💻 computer science

Community Driving-Safety Deterioration as a Push Factor for Public Endorsement of AI Driving Capability

这项基于美国代表性样本的研究发现，社区驾驶安全担忧通过“风险溢出”机制产生了一种不一致的中介效应：它虽直接提升了对 AI 驾驶能力的具体认可（推力），却同时抑制了通用的 AI 倾向（拉力），导致在考虑个人驾驶频率的调节作用后，其对 AI 驾驶的净总影响趋近于零。

原作者： Amir Rafe, Subasish Das

发布于 2026-04-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Amir Rafe, Subasish Das

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常有趣且反直觉的现象：为什么当我们觉得身边的司机越来越糟糕时，我们并没有因此更疯狂地想要自动驾驶汽车？

为了让你轻松理解，我们可以把这项研究想象成一次对“公众心理”的侦探调查。

1. 核心故事：两个互相打架的声音

想象一下，你的大脑里住着两个小人，他们在讨论要不要把方向盘交给 AI（人工智能）：

小人 A（实用主义者）： 他看着周围乱开的车、路怒症、玩手机开车的司机，心里想：“天哪，人类司机太危险了！如果有个 AI 能代替他们，那该多安全啊！”
- 他的逻辑是“推力”：因为人类司机太烂了，所以我们要推着 AI 上位。
小人 B（怀疑论者）： 他看着周围糟糕的交通环境，心里想：“这个世界太乱了，连开车都这么危险，说明技术（包括 AI）可能也不靠谱，或者这个环境太糟糕了，我不信任任何新技术。”
- 他的逻辑是“抑制”：因为环境太糟糕，导致他对所有新技术（包括 AI）都感到焦虑和担忧。

这篇论文发现： 这两个小人同时存在，而且他们互相抵消了。

2. 研究发现了什么？（三个关键步骤）

研究人员调查了 5000 多名美国成年人，发现了一个复杂的心理链条：

第一步：社区越乱，越担心 AI。
当你觉得社区里的司机（超速、路怒、酒驾）越来越危险时，你不仅担心开车，你还会对整个 AI 技术产生更深的怀疑和担忧。就像你看到邻居家里总是失火，你不仅担心邻居，你还会觉得“现在的建筑技术都不安全”，从而对所有的新技术（比如智能家居）都感到不安。
- 比喻： 就像你看到餐厅卫生差，你不仅不想吃那家餐厅，你甚至开始怀疑“现在的食品工业是不是都有问题”，从而对所有新开的网红餐厅都提不起兴趣。
第二步：对 AI 越担心，越不看好 AI 开车。
如果你心里对 AI 充满了怀疑（觉得它可能失控、有偏见），那么当你具体问“你觉得 AI 开车比人好吗？”时，你的答案就会变得保守，甚至觉得 AI 不如人。
第三步：直接推力 vs. 间接阻力（最精彩的部分）。
- 直接推力（小人 A 赢了）： 即使你担心 AI，但当你直接对比“现在的烂司机”和"AI"时，你还是会觉得：“好吧，虽然我不喜欢 AI，但现在的司机太烂了，AI 还是比他们强一点点。”
- 间接阻力（小人 B 赢了）： 但是，因为你对 AI 整体的不信任感（由第一步产生），这种不信任感会抵消掉刚才那一点点“觉得 AI 比烂司机强”的想法。

最终结果： 这两个力量一正一负，互相打架，最后打了个平手。
这就解释了为什么虽然大家都抱怨交通乱，但并没有出现“全民疯狂支持自动驾驶”的浪潮。因为对 AI 的整体不信任，抵消了对烂司机的厌恶。

3. 为什么这很重要？（给政策制定者的启示）

这篇论文给想推广自动驾驶的人提了一个醒：

误区： 以前大家认为，只要把路上的烂司机抓起来，或者把交通整治得更好，大家就会更想要 AI 开车（因为对比之下 AI 显得更完美）。
真相： 研究发现，整治交通可能反而会让 AI 的接受度变低（因为烂司机少了，AI 的“对比优势”就小了）。
真正的解药： 想要大家接受 AI 开车，光管交通没用。更重要的是改变大家对 AI 的整体态度。
- 就像你想让人买新手机，光说“旧手机屏幕碎了”是不够的（这是推力）；你得先让大家信任新手机的技术（这是消除阻力）。
- 论文发现，提升公众对 AI 的整体认知和信任度（比如教育、透明化），比单纯改善交通状况，对推广自动驾驶的效果要大得多。

