心理学

导师: 山谷佑介(心理学)，谢坤(民事) & 环境工程)，Sherif申请(土木工程 & 环境工程)

在美国，多车撞车事故占交通死亡人数的61%.S, 因此，了解驾驶员之间的相互作用是至关重要的, 谈判, 并回应其他道路使用者. 然而, 标准驾驶模拟器中预编程的环境交通可能不会以一种真实的方式响应驾驶员的行为, 而且大多数驾驶模拟器不允许研究人员直接研究多重车辆碰撞的复杂性. 分布式仿真涉及多个驾驶员在一个虚拟现实环境中进行交互，类似于多人视频游戏.

分布式驾驶仿真已被用于检查行人到司机, driver-to-driver, 行人与自动驾驶车辆之间的互动. 然而,, 分布式驾驶模拟技术尚未应用于旨在提高道路安全所需的高级认知技能的驾驶培训项目领域. 其中一项技能是潜在危险预测, 或者是在危险出现之前预测危险的能力. 预测潜在危险的桌面培训模块提高了年轻司机的表现, 但即使是这种改进的性能也不是完美的. 受过训练的司机仍然无法预测所有潜在危险的一个可能原因是，年轻司机无法从其他道路使用者的角度理解道路环境. 例如, 如果一个有经验的司机正计划转向道路, 但是他们知道一个高高的树篱挡住了迎面而来的车辆的视线, 他们可能会慢慢地向道路上移动，以确保其他司机看到他们，并在必要时减速或停车.

本研究的目的是检验在分布式模拟场景中的经验是否, 无论是从司机遇到危险的角度还是从构成危险的司机的角度, 比现有的桌面培训程序更大程度地提高潜在危险预测性能.

学习收获: 学生将学习如何在驾驶模拟器中编写潜在危险预测场景. 除了, 学生将获得运行参与者的专业知识, 减少驾驶行为数据, 分析结果.

导师: 山谷佑介(心理学)

先进空中交通(AAM)的概念是航空运输系统的技术发展，使城市和农村地区的货物和乘客运输成为可能.g.、快递无人机、空中出租车). 预计AAM操作将包含高水平的自动化, 有可能将人类操作员的角色从主动控制器转变为被动监视器. AAM操作中日益自动化的系统将要求操作员长时间保持对感知要求高的任务的关注. 然而, 随着时间的推移，人类操作员会保持注意力, 注意力下降, 这种现象被称为警惕性下降. 虽然以前的工作对人类的表现检查警觉性下降的知觉要求的任务, 很少有直接研究人类自动化团队中涉及的注意力过程的工作. 更好地了解负责飞行器安全操作的潜在心理机制对于为未来的空对空导弹技术操作员制定有效的培训计划是必要的.

参与该项目的REU学生将通过使用新开发的人类自主团队任务组(HATTB)软件进行人类受试者实验，研究时间对AAM环境中人类自动化团队的影响. 如图2所示, REU学生将利用HATTB中的多智能体规划(MAP)任务开展一项研究，以收集人类表现数据. 完成后，REU学生将分析人类表现数据并撰写最终报告.

学习收获: REU学生将学习设计一个实验，并从一个新开发的软件应用程序中收集人类表现数据. 也, 学生将被训练使用R编程进行统计分析，并写一篇有效的科学论文.

导师: 陈静(心理学)

自动驾驶汽车(AVs)必须与人类驾驶员进行沟通. 例如, 自动驾驶系统可能会对它注意到的危险发出警告，并需要驾驶员的帮助来接管车辆的控制，以保持安全的驾驶行为. 为开发能够发出这类警告的技术(例如.g.、检测算法). 同样重要的是相关的人为因素问题(如.g.(如何根据人的特征有效地呈现这些警告). 预警系统的设计应支持安全的人- av交互. 这个项目将侧重于听觉警告, 在执行视觉要求高的驾驶任务时，哪一种能有效地吸引司机的注意力. 听觉警告可以是基于语音的，包含语义信息，也可以是非基于语音的.g.，一声). 在之前由美国国家科学基金会(nsf)资助的项目中，Co-PI Chen发现了基于演讲的简报, 独特的声音(鱼叉)产生的警告识别效果比文本到语音和基于音调的警告更好.e.，听觉图标). 基于这个先前的项目, 目前的项目旨在研究这些不同类型的听觉警告如何影响驾驶员在与自动驾驶汽车互动时的行为和表现. 众所周知，自动驾驶可能会降低驾驶员的态势感知能力, 这可能会影响司机对不同警告的反应. 在这个项目中, 我们将使用模拟的自动驾驶任务, 在此期间，参与者需要对不同形式的各种警告做出反应:从文本到语音, spearcons, 还有听觉图标. 参与者对这些警告的反应时间将被测量, 以及他们的反应的性质(例如.e.安全vs. 不安全).

