Vertrouwen in zelfrijdende auto’s
Onderzoek naar de invloed van visuele kenmerken op het vertrouwen in zelfrijdende auto’s
Jonas Heller
11906618
Universiteit van Amsterdam
Faculteit der Natuurwetenschappen, Wiskunde en Informatica (FNWI)
Bachelor scriptie
Abstract
De opkomst van de zelfrijdende auto is in volle gang. Recente ontwikkelingen op technisch gebied maken het mogelijk om een auto volledig autonoom te laten functioneren. Vertrouwen is een combinatie van de verwachting dat iemand het juiste doet en het onderhouden van positieve tradities. In de context van de zelfrijdende auto is dit de juiste communicatie en positieve ervaring die leiden tot een veilig gevoel en vertrouwen. Door middel van een surveyonderzoek onder 82 participanten werd een selectie van zeven designs getest of er daadwerkelijk een verschil zit in de mate van vertrouwen bij deze designs om zo de onderzoeksvraag te beantwoorden: “In hoeverre hebben visuele kenmerken in het design van een zelfrijdende auto invloed op de mate van vertrouwen?”. Hieruit is gebleken dat er een verschil is aan te tonen tussen de designs met een extra kenmerk ten opzichte van het design zonder extra kenmerken. Een auto die in staat is een projectie op de grond te maken om aan te geven dat een voetganger kan oversteken werd door de respondenten het meest vertrouwd.
Studiejaar 2019-2020
BSc Informatiekunde
Begeleider: Tjomme Schilstra
Tweede lezer: Roman Pankow
Inleiding
De opkomst van de zelfrijdende auto
Zelfrijdende auto’s waren vroeger alleen nog maar denkbaar in science fiction maar door sprongen in de techniek zijn deze naar de realiteit gehaald. Recente ontwikkelingen in sensoren, navigatie en kunstmatige intelligentie maken het mogelijk auto’s volledig autonoom te laten functioneren. Dit kan een uitkomst bieden voor het alsmaar drukker wordende verkeer en vollopende straten (Zakharenko, 2016).
Zelfrijdende auto’s lijken voor sommige mensen dé oplossing voor het fileprobleem en het veiliger maken van het verkeer. Sinds het midden van de twintigste eeuw wordt er onderzoek gedaan naar de
mogelijkheden auto’s volledig autonoom te maken. Hierbij wordt er gestreefd naar het nabootsen van het snelle real-time beslissingen maken van de mens. De eerste succesvolle proeven waren in de tachtiger jaren door de Carnegie Mellon universiteit (CMU, 1984). Deze waren echter nog niet zo ver gevorderd als modernere versies. Tegenwoordig zijn veel commerciële bedrijven bezig met het ontwikkelen van hun eigen versie van zelfrijdende auto’s. Bedrijven zoals Uber beogen deze auto’s in te zetten als taxi's zonder chauffeur om zo kosten te besparen (Shetty, 2020). Tesla is het eerste bedrijf dat volledig autonome functionaliteit op de markt heeft gebracht door hun ‘Autopilot’ functie die sinds 2015 in hun modellen beschikbaar werd (Lowensohn, 2014). Deze functie maakt het mogelijk de auto volledig autonoom te laten rijden op de snelweg waarbij de auto zelf de juiste route en snelheid aanhoudt en rekening houdt met andere weggebruikers.
Techniek van zelfrijdende auto’s
Zelfrijdende auto’s zijn op te delen in zes distinctieve niveaus die elk een bepaalde mate van autonomie aanduiden (SAE, 2016). Hierbij is niveau nul een normale auto zonder enige vorm van autonomie en is niveau vijf een auto waarbij de “bestuurder” slechts het adres in hoeft te voeren en de auto doet de rest. De Autopilot functionaliteit van Tesla Motors is in te delen op niveau twee waarbij de auto zich op de snelweg volledig autonoom kan besturen. Hogere niveaus zijn momenteel niet beschikbaar op de markt maar verschillende autofabrikanten zijn bezig met het ontwikkelen van auto’s op deze niveaus. Veelal ligt de limiterende factor bij de wetgeving aangezien deze op de meeste plaatsen nog niet is ingericht op zelfrijdende auto’s (Greenblatt, 2016).
Moderne zelfrijdende auto’s werken met een aantal ingebouwde technische systemen. Een van de belangrijkste is het GPS (Global Positioning System), welke met behulp van drie of meer satellieten de mogelijkheid biedt de locatie van het voertuig tot op vijf meter nauwkeurig te bepalen. Modernere GPS kan met de toevoeging van WAAS (Wide Area Augmentation System) zelfs tot drie meter nauwkeurig de positie bepalen. Hiermee kan de snelheid van het voertuig en de richting gemeten worden. Een nadeel van GPS is dat deze een directe verbinding nodig heeft tot de satellieten dus als het voertuig in een tunnel rijdt of in een gebied met veel grote gebouwen kan de nauwkeurigheid verslechteren (gps.nl, 2020). GPS werkt samen met een IMU (Internal Measurement Unit) die de snelheid, hoek en krachten van het voertuig zelf bijhoudt om zo een nauwkeurige meting uit te kunnen voeren (King, 1998).
Radar (RAdio Detection And Ranging) maakt gebruik van radiogolven om de afstand, snelheid en hoek van voertuigen en objecten rondom de auto te meten. Het radarsysteem stuurt een signaal en meet de tijd die het kost voordat deze weer terugkomt. Deze manier van snelheidsbepaling is vrij accuraat maar werkt
met de snelheid van geluid en kan daarom te lang duren. Dit is voornamelijk een probleem bij hogere snelheden zoals op een snelweg dus wordt radar voornamelijk ingezet bij situaties waarbij er niet snel gereden wordt zoals inparkeren en filerijden (Pickering, 2017).
Recentelijk is lidar (LIght Detection And Ranging) in opkomst bij autonome voertuigen. Vergelijkbaar met radar op het gebied van techniek maar met eigen voor- en nadelen. Lidar zendt laserpulsen uit in groen en bijna infrarood licht die weerkaatsen op de objecten om de auto heen. Hiermee kan de afstand, snelheid en hoek van een object gemeten worden maar daarnaast wordt er ook een puntenwolk gemaakt van de omgeving om zo een betere inschatting te kunnen maken of de auto moet remmen, gas geven of sturen. Het is zelfs mogelijk om het wegdek te analyseren en daarmee de vering bij elk wiel anders in te stellen om zo een zeer comfortabele rijervaring te creëren (Choudhary, 2020). Lidar is een veelbelovende techniek voor veel toepassingen maar er zijn steeds meer twijfels of dit ook geldt voor autonome
voertuigen. Elon Musk, oprichter van Tesla, beweert dat lidar ondergeschikt is aan het gebruik van meerdere camera’s die de werking van de ogen van de mens nabootsen. Dit omdat de infrastructuur ingericht is op normale mensen dus als het lukt om door middel van camera’s hier een juiste interpretatie aan te geven is lidar niet nodig. Alleen bij slechte weersomstandigheden zoals zware regenval of mist kan lidar een oplossing bieden (AutoPilot Review, 2019).
