Enquête sur les scénarios de conduite ambigus

1. Résumé / Abstract

L’Enquête sur les scénarios de conduite ambigus (Ambiguous Driving Scenarios Survey, ADSS), développée par Baby et al. (2024), est un instrument psychométrique novateur conçu pour évaluer et classifier les scénarios de conduite ambigus (SCA / Ambiguous Driving Scenarios, ADS) rencontrés par les véhicules autonomes (VA) à partir de la perception subjective des usagers de la route. Un scénario de conduite ambigu se caractérise par des situations d’incertitude critique où les systèmes automatisés peinent à interpréter les intentions comportementales des autres usagers (piétons, cyclistes, conducteurs conventionnels). L’instrument a été élaboré selon une méthodologie rigoureuse en plusieurs phases : une revue étendue de la littérature et des entretiens avec des experts ont d’abord permis de recenser plus de 10 000 scénarios, réduits à 6 590 par filtrage structurel, puis distillés en 28 scénarios archétypaux grâce à une technique de tri de cartes (card sorting) issue de l’ingénierie de l’expérience utilisateur (UX).

L’inventaire se structure en trois sections distinctes comprenant des représentations picturales standardisées associées à des vignettes descriptives. Pour chacun des 28 scénarios retenus, cinq questions évaluent l’importance accordée par l’usager à des dimensions fondamentales de la décision algorithmique au moyen d’une échelle de Likert en cinq points (allant de 1 = « Très important » à 5 = « Pas du tout important »). L’analyse factorielle confirmatoire (AFC), menée auprès d’un échantillon d’adultes conducteurs en République de Corée (âgés de 20 à 49 ans), valide une structure multidimensionnelle reposant sur cinq facteurs : la Perception Morale, la Perception Éthique, la Perception de l’Utilité, la Perception Juridique et la Perception de la Sécurité.

Sur le plan psychométrique, l’instrument présente des qualités robustes : la fiabilité composite (CR) oscille entre 0,800 et 0,851 selon les construits, et la fidélité par la méthode du partage (split-half) dépasse 0,812 pour l’ensemble des dimensions. La validité convergente est étayée par des saturations factorielles supérieures à 0,60 et des variances moyennes extraites (AVE) supérieures au seuil conventionnel de 0,50. La validité discriminante est confirmée par le critère de Fornell et Larcker. Cet outil fournit une base empirique pour les concepteurs de systèmes autonomes, les ergonomes et les législateurs afin d’harmoniser les politiques décisionnelles algorithmiques avec les attentes sociétales et cognitives humaines.

2. Mots-clés / Keywords

Véhicules autonomes, scénarios de conduite ambigus, perception du risque, facteurs humains, sécurité routière, éthique de l’automatisation, perception juridique, utilité perçue, interaction homme-machine, psychométrie des transports, prise de décision algorithmique, modélisation factorielle confirmatoire.

3. Auteurs / Authors

• Tiju Baby : Division of Media, Culture, and Design Technology, Hanyang University ERICA, Ansan, République de Corée. Identifiant ORCID disponible.
• Hatice Şahin Ippoliti : Department of Computing Science, University of Oldenburg, Oldenbourg, Allemagne.
• Philipp Wintersberger : Digital Media Department, University of Applied Sciences Upper Austria, Hagenberg, Autriche. Identifiant ORCID disponible.
• Yiqi Zhang : Department of Industrial and Manufacturing Engineering, Pennsylvania State University, University Park, PA, États-Unis.
• Sol Hee Yoon : Department of Safety Engineering, Seoul National University of Science and Technology, Séoul, République de Corée.
• Jieun Lee : Department of Safety Engineering, Pukyong National University, Busan, République de Corée.
• Seul Chan Lee (Auteur correspondant) : Division of Media, Culture, and Design Technology, Hanyang University ERICA, Lion’s Hall 202, 55, Hanyangdaehak-ro, Sangnok-gu, Gyeonggi-do, Ansan-si, République de Corée. Courriel : [email protected].

4. Objectif / Purpose

L’émergence des technologies de transport automatisé, notamment les niveaux d’automatisation conditionnelle, élevée et totale définis par la Society of Automotive Engineers (SAE), transforme en profondeur la dynamique de la circulation routière. Dans un écosystème mixte où coexistent agents algorithmiques et usagers humains, les situations dites « ambiguës » représentent l’un des défis les plus redoutables pour l’acceptabilité sociale et la sécurité opérationnelle. L’Ambiguous Driving Scenarios Survey a été élaborée pour identifier, catégoriser et quantifier la façon dont les usagers perçoivent les réponses plausibles qu’un véhicule autonome devrait adopter lorsqu’il est confronté à des incertitudes comportementales insolubles par les seuls capteurs physiques.