4. 总结：一个形象的比喻

想象你在排队买咖啡：

现状： 前面的顾客（人类司机）都在乱插队、把咖啡洒得到处都是（社区交通安全恶化）。
你的反应：
1. 你心想：“这队伍太乱了，不如直接让机器人（AI）来发咖啡吧！”（直接推力：想要 AI）。
2. 但是，你又心想：“天哪，连人类都这么乱，这个机器人会不会也乱？现在的社会是不是太混乱了，连机器都不可信？”（间接阻力：对 AI 整体不信任）。

结论： 虽然前面的顾客很烂，但你因为对整个“发咖啡系统”（包括机器人）感到不安，导致你并没有比平时更想点机器人发咖啡。

一句话总结：
“讨厌烂司机”确实能让人想试试自动驾驶，但这种讨厌同时也让人对“高科技”本身感到害怕。这两种情绪互相抵消，导致大家的态度变得很纠结，并没有因为交通乱而疯狂拥抱 AI。

这是一份关于论文《社区驾驶安全恶化作为公众支持 AI 驾驶能力的推动因素》（Community Driving-Safety Deterioration as a Push Factor for Public Endorsement of AI Driving Capability）的详细技术总结。

1. 研究问题与背景 (Problem & Background)

核心问题： 现有的自动驾驶（AV）接受度文献主要基于“拉动”（Pull）因素，即关注技术本身的吸引力（如感知有用性、信任、易用性）。然而，该研究提出并验证了一个被忽视的“推动”（Push）因素：社区驾驶安全恶化（Perceived Community Driving-Safety Concern, PCSC）。即公众对当前人类驾驶环境（如超速、分心、路怒等）的不满，是否构成了转向 AI 驾驶的推动力？
研究缺口：
1. 现有研究多关注对机器（AI）的恐惧，而忽视了对现状（人类驾驶）的不满作为替代方案的推动力。
2. 缺乏对“一般性 AI 态度”（Generalized AI Orientation）作为中介机制的研究，即环境压力如何转化为对特定任务（驾驶）的 AI 评价。
3. 缺乏基于全国代表性概率样本的严谨结构方程模型（SEM）分析，现有文献多依赖便利样本。
研究目标： 构建一个有调节的中介模型，检验 PCSC 如何通过“一般性 AI 态度”影响对"AI 与人类驾驶能力对比”的评价，并考察个人驾驶频率的调节作用。

2. 方法论 (Methodology)

数据来源： 使用皮尤研究中心（Pew Research Center）美国趋势小组（ATP）第 152 波数据（2024 年 8 月），这是一个基于地址抽样的美国全国概率样本。
- 样本量： $N = 5,410$ （加权后有效样本 $n_{eff} = 3,993$ ）。
变量操作化：
- 自变量 (Predictor)： 感知社区驾驶安全担忧 (PCSC)。由 6 个有序指标构成（超速、攻击性驾驶、酒驾、大麻驾驶、手机分心、危及行人/骑行者风险）。
- 中介变量 (Mediator)： 一般性 AI 导向 (Generalized AI Orientation)。由 7 个指标构成，反映对 AI 的兴奋与担忧（基于 GAAIS 概念框架）。
- 因变量 (Outcome)： AI 驾驶评价 (AI Driving Evaluation)。有序变量，询问受访者认为 AI 在驾驶任务上是否比人类更好。
- 调节变量 (Moderator)： 个人驾驶频率 (Driving Frequency)。
- 控制变量： 包括人口统计学变量（年龄、性别、种族、收入、政治意识形态等）和理论驱动变量（AI 认知、使用频率、对 AI 风险的感知等）。
分析策略：
- 模型类型： 有调节的中介模型 (Moderated Mediation)。
- 估计方法： 加权最小二乘法均值和方差调整 (WLSMV)，专门用于处理有序分类指标（Ordinal Indicators）的验证性因子分析 (CFA) 和结构方程模型 (SEM)。
- 推断方法： 偏差校正的 Bootstrap 法（10,000 次重采样）用于检验间接效应。
- 稳健性检验： 进行了 7 项严格的稳健性检查，包括 Imai 敏感性分析、E 值分析、反向中介模型、多群组分析（城市/郊区/农村）、比例优势假设检验、多重插补和倾向得分匹配 (PSM)。

3. 主要结果 (Key Results)