Sociale acceptatie
Sceptici kijken vooral naar de problemen bij de huidige manier van aansprakelijkheid en het vertrouwen in volledig autonome voertuigen. Mercedes heeft aangegeven dat zij altijd de bestuurder zullen proberen te redden, ook als dit betekent dat een andere weggebruiker geraakt zal worden (Sorrel, 2016). Dit bericht heeft veel reacties teweeggebracht van mensen die dit niet acceptabel vinden aangezien de veiligheid van iedereen in het verkeer even belangrijk zou moeten zijn. Dit kan zorgen voor een verlies van vertrouwen in volledig autonome voertuigen. Vroege zelfrijdende auto’s hadden duidelijke kenmerken zoals grote camera’s en sensoren waarmee de auto zijn omgeving kan waarnemen. Modernere zelfrijdende auto’s hebben minder van deze kenmerken omdat de sensoren kleiner zijn en verstopt in het chassis van de auto. Door deze ontwikkeling is het moeilijker geworden een volledig autonome auto van een reguliere te onderscheiden afgezien van het feit dat er geen actieve bestuurder in zit. Dit gebrek aan
herkenningspunten kan leiden tot onduidelijkheid in het verkeer en onzekerheid bij weggebruikers. De sociale acceptatie van een nieuwe technologie is altijd cruciaal voor zijn overlevingskans op de markt (Kohl et al., 2018). Deze sociale acceptatie wordt gestuurd vanuit verschillende bronnen. In maart 2019 kostte een fout van de autopilot modus een bestuurde het leven nadat zijn Tesla een vrachtwagen niet zag of verkeerd interpreteerde (Davies, 2019). Dit is niet de eerste keer dat een dergelijk ongeluk is
voorgekomen. In 2016 kwam eenzelfde ongeluk voor op dezelfde snelweg ook met een vrachtwagen. Dit kan toeval zijn maar kan ook een fout in de software aantonen. Deze ongelukken komen statistisch gezien zeer weinig voor. Hierbij moet gekeken worden naar de hoeveelheid ongelukken die daadwerkelijk te wijten zijn aan autonome functies, de effecten van het ongeluk en de verhouding gereden kilometers per ongeluk. Het statistisch bewijzen dat autonome voertuigen veiliger zijn dan menselijke bestuurders kan nog jaren duren aangezien de gereden kilometers door mensen momenteel vele malen hoger ligt (Kalra & Paddock, 2016). Ter illustratie: er vinden gemiddeld 32,000 dodelijk ongelukken per jaar plaats in de Verenigde Staten. Hiervan zijn ongeveer 90% veroorzaakt door menselijke fouten die deels voorkomen hadden kunnen worden door een autonome auto (Howard & Dai, 2014). Dit aangezien een autonoom
voertuig nooit moe, afgeleid of dronken wordt en ook nooit uit zichzelf te hard zal rijden. Deze factoren kunnen een bijdrage leveren in de sociale acceptatie van autonome voertuigen. Echter is de sociale acceptatie bij een groot deel van de populatie en de politiek nog niet op het juiste niveau (Howard & Dai, 2014). Dit kan zijn door de impact die een fout door een autonoom voertuig heeft op het vertrouwen (Stewart, Lewis & Croce, 2019). Kaur en Rampersad (2018) stellen dat de belangrijkste factoren voor de sociale acceptatie van zelfrijdende auto’s veiligheid, vertrouwen, privacy, betrouwbaarheid en
aansprakelijkheid zijn. In het TAM (Technological Acceptance Model) van Davis (1970) worden de factoren vertrouwen, privacy en veiligheid ook benoemd als zeer belangrijk in de afweging die mensen maken bij het accepteren van een nieuwe technologie. Kaur en Rampersad stellen ook dat meer
vertrouwen in zelfrijdende auto’s een positieve bijdrage kan leveren bij de sociale acceptatie. Hierbij kijken zij voornamelijk naar het vertrouwen van de gebruiker in de producent, de overheid en het
waarborgen van de veiligheid. In hun onderzoek wordt echter niet gekeken naar de rol van het design van de auto voor het verkrijgen van vertrouwen. Om een beter beeld te krijgen van de invloed van het design op het vertrouwen zal dit onderzoek zich richten op het meten van vertrouwen bij verschillende designs om de volgende onderzoeksvraag te beantwoorden: “In hoeverre hebben visuele kenmerken in het design van een zelfrijdende auto invloed op de mate van vertrouwen?”.
Theoretisch kader
In deze sectie zal allereerst worden gekeken naar de wijze waarop bij mensen vertrouwen wordt opgewekt. Daarna worden deze factoren beschouwd vanuit de context van de zelfrijdende auto. Door te kijken wat de huidige status is van het vertrouwen kunnen er kenmerken herleid worden die relevant zijn voor zelfrijdende auto’s.