La finalité première de l’échelle est de résoudre le fossé qui sépare la conformité technique d’un algorithme de son alignement cognitif et moral avec les attentes des citoyens. En circulation réelle, de nombreux contextes n’offrent pas d’interprétation déterministe unique : un piéton hésitant sur le bord d’un trottoir, un véhicule effectuant une manœuvre imprévisible sans clignotant ou une intersection obstruée nécessitant de négocier la priorité. Alors que les approches d’ingénierie se concentrent traditionnellement sur l’augmentation du taux de détection probabiliste des capteurs LiDAR ou caméras, l’ADSS adopte une approche centrée sur l’humain (Human-Centered AI). Elle documente les arbitrages de valeur (trade-offs) que les passagers et les observateurs externes jugent acceptables lorsqu’un compromis doit être trouvé entre fluidité, stricte légalité, éthique déontologique et préservation physique.

Dans le domaine de la recherche fondamentale et appliquée en ergonomie cognitive et en psychologie des transports, l’ADSS constitue un instrument de diagnostic permettant d’analyser la variance interindividuelle dans les attentes envers l’autonomie. Sur le plan de la conception industrielle, les données issues de l’enquête offrent des matrices d’exigences comportementales directes pour l’entraînement des modèles de planification de trajectoire (motion planning) et de décision éthique. Enfin, pour les régulateurs institutionnels et les législateurs, cet instrument permet de cartographier empiriquement les normes sociales partagées, facilitant ainsi l’élaboration de lignes directrices déontologiques et juridiques relatives à la responsabilité civile et pénale des systèmes cyber-physiques en milieu partagé.

5. Construit psychologique / Construct

Le construit central mesuré par l’ADSS s’articule autour de l’évaluation perceptive multidimensionnelle de la réponse opérationnelle d’un véhicule autonome en situation d’incertitude critique. Les scénarios de conduite ambigus (SCA) sont opérationnalisés comme des configurations routières dans lesquelles la cinématique, la gestuelle ou les intentions des entités environnantes ne permettent pas d’anticiper avec certitude l’évolution immédiate de la scène. Face à ces cas limites (edge cases), les auteurs démontrent que le jugement humain ne se réduit pas à une fonction de coût unidimensionnelle, mais fait intervenir cinq composantes perceptuelles interconnectées :

1. Perception Morale (Moral Perception)

La perception morale concerne l’évaluation des dilemmes d’imputabilité et de préjudice direct où la décision de la machine implique des répercussions inégales sur différents êtres humains. Elle fait écho aux dilemmes sacrificiels de type « problème du tramway » (Trolley Problem), mais transposés à des micro-événements quotidiens : arbitrer entre heurter un obstacle matériel en risquant de blesser le passager ou empiéter sur une zone réservée risquant d’exposer un tiers vulnérable. Les scénarios activant cette composante (tels que les scénarios 5, 11, 20 et 22 dans l’outil standard) mobilisent le sens inné de la justice, de l’équité rétributive et de la non-malfaisance.

2. Perception Éthique (Ethical Perception)

Bien que liée à la morale, la perception éthique est ici conceptualisée sous l’angle des principes déontologiques directeurs et des normes collectives formalisées régissant la coexistence sociale. Elle renvoie à la responsabilité professionnelle et systémique de l’agent artificiel : la machine doit-elle agir selon une logique strictement utilitariste (minimiser le dommage global net) ou selon des devoirs catégoriques imposant de ne jamais poser d’acte intentionnellement dangereux envers un usager innocent ? Les scénarios 1, 4, 17 et 23 mettent en relief cette tension éthique, notamment lors de conflits d’intentions entre véhicules prioritaires et piétons distraits.

3. Perception de l’Utilité (Utility Perception)

Cette dimension évalue l’importance accordée à l’efficience cinématique, à la conservation de la dynamique du trafic et à l’optimisation des flux de circulation. Un véhicule autonome qui adopterait une politique d’arrêt systématique et conservatrice au moindre signal ambigu paralyserait les réseaux urbains. La composante d’utilité (particulièrement prégnante dans les scénarios 4, 7, 13, 17 et 26) mesure dans quelle mesure l’usager valorise l’opportunisme prudent, le maintien de la vitesse opérationnelle et la minimisation des retards pour l’ensemble du système de transport.

