational Rationality Model of Bounded-Optimal Visual Sampling in Lateral and Longitudinal Vehicle Control

القيادة هي عملية تفاوض مستمرة بين ما نراه وما نتوقعه. تمسح أعيننا الطريق، وتتحقق من علامات المسارات ومن عداد السرعة، لكنها لا تستطيع البقاء ثابتة على كل تفصيل إلى الأبد. فالدماغ البشري ليس كاميرا تسجل فيديو مستمر؛ بل هو معالج يبني صورة ذهنية للعالم ويقوم بتحديث تلك الصورة فقط عند الضرورة. وعندما نلتفت بعيداً لجزء من الثانية، لا يصبح دماغنا فارغاً ببساطة، بل يعتمد بدلاً من ذلك على تقدير داخلي، وهو تخمين أمثل لمكان السيارة وسرعتها، بناءً على آخر مرة نظرنا فيها وإلى الإجراءات التي اتخذناها للتو. هذه الصورة الذهنية مفيدة، لكنها هشة أيضاً؛ فمع مرور الوقت دون معلومات بصرية جديدة، يصبح التخمين أقل يقيناً، وتزداد مخاطر الخطأ. والسؤال الذي حير الباحثين لفترة طويلة ليس فقط إلى متى يمكن للسائقين النظر بعيداً، بل كيف يقررون ما ينظرون إليه عندما يكون لديهم وقت محدود وأشياء متعددة للمراقبة.

لعقود من الزمن، درس العلماء كيفية إدارة السائقين لانتباههم، وغالباً ما ركزوا على مهمة واحدة مثل البقاء في المسار. ومع ذلك، فإن القيادة الحقيقية نادراً ما تكون بهذه البساطة. يجب على السائق أن يقود السيارة في آن واحد للبقاء في المسار، ويدير السرعة لتتناسب مع حركة المرور أو لوحات الطريق. هاتان المهمتان مرتبطتان؛ فإذا انحنى الطريق بشكل حاد، يجب على السائق إبطاء السرعة، وإذا كانت السيارة تسير بسرعة كبيرة، يصبح من الصعب توجيهها بأمان. وحتى الآن، كانت النماذج الحاسوبية التي حاولت محاكاة كيفية تفكير السائقين بشأن انتباههم تعامل هذه المهام بشكل منفصل في الغالب. كان بإمكانها شرح كيف يقرر السائق النظر إلى الطريق للبقاء في المسار، أو كيف ينظر إلى عداد السرعة للحفاظ على السرعة، لكنها لم تستطع شرح كيف يختار السائق بين الاثنين عندما يكون كلاهما غير مؤكد في نفس الوقت. وتترك هذه الفجوة في الفهم صورة غير مكتملة لكيفية إدارة البشر فعلياً للقرارات المعقدة التي تتطلبها القيادة بأمان في أجزاء من الثانية.

قام فريق من الباحثين من جامعة يوفاسكولا وجامعة كوتشي للتكنولوجيا ببناء نموذج حاسوبي جديد لسد هذه الفجوة. لقد أنشأوا سائقاً رقمياً يتعلم قيادة السيارة في بيئة محاكاة، ولكن مع لمسة مختلفة: رؤية السائق تُحجب بشكل متكرر، تماماً كما لو كان يرتدي نظارات تصبح مظلمة. يجب على السائق الرقمي أن يقرر متى يرفع النظارات لينظر إلى الطريق، ومتى ينظر إلى عداد السرعة، ومتى يبقيها مغلقة ويعتمد على تخمينه الداخلي. لم يكن الهدف من النموذج هو برمجته بقواعد محددة حول متى ينظر، بل أن يتعلم من خلال التجربة والخطأ، تماماً كما يفعل البشر، عبر محاولة البقاء في المسار والحفاظ على السرعة ضمن نطاق آمن مع تقليل الجهد المبذول في النظر. أراد الباحثون معرفة ما إذا كان بإمكان الكمبيوتر، إذا مُنح فقط الأهداف الأساسية للقيادة والقيود المتمثلة في عدم القدرة على رؤية كل شيء طوال الوقت، أن يطور بشكل طبيعي استراتيجية للنظر تشبه سلوك البشر الحقيقيين.

