⚡ electrical engineering

Trust–reliance alignment is context-sensitive in automated driving: a within-person secondary analysis of open experimental data

Este estudo reanalisa dados experimentais para demonstrar que, embora a confiança momento a momento de um indivíduo na automação geralmente se alinhe com suas decisões de dependência, essa relação é significativamente mais fraca em contextos de rodovias comparados aos suburbanos, sugerindo que o design da interface deve priorizar o suporte à reavaliação oportuna do controle em vez de simplesmente visar o aumento dos níveis médios de confiança.

Autores originais: Xiaoqing Zhao

Publicado 2026-09-10

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Xiaoqing Zhao

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Quando um carro dirige sozinho, o humano em seu interior não é meramente um passageiro; ele é um parceiro em uma dança de responsabilidade em constante mudança. O veículo lida com a direção e a velocidade, mas a pessoa deve decidir o quanto confiar na máquina em qualquer dado momento. Esse relacionamento baseia-se em duas coisas distintas. Primeiro, há a confiança, que é um sentimento — uma crença geral de que a tecnologia é segura e confiável. Segundo, há a dependência, que é a escolha real de deixar o carro assumir o controle ou retomar o volante. No mundo real, essas duas coisas nem sempre se movem em sincronia. Um motorista pode confiar genericamente em um sistema de condução autônoma, mas ainda assim hesitar em deixá-lo lidar com uma situação súbita e perigosa. Compreender como esses sentimentos e ações se conectam, especialmente quando as condições da estrada mudam, é vital para construir veículos que mantenham as pessoas seguras.

Pesquisadores analisaram recentemente de perto essa conexão ao reexaminar dados de um grande experimento envolvendo 206 motoristas licenciados. No estudo original, esses participantes assistiram a cenas de vídeo de um carro autônomo navegando em dois ambientes muito diferentes: uma rodovia movimentada e um bairro suburbano tranquilo. Cada cenário incluía um momento de surpresa, como outro carro entrando perigosamente perto ou um veículo diminuindo a velocidade inesperadamente, seguido por uma resolução. Após assistir a cada cena, os motoristas foram questionados sobre o quanto de controle queriam dar ao sistema automatizado, variando desde assumir o volante completamente até deixar o carro dirigir com os olhos fora da estrada. Eles também avaliaram o quanto confiavam no veículo naquele momento específico. Esta nova análise pegou essas respostas e separou a confiança geral e de longo prazo dos motoristas da sua confiança momentânea. Isso permitiu que os pesquisadores vissem se uma única pessoa entregaria mais controle quando sua confiança aumentasse, e se esse padrão se mantinha através de diferentes tipos de estradas.

As descobertas revelam um quadro claro, porém matizado. Quando a confiança de um motorista no sistema aumentava para uma cena específica, eles estavam, de fato, dispostos a dar mais controle ao carro. Esse elo entre sentimento e ação era forte e consistente, aparecendo mesmo após considerar a idade do motorista, sua atitude geral em relação aos robôs e a frequência com que dirigia. No entanto, o contexto da condução importava tanto quanto o sentimento. Nas cenas de rodovia de alta velocidade, os motoristas escolheram consistentemente manter mais controle para si mesmos, independentemente de quanto confiavam no carro. Mesmo quando um motorista se sentia muito confiante no sistema, o perigo do ambiente de rodovia fazia com que ele recuasse, reduzindo a quantidade de automação que estava disposto a aceitar. Além disso, a conexão entre confiança e ação era mais fraca na rodovia do que nos subúrbios. No cenário suburbano, um aumento na confiança levava a um aumento mais direto em deixar o carro dirigir, ao passo que na rodovia, esse elo era mais frouxo e os motoristas permaneciam mais cautelosos.

O estudo também observou como os motoristas reagiam quando os eventos inesperados aconteciam e eram posteriormente resolvidos. Quando ocorria uma surpresa, tanto a confiança quanto a disposição para deixar o carro dirigir caíam. Quando a situação era resolvida, a confiança frequentemente recuperava-se rapidamente, mas a disposição para deixar o carro dirigir nem sempre se recuperava no mesmo grau. Isso sugere que um motorista pode entender que um problema foi resolvido e sentir-se seguro novamente, mas ainda assim hesitar em entregar totalmente o controle. Os pesquisadores descobriram que simplesmente mostrar mais informações na tela não resolvia essa lacuna. Fornecer uma exibição detalhada do que o carro estava vendo e planejando não tornava o elo entre confiança e dependência mais forte ou mais consistente. A informação extra não ajudou os motoristas a traduzir seus sentimentos em melhores decisões sobre o controle.

Esses resultados sugerem que projetar carros autônomos exige mais do que apenas tentar fazer as pessoas se sentirem bem com a tecnologia. O objetivo não deve ser maximizar o nível médio de confiança que um motorista sente, mas sim apoiar o motorista na tomada da decisão certa no momento certo. Um sistema que parece confiável em um dia calmo ainda pode precisar de monitoramento próximo em uma rodovia movimentada. O estudo indica que as interfaces e protocolos de segurança devem focar em ajudar os motoristas a reavaliar o controle rapidamente quando a situação muda, em vez de assumir que uma pontuação de confiança alta significa que o motorista está pronto para soltar o comando. O fator mais importante não é apenas se um motorista confia no carro, mas se ele consegue ajustar sua dependência para corresponder aos riscos imediatos da estrada.