Vertrouwen
Om te weten welke factoren belangrijk zijn bij het bouwen van vertrouwen tussen mensen en zelfrijdende auto’s moet er eerst gekeken worden naar een basis binnen de vertrouwens-psychologie. Hierbij moet worden gekeken naar welke factoren belangrijk zijn om vertrouwen op te wekken bij mensen. Hardin (2001) beschrijft de basis van vertrouwen als een simpel concept: A vertrouwt B dat deze X doet. Hierbij draait het zich om een dyade waarbij er slechts twee actoren zijn die een hoge mate van sociale controle uitvoeren. Door dit abstracte concept uit te werken en de onderliggende relaties te definiëren kan vertrouwen worden verklaard. Binnen de literatuur wordt hier verschillend over gedacht. Vanuit een sociologisch perspectief kan vertrouwen gezien worden als het product van jarenlange interactie, patronen uit het verleden, maatschappelijke betrokkenheid en intensieve omgangen (Locke, 2001). Binnen
sommige culturen vormen mensen sneller vertrouwensrelaties met elkaar dan anderen. Dit fenomeen is bijvoorbeeld besproken door Putnam (1993). Hij toont een verschil aan tussen noord en zuid Italië op het gebied van vertrouwen in de lokale politiek. De geschiedenis leert ons dat een negatieve uitkomst vaak voorkomen had kunnen worden door samen te werken in plaats van alleen de eigen interesse te
beschermen. Vertrouwen berust op het idee dat iemand in zijn belang zich jouw belangen voorop stelt (Hardin, 2002). Door de interesse van iemand anders te vervullen en te respecteren wordt er vertrouwen verkregen wat de eigen interesse steunt. Dit kan in elke situatie voorkomen waarbij meerdere mensen of actoren samenkomen. Deze situaties hoeven niet langdurig te zijn, zelfs kleine interacties kunnen met dit principe beschreven worden. Als voorbeeld kan gekeken worden naar een vriendschap waarin twee
mensen dingen voor elkaar doen als gunst zonder enige compensatie behalve de vriendschap en steun die hieruit voortkomt. Deze vertrouwensrelaties worden steeds sterker naarmate er meer geïnvesteerd en geriskeerd wordt door beide partijen, al is het eveneens goed mogelijk het vertrouwen tot een minimum te beperken waarbij alleen één doel nagestreefd wordt. Deze minimale vertrouwensrelaties kunnen ook eenvoudig worden opgeheven als de noodzaak niet meer aanwezig is bij de interesse van één van de actoren. Dit laat zien dat vertrouwen niet altijd gebaseerd hoeft te zijn op een rationele logische redenering maar ook uit onderliggende beweegredenen kan bestaan. Schelling (1980) benoemde al dat vertrouwen simpelweg verkregen wordt door het onderhouden van een traditie in de vorm van een relatie en het wederzijds erkennen dat dit vertrouwen schenden minder oplevert dan deze vertrouwensrelatie voortzetten.
Vertrouwen bij zelfrijdende auto’s
Het Van Dale woordenboek definieert vertrouwen als geloof in iemands goede trouw en eerlijkheid. Hieruit kan het woord “iemand” worden uitgelicht aangezien dit op een persoon wijst. Dit is natuurlijk niet het geval als het gaat om een zelfrijdende auto aangezien dit een samenkomst is van techniek en software. Dus moet er gekeken worden in welke situaties deze definitie wel toepasbaar is en hoe dat zich vertaalt. Wanneer mensen willen oversteken terwijl er een auto komt aanrijden is het gebruikelijk dat zij wachten met oversteken totdat zij een signaal krijgen van de bestuurder dat deze gaat stoppen en voorrang gaat verlenen (Matthews, Chowdhary & Kieson, 2017). Bij volledig autonome voertuigen is dit niet meer mogelijk aangezien er geen bestuurder aanwezig is die handelt. Dit kan een negatieve invloed hebben op het vertrouwen aangezien er een nieuwe situatie is waarin weinig tot geen communicatie mogelijk is. Zelfrijdende auto’s zijn nog niet gebruikelijk in het Nederlandse straatbeeld zoals dat in bepaalde test-steden in de Verenigde Staten wel al het geval is (Bloomberg, 2019). Zoals besproken kan
vertrouwen worden opgebouwd door een relatie langdurig te onderhouden en te handelen naar tradities. Deze traditie is nu nog niet duidelijk maar naar verwachting zullen de tradities en gebruiken van reguliere auto’s gekopieerd worden. Hierbij kan gedacht worden aan het naleven van de regels en dus voorrang verlenen bij een zebrapad. Dit is voor normale bestuurders een gebruikelijke zaak en wordt verwacht van hen als een voetganger staat te wachten. Dit is echter nog niet een bekende situatie als het gaat om zelfrijdende auto’s. Dit zal dus ook tijd kosten, waarbij het essentieel is dat er consistent gehandeld wordt en er zo veel mogelijk positieve ervaringen ontstaan om zo vertrouwen te verkrijgen en te verhogen. Dit is ook in lijn met wat Hardin (2002) beweert over vertrouwen. Door de belangen van iemand anders te respecteren (in dit geval veilig kunnen oversteken) worden persoonlijke belangen ook bevorderd (in dit geval sociale acceptatie van zelfrijdende auto’s). Dit zijn slechts kleine, kortdurende interacties maar deze dragen ook bij aan de opbouw van vertrouwen. Oversteken is een duidelijk voorbeeld van een situatie die zich met moderne zelfrijdende auto’s kan voordoen maar er kan ook gedacht worden aan een
geavanceerdere toekomst waarin zelfs voorrang verleend kan worden bij een kruispunt waar dit niet noodzakelijk is. Dit zou gezien kunnen worden als een interactie met meer risico of meer opoffering aan één kant wat het vertrouwen nog meer kan vergroten dan een kleine interactie. Zelfrijdende auto’s worden geprogrammeerd volgens de huidige verkeersregels wat er voor zorgt dat zij in principe logisch en
rationeel handelen. Alleen als andere weggebruikers dit niet doen of als er een fout in de software zit kan er een ongeluk gebeuren. Deze consistentie in bewegen en handelen helpt bij het opbouwen van
vertrouwen. Een algemene definitie van vertrouwen in een nieuwe technologie is die van Mayer et al. (1995) waarin zij stellen dat als men zichzelf in een kwetsbare positie plaatst en een positieve uitkomst
verwacht of een verbetering in toekomstig gedrag. Dit is in een zeer letterlijke zin toepasbaar op de zelfrijdende auto aangezien iemand zich in een kwetsbare positie stelt bij het oversteken en daarbij een positieve uitkomst verwacht. Hierbij wordt dus duidelijk een positieve uitkomst verwacht wat leidt tot een vertrouwensrelatie.