لاختبار ذلك، جمع الباحثون أولاً بيانات من ثلاثين مشاركاً بشرياً في جهاز محاكاة القيادة. قاد هؤلاء الأشخاص على طريق منحدر وتلي مرتديين نظارات خاصة يمكنها حجب رؤيتهم. طُلب من المشاركين إبقاء السيارة في منتصف المسار والحفاظ على سرعة تتراوح بين 100 و110 كيلومترات في الساعة. سُمح لهم بسحب رافعة لاستعادة رؤيتهم لفترة وجيزة لمدة نصف ثانية كلما شعروا أنهم بحاجة إلى التحقق من الطريق أو السرعة. سجل الباحثون بدقة كم من الوقت أبقى السائقون أعينهم مغلقة، وكم مرة نظروا، وكم من الوقت قضوا في النظر إلى الطريق مقابل عداد السرعة. كانت هذه البيانات البشرية بمثابة المعيار، المعيار الواقعي الذي سيُقاس به النموذج الحاسوبي.

صُمم النموذج الحاسوبي بهيكل هرمي لاتخاذ القرار، مما يحاكي الطريقة التي قد ينظم بها الدماغ البشري هذه المهام. كان يتكون من ثلاثة أجزاء متميزة تعمل معاً. الجزء الأول كان مسؤولاً عن التوجيه، والثاني عن التحكم في السرعة، والثالث كان مشرفاً يقرر أي من الجزأين الأدنيين يحتاج إلى معلومات جديدة. عندما يقرر المشرف النظر، فإنه يختار إما الطريق أو عداد السرعة، وليس كليهما في آن واحد، محاكياً حقيقة أن نظرة السائق تتركز على شيء واحد في كل مرة. تعلم النموذج من خلال التعزيز، وهي طريقة يتلقى فيها مكافآت للبقاء في المسار والحفاظ على السرعة الصحيحة، وعقوبات على الاصطدام أو تجاوز السرعة. والأهم من ذلك، تلقى النموذج عقوبة صغيرة في كل مرة يقرر فيها النظر، مما يمثل التكلفة الذهنية لتحويل الانتباه. هذا أجبر النموذج على أن يكون فعالاً، بحيث ينظر فقط عندما يصبح عدم اليقين في تخمينه الداخلي مرتفعاً جداً لدرجة لا يمكن تجاهلها.

عندما قام الباحثون بتشغيل النموذج عبر نفس ظروف المحاكاة المستخدمة مع السائقين البشر، كانت النتائج متشابهة بشكل مذهل. طور السائق الحاسوبي نمطاً للنظر يطابق البيانات البشرية عن كثب. في المتوسط، نظر النموذج إلى الطريق لمدة 24 بالمائة من الوقت وإلى عداد السرعة لمدة 10 بالمائة، تاركاً بقية الوقت مع عينين مغضتين أو ينظر في اتجاه آخر. كان هذا التوزيع قريباً جداً من المتوسط البشري، حيث نظر السائقون إلى الطريق لمدة 29 بالمائة تقريباً وإلى عداد السرعة بنسبة 12 بالمائة. طابق النموذج أيضاً البشر في المدة التي أبقوا فيها أعينهم مغلقة، حيث بلغ متوسط أقل من ثانية واحدة لكل نظرة، وفي عدد مرات التحقق، حيث نظر حوالي سبع مرات كل عشر ثوانٍ. حتى السرعة التي قاد بها النموذج وعدد المرات التي انحرف فيها قليلاً عن نطاق السرعة المستهدف كانت متسقة مع المشاركين البشر.