4. Perception Juridique (Legal Perception)

La perception juridique porte sur le degré de conformité stricte au code de la route et aux cadres réglementaires établis. En situation d’ambiguïté, le respect aveugle d’une ligne continue ou d’un feu de signalisation peut paradoxalement aggraver un danger immédiat (par exemple, refuser de franchir un marquage au sol pour éviter un obstacle imprévu). Les scénarios 5, 11, 12 et 26 évaluent la tolérance des usagers quant à la dérogation calculée aux lois positives lorsque la sécurité globale l’exige, et mesurent l’importance d’agir dans le cadre strict de l’exonération légale de responsabilité.

5. Perception de la Sécurité (Safety Perception)

Dimension fondamentale et omniprésente du système, la perception de la sécurité correspond à l’impératif de préservation de l’intégrité biomécanique des passagers et des tiers. Elle reflète l’aversion au risque physique immédiat, la recherche de distances de marge critique et l’évitement des collisions à cinétique élevée. L’analyse démontre que cette sous-échelle constitue le facteur par défaut dominant la quasi-totalité des scénarios testés (à l’exception des configurations spécifiques 1, 4, 5, 7, 13, 20, 22 et 23 où d’autres arbitrages prennent le pas), traduisant le caractère non négociable du besoin fondamental de sécurité physique.

6. Cadre théorique / Theoretical Framework

L’architecture conceptuelle de l’ADSS s’enracine au confluent de trois courants théoriques majeurs de la psychologie contemporaine et des sciences cognitives de l’ingénierie : la théorie de la décision morale, le modèle de l’acceptation des technologies et les cadres d’ingénierie des facteurs humains.

En premier lieu, l’instrument s’appuie sur les travaux d’éthique expérimentale et de psychologie morale computationnelle popularisés par l’expérience de la Moral Machine (Awad et al., 2018) et les recherches séminales de Bonnefon, Shariff et Rahwan (2016). Ces études ont démontré l’existence d’une asymétrie cognitive fondamentale : les individus approuvent généralement des véhicules autonomes programmés pour sacrifier leur passager afin d’épargner un plus grand nombre de piétons (utilitarisme), mais refusent catégoriquement d’acheter ou de monter dans un véhicule configuré pour appliquer ce principe à leur détriment. L’ADSS prolonge cette réflexion en dépassant les situations caricaturales de collision inévitable pour ancrer le questionnement dans des contextes de conduite ordinaire teintés d’ambiguïté stochastique, où les principes déontologiques de Kant et le calcul d’utilité de Bentham et Mill s’affrontent au niveau micrométrique de la trajectoire.

En deuxième lieu, l’échelle mobilise les fondements du modèle d’acceptation de la technologie (Technology Acceptance Model – TAM ; Davis, 1989) et de la théorie du comportement planifié (Ajzen, 1991). Dans ces paradigmes, l’adoption effective d’un agent automatisé dépend étroitement de l’utilité perçue (Perceived Usefulness) et de la facilité d’usage perçue, lesquelles sont modulées par la confiance cognitive (Trust in Automation ; Lee & See, 2004). Dans l’ADSS, l’alignement des décisions de l’algorithme sur le modèle mental du conducteur constitue le déterminant premier de la calibration de la confiance. Une machine qui enfreint les normes implicites de sécurité ou qui se paralyse par excès de prudence juridique dégrade l’utilité perçue et engendre un rejet de la technologie.

En troisième lieu, le cadre intègre les principes de la théorie du contrôle cognitif et de la conscience de la situation (Situation Awareness ; Endsley, 1995). La conduite en environnement complexe repose sur la perception d’éléments indicatifs, la compréhension de leur signification et la projection de leur état futur. L’ambiguïté surgit précisément lorsque la projection est impossible en raison d’indices contradictoires. L’ADSS modélise ainsi la façon dont l’esprit humain catégorise ces ruptures de prédictibilité et formalise les règles de priorité décisionnelle que l’intelligence artificielle embarquée doit exhiber pour demeurer compréhensible, transparente et acceptable.