研究揭示了一个**不一致中介（Inconsistent Mediation）**机制，即直接效应和间接效应方向相反，相互抵消：

直接效应（推动路径）： PCSC 对 AI 驾驶评价有显著的正向直接效应 ( $c' = 0.037, p = 0.020$ $c^{'} = 0.037, p = 0.020$ )。
- 解释： 当人们认为社区驾驶环境越危险时，他们越倾向于认为 AI 驾驶比人类驾驶更好。这符合“推动”逻辑，即对现状的不满直接促成了对替代方案的偏好。
间接效应（抑制路径）： PCSC 通过降低“一般性 AI 导向”产生显著的负向间接效应。
- 路径 a： PCSC 显著负向预测一般性 AI 导向 ( $a_1 = -0.075, p < 0.001$ )。即社区驾驶越不安全，人们对 AI 技术的整体态度越消极（担忧增加，兴奋减少）。
- 路径 b： 一般性 AI 导向显著正向预测 AI 驾驶评价 ( $b_1 = 0.338, p < 0.001$ )。
- 综合间接效应： 在低、中、高驾驶频率下，间接效应均为负且显著（例如均值处 $IE = -0.025$）。
- 解释： 社区安全担忧触发了更广泛的“风险溢出”（Risk-spillover），导致人们对 AI 技术整体产生不信任，从而抑制了对 AI 驾驶的具体支持。
总效应： 由于正向直接效应和负向间接效应相互抵消，PCSC 对 AI 驾驶评价的总效应接近于零且不显著。
调节效应： 驾驶频率并未显著调节中介路径（ $p > 0.05$ ），表明无论驾驶频率高低，上述风险溢出机制均稳定存在。
稳健性： 所有 7 项稳健性检验（包括敏感性分析和 PSM）均支持主要结论的稳定性。多群组分析显示，风险溢出效应在郊区和农村显著，但在城市地区有所减弱。

4. 关键贡献 (Key Contributions)

理论贡献：
- 揭示了风险溢出机制（Risk-spillover Mechanism）：证明了环境压力（社区驾驶不安全）既可能作为特定领域的推动力（支持 AI 驾驶），又可能通过情感启发式（Affect Heuristic）抑制一般性的技术热情。
- 修正了 TAM 和推拉（Push-Pull）框架：指出在 AV 接受度中，对现状的不满并非单向推动，而是伴随着对新技术整体态度的复杂抑制。
- 重新定位了“一般性 AI 态度”：将其从背景协变量提升为连接环境压力与特定技术判断的主动中介机制。
方法论贡献：
- 使用了全国代表性的概率样本，克服了以往 AV 研究依赖便利样本的局限。
- 应用了针对有序数据的 WLSMV 估计和严格的稳健性检验框架（包括 E 值和 Imai 敏感性分析），显著提升了因果推断的严谨性。
实证贡献：
- 量化了“不一致中介”效应，解释了为何公众对驾驶安全的不满并未直接转化为对 AV 的高接受度（因为同时也降低了对 AI 的整体信任）。
- 证实了性别差异（女性对 AI 态度更消极）和城乡差异（城市居民风险溢出效应较弱）的存在。

5. 意义与启示 (Significance & Implications)

政策制定：
- 双重路径干预： 提高 AV 接受度不能仅靠改善交通执法（减少人类驾驶错误），因为这可能减少人们转向 AI 的“推动力”。
- AI 素养是关键： 研究发现，改善“一般性 AI 导向”（通过教育、透明度、积极体验）对提升 AI 驾驶评价的影响（路径系数 0.293）远大于直接解决社区驾驶安全问题（直接路径系数 0.031）。因此，提升公众对 AI 的整体认知和信任是更有效的杠杆。
公众认知：
- 公众对 AI 驾驶的支持并非单纯基于“AI 比人类安全”的理性计算，而是深受对整体 AI 技术风险感知（由社区安全担忧触发）的制约。
- 如果社区驾驶安全恶化，虽然人们会认为 AI 是更好的选择，但这种支持会被对 AI 技术本身的恐惧所抵消，导致净接受度变化不大。
未来研究方向： 需要纵向研究来验证因果时序，以及跨文化研究以检验该机制在不同驾驶文化和 AI 监管环境下的普适性。

总结： 该论文通过严谨的统计模型发现，社区驾驶安全恶化是一把“双刃剑”：它既直接推动人们接受 AI 驾驶，又通过降低对 AI 技术的整体信心间接抑制这种接受。这种复杂的心理机制解释了为何单纯改善交通状况或单纯推广 AI 技术都难以单独奏效，强调了提升公众整体 AI 素养的重要性。