كان الاكتشاف الأكثر أهمية هو أن النموذج حقق هذا التشابه دون أن يُخبر بكيفية التصرف بالضبط. لم تكن لديه قاعدة مبرمجة مسبقاً تقول "انظر إلى الطريق كل خمس ثوانٍ". بدلاً من ذلك، تعلم أنه ليبقى آمناً، عليه موازنة خطر الانحراف عن المسار أو زيادة السرعة مقابل تكلفة النظر. عندما كان الطريق مستقيماً والسرعة مستقرة، تعلم النموذج إبقاء عينيه مغضتين لفترات أطول، واثقاً في تنبؤه الداخلي. وعندما كان الطريق ينحني أو بدأت السرعة في الانحراف، تعلم النموذج النظر بشكل أكثر تكراراً لتصحيح تخمينه. يشير هذا إلى أن الطريقة التي يخصص بها البشر انتباههم ليست عادة عشوائية، بل هي استراتيجية تكيفية تنبثق من الحاجة إلى إدارة عدم اليقين بكفاءة. أظهر النموذج أن السائقين يديرون في الأساس ميزانية للانتباه، وينفقونها فقط عندما تصبح تكلفة عدم المعرفة مرتفعة جداً.

ومع ذلك، كشفت الدراسة أيضاً عن قصور في فهم النموذج للقصور البشري. فبينما انحرف السائقون البشر أحياناً عن مسارهم، وهو أمر شائع في القيادة الحقيقية، لم يرتكب النموذج الحاسوبي هذا الخطأ أبداً. كان النموذج مثالياً جداً في التوجيه، ربما لأنه تدرب على تجنب الأخطاء بصرامة شديدة لدرجة أنه لم يأخذ المخاطر الصغيرة التي يتخذها البشر بشكل طبيعي. وهذا يشير إلى أنه بينما يلتقط النموذج منطق كيفية تقرير ما ينظر إليه السائق، فإنه لا يزال يبالغ في تقدير استقرار التحكم البشري. السائقون الحقيقيون لا يديرون عدم اليقين فحسب، بل يتعاملون أيضاً مع القيود الجسدية وهفوات التركيز العرضية التي لا يحاكيها النموذج الحالي بشكل كامل.

تمتد تداعيات هذا العمل إلى ما هو أبعد من فهم كيفية قيادتنا. فمن خلال إظهار أن الانتباه مورد ديناميكي يتم إدارته للحفاظ على دقة التنبؤات الداخلية، يقدم النموذج طريقة جديدة للتفكير في أنظمة سلامة السائقين. تعتمد أنظمة التحذير الحالية غالباً على قواعد بسيطة، مثل إصدار إنذار إذا نظر السائق بعيداً لأكثر من ثانيتين. لكن هذا البحث يشير إلى أن خطر النظر بعيداً يعتمد كلياً على الموقف. فالنظر بعيداً لمدة ثانيتين على طريق سريع مستقيم وخالٍ قد يكون آمناً تماماً لأن التخمين الداخلي لا يزال دقيقاً. لكن تلك النظرة ذات الثانيتين على تلة حادة ومتعرجة قد تكون خطيرة لأن التخمين أصبح بالفعل غير موثوق به. يمكن لنظام يعتمد على هذا النموذج أن يقدر عدم اليقين الداخلي للسائق ويحذره فقط عندما تهدد قلة الرؤية سلامته فعلياً، بدلاً من مجرد عد الثواني.

في النهاية، تقدم هذه الدراسة تفسيراً رسمياً لسلوك نؤديه جميعاً دون تفكير: فن معرفة متى ننظر ومتى نثق بحدسنا. إنها تثبت أن قدرة البشر على القيادة بأمان أثناء النظر بعيداً ليست فشلاً في الانتباه، بل هي شكل متطور من التكيف. ومن خلال التعامل مع الانتباه كأداة لتحديث نموذج ذهني للعالم، أظهر الباحثون أن الدماغ يقوم باستمرار بحساب تكلفة المعلومات مقابل خطر الخطأ. لقد نجح النموذج الحاسوبي، رغم بساطته، في إعادة إنشاء عملية التوازن المعقدة هذه، مما أثبت أن أنماط الانتباه البشري ليست اعتباطية، بل هي نتيجة لجهد عقلاني، وإن كان محدوداً، للبقاء آمناً في عالم غير يقيني.