7. Validité / Validity

La validité scientifique de l’Ambiguous Driving Scenarios Survey repose sur un ensemble d’analyses empiriques attestant de la robustesse de son construit et de sa pertinence écologique :

Validité de contenu et d’apparence

La validité de contenu a fait l’objet d’un processus systématique d’entonnoir méthodologique. À partir d’une extraction initiale exhaustive de plus de 10 000 scénarios issus de rapports d’accidents, de simulateurs de conduite et de bases de données de recherche, une première sélection rigoureuse a écarté les redondances pour isoler 6 590 scénarios distincts. Par la suite, l’intervention d’experts en facteurs humains et en ingénierie de la sécurité automobile a permis de filtrer les situations répondant strictement à la définition opérationnelle de l’ambiguïté. Une procédure de tri de cartes (card sorting) fermée et ouverte a regroupé ces configurations en 28 scénarios archétypaux mutuellement exclusifs et représentatifs de la typologie des routes modernes, garantissant une excellente validité de contenu.

Validité convergente

La validité convergente a été examinée dans le cadre de la modélisation d’équations structurelles via l’analyse factorielle confirmatoire. Conformément aux critères méthodologiques établis par Krishnan et Ramasamy (2011) et Hair et al. :

• Toutes les saturations factorielles standardisées (factor loadings) des items retenus dans le modèle épuré ont dépassé le seuil critique de 0,60, indiquant une part substantielle de variance partagée entre les indicateurs et leurs facteurs respectifs.
• La variance moyenne extraite (AVE / Average Variance Extracted) pour chaque dimension a dépassé le seuil de 0,50, démontrant que plus de la moitié de la variance des indicateurs est capturée par le construit théorique latent plutôt que par l’erreur de mesure.

Validité discriminante

La validité discriminante a été rigoureusement confirmée par l’application du critère classique de Fornell et Larcker. Pour chacun des cinq facteurs latents (Moral, Éthique, Utilité, Juridique, Sécurité), la racine carrée de la variance moyenne extraite ($sqrt\{text\{AVE\}\}$) s’est avérée strictement supérieure aux coefficients de corrélation bivariée inter-construits correspondants. Cette divergence empirique prouve sans équivoque que, bien qu’étroitement associées au sein de l’expérience de conduite, les cinq dimensions mesurent des construits psychologiques distincts qui ne se confondent pas conceptuellement.

8. Fidélité / Reliability

L’évaluation de la fidélité de l’ADSS atteste d’une grande stabilité métrique et d’une remarquable consistance interne à travers l’ensemble de ses sous-échelles :

Consistance interne et Fiabilité composite

Alors que le traditionnel coefficient alpha de Cronbach peut présenter des biais de sous-estimation en présence de modèles factoriels multifactoriels complexes, les auteurs ont privilégié l’estimation de la fiabilité composite (CR / Composite Reliability). Les indices de fiabilité composite obtenus dans l’échantillon d’étalonnage se distribuent comme suit :

• Les valeurs de fiabilité composite (CR) s’échelonnent entre 0,800 et 0,851 pour l’ensemble des cinq facteurs latents.
• Ces valeurs se situent largement au-dessus du critère standard de 0,70 recommandé pour les outils de recherche psychométrique et confirment que les items de chaque sous-échelle mesurent de façon cohérente le construit ciblé.

Fidélité par division (Split-Half Reliability)

Afin de vérifier l’homogénéité du questionnaire et l’absence de biais liés à l’ordre de présentation des scénarios, une analyse de fidélité par la méthode du partage (split-half) a été réalisée :

• Les coefficients de corrélation corrigés par la formule de Spearman-Brown ont dépassé 0,812 pour tous les facteurs de l’instrument.
• Cette stabilité split-half démontre que la cohérence des jugements portés par les participants demeure constante tout au long de la passation de l’inventaire, excluant les effets délétères d’une fatigue cognitive majeure malgré la sollicitation de 28 contextes picturaux successifs.

9. Analyse factorielle / Factor Analysis

La validation de l’architecture factorielle de l’ADSS a suivi une démarche psychométrique séquentielle rigoureuse, combinant l’analyse factorielle exploratoire (AFE) initiale et l’analyse factorielle confirmatoire (AFC) de validation.

Phase exploratoire et épuration du modèle

L’analyse factorielle exploratoire préliminaire a mis en lumière des zones de redondance et de bruit métrique dans la matrice d’items initiale. L’examen attentif des indices de modification (Modification Indices – MI) a révélé des covariances résiduelles substantielles entre certains énoncés. Par ailleurs, cinq items présentant des saturations croisées inadéquates ou des saturations primaires déficientes (inférieures au seuil psychométrique minimal de 0,30) ont été purement et simplement retirés du modèle final afin de préserver la parcimonie et la pureté des construits.