Huidige staat van vertrouwen in zelfrijdende auto’s
Het vertrouwen van mensen in zelfrijdende auto’s is een complexe zaak aangezien er meerdere factoren invloed hebben. Bij de acceptatie van een opkomende technologie wordt vaak gekeken naar het TAM van Davis (1970) waarin de belangrijkste beweegredenen worden benoemd die spelen bij de sociale
acceptatie. Hierin is vertrouwen één van die factoren die invloed heeft op de acceptatie. Om erachter te komen hoe de mens nu kijkt naar het vertrouwen in zelfrijdende auto’s moet er gekeken worden naar voorgaande onderzoeken die deze factor helemaal of deels hebben getest. Kuar en Rampersad (2018) hebben de key factors onderzocht die belangrijk zijn bij deze acceptatie. Hierin combineren zij het TAM en de UTAUT (Unified Theory of Acceptance and Use of Technology) van Venkatesh et al. (2003) samen met bestaande literatuur over zelfrijdende auto’s. Zij concluderen dat vertrouwen, veiligheid en privacy de overlappende kenmerken zijn bij beide modellen en in de literatuur. Door middel van een enquête onder 101 studenten en universitaire medewerkers tonen zij aan dat vertrouwen een belangrijke factor is. Deze conclusie wordt gedeeld door het onderzoek van Jing et al. (2020) waarin vertrouwen ook benoemd wordt als de belangrijkste factor in het voorspellen van acceptatie. Kuar en Rampersad (2018) concluderen uit een combinatie van meerdere onderzoeken en grote surveys dat in 2017 73% van de bevolking in Groot-Brittanië zelfrijdende auto’s onveilig vond. Dit was in 2018 gedaald naar 49% waarbij zij speciaal benoemen dat leiders in de technische sector slechts voor 17% een onveilig gevoel hebben bij autonome voertuigen. Dit laat zien dat er door recente successen en meer beschikbare informatie een positief effect plaatsvindt maar dat er nog steeds ruimte is voor verbetering. Door te identificeren welke aspecten zorgen voor minder vertrouwen kunnen deze worden aangepast om zo tot sociale acceptatie te komen. Dit zal niet een abrupte omslag zijn want vertrouwen wordt verkregen door langdurige interactie (Locke, 2001) die nu nog mist. Er zijn nog niet veel grote onderzoeken uitgevoerd naar de rol van vertrouwen in de sociale acceptatie van zelfrijdende auto’s. Dit onderzoek zal hopelijk bijdragen aan een verder begrip van deze rol.
Kenmerken van zelfrijdende auto’s
Om erachter te komen welke aspecten van een zelfrijdende auto belangrijk zijn bij het opwekken van vertrouwen, kan gekeken worden naar het onderzoek van Waytz et al. (2014). Zij keken of het toekennen van menselijke eigenschappen aan autonome voertuigen het vertrouwen kan vergroten. Dit kan
gerealiseerd worden door de auto uit te rusten met ogen die bijvoorbeeld naar een voetganger kunnen kijken om aan te geven dat deze hem heeft gezien. Een tweede mogelijkheid is het toevoegen van een “mond” die kan lachen om zo aan te geven dat voorrang verleend wordt. De antropomorfische
voorbeelden die hierboven gegeven zijn kunnen een oplossing bieden die vergelijkbaar is met de huidige situatie waarbij een mens reageert. Echter moet er ook gekeken naar andere oplossingen die verder gaan dan het nabootsen van de natuurlijke situatie. Het toekennen van menselijke attributen aan een machine kan in eerste instantie behulpzaam zijn voor mensen om zo de interpretatie eenvoudiger te maken. Echter moet er rekening gehouden worden met de uncanny valley van Mori (1970) die beschrijft dat wanneer een robot steeds meer menselijke eigenschappen heeft er een grens bereikt wordt waarna de acceptatie
wegvalt. Voor een andere oplossing kan gekeken worden naar het onderzoek van Dey et al. (2020) waarin geconcludeerd wordt dat een pulserende cyaan blauwe lichtstrip beter werkt bij het aangeven van de intentie om te stoppen voor een overstekende voetganger dan de andere kleuren en animatie patronen die getest waren. Deze combinatie van kleur en patroon zijn uniek in het huidige straatbeeld en bij moderne auto’s, wat zorgt voor een distinctieve associatie die gemaakt kan worden met het verlenen van voorrang. Dit wordt ook gesuggereerd door Risto et al. (2017). Zij concluderen dat een lichtstrip, led-bord,
laserstraal of een projectie een nuttig visueel kenmerk kan zijn waarmee de auto kan communiceren naar andere weggebruikers. Hierbij wordt echter wel vrijwel altijd gekeken naar situaties waarin het gaat om één zelfrijdende auto die interacteert met één voetganger die bijvoorbeeld wil oversteken. Deze
oplossingen zouden wellicht tekortschieten als het gaat om drukke kruispunten met meerdere weggebruikers die andere intenties hebben aangezien de signalen dan onduidelijk kunnen worden. Evenals Risto et al. (2017) geven Fridman et al. (2017) een groot aantal potentiële designs van een zelfrijdende auto voor de communicatie met voetgangers. Zij geven beide aan dat een led-bord een oplossing kan bieden om eenvoudig informatie te communiceren. Risto et al. geven slechts het idee terwijl Fridman et al. duidelijke concepten testen. Zij testen 30 verschillende designs uiteenlopend van een simpele kleurverandering in één van de koplampen tot projecties en led-borden. Het led-bord dat uit dit onderzoek voortkomt als één van de beste designs is het klassieke design van een
voetgangersoversteekplaats waarbij een groen “lopend” poppetje aangeeft dat je kan oversteken. Dit zou een goede optie kunnen zijn aangezien mensen al weten wat de betekenis ervan is en dus hoeft er geen nieuwe leercurve te zijn om te leren wat dit betekent. Deze bekendheid kan een positieve rol spelen bij de sociale acceptatie en zo kan dus ook een design wat al langer bestaat een vertrouwder gevoel geven zoals de camera’s op het dak van moderne zelfrijdende auto’s.
Methode
Dit onderzoek maakte gebruik van een kwantitatieve experiment-survey opzet waarbij gekeken werd of door bepaalde veranderingen in het design van een zelfrijdende auto de mate van vertrouwen werd beïnvloed. Er werd gebruik gemaakt van voorgaande onderzoeken om een basis te vormen waarna door middel van een survey er een steekproef genomen kon worden voor statistische analyse om zo een generalisatie te maken naar de gehele populatie (Creswell & Creswell, 2018).
Participanten
De participanten (N = 82) bestonden uit een mix van 45 mannen en 37 vrouwen in de leeftijd 17 en 74 jaar oud. Het opleidingsniveau van de respondenten was opgebouwd uit 28% WO bachelor, 27% HBO bachelor en 20% middelbare school, 14% MBO en de overige 11% bedroegen master, doctoraat en overige opleidingen. Respondenten die bij elk design dezelfde antwoorden hebben gegeven werden uitgesloten. Dit waren 2 cases.
Design
De survey is tot stand gekomen door te kijken naar verschillende onderzoeken naar sociale acceptatie van zelfrijdende auto’s en hieruit de relevante delen mee te nemen in dit onderzoek zoals in het theoretisch kader is besproken. Fridman et al. (2017) vroegen in hun survey of mensen het veilig achten over te steken en of zij zich veilig voelden. Dey et al. (2020) stelden vragen over de intuïtiviteit van het design van de getoonde zelfrijdende auto.
