論文の概要: Community Driving-Safety Deterioration as a Push Factor for Public Endorsement of AI Driving Capability

• arxiv url: http://arxiv.org/abs/2604.04775v1
• Date: Mon, 06 Apr 2026 15:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.256184
• Title: Community Driving-Safety Deterioration as a Push Factor for Public Endorsement of AI Driving Capability
• Title（参考訳）: AI運転能力向上の推進要因としてのコミュニティドライブセーフティ劣化
• Authors: Amir Rafe, Subasish Das,
• Abstract要約: 道路交通事故は毎年約119万人が命を落としている。 本研究では,認知コミュニティ運転安全関心(PCSC)がAIと人間運転能力の評価を予測する中等度メディエーションモデルについて検討した。
• 参考スコア（独自算出の注目度）: 1.089614199781423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Road traffic crashes claim approximately 1.19 million lives annually worldwide, and human error accounts for the vast majority, yet the autonomous vehicle acceptance literature models adoption almost exclusively through technology-centered pull factors such as perceived usefulness and trust. This study examines a moderated mediation model in which perceived community driving-safety concern (PCSC) predicts evaluations of AI versus human driving capability, mediated by Generalized AI Orientation and moderated by personal driving frequency. Weighted structural equation modeling is applied to a nationally representative U.S. probability sample from Pew Research Center's American Trends Panel Wave 152, using Weighted Least Squares Mean and Variance Adjusted (WLSMV)-estimated confirmatory factor analysis on ordinal indicators, bias-corrected bootstrap inference, and seven robustness checks including Imai sensitivity analysis, E-value confounding thresholds, and propensity score matching. Results reveal a dual-pathway mechanism constituting an inconsistent mediation: PCSC exerts a small positive direct effect on AI driving evaluation, consistent with a domain-specific push interpretation, while simultaneously suppressing Generalized AI Orientation, which is itself a strong positive predictor of AI driving evaluation. Conditional indirect effects are negative and statistically significant at low, mean, and high levels of driving frequency. These findings establish a risk-spillover mechanism whereby community driving-safety concern promotes domain-specific AI endorsement yet suppresses domain-general AI enthusiasm, yielding a near-zero net total effect.
• Abstract（参考訳）: 道路交通事故は年間約119万人が命を落とし、人間の誤りが大多数を占めると主張しているが、自動運転車の受入文献は、ほぼ技術中心のプルファクター(有用性や信頼など)を通じて採用されている。 本研究では,認知コミュニティ運転安全関心(PCSC)がAIと人間運転能力の評価を予測し,一般AI指向を媒介とし,個人運転頻度を媒介とした中等度媒介モデルについて検討する。 重み付き構造方程式モデリングは、Pew Research CenterのAmerican Trends Panel Wave 152(重み付き最小二乗平均値および変数調整値(WLSMV)推定確認因子分析、バイアス補正ブートストラップ推論、および、イマイ感度分析、E値共役しきい値、確率スコアマッチングを含む7つのロバスト性チェックを用いて、全国的に代表されるアメリカの確率サンプルに適用する。 PCSCは、AI駆動評価の強力な正の予測器である汎用AI指向を同時に抑制しながら、ドメイン固有のプッシュ解釈と整合して、AI駆動評価に小さな正の直接効果を行使する。 条件的間接効果は、低、平均、高レベルの運転周波数において負で統計的に有意である。 これらの知見は、コミュニティの運転安全に関する懸念がドメイン固有のAIの支持を促進する一方で、ドメイン一般のAIへの熱意を抑えるリスクスパイルオーバー機構を確立し、ほぼゼロのネット全体の効果をもたらす。

関連論文リスト

• Latent Profiles of AI Risk Perception and Their Differential Association with Community Driving Safety Concerns: A Person-Centered Analysis [0.9694940903078657]
  本研究は、米国成人におけるAIリスク知覚の潜在プロファイルを特定する。 これらのプロファイルがコミュニティの運転安全上の懸念と相違するかどうかをテストする。
  論文  参考訳（メタデータ） (2026-04-06T16:50:43Z)
• Risk-Aware World Model Predictive Control for Generalizable End-to-End Autonomous Driving [82.69496624372944]
  「専門家のように運転するのが普通」は限定的な一般化に苦しむ。 E2E-ADシステムは専門家の行動監督なしに信頼できる判断を下せるか? 本稿では,リスクを意識した世界モデル予測制御という統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T17:32:30Z)
• Towards Intelligible Human-Robot Interaction: An Active Inference Approach to Occluded Pedestrian Scenarios [17.074920390913995]
  歩行者の突然の出現は 自動運転にとって 重要な安全上の課題だ 従来のルールベースあるいは純粋にデータ駆動アプローチは、これらのロングテールシナリオの本質的な高い不確実性に苦しむ。 そこで本研究では,エージェントに人間的,信念駆動的なメカニズムを付与する,アクティブ推論に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-26T15:22:07Z)
• Moral Anchor System: A Predictive Framework for AI Value Alignment and Drift Prevention [0.0]
  重要なリスクはバリュードリフトであり、進化するコンテキストや学習ダイナミクス、意図しない最適化によって、AIシステムが一致した値から逸脱する。 我々は,AIエージェントの値ドリフトを検出し,予測し,緩和する新しいフレームワークであるMoral Anchor System(MAS)を提案する。
  論文  参考訳（メタデータ） (2025-10-05T07:24:23Z)
• Predicting and Explaining Traffic Crash Severity Through Crash Feature Selection [1.0941365324532635]
  この研究は、オハイオ州で6～2022年に起きた事故に300万人以上の人が関わったデータセットを紹介します。 主な貢献は、自動機械学習(AutoML)と説明可能な人工知能(AI)を組み合わせて、深刻なクラッシュに関連する主要なリスク要因を特定し、解釈する、透過的で再現可能な方法論である。 主な特徴は、人口統計、環境、車両、人的および運用上のカテゴリーで、位置タイプや投稿速度、居住年齢の最小化、クレーシュ前の行動などが含まれる。
  論文  参考訳（メタデータ） (2025-08-15T14:31:26Z)
• Work-in-Progress: Crash Course: Can (Under Attack) Autonomous Driving Beat Human Drivers? [60.51287814584477]
  本稿では,現在のAVの状況を調べることによって,自律運転における本質的なリスクを評価する。 AVの利点と、現実のシナリオにおける潜在的なセキュリティ課題との微妙なバランスを強調した、特定のクレームを開発する。
  論文  参考訳（メタデータ） (2024-05-14T09:42:21Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• A Counterfactual Safety Margin Perspective on the Scoring of Autonomous Vehicles' Riskiness [52.27309191283943]
  本稿では,異なるAVの行動のリスクを評価するためのデータ駆動型フレームワークを提案する。 本稿では,衝突を引き起こす可能性のある名目行動から最小限の偏差を示す,対実的安全マージンの概念を提案する。
  論文  参考訳（メタデータ） (2023-08-02T09:48:08Z)
• On Robustness of Lane Detection Models to Physical-World Adversarial Attacks in Autonomous Driving [12.412448947321828]
  2017年のTuSimple Lane Detection Challengeの後、その精度とF1スコアに基づく評価は、車線検出手法の性能を測定するデファクトスタンダードとなっている。 本研究は,自動車走行における物理界の敵対的攻撃下での最先端車線検出手法の堅牢性を評価するための,最初の大規模実験研究である。
  論文  参考訳（メタデータ） (2021-07-06T09:04:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。