論文の概要: Latent Profiles of AI Risk Perception and Their Differential Association with Community Driving Safety Concerns: A Person-Centered Analysis
- arxiv url: http://arxiv.org/abs/2604.04849v1
- Date: Mon, 06 Apr 2026 16:50:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.292529
- Title: Latent Profiles of AI Risk Perception and Their Differential Association with Community Driving Safety Concerns: A Person-Centered Analysis
- Title（参考訳）: AIリスク認知の潜在的プロファイルとコミュニティ運転安全に関する認識的関連性:個人中心分析
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.9694940903078657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Public attitudes toward artificial intelligence (AI) and driving safety are typically studied in isolation using variable-centered methods that assume population homogeneity, yet risk perception theory predicts that these evaluations covary within individuals as expressions of underlying worldviews. This study identifies latent profiles of AI risk perception among U.S. adults and tests whether these profiles are differentially associated with community driving safety concerns. Latent class analysis was applied to nine AI risk-perception indicators from a nationally representative survey (Pew Research Center American Trends Panel Wave 152, n = 5,255); Bolck-Croon-Hagenaars corrected distal outcome analysis tested class differences on nine driving-safety outcomes, and survey-weighted multinomial logistic regression identified demographic and ideological predictors of class membership. Four classes emerged: Moderate Skeptics (17.5%), Concerned Pragmatists (42.8%), AI Ambivalent (10.6%), and Extreme Alarm (29.1%), with all nine driving-safety outcomes significantly differentiated across classes. Higher AI concern mapped monotonically onto greater perceived driving-hazard severity; the exception, comparative evaluation of AI versus human driving, was driven by trust rather than concern level. The cross-domain covariation provides person-level evidence for the worldview-based risk structuring posited by Cultural Theory of Risk and yields a four-class segmentation framework for AV communication that links AI risk orientation to transportation safety attitudes.
- Abstract（参考訳）: 人工知能(AI)と運転安全に対する公衆の態度は、集団の均一性を仮定する変数中心の手法を用いて、孤立して研究されるのが一般的であるが、リスク認識理論は、これらの評価が、基礎となる世界観の表現として個人内の共変を予測している。
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し、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。
Pew Research Center American Trends Panel Wave 152, n = 5,255), Bolck-Croon-Hagenaars corrected Distal outcome analysis, and survey-weighted multinomial logistic regression identified population and ideological predictors of class membership。
モデレート・懐疑論(17.5%)、懸念プラグマティスト(42.8%)、AIアンビバティ(10.6%)、Extreme Alarm(29.1%)の4つのクラスが登場した。
より高いAIに関する懸念は、より大きな認識された運転障害の深刻さに単調にマッピングされ、AIと人間の運転の比較評価は、懸念レベルよりも信頼によって駆動された。
クロスドメインの共変は、リスク文化理論によって実証された世界観に基づくリスク構造化の個人レベルの証拠を提供し、AIリスクオリエンテーションと交通安全の姿勢を結びつけるAV通信のための4クラスセグメンテーションの枠組みを提供する。
関連論文リスト
- SLIP & ETHICS: Graduated Intervention for AI Emotional Companions [2.7254915857994324]
AIの感情的な仲間は、安全を脅かすパラドックスに直面している。
本稿では、構造化定性的指標から介入を導出する4段階の累進手法であるSLIP(Staged Layers of Intervention Protocol)を提案する。
その結果, 8日間の高エネルギー上昇がゼロ介入(0/8)を引き起こし, 「謝罪しない」原理が安全と矛盾する境界線が明らかになった。
論文 参考訳（メタデータ） (2026-05-15T12:53:39Z) - Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework [63.74295981594549]
大規模言語モデル(LLM)は、自身の目的を達成する行動に関与している。
これには、詐欺(故意に誤解を招くユーザや評価者)、評価ゲーム(安全テスト中のパフォーマンスを戦略的に操作する)、報酬ハッキングなどが含まれる。
自動行動リスク評価のための分類駆動型エージェントフレームワークであるESRRSimを紹介する。
論文 参考訳（メタデータ） (2026-04-23T23:44:01Z) - Community Driving-Safety Deterioration as a Push Factor for Public Endorsement of AI Driving Capability [1.089614199781423]
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。
論文 参考訳（メタデータ） (2026-04-06T15:46:41Z) - CASTLE: A Comprehensive Benchmark for Evaluating Student-Tailored Personalized Safety in Large Language Models [55.0103764229311]
本稿では,学生用個人安全の概念を提案し,教育理論に基づくCASTLEの構築を行う。
このベンチマークは、92,908のバイリンガルシナリオを含む15の教育安全リスクと14の学生属性をカバーしている。
論文 参考訳（メタデータ） (2026-02-05T13:13:19Z) - Toward Quantitative Modeling of Cybersecurity Risks Due to AI Misuse [50.87630846876635]
我々は9つの詳細なサイバーリスクモデルを開発する。
各モデルはMITRE ATT&CKフレームワークを使用して攻撃をステップに分解する。
個々の見積もりはモンテカルロシミュレーションによって集約される。
論文 参考訳（メタデータ） (2025-12-09T17:54:17Z) - AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。
このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
論文 参考訳（メタデータ） (2025-02-19T05:58:52Z) - Perception Gaps in Risk, Benefit, and Value Between Experts and Public Challenge Socially Accepted AI [0.0]
本研究は,一般のAI専門家がAIの能力と影響をどう認識するかを検討する。
シナリオは、持続可能性、医療、仕事のパフォーマンス、社会的不平等、芸術、戦争といった領域にまたがる。
専門家は、常に高い確率を予測し、リスクを知覚し、より多くの利益を報告し、非専門家よりもAIに対する肯定的な感情を表現する。
論文 参考訳（メタデータ） (2024-12-02T12:51:45Z) - Mapping Public Perception of Artificial Intelligence: Expectations, Risk-Benefit Tradeoffs, and Value As Determinants for Societal Acceptance [0.20971479389679332]
ドイツからの1100人の参加者の代表的サンプルを用いて,AIの精神モデルについて検討した。
参加者はAIの将来能力に関する71のステートメントを定量的に評価した。
我々は、これらの予測のランキングを、公共のリスクと利益のトレードオフを示す視覚マッピングと共に提示する。
論文 参考訳（メタデータ） (2024-11-28T20:03:01Z) - ASSERT: Automated Safety Scenario Red Teaming for Evaluating the
Robustness of Large Language Models [65.79770974145983]
ASSERT、Automated Safety Scenario Red Teamingは、セマンティックなアグリゲーション、ターゲットブートストラップ、敵の知識注入という3つの方法で構成されている。
このプロンプトを4つの安全領域に分割し、ドメインがモデルの性能にどのように影響するかを詳細に分析する。
統計的に有意な性能差は, 意味的関連シナリオにおける絶対分類精度が最大11%, ゼロショット逆数設定では最大19%の絶対誤差率であることがわかった。
論文 参考訳（メタデータ） (2023-10-14T17:10:28Z) - 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)
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。