De respondenten kregen eerst demografische vragen over hun geslacht, leeftijd en opleidingsniveau. Hierna kregen zij zeven verschillende designs te zien van volledig zelfrijdende auto’s zonder een bestuurder met daarbij een beschrijving van het kenmerk. Bij elk design kregen de respondenten steeds dezelfde set van vijf vragen die vertrouwen meten in willekeurige volgorde om zo de response bias te verminderen en de betrouwbaarheid te verhogen (Krosnick & Alwin, 1987).
De respondenten kregen drie vragen over hun vertrouwen om veilig te kunnen oversteken. Verder kregen zij twee algemene vragen over vertrouwen waarbij de laatste negatief geformuleerd was om zo de betrouwbaarheid van het onderzoek te verhogen.
De vragen luidden als volgt: 1. Ik vertrouw deze auto.
2. Ik denk dat deze auto zal stoppen. 3. Ik voel mij prettig om over te steken.
4. Ik heb vertrouwen dat ik veilig kan oversteken. 5. Ik voel mij NIET veilig bij deze auto.
Nadat de respondenten alle vragen hadden beantwoord over elk design apart werden zij gevraagd om de auto’s te rangschikken naar mate van vertrouwen waarbij een 1 het meeste vertrouwen was en een 7 het minste. Hiermee kon bij de analyse gecontroleerd worden of de antwoorden consistent zijn binnen de survey. De survey is bijgevoegd in appendix 1.
Procedure en materiaal
Dit onderzoek maakte gebruik van de snowball effect sampling methode (Secor, 2010) en convenience sampling (Burns & Burns, 2008) om zo snel veel respondenten te werven. De survey is verspreid via het sociale media platform Facebook en via eigen sociale kanalen op Whatsapp. Hierbij werden de
respondenten ook verzocht de survey verder te verspreiden. Dit was een goede manier om veel mensen te bereiken binnen een korte tijd. Hierbij werden de respondenten verteld wat het doel was van het
onderzoek en werden zij verzocht de survey in te vullen. De survey was gemaakt met Google Forms. Elke vraag was op een aparte pagina geplaatst om er zekerder van te zijn dat de vragen goed gelezen werden en zo de betrouwbaarheid te vergroten.
Data analyse
Nadat de surveys waren afgenomen, werd de data ingeladen in SPSS om analyses uit te voeren. Allereerst werden de negatief geformuleerde vragen gehercodeerd. Hierna werd cronbach’s alpha berekend om te kijken of de vijf gestelde vragen bij elk design daadwerkelijk vertrouwen meten.
In tabel 1 staat de cronbach’s alpha per design aangegeven. Hierbij was duidelijk te zien dat de meeste boven 0.9 waren wat duidt op een excellente score (Burns & Burns, 2008). In sommige gevallen kon de cronbach’s alpha verhoogd worden door de vraag “Ik voel mij niet veilig bij deze auto” te verwijderen. Gezien de reeds hoge scores werd dit niet gedaan.
Tabel 1. Cronbach’s alpha score per design
Design # Design 1 Design 2 Design 3 Design 4 Design 5 Design 6 Design 7 Cronbach’s
alpha
.880 .900 .929 .908 .921 .901 .855
Voor de analyse werd gebruik gemaakt van meerdere dependent t-tests en van een one-way Anova. Deze tests waren gekozen omdat er een verschil tussen ‘groepen’ gemeten werd. Voor het vergelijken van de gemiddelden van meer dan drie groepen is one-way Anova geschikt (Burns & Burns, 2008). Bij het uitvoeren van de dependent t-tests werd het gemiddelde van de vragen bij het eerste design, zonder enige visuele kenmerken, vergeleken met de gemiddelden van de andere designs. Er zijn in totaal zeven designs getest in de survey dus zijn er zes dependent t-tests uitgevoerd. Dit kan laten zien of en in welke mate een bepaald design meer vertrouwen opwekt dan het design zonder kenmerken. Deze analyse werd ook uitgevoerd tussen mannen en vrouwen. Door naast de zes dependent t-tests ook een one-way Anova uit te voeren werd er gebruik gemaakt van triangulatie aangezien er twee statistische methodes werden gebruikt om hetzelfde aan te tonen wat invloed had op de validiteit (Glen, 2017). Ter controle van de resultaten werd van de rangschikking-vraag aan het einde van de survey een gemiddelde genomen per design om zo te zien of de resultaten consistent waren.
Resulaten
De gemiddelde waardes van elk design werden met een dependent sample t-test vergeleken met de waardes van het eerste design. Bij vijf van de zes designs is een significant positief verschil gemeten p < 0.001 bij een alpha van 0.05. Alleen bij design 6 (het design met ogen voorop de auto) is geen significant verschil aangetoond (p = 0.192). Aan de hand van deze waardes kan een rangschikking opgesteld worden van alle designs.
De ANOVA test laat een verschil zien in de mate van vertrouwen in verschillende designs, F(6, 553) = 8.136, p < 0.001. Post-hoc analyse met gebruik van Tukey HSD laat zien dat design 1 significant slechter wordt beoordeeld dan alle andere designs (p < 0.015) behalve design 6 (p = 0.9). Design 6 is significant slechter dan design 3, 5 en 7. Alle andere design met een gemiddeld hogere waarde zijn maximaal
significant beter dan twee andere designs (design 1 en 6). De effect size partial eta squared bedraagt 0.081 wat duidt op een middelgroot effect (Burns & Burns, 2008).
In de survey werden de participanten gevraagd alle designs te rangschikken op volgorde van vertrouwen waarbij een 1 het meeste vertrouwen was en een 7 het minste. Deze waardes werden per design opgeteld en gedeeld door het aantal valide cases (N = 80). Deze waardes leveren een rangschikking op waarbij een lagere waarde een groter vertrouwen aangeeft. Deze resultaten fungeren als controle van de statistische toetsen.
De rangschikking van de resultaten van de meerdere t-tests, de ANOVA en de rangschikking-vraag kunnen vergeleken worden met elkaar. Dit levert tabel 2 op waarbij rang 1 het meeste vertrouwen is en rang 7 het minste.
