人类-共享自动驾驶车辆交互数据集

该数据集由莫纳什大学的研究人员创建，旨在研究人类与共享自动驾驶车辆（SAV）之间的交互。数据集包含2,136条人类与SAV之间的对话文本数据，以及200份关于用户对SAV心理感知的调查数据。这些数据通过模拟SAE Level 5级别的SAV与50名参与者进行交互收集而来，旨在了解不同对话风格和提示策略如何影响用户对SAV的心理感知，包括心理所有权、拟人化、服务质量、披露倾向、感知享受、行为意图和SAV回应的情感极性。数据集适用于研究如何设计对话SAV界面，以及为高级情感建模、自适应用户交互和多模态对话提供基础。数据集已公开发布，可供研究界使用。

This dataset was developed by researchers at Monash University to investigate interactions between humans and shared autonomous vehicles (SAVs). It comprises 2,136 conversational text samples from human-SAV interactions, alongside 200 survey datasets capturing users' psychological perceptions of SAVs. All data were collected via interactions between a simulated SAE Level 5 SAV and 50 participants, with the goal of examining how diverse conversational styles and prompting strategies shape users' psychological perceptions of SAVs, including psychological ownership, anthropomorphism, service quality, disclosure propensity, perceived enjoyment, behavioral intention, and the emotional polarity of SAV responses. This dataset supports research on designing conversational SAV interfaces, and serves as a foundational resource for advanced emotion modeling, adaptive user interaction, and multimodal dialogue research. The dataset has been publicly released and is available for use by the global research community.

搜集汇总

数据集介绍

构建方式

在共享自动驾驶车辆交互研究领域，该数据集通过精心设计的用户研究构建而成。研究采用组内实验设计，招募50名参与者与四种基于GPT-3.5-turbo的SAE 5级自动驾驶代理进行交互，这些代理分别采用标准功能、心理所有权增强、拟人化策略及组合策略等不同提示策略。数据采集过程严格遵循伦理规范，通过Python构建的交互界面记录2136组对话交换，并配套收集结构化问卷调查结果和开放式访谈资料，形成多维度交互数据体系。

特点

该数据集最显著的特点在于其多模态数据结构和心理测量深度。不仅包含丰富的对话文本数据，还整合了心理所有权、拟人化、服务质量、披露倾向、感知愉悦度等七个核心心理构念的量化测量。数据集特别突出了情感极性在交互中的关键作用，通过随机森林模型与弦图可视化揭示了不同提示策略下用户接受度的预测机制。其开放式对话设计突破了传统预设场景的局限，真实反映了自然语言交互的动态特征。

使用方法

研究人员可通过多种方式利用该数据集推进智能交通系统研究。在实证分析层面，可运用机器学习方法复现案例研究中的预测模型，深入探索心理因素与行为意向的关联机制。在自然语言处理应用方面，数据集为开发更精准的情感分析工具提供了基准测试平台，特别是基于大语言模型的零样本学习方法。此外，开放式访谈资料为质性研究提供了丰富素材，有助于理解用户对自动驾驶系统的深层认知和情感反应。

背景与挑战

背景概述

随着自动驾驶技术的快速发展，共享自动驾驶车辆（SAV）正逐步成为未来城市交通系统的核心组成部分。2025年，由莫纳什大学Lirui Guo等研究人员主导构建的人类-共享自动驾驶车辆交互数据集，聚焦于高自主等级（SAE 4/5级）车辆的人机对话交互研究。该数据集通过模拟四种不同提示策略的SAV代理，采集了50名参与者与车辆之间的2,136组对话交换及结构化调查数据，旨在揭示对话情感极性对用户接受度、心理所有权及服务质量的深层影响，为设计人性化车载交互界面提供了实证基础。

当前挑战

该数据集致力于解决共享自动驾驶车辆领域中人机对话交互的量化评估难题，核心挑战在于如何精准捕捉动态对话中情感极性对用户心理感知的驱动机制。在构建过程中，研究团队需克服多维度挑战：一是对话数据的语义复杂性要求同时整合传统词典分析与大语言模型的情感解析方法；二是隐私保护与数据匿名化处理导致部分人口统计信息因无法满足k-匿名性而被迫剔除；三是需通过随机化实验设计平衡四种SAV代理的交互顺序效应，以保障用户感知测量的科学性。

常用场景

经典使用场景

在智能交通系统研究中，人类-共享自动驾驶车辆交互数据集为探索人机对话动态提供了关键实验平台。该数据集通过模拟四种不同提示策略的SAV代理，记录了2136组真实对话交互与结构化调查数据，典型应用于分析用户对自动驾驶服务的心理接受度与情感反馈机制。研究者可借助随机森林模型与弦图可视化技术，深入挖掘对话策略对服务质量感知的影响路径，为优化车载对话系统设计提供实证依据。

实际应用

在智慧城市交通场景中，该数据集可直接指导车载语音助手的情绪感知系统开发。基于对话情感极性的实时监测，自动驾驶系统能动态调整响应策略，例如在检测到用户负面情绪时启动安抚机制。交通运营商可依据数据集揭示的心理学所有权规律，设计增强用户归属感的交互流程，提升共享自动驾驶服务的用户留存率，为商业化落地提供人因工程学支撑。

衍生相关工作

该数据集催生了多项人车交互领域的创新研究。基于其构建的机器学习-弦图分析框架被扩展应用于跨文化用户接受度比较研究；案例二中LLM情感分析方法启发了多模态情绪识别模型的开发，衍生出融合语音韵律与面部表情的混合感知系统。此外，数据集提供的提示策略模板已成为自动驾驶对话系统优化的基准工具，推动了个性化交互代理与自适应对话生成技术的迭代发展。