学习收获: REU学生将获得不同类型的听觉警告知识, 如何创建不同的音频文件作为实验刺激, 在STISIM驾驶模拟器中实现基本编程语言, 以及正确使用统计方法和工具. 此外, 学生将接受科学写作方面的培训, 特别是在根据感兴趣的主题进行文献检索和构建逻辑合理的手稿方面.

导师: 米歇尔·凯利(心理学)

自2001年9月11日以来，超过2人死亡.7700万美元.S. 军人曾在5月服役.向伊拉克、阿富汗及周边地区部署400万兵力. 尽管战斗环境会使军人面临创伤后应激障碍(PTSD)的风险, 战斗也使服役人员面临着一种独特形式的创伤风险, 道德上的损伤. 战斗常常使服役人员处于没有明确行动的情况下.g.我应该向儿童兵开枪吗?). 尽管服役人员的行为可能会受到制裁, 这些行为可能会粉碎他们对自己的道德和人性的个人信念. Many service members are resilient to or able to assimilate these experiences; however, 另一些人则表示，他们在努力接受或从自己的经历中获得意义时，内心存在冲突. This conflict is theorized to result in 道德上的损伤; that is, guilt, shame, anger, 等.、症状. 精神创伤被认为会导致过度饮酒. 我们的实验室已显示出高比率(74).4% for men; 66.(0%女性)近期退伍军人中可能存在的酒精使用障碍, 道德伤害症状和创伤后应激障碍与危险饮酒有关. 在目前的研究中, 我们将收集有关心理健康和危险驾驶行为的横断面数据以及其他可能相关的人口统计数据(如.g., 性, 年龄, 种族/民族背景, 排名, 分支服务, 行驶里程/周, 当前驾驶执照, 等.)，来自最近的社区退伍军人. We will assess past month risky driving: (1) seat belt use; (2) speeding, (3)酒后驾车及血液酒精含量测定. 基于Litz等人.’s(2009)模型, 我们将测试道德伤害症状和创伤后应激障碍是否与危险驾驶行为有关, 控制协变量. 我们还将控制创伤后应激障碍，以检验道德伤害对危险驾驶的独特影响.

学习收获: REU的学生将熟悉近代退伍军人的心理健康症状, 如何招募参与者, 适当的数据清理, 管理, 分析技巧和解释. 学生将接受科学写作方面的训练.g.，文献检索和起草一份逻辑合理的手稿供同行评审).

导师: 艾比·布莱特曼(心理学)

在美国.S, 相对于他们驾驶的里程数，年轻司机的机动车事故死亡率最高. 此外，年轻司机更有可能在开车时打电话或发短信. 在19-24岁的司机中, 72% reported talking on cell phones when driving during the past month; 50% reported reading texts or e-mails, 41%的人表示会发短信或电子邮件. 两项流行病学研究发现，司机打电话受伤或造成财产损失的风险是开车的四倍. 据估计，司机使用手机可能占所有警方报告的撞车事故的22%. 尽管有一些活动试图激励年轻司机停止边开车边发短信(例如.g., 《bet8体育娱乐入口》), 我们对年轻司机用来控制这种行为的策略知之甚少.g., 使用自动回复短信/电话的应用程序, 把手机放在够不着的地方)或其他分心驾驶行为(如.g.设置播放列表以防止播放收音机). 此外, 健康信念模型提示感知严肃性和易感性, 这些运动的目标, 只是拼图的一部分吗. We have generated a new measure of (a) strategies they actually use or would consider using to curb 分心驾驶 behaviors; and (b) perceived barriers to using these strategies using focus groups, 并收集了年轻成年司机的数据. 建议的研究将审查量表的因素结构和项目列入, 并检查最后一组项目的可靠性和有效性. 这将使研究人员能够检查自我效能感和避免分心驾驶的感知障碍, 从而更好地预测行为的可能性. 这些信息可以用于未来的研究，以开发和适应更有效的程序，以防止分心驾驶.

学习收获: REU学生将学习如何编码和分析问卷数据. 学生将接受应用心理学理论的培训(包括熟悉健康信念模型)。, 以及心理测量数据分析, 并将在项目结束时写一份最终报告.

