Sora 重新定义了视觉内容的创建方式。本研究通过引入感知逼真度和创新价值，扩展了 UTAUT2 对用户使用文本到视频 (T2V) 模型的意愿的理解。研究结果表明，所有假设的关系都得到支持，感知逼真度是最具影响力的驱动因素，其次是创新价值。此外，模糊集定性比较分析 (fsQCA) 识别出五种推动高和低使用意愿的配置，该模型具有较高的预测效度，促进了理论的进展。本研究为开发者和营销人员提供了有价值的见解，为推广 T2V 模型的广泛采用提供了指导。

May, 2024

本文提出了一个实验框架，通过多学科的方法（计算机视觉和人文社科学）研究自动驾驶汽车乘客的内部活动，包括与驾驶无关的活动，旨在捕捉实时的真实数据并创建数据集，以促进计算机视觉算法的发展和评估。

Jun, 2023

研究了通过非语言图灵测试来评估自动驾驶汽车所提供的人类体验。其中，实验结果表明，与人类驾驶员相比，被测试的 AI 驾驶员提供的人类体验并不尽如人意，并结合 Lewin 的现场理论，进一步探讨了情感过渡如何影响乘客对于与人类驾驶员相似的自动驾驶体验的评估。

Dec, 2022

通过包含社会行为和驾驶员个人目标的行为模型，利用贝叶斯滤波和对于不明确意图的附近车辆行为的预测，开发了一种基于滑动时域控制的决策策略，以在线估计其他驾驶员的意图。通过与博弈论控制器和真实世界交通数据集的模拟研究进行比较，验证了所提出的决策策略的有效性。

Sep, 2023

该研究探讨了在自主驾驶汽车中进行情感分析、乘客建模和情感分析以及在特定案例中将自主驾驶汽车的情感分析应用实现的挑战和潜在途径。

Mar, 2022

这篇文章研究了采用包含最新的人类感知、决策 - making 和运动控制理论的新颖认知似然模型 --Commotions 模型用于预测人类在交通互动中的行为，展示了此模型在自然情景数据集中与数据驱动模型相竞争甚至胜出，证明了吸纳认知理论在自动驾驶行为预测模型中的巨大潜力。

May, 2023

本研究在 32 名实验参与者中使用四种不同条件进行了模拟试驾实验，分别是: (1) 无解释，(2) AV 行动前给出解释，(3) AV 行动后给出解释和 (4) 驾驶员听取解释后选择是否批准 AV 的行动。结果表明，在 AV 行动前提供的解释与更高的信任度和喜好度相关联，但焦虑和心理负荷没有区别。这些结果对于 AV 的采纳有重要的启示作用。

May, 2019

本研究通过改进的文本挖掘方法探索用户对自动驾驶汽车政策的接受程度。研究结果表明，使用基于关键词提取和上下文相似度的文本挖掘方法进行分析可以更好地了解用户的声音以及成功部署自动驾驶汽车所面临的潜在风险。

Jul, 2023

本文介绍了一个基于不确定性感知的集成预测和规划框架，在考虑人的礼貌及预测不确定性的同时生成安全有效的 AV 行为。研究表明，该算法可以明显提高生成行为的人类感，同时还发现人类驾驶员在道路上表现出很大的礼貌，即使对于没有优先权的其他人行驶者，而且这种驾驶偏好在不同文化中存在显著差异。

Oct, 2020

本研究旨在通过实验考察自动化等级、自动化回应频率以及冲突强度对用户信任度和对智能家居自动化的接受度之间的影响关系，结果表明自动化等级和频率会对用户信任度产生影响，而自动化失败和交互冲突会降低用户对自动化智能家居的接受度。

Jul, 2023