Tabel 2. Rangschikking van designs
Rang/ test T-test Rangschikking survey ANOVA
1 Design 3 t(79) = -7.494 M = 3.85 SD = 0.92 Design 3 M = 3.30 Design 3 2 Design 7 t(79) = -6.652 M = 3.78 SD = 0.84 Design 4 M = 3.48 Design 7 3 Design 5 t(79) = -1.316 M = 3.67 SD = 0.92 Design 5 M = 3.61 Design 5 4 Design 4 t(79) = -5.290 M = 3.65 SD = 0.96 Design 7 M = 3.68 Design 4 5 Design 2 t(79) = -5.241 M = 3.55 SD = 0.82 Design 2 M = 3.90 Design 2 6 Design 6* t(79) = -1.316 M = 3.23 SD = 0.98 Design 6 M = 4.52 Design 6* 7 Design 1 (baseline) M = 3.06 SD = 0.87 Design 1 M = 5.49 Design 1 * = Niet significant
De ANOVA test en de zes T-tests leveren dezelfde rangschikking op. De rangschikking-vraag in de survey laat bijna hetzelfde zien, alleen zijn de rang van design 4 en 7 omgewisseld. De designs zijn in de survey bijgevoegd als appendix 1.
Mannen geven bij de survey gemiddeld altijd hogere scores dan vrouwen met een gemiddeld verschil van 0.3. Dit verschil ligt tussen een minimum van 0.18 bij design 7 en een maximum van 0.61 bij design 2.
Discussie
In dit onderzoek is gezocht naar het antwoord op de vraag: ‘In hoeverre hebben visuele kenmerken in het design van een zelfrijdende auto invloed op de mate van vertrouwen?’ Op basis van wetenschappelijk onderzoek is een inventarisatie gemaakt van verschillende designs die mogelijk meer vertrouwen
opwekken. Deze zijn verwerkt in een kwantitatief onderzoek waarin met een survey het vertrouwen in elk design werd gemeten met 5 vragen.
Uit de resultaten is gebleken dat er een significant verschil in het vertrouwen te meten is bij mensen als een zelfrijdende auto bepaalde uiterlijke kenmerken heeft. Het design van een zelfrijdende auto heeft dus invloed op de mate van vertrouwen. Zo zijn er zes verschillende alternatieve designs getest waarvan vijf designs significant beter waren dan de baseline, zonder visuele kenmerken. Zoals in het theoretisch kader is besproken is vertrouwen een groot onderdeel van de sociale acceptatie. Hieruit kan geconcludeerd worden dat fabrikanten van zelfrijdende auto’s een hogere sociale acceptatie kunnen verwachten als zij een design gebruiken waarbij communicatie vanuit de auto mogelijk is. Uit de resultaten blijkt dat als een zelfrijdende auto een modern design aanhoudt en daarbij een projectie op de grond kan maken om aan te geven of iemand kan oversteken meer vertrouwen opwekt dan andere designs. Ook een design waarbij er gebruik gemaakt wordt van een traditioneel voetgangers stoplicht symbool kan meer vertrouwen geven. Deze resultaten zijn mogelijk te verklaren aan de hand van Locke (2001) zoals besproken in het
theoretisch kader. Hij beweert dat langdurige interactie vertrouwen opbouwt en aangezien mensen al langere tijd bekend zijn met stoplichten en groene poppetjes die aangeven dat zij veilig kunnen oversteken kan dit hebben bijgedragen aan de gevonden resultaten.
De resultaten wijzen verder uit dat een design dat gebruik maakt van antropomorfisme niet een goede optie is om vertrouwen te verkrijgen bij andere weggebruikers. Duidelijk is dat een design waarbij meer actieve communicatie gebruikt wordt om intenties over te brengen beter is dan een passief design. Als laatste wordt er geconcludeerd dat mannen over het algemeen hogere scores toekennen en dus meer vertrouwen hebben in zelfrijdende auto’s.
Zoals in de methode besproken, is de cronbach’s alpha bij vijf van de zeven designs excellent. Dit laat zien dat de vragen daadwerkelijk vertrouwen meten, echter zijn er een aantal factoren bij de survey die invloed kunnen hebben gehad op de betrouwbaarheid en validiteit van het onderzoek. De afbeeldingen die gebruikt zijn in de survey zijn afkomstig van verschillende onderzoeken en artikelen over zelfrijdende auto’s en hebben allemaal een duidelijk kenmerk uniek voor dat design. Echter verschillen zij ook op een paar andere vlakken. Het model auto, design en de context die gebruikt zijn in de survey waren niet consistent, wat invloed kan hebben gehad op het vertrouwen. Design zes (met ogen die aangeven of je kan oversteken) heeft een zeer afwijkend design van de andere auto’s in de survey waardoor deze wellicht onterecht slechter is beoordeeld. Verder zijn in sommige afbeeldingen mensen te zien die aan het
oversteken zijn. Dit kan wellicht onbewust een hogere mate van vertrouwen geven dan eigenlijk het geval zou zijn. Ook zijn afbeeldingen niet altijd representatief voor de werkelijkheid en zou een dergelijke situatie in het echte leven een ander resultaat kunnen hebben.
De conclusie van het onderzoek wijst uit dat een projectie een goede optie is voor zelfrijdende auto’s om aan te geven dat mensen veilig kunnen oversteken. Dit kan zijn omdat de projectie een groot oppervlak
kan innemen en vlak voor de mensen op de weg wordt geprojecteerd. Aan de andere kant van de rangschikking wordt het design zonder kenmerken geplaatst. Dit kan te maken hebben met het in het theoretisch kader besproken fenomeen dat mensen altijd een vorm van contact zoeken voordat zij oversteken (Matthews, Chowdhary & Kieson, 2017). Als dit op geen enkele wijze mogelijk is valt het vertrouwen weg. Zo kan ook de uncanny valley (Mori, 1970) genomen worden als verklaring voor het lage vertrouwen in het design met ogen voorop de auto. Ogen zijn een te menselijk attribuut en door deze op een machine te zetten wordt het wellicht te eng voor sommigen. Bij de rangschikking-vraag is de positie van design vier (met een lichtstrip) en design zeven (met een voetgangers stoplicht) van posities verwisseld ten opzichte van de andere tests. Dit kan zijn vanwege de volgorde van de designs in de survey. Het zou kunnen dat wanneer de participanten alle designs gezien hebben, zij toch een ander oordeel geven.
Hoewel de leeftijd van de participanten een grote spreiding had (17 tot 74 jaar) was de frequentie van oudere mensen aanzienlijk lager, 84% van de cases zijn onder de 30. Dit kan invloed hebben op de resultaten en dus generalisatie minder betrouwbaar maken. Dit kan een effect hebben omdat jongere mensen meestal meer bereid zijn een nieuwe technologie te vertrouwen dan oudere mensen (Morris & Venkatesh, 2000). Uit de resultaten blijkt dat mannen meer vertrouwen hebben in zelfrijdende auto’s dan vrouwen. Dit kan zijn omdat mannen over het algemeen meer interesse hebben in auto’s en nieuwe techniek. Verder zijn de respondenten verkregen via sociale kanalen waarbij een voluntary response bias van toepassing is. Dit, samen met het feit dat de meeste respondenten waarschijnlijk uit de omgeving Haarlem kwamen, zorgt voor een slechtere generalisatie. Door een groter bereik te realiseren via andere kanalen kan de betrouwbaarheid en representativiteit verhoogd worden.