导师: 布莱恩·波特(心理学)

用手机聊天, 发短信, 戴着耳机听音乐或播客在大学校园里已经变得无处不在. 这些行为可能会分散行人过马路时的注意力, 让他们处于危险之中，因为缺乏细心的行为，以观察车辆不让步. 2017年，行人占全国交通死亡人数的16%. 关注那些加剧行人与车辆碰撞风险的分心行为是一个重要的考虑因素. 对驾驶员屈服/不屈服行为的关注也是如此. 这两个焦点产生的研究问题适用于现场，直接观察方法. 该方案将由Dr. 波特之前的工作考虑了矩形快速闪光信标对交叉口/退让的影响以及行人分心的普遍性. 数据收集人员将在每天/每周的不同时间观察指定的校园十字路口. 这项工作将是对以往研究的长期跟进，为校园规划者提供最新数据. Key pedestrian variables include: crossing locations (in/out crosswalk); with or against signals; distractions (headphones; 发短信; eating); looking behavior (for vehicles before crossing); and demographics. 关键驱动变量包括产量vs. not yielding when expected; distractions (visible handheld mobile use); and demographics.

学习收获: Dr. 波特和他的高级学生团队将向REU的学生讲授现场协议和方法考虑，并训练学生为该项目收集数据. 该项目允许学生添加感兴趣的变量或使用现有的变量来创建一个个性化的数据集，产生的结果通过会议或出版物呈现.

导师: 陈静(心理学)

车辆联网系统由许多自动驾驶车辆组成，这些车辆通过车对车(V2V)通信交换信息. 系统的安全性和效率通常是在这些车辆技术是可靠的假设下得到保证的. 然而，这些假设在许多实际情况下是不现实的. 因此, 越来越多的研究兴趣是让人类参与到自动驾驶汽车的操作中来. 众所周知，V2V通信系统在传输和接收来自车辆的关键信息方面相当不可靠, 可以看出，信息丢失或延迟了相当长的时间. 该项目将首先研究人类驾驶员如何应对V2V通信系统中不同程度的临时信息传输故障. 测量包括(1)人类驾驶员对在车辆中使用自动化技术的信任程度和(2)人类驾驶员是否决定继续使用自动化. 预计自动化技术故障持续的时间越长, 人类驾驶员对自动驾驶的信任程度越低. 该项目的第二部分是建立一个数学模型，该模型描述了人为因素之间的潜在联系.g.(信任级别、保留自动化的决定)和自动化故障级别. 这种特征将提供有价值的人类状态在线预测，可用于自适应调整车辆网络系统的控制和通信策略.

学习收获: REU的学生将获得工程技术和心理学的多学科知识, 特别是在车辆控制领域, 沟通, 人与人之间的信任. 此外, 学生将接受进行文献综述的培训, 科学写作以及动手分析工程, 以及解决多学科问题的心理技能.

导师: 总督察伊沙克(土木工程)

飓风在登陆前几小时就给袭击地区造成了严重破坏. 在这些情况下, 可靠的运输路线是最大限度地疏散人数以及飓风后救援工作的关键. 交通规划是减灾计划的重要组成部分, 车辆在道路上的性能，特别是在如此恶劣的环境中，是规划过程中值得注意的一个关键因素. 该项目的目标是为未来研究在恶劣飓风和热带风暴条件下道路上的车辆性能奠定基础. 该研究将利用在ODU获得的新的RDS-1000(驾驶模拟器)和RDS-100(桌面模拟器). 驾驶模拟器具有单座驾驶室和三自由度运动系统, 虚拟仪表盘和中央堆栈显示, 和一个图书馆的住宅, 城市, 农村, 商业, 工业, 高速公路, intersection and traffic signal control; autonomous, interactive ambient traffic; extensive, interactive scripted vehicle activity; variable roadway friction and weather effects; and data collection definition. 驾驶模拟器的动态可以在SimCreator专有软件工具中修改，该工具代表图形用户界面，允许放置和连接各种组件，包括扩展组件, 在C/ c++代码组件中脚本化车辆活动. 这将提供一个模拟现实生活场景的虚拟环境，以重现车辆在阵风飓风事件中所经历的风荷载. 本研究旨在探讨风力条件对驾驶行为的影响. 更具体地说, 该项目将研究如何修改驾驶模拟器的参数以复制乘用车的车辆性能，并探索如何将风力转换为使用驾驶模拟器的车辆上的阵风二维风载荷. 这项工作的延伸可以应用于测试风暴潮和道路洪水对在这些条件下驾驶相关风险的影响.

学习收获: REU的学生将学习如何使用ODU的驾驶模拟器开发和编程模拟驾驶场景. 学生将学习如何构建和修改现有的内置场景来执行项目工作. 这包括学习如何用JavaScript编程以及如何对人类受试者进行模拟实验.