Resumo Técnico: Alinhamento entre Confiança e Dependência na Condução Automatizada

Definição do Problema
A pesquisa atual sobre condução automatizada frequentemente trata a confiança como uma atitude estática ao nível da pessoa, assumindo que a disposição geral de um usuário em confiar em um sistema automatizado prevê seu comportamento de dependência em todas as situações. No entanto, as decisões de dependência desenrolam-se dinamicamente conforme as condições de tráfego mudam. Existe uma lacuna crítica na distinção entre diferenças entre pessoas (traços estáveis onde alguns indivíduos geralmente confiam mais do que outros) e dinâmicas dentro da pessoa (como um indivíduo específico ajusta sua dependência quando sua confiança flutua através de diferentes cenas). Além disso, permanece incerto se o acoplamento entre a atitude de confiança e o comportamento de dependência é consistente em diferentes contextos (ex: rodovia vs. suburbano) ou designs de interface (informação alta vs. baixa). Correlações agregadas podem ocultar se um indivíduo realmente atualiza sua alocação de controle em resposta a mudanças situacionais.

Metodologia
Este estudo realiza uma análise secundária de dados experimentais abertos de Tanevska et al. (2025a), envolvendo 206 motoristas licenciados que avaliaram seis cenas em cenários de rodovia e suburbanos. Cada cenário incluiu um evento inesperado e uma resolução.

Design: Um design entre participantes de 2 × 2 manipulando a informação da interface (alta vs. baixa) e a ordem dos cenários.
Medidas: Os participantes selecionaram um Nível de Automação (LoA) de 0 (retomada de controle) a 3 (olhos fora/desatento) após cada cena, seguido por uma avaliação da atitude de confiança.
Abordagem Analítica: O estudo empregou a decomposição de média pessoal para separar a confiança estável entre pessoas das desvios de confiança dentro da pessoa específicos de cada cena. Modelos de mínimos quadrados ordinários (OLS) robustos ao cluster foram estimados para prever o LoA conferido.
Controles: Os modelos controlaram o tipo de cenário, a sequência da cena, a informação da interface, efeitos de ordem, idade, atitudes negativas em relação a robôs (AV-NARS) e pontuações de comportamento do motorista (DBQ). Análises de sensibilidade incluíram níveis de conforto.
Análise de Eventos: Correlações de Spearman foram calculadas para as mudanças na confiança e na dependência através das transições de eventos (Cena 1→2 e 2→3) para avaliar o alinhamento das mudanças dinâmicas.

Principais Resultados

Alinhamento Intra-pessoal: Existe um alinhamento positivo entre os desvios de confiança dentro da pessoa e a automação conferida. Quando a confiança de um participante em uma cena específica era maior do que sua média pessoal, ele estava disposto a conferir aproximadamente 0.29 unidades adicionais de LoA ( $b = 0,291$ , IC 95% [0,219, 0,362]), independentemente de seu nível de confiança geral.
Sensibilidade ao Contexto: O contexto de rodovia reduziu significativamente o nível de automação que os participantes estavam dispostos a conferir ( $b = -0,612$ ) em comparação com os cenários suburbanos, independentemente dos níveis de confiança.
Acoplamento Enfraquecido em Contextos de Alto Risco: O acoplamento entre confiança e dependência foi mais fraco nos contextos de rodovia. O termo de interação indicou que para cada ponto de aumento na confiança, o aumento no LoA conferido foi 0,080 unidades menor na rodovia do que nos subúrbios ( $b = -0,080$ ).
Informação da Interface: Interfaces de alta informação não fortaleceram mensuravelmente o acoplamento confiança–dependência intra-pessoal ( $b = -0,021$ , $p = ,599$ ).
Transições de Eventos: Mudanças na confiança e mudanças na dependência foram positivamente correlacionadas através das transições de eventos, mas apenas modestamente ( $\rho$ de Spearman = 0,239–0,324). Notavelmente, em cenários suburbanos, a confiança recuperou-se mais fortemente do que a dependência após a resolução de um evento, sugerindo um atraso ou assimetria na restauração comportamental.

Principais Contribuições

Distinção Metodológica: O estudo separa explicitamente as disposições estáveis entre pessoas das atualizações ao nível da situação, evitando a falácia ecológica de interpretar correlações agregadas como dinâmicas individuais.
Alocação Dinâmica de Controle: Demonstra que confiança e dependência estão relacionadas, mas não são intercambiáveis; a criticidade situacional (ex: condução em rodovias) altera a alocação de controle independentemente das atitudes de confiança concomitantes.
Implicações de Design: Os achados desafiam o objetivo de design de maximizar a confiança média. Em vez disso, sugerem que interfaces e procedimentos devem apoiar a reavaliação oportuna do controle, pois uma confiança mais alta não garante automaticamente a dependência apropriada em contextos de alto risco.

Significância e Alegações
O artigo afirma que, para sistemas automatizados de segurança crítica, a questão operacional não é meramente se os usuários confiam na tecnologia, mas como suas escolhas de dependência se ajustam a situações específicas. O estudo conclui que o nível de confiança e a alocação de controle sensível ao contexto são construtos relacionados, mas distintos. Consequentemente, os sistemas de interação humano-automação devem priorizar o suporte às dinâmicas da alocação de controle — ajudando os usuários a traduzir evidências e riscos mutáveis em decisões proporcionais — em vez de tratar a confiança média mais alta como a métrica de sucesso primária. O autor observa que, embora a alta informação não tenha melhorado o acoplamento confiança–dependência neste conjunto de dados, a quantidade de informação por si só não é equivalente ao suporte à decisão eficaz; a informação deve ser diagnóstica e oportuna para auxiliar a reavaliação do controle.

Nota: O autor enfatiza que estes achados baseiam-se em ações autorrelatadas em vinhetas estáticas, não em comportamento observado na estrada, e que a análise secundária foi exploratória, exigindo replicação para alegações causais.

Mais como este