Als ontwikkelaars van zelfrijdende auto’s niet expliciet nadenken over de manier waarop hun design kan communiceren met andere weggebruikers kunnen zij een lagere mate van vertrouwen verwachten. Aangezien vertrouwen onderdeel is van het TAM kunnen zij door een lagere mate van vertrouwen ook een lagere sociale acceptatie verwachten. Dit zou schadelijk kunnen zijn voor omschakeling naar een samenleving waar zelfrijdende auto’s mogelijk zijn.
Om verder te begrijpen welke designkeuzes de mening van mensen positief beïnvloeden als het gaat om zelfrijdende auto’s zou er vervolgonderzoek gedaan kunnen worden naar verdere designs die combinaties maken van degenen die in dit onderzoek besproken zijn. Ook kan er gekeken worden of door middel van een ander medium dan afbeeldingen, bijvoorbeeld filmpjes, er een beter resultaat behaald kan worden. Zo zou uiteindelijk een testopstelling in het echte leven kunnen dienen als controle voor de bevindingen van dit en dergelijke onderzoeken. Door een kruispunt te nemen waar observeerders kijken naar de natuurlijke reactie van voetgangers bij de interactie met een zelfrijdende auto kan data verzameld worden die zeer representatief is. De voetgangers kunnen daarnaast ook gevraagd worden naar hun mening nadat ze zijn overgestoken om zo verdere informatie te verkrijgen. Nu aangetoond is dat bepaalde designs een hogere mate van vertrouwen opwekken dan andere kan er gekeken worden naar de verdere rol van vertrouwen in de bredere context van de sociale acceptatie van zelfrijdende auto’s. Vertrouwen is onderdeel van de sociale acceptatie maar het specifieke gewicht van deze factor is nog niet duidelijk bij zelfrijdende auto’s. Ook kan er gekeken worden naar complexere situaties en of het vertrouwen dat in dit onderzoek is
vastgesteld dan nog steeds standhoudt. Het is mogelijk dat in een complexere situatie dan die weergegeven in dit onderzoek, de designs niet voldoende zijn om vertrouwen te verkrijgen.
Referenties
➢ AutoPilot Review (27-04-2019) Elon Musk on Cameras vs LiDAR for Self Driving and Autonomous Cars. Geraadpleegd op 03-06-2020 via https://www.youtube.com/watch?v=HM23sjhtk4Q
➢ Bloomberg (2019) Autonomous vehicles in cities. Geraadpleegd op 1 juli 2020 via
https://www.bloomberg.org/program/government-innovation/bloomberg-aspen-initiative-cities-autonomous-vehicles/
➢ Burns, R. P., & Burns, R. (2008). Business research methods and statistics using SPSS. Sage.
➢ Carnegie Mellon Navlab: The Carnegie Mellon University Navigation Laboratory. The Robotics Institute. Geraadpleegd op 29-04-2020 via https://www.cs.cmu.edu/afs/cs/project/alv/www/index.html
➢ Charlie Sorrel (2016) Self-Driving Mercedes Will Be Programmed To Sacrifice Pedestrians To Save The Driver Geraadpleegd op 30-04-2020 via
https://www.fastcompany.com/3064539/self-driving-mercedes-will-be-programmed-to- sacrifice-pedestrians-to-save-the-driver
➢ Cook, K. (Ed.). (2001). Trust in society. Russell Sage Foundation.
➢ Creswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches. Sage publications.
➢ Davies, A. (2019) Tesla’s Latest Autopilot Death Looks Just Like a Prior Crash. Geraadpleegd op 21-05-2020 via
https://www.wired.com/story/teslas-latest-autopilot-death-looks-like-prior-crash/
➢ Davis, F. D. (1985). A technology acceptance model for empirically testing new end-user information systems: Theory and results (Doctoral dissertation, Massachusetts Institute of Technology).
➢ Dey, D., Habibovic, A., Pfleging, B., Martens, M., & Terken, J. (2020, April). Color and animation preferences for a light band eHMI in interactions between automated vehicles and pedestrians. In Proceedings of the 2020 CHI
Conference on Human Factors in Computing Systems (pp. 1-13).
economics, 61, 26-37.
➢ Fridman, L., Mehler, B., Xia, L., Yang, Y., Facusse, L. Y., & Reimer, B. (2017). To walk or not to walk: Crowdsourced assessment of external vehicle-to-pedestrian displays. arXiv preprint arXiv:1707.02698
➢ Glaeser, E. L., Laibson, D. I., Scheinkman, J. A., & Soutter, C. L. (2000). Measuring trust. The ➢ GPS (29-05-2020), GPS, hoe werkt dat nu eigenlijk? Geraadpleegd op 02-06-2020 via
https://www.gps.nl/wat_is_gps-.html
➢ Greenblatt, N. A. (2016). Self-driving cars and the law. IEEE spectrum, 53(2), 46-51.
➢ Hardin, R. (2001). Conceptions and explanations of trust. In K. S. Cook (Ed.), Russell Sage foundation series on trust, Vol. 2. Trust in society (p. 3–39). Russell Sage Foundation.
➢ Hardin, R. (2002). Trust and trustworthiness. Russell Sage Foundation.
➢ Howard, D., & Dai, D. (2014, January). Public perceptions of self-driving cars: The case of Berkeley, California. In
Transportation research board 93rd annual meeting (Vol. 14, No. 4502, pp. 1-16).
➢ Jing, P., Xu, G., Chen, Y., Shi, Y., & Zhan, F. (2020). The Determinants behind the Acceptance of Autonomous Vehicles: A Systematic Review. Sustainability, 12(5), 1719.
➢ Kalra, N., & Paddock, S. M. (2016). Driving to safety: How many miles of driving would it take to demonstrate autonomous vehicle reliability?. Transportation Research Part A: Policy and Practice, 94, 182-193.
➢ Kaur, K., & Rampersad, G. (2018). Trust in driverless cars: Investigating key factors influencing the adoption of driverless cars. Journal of Engineering and Technology Management, 48, 87-96.
➢ King, A.D., (1998) Inertial Navigation – Forty Years of Evolution, GEC REVIEW, VOL. 13, NO. 3
➢ Kohl, C., Knigge, M., Baader, G., Böhm, M., & Krcmar, H. (2018). Anticipating acceptance of emerging technologies using twitter: the case of self-driving cars. Journal of Business Economics, 88(5), 617-642.
