[研究简介] 从眼动数据看注意功能与驾驶能力的关系

车，是要上的；翻车，是不要的。学会如何发靠谱的车俨然成为一种新的生存技能。本研究主要基于驾驶人员的眼动行为，探讨视觉认知中的个体差异与视觉表现的关联性。在自动化更普及的未来，老司机们也许就可以从手动驾驶中逐渐解脱出来，花更多的注意资源在安全上，发好车，发稳车。

（本文不包含火车、高铁、飞机等超速交通工具，嗯，而且此司机也非彼“司机”）

世道艰险，老司机的小车说翻就翻。司机小车还一脸无辜，“说起来你可能不信，是红绿灯/积水/路标先动的手”。小车翻不翻，其实主要还看驾驶员视觉注意分配的情况。而注意变化时，眼球运动就会有一个直观的改变。因此，学者们测量了驾驶过程中驾驶员的眼动。

一般来说直行路上，驾驶员注视正前方几秒内自家小车能开到的位置，在驾驶过程中对预期位置的左右侧扫视以检测可能会出现的危险。新手小白们由于缺乏潜在危险的心理模型，往往不知道该看哪，而经验丰富的驾驶员则更懂得如何分配视觉注意，这就使得他们横向得检测范围更广阔。但有一点，注意资源是有限的，在驾驶过程中的认知负荷越多，驾驶员水平扫视就越少。

会不会有人本身就注意能力不行呢？有。在MOT（目标跟踪）任务上错误率更高的人，道路实战中也比较菜。考虑到交互式可视运动行为的存在，本研究除了MOT（多目标跟踪）范式，还采用MOA（多项目避免）范式的改版来评估注意功能。

MOT：参与者在五个点开始闪烁橙色（B）之前简要地呈现刺激物（A）。所有点都变回白色，然后随机移动场景七秒钟（C）。运动停止，参与者必须选择其中有闪现橙色（D）的五个点。在这个例子中，参与者正确识别四出于可能的五个目标。

MOA：任务从三个红色移动圆（a）开始，然后越来越困难，例如（b）五圆，（c）七圆。这个范式，我们玩过游戏的可能接触过，就是控制小球上下左右移动，避免撞上别的移动的刺激。

实验刺激方式则用软件模拟了乡村、城市、高速三种路况下的驾驶环境，以及各大环境下鸡飞狗跳的情况。而接受测试的驾驶员只需要像平时那样，开开心心上路就行了，反正眼动仪会记录下一切的……

下面开始你的表演！

对不起放错了，是下面这张。嗯，请重新开始你的表演。

驾驶员们在脑袋上扣的这个玩意就是本研究的大功臣——SR Research Eyelink II头戴式眼动仪。所有的眼睛运动信息通过SR Research Data Viewer软件进行记录和整理。驾驶场景分为五个不同的兴趣区域：后视镜，驾驶室镜，乘客侧镜，车速表和道路。乘客侧反射镜叠加在屏幕的左下方，并且速度计叠加在屏幕的左上方。

（1）后视镜（16°〜5°），（2）乘客侧镜（12°〜5°），（3）驾驶员侧镜（19°〜7°），（4）道路（最大长度和高度为58°〜27°），（5）速度计（12°〜9°）。

将城市和高速公路的数据输入多元回归模型，得到预测系数。由于MOT与水平扫描行为没有明显的相关性，因此仅将MOA作为水平扫描的个体预测因子。市区：b = 0.51，β= 0.55，t= 3.15，p=0.004; 高速公路：b =0.34，β=0.61，t= 3.68，p=0.001。这些分析表明，MOA是水平扫描行为的适度预测因子。

从表2可以看出，注意活动与注视侧视镜的整体时间之间没有很强的关系。然而，当驾驶在高速路上时，任务绩效与注视侧视镜时间之间存在显着正相关，MOA：r（25）=0.58，p=0.002; MOT：r（25）= 0.40，p= .049，强调那些具有更好注意功能的人会花费更多的时间来关注侧视镜。

总之，即使是那些具有相似驾驶经验的人，眼动行为和驾驶性能也存在个体差异。个人的注意功能是造成这些差异的因素; 在驾驶中更好的眼动测验表现，通常伴随着更安全的驾驶行为，也就更不容易翻车。

参考文献：

Mackenzie, A. K., & Harris, J. M. (2017). A link between attentional function, effective eye movements, and driving ability. Journal of Experimental Psychology Human Perception & Performance, 43(2), 381-394.