The Perceived Danger (PD) Scale: Development and Validation

📄 arXiv: 2501.14099v1 📥 PDF

作者: Jaclyn Molan, Laura Saad, Eileen Roesler, J. Malcolm McCurry, Nathaniel Gyory, J. Gregory Trafton

分类: cs.RO

发布日期: 2025-01-23

备注: 9 pages, 2 figures, to be published in the Proceedings of the 2025 ACM/IEEE International Conference on Human-Robot Interaction (HRI)

💡 一句话要点

开发并验证感知危险（PD）量表，用于评估人机交互中机器人带来的潜在危险。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人机交互 感知危险 心理测量学 量表开发 机器人安全

📋 核心要点

  1. 现有方法缺乏有效评估机器人感知危险的心理测量工具，阻碍了人机交互安全性的研究。
  2. 论文提出感知危险（PD）量表，通过定义感知危险的子维度，构建双因子模型进行量化评估。
  3. 实验表明，PD量表比现有感知安全量表更能有效预测实际数据，且对机器人速度变化敏感。

📝 摘要（中文）

目前缺乏心理测量学上有效的工具来测量机器人带来的感知危险。为了填补这一空白，我们提供了感知危险的定义，并通过四项研究开发并验证了一个包含12个项目的双因子量表。探索性因子分析揭示了感知危险的四个子维度：情感状态、身体脆弱性、不祥感和认知准备。验证性因子分析证实了双因子模型。然后，我们将感知危险量表与Godspeed感知安全量表进行了比较，发现感知危险量表是经验数据的更好预测指标。我们还在现场环境中验证了该量表，发现感知危险量表对机器人速度操作敏感，这与之前的经验结果一致。实验结果表明，感知危险量表是可靠、有效且能够充分预测人机交互环境中的感知安全和感知危险。

🔬 方法详解

问题定义：论文旨在解决人机交互领域中缺乏有效评估机器人带来的“感知危险”的问题。现有的评估工具，如Godspeed感知安全量表，可能无法充分捕捉人类对机器人潜在危险的认知和情感反应，导致对人机交互安全性的评估不够准确。

核心思路：论文的核心思路是构建一个心理测量学上有效且可靠的量表，即感知危险（PD）量表，用于量化人类对机器人潜在危险的主观感知。通过识别感知危险的多个维度，并将其整合到一个双因子模型中，从而更全面地评估人机交互中的安全风险。

技术框架：该研究的技术框架主要包括以下几个阶段： 1. 定义感知危险：明确感知危险的概念，为量表开发奠定基础。 2. 项目生成：根据定义，生成一系列用于评估感知危险的条目。 3. 探索性因子分析（EFA）：通过EFA识别感知危险的潜在子维度。 4. 验证性因子分析（CFA）：通过CFA验证双因子模型的拟合度。 5. 效度验证：将PD量表与现有量表（如Godspeed感知安全量表）进行比较，验证其预测能力。 6. 现场验证：在实际人机交互场景中验证PD量表对机器人行为变化的敏感性。

关键创新：该研究的关键创新在于： 1. 提出感知危险的概念：明确区分了感知危险与感知安全，为更细致地评估人机交互风险提供了理论基础。 2. 开发了心理测量学上有效的PD量表：该量表经过严格的统计分析和验证，具有良好的信度和效度。 3. 识别了感知危险的多个维度：包括情感状态、身体脆弱性、不祥感和认知准备，更全面地反映了人类对机器人潜在危险的认知和情感反应。

关键设计： 1. 量表结构：PD量表包含12个条目，每个条目采用李克特量表进行评分。 2. 双因子模型：该模型假设感知危险由一个 общий 因子和四个子维度因子共同决定。 3. 统计分析：研究采用了探索性因子分析（EFA）、验证性因子分析（CFA）、相关分析和方差分析等多种统计方法，以验证量表的信度、效度和敏感性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，PD量表具有良好的信度和效度，能够有效预测人机交互中的感知危险。与Godspeed感知安全量表相比，PD量表是经验数据的更好预测指标。此外，PD量表对机器人速度操作敏感，能够反映机器人行为变化对感知危险的影响。这些结果表明，PD量表是一种可靠且有效的评估工具，可用于指导人机交互系统的设计与评估。

🎯 应用场景

该研究成果可广泛应用于人机交互系统的设计与评估，例如：辅助机器人、服务机器人、医疗机器人等。通过使用PD量表，设计者可以更好地理解用户对机器人潜在危险的感知，从而优化机器人行为，提高用户信任度，降低安全风险。此外，该量表还可用于评估不同机器人设计方案的安全性，为机器人伦理研究提供参考。

📄 摘要（原文）

There are currently no psychometrically valid tools to measure the perceived danger of robots. To fill this gap, we provided a definition of perceived danger and developed and validated a 12-item bifactor scale through four studies. An exploratory factor analysis revealed four subdimensions of perceived danger: affective states, physical vulnerability, ominousness, and cognitive readiness. A confirmatory factor analysis confirmed the bifactor model. We then compared the perceived danger scale to the Godspeed perceived safety scale and found that the perceived danger scale is a better predictor of empirical data. We also validated the scale in an in-person setting and found that the perceived danger scale is sensitive to robot speed manipulations, consistent with previous empirical findings. Results across experiments suggest that the perceived danger scale is reliable, valid, and an adequate predictor of both perceived safety and perceived danger in human-robot interaction contexts.