➢ Krosnick, J. A., & Alwin, D. F. (1987). An evaluation of a cognitive theory of response-order effects in survey measurement. Public Opinion Quarterly, 51(2), 201-219.
➢ Locke, R. M. (2001, September). Building trust. In Annual Meetings of the American Political Science Association,
Hilton Towers, San Francisco, California.
➢ Lowensohn J. (2014) This is Tesla's D: an all-wheel-drive Model S with eyes on the road. Geraadpleegd op 1 juli 2020
via https://www.theverge.com/2014/10/9/6955357/this-is-tesla-s-d-an-all-wheel-drive-car-with-eyes-on-the-road
➢ Mahashreveta Choudhary (17-01-2020) Why LiDAR is important for autonomous vehicle? Geraadpleegd op 02-06-2020 via
https://www.geospatialworld.net/blogs/why-lidar-is-important-for-autonomous-vehicle/#:~:text=LiDAR%20%E2%80 %93%20eyes%20of%20autonomous%20vehicles&text=This%20device%20is%20LiDAR%20that,them%20to%20driv e%20themselves%20safely.&text=The%203D%20representation%20monitors%20the,vehicle%20in%20front%20of% 20it.
➢ Matthews, M., Chowdhary, G., & Kieson, E. (2017). Intent communication between autonomous vehicles and pedestrians. arXiv preprint arXiv:1708.07123.
➢ Mayer, R.C., Davis, J.H., Schoorman, F.D., 1995. An integrative model of organizational trust. Acad. Manage. Rev. 20 (3), 709–734. http://dx.doi.org/10.5465/AMR. 1995.9508080335.
➢ Mori, M. (1970). The uncanny valley. Energy, 7(4), 33-35.
➢ Morris, M. G., & Venkatesh, V. (2000). Age differences in technology adoption decisions: Implications for a changing work force. Personnel psychology, 53(2), 375-403.
➢ Paul Pickering, The Radar Technology Behind Autonomous Vehicles. Geraadpleegd op 02-06-2020 via
https://www.eeworldonline.com/the-radar-technology-behind-autonomous-vehicles/#:~:text=Radar%20has%20been%2 0used%20for,development%20of%20self%2Ddriving%20vehicles.
➢ Putnam, Robert. 1993. Making Democracy Work: Civic Traditions in Modern Italy. Princeton: Princeton University
Press.
quarterly journal of economics, 115(3), 811-846.
➢ Risto, M., Emmenegger, C., Vinkhuyzen, E., Cefkin, M., & Hollan, J. (2017). Human-vehicle interfaces: the power of vehicle movement gestures in human road user coordination.
➢ Schelling, T. C. (1980). The strategy of conflict. Harvard university press.
➢ Secor, A. (2010). Social surveys, interviews, and focus groups. Research methods in Geography. Eds. Gomez, B. and J.
Jones, 3, 194-205.
➢ Shetty S. (2020) Uber’s self-driving cars are a key to its path to profitability. Geraadpleegd op 1 juli 2020 via
https://www.cnbc.com/2020/01/28/ubers-self-driving-cars-are-a-key-to-its-path-to-profitability.html
➢ Society of automotive engineers (SAE): Taxonomy and Definitions for Terms Related to Driving Automation Systems for On-Road Motor Vehicles. Geraadpleegd op 30-04-2020 via https://www.sae.org/standards/content/j3016_201609/
➢ Stephanie Glen. "Triangulation in Research (Statistics and Social Sciences)". Geraadpleegd op 10-06-2020 via
https://www.statisticshowto.com/triangulation/
➢ Stewart, L., Musa, M., Croce, N., (12-08-2019) Look no hands: self-driving vehicles' public trust problem. Geraadpleegd op 05-06-2020 via https://www.weforum.org/agenda/2019/08/self-driving-vehicles-public-trust/
Technology).
Bijlage
Appendix 1 - Enquête Demografische vragen
➢ Wat is uw geslacht? ➢ Wat is uw leeftijd?
➢ Wat is uw hoogst genoten opleiding? Design 1 - Zelfrijdende auto zonder bestuurder.
Ik vertrouw deze auto.
Ik denk dat deze auto zal stoppen. Ik voel mij prettig om over te steken.
Ik heb vertrouwen dat ik veilig kan oversteken. Ik voel mij NIET veilig bij deze auto.
Design 2 - Zelfrijdende auto zonder bestuurder met camera's op het dak.
Ik voel mij prettig om over te steken. Ik denk dat deze auto zal stoppen. Ik vertrouw deze auto.
Ik heb vertrouwen dat ik veilig kan oversteken. Ik voel mij NIET veilig bij deze auto.
Design 3 - Zelfrijdende auto zonder bestuurder die een projectie op de grond maakt.
Ik vertrouw deze auto.
Ik voel mij NIET veilig bij deze auto. Ik voel mij prettig om over te steken.
Ik heb vertrouwen dat ik veilig kan oversteken. Ik denk dat deze auto zal stoppen.
Design 4 - Zelfrijdende auto zonder bestuurder met een cyaan blauwe lichtstrip die aangeeft wanneer je kunt oversteken.
Ik denk dat deze auto zal stoppen. Ik vertrouw deze auto.
Ik heb vertrouwen dat ik veilig kan oversteken. Ik voel mij prettig om over te steken.
Design 5 - Zelfrijdende auto zonder bestuurder die glimlacht als je kan oversteken.
Ik voel mij prettig om over te steken. Ik vertrouw deze auto.
Ik voel mij NIET veilig bij deze auto.
Ik heb vertrouwen dat ik veilig kan oversteken. Ik denk dat deze auto zal stoppen.
Design 6 - Zelfrijdende auto zonder bestuurder met ogen om aan te geven of je kan oversteken.
Ik voel mij prettig om over te steken. Ik voel mij NIET veilig bij deze auto.
Ik heb vertrouwen dat ik veilig kan oversteken. Ik vertrouw deze auto.
Zelfrijdende auto zonder bestuurder met een led-scherm dat aangeeft of je kunt oversteken.
Ik voel mij NIET veilig bij deze auto.
Ik heb vertrouwen dat ik veilig kan oversteken. Ik voel mij prettig om over te steken.
Ik denk dat deze auto zal stoppen. Ik vertrouw deze auto.
Rangschikking vraag - Rangschik de zeven designs op volgorde van vertrouwen waarbij 1 het meeste vertrouwen is en 7 het minste. Gelieve elke waarde maar 1 keer in te vullen.