导师: Norou Diawara(数学与统计)

在车祸中使用安全带是最有效的安全措施. 然而，系安全带的司机比例有所变化. 在农村, 人口密度较小的地区, 大、中城市的安全带使用行为存在差异. 有一种误解是，对于大型车辆来说，安全带的使用不那么重要. 与安全带使用相关的其他特征包括道路类型, 天气和行驶速度. 当有乘客在场或不在场时，司机是否更注意安全带的使用? 安全带的使用是否存在性别差异? 为了回答这些问题，拯救生命, 有关安全带使用的数据必须用适当的方法进行分析. 作为一个二元结果, 安全带的使用必须与选定的特征(如汽车类型)相关联, 性别及地点). 分析可分为可视化和建模两部分. 在进行可视化时，将呈现描述关系的图形和图表. 其中，将探讨广义线性模型. 为了了解性能，还对接收算子特征曲线进行了评估. 提出了层次结构下特征的依赖关系. 障碍和零通胀模型也将得到实施. 构建特征在集群中嵌套、形成网络的空间格局. 该项目将回顾安全带使用的许多最新建模技术, 过去十年在空间和时间上收集的二进制数据.

学习收获: REU的学生将学习如何在SAS和R中加载和操作大数据, 选择变量, 可视化和分析二进制数据. 他们将审查设计和抽样收集. 他们将与编程和编码工具进行模型比较. 这项研究将是一种利用数据进行知情决策的方法. 学到的方法可以应用到许多其他研究领域, 比如在医疗保健和疾病控制方面. 分析将包括地理行为的分割和模型适应, 都写在期末报告里.

导师: 谢坤(民事) & 环境工程)

在先前发生过一次碰撞的情况下，发生二次碰撞的风险可能是没有发生过一次碰撞的风险的六倍. 减少二次碰撞的风险是有效管理交通事故的关键目标. 然而，在实践中，为实现这一目标，仅制定了少数对策. 随着网联汽车技术的普及, 很有可能，cv很快就能通过自组织无线车载网络相互通信. 车辆之间的信息共享可以改变驾驶行为，从而提高安全性. 例如, 收到碰撞警报的司机在接近事故现场时，驾驶时的攻击性会降低，意识会增强, 这可能会降低二次撞车的风险. 本研究旨在探讨在不同的天气和交通状况下，自动驾驶汽车的碰撞警报如何影响驾驶员的攻击性和意识. 这项研究将利用ODU的一个新的驾驶模拟器, 哪个有三个自由度的运动系统, 中心堆栈(用于警报显示), 还有一个各种驾驶场景的图书馆. 何时以及如何传播碰撞警报对驾驶行为的影响也将被研究. 本研究的结果可以为cv对驾驶行为的影响提供有用的见解，并有助于制定主动措施来减轻二次碰撞.

学习收获: REU的学生将接受培训，使用ODU的驾驶模拟器开发虚拟驾驶场景. 他们还将学习如何收集车辆运动和驾驶行为的数据以及分析数据的定量方法.

导师: 小杨(心理学)

道路交通事故是美国人死亡的主要原因.S. 在55岁以下的人群中，道路交通事故使美国人损失了大约100万美元.S. 8710亿美元. 道路使用者的注意力不集中是造成道路事故的一个主要原因. 人们普遍认为，将任何其他任务(如.g.(发短信、打电话和听音乐)会影响驾驶表现. 然而，最近的研究表明，一心多用可以提高驾驶性能. 这些相互矛盾的发现要求我们更好地理解驾驶时的注意力过程.

人们越来越多地使用生理指标来了解司机的注意力. 由脑电图得出的事件相关电位(ERP)提供了注意力指标. 特别是, ERP P300波被提出用来反映注意资源的互惠性. 此外, 从心电图中得出的高频心率变异性(HF HRV)被认为反映了认知控制和精神负荷，并已被研究与认知表现和人为错误的关系. 鉴于P300和HF HRV的无创性和高时间分辨率, 这些生理指标在驾驶注意的研究中具有广阔的应用前景.

本研究旨在探讨注意力生理指标(P300和HF HRV)与驾驶表现之间的关系. 这个项目将包括两个部分. 第一部分是利用标准化的实验室认知任务建立一个多模态评估体系. 具体地说, P300和HF HRV将在双任务范式中进行检查, 哪些将进一步分析与任务绩效的关系. 第二部分是利用可穿戴设备在驾驶模拟器中记录P300和HF HRV. 这两种生理测量在模拟器中的有效性将被评估, 生理指标与驾驶行为指标之间的关系.g., 制动反应时间, 碰撞时间, 和标准偏差的横向位置)将被检查.

学习收获: 学生将获得记录生理指标和驾驶性能指标的实践经验. 进一步, 学生将学习生理数据处理，并可能使用计算建模来分析行为数据. 除了, 学生将获得进行实验的经验, 进行统计分析, 报告研究结果.