Modèle confirmatoire à cinq facteurs

L’analyse factorielle confirmatoire (AFC) appliquée sur la matrice assainie a corroboré l’adéquation empirique d’une structure à cinq facteurs de premier ordre interconnectés. Les indices d’ajustement globaux du modèle affiné ont atteint les standards méthodologiques d’acceptabilité (ratio $chi^2/text\{ddl\}$ modéré, RMSEA < 0,06, CFI > 0,90, TLI > 0,90, SRMR < 0,08).

Classification factorielle des 28 scénarios

L’un des résultats structurants de la modélisation factorielle réside dans la répartition empirique des 28 scénarios ambigus au sein des profils perceptuels dominants :

• Scénarios à dominante Morale : Scénarios 5, 11, 20 et 22 (situations impliquant des choix d’évitement à haut risque d’impact humain direct).
• Scénarios à dominante Éthique : Scénarios 1, 4, 17 et 23 (situations posant un conflit déontologique quant au respect des devoirs généraux envers les usagers vulnérables).
• Scénarios à dominante Juridique : Scénarios 5, 11, 12 et 26 (situations où l’action adéquate entre en collision frontale avec la stricte légalité routière).
• Scénarios à dominante Utilité : Scénarios 4, 7, 13, 17 et 26 (situations exigeant un arbitrage entre fluidité dynamique et précaution conservatrice).
• Scénarios à dominante Sécurité : Englobe la totalité des scénarios résiduels, à l’exception explicite des scénarios 1, 4, 5, 7, 13, 20, 22 et 23 qui relèvent prioritairement des quatre autres dimensions.

10. Instrument de mesure / Instrument

• Type d’instrument : Questionnaire psychométrique standardisé / Inventaire de jugement de scénarios par vignettes visuelles.
• Format d’administration : Plateforme électronique informatisée (administration en ligne ou sur terminal tactile de laboratoire).
• Population cible : Adultes détenteurs du permis de conduire ou usagers réguliers des transports routiers (validé chez les adultes âgés de 20 à 49 ans).
• Structure générale de l’instrument : L’outil comporte trois sections séquentielles :
  • Section 1 : Présentation didactique des technologies de véhicules autonomes et cadrage conceptuel des dimensions perceptuelles (morale, éthique, utilité, légalité, sécurité).
  • Section 2 : Recueil des données sociodémographiques (âge, genre, expérience de conduite, affinité technologique, antécédents d’accidents).
  • Section 3 : Batterie d’évaluation de 28 scénarios de conduite ambigus standardisés sous forme d’illustrations graphiques légendées.
• Nombre de questions par scénario : Chaque scénario est suivi de 5 questions évaluant l’importance relative attribuée à chacune des cinq dimensions perceptuelles dans la réponse attendue du véhicule autonome (soit un total de 140 évaluations).
• Échelle de réponse : Échelle de Likert ordinale en 5 points :
  • 1 = Très important (Very important)
  • 2 = Important (Important)
  • 3 = Modérément important (Moderately important)
  • 4 = Peu important (Of little importance)
  • 5 = Pas du tout important (Not at all important)
• Cotation et calcul des scores : Les scores peuvent faire l’objet d’un codage inversé (afin que les valeurs élevées traduisent une priorité plus forte accordée à la dimension) et sont agrégés sous forme de scores factoriels moyens par dimension ou de profils décisionnels par famille de scénarios.

11. Permissions, Tarifs et Année du test / Permissions & Fee and Test Year

• Année de publication : 2024.
• Statut du droit d’auteur : Copyright © 2024 Elsevier Ltd. Tous droits réservés. Publié dans la revue scientifique à comité de lecture Accident Analysis & Prevention.
• Conditions d’accès et d’utilisation : L’instrument de mesure complet, incluant l’ensemble des 28 illustrations vectorielles des scénarios et la grille exacte des questions, est protégé par le droit d’auteur. Il n’est pas distribué en libre accès dans le domaine public.
• Tarifs et autorisations : L’utilisation de l’échelle à des fins académiques ou de recherche non commerciale requiert une demande formelle d’autorisation auprès de l’auteur correspondant, le Dr Seul Chan Lee ([email protected]), ou l’obtention d’une licence de reproduction des annexes via le service RightsLink de l’éditeur Elsevier.

12. Références / References

• Ajzen, I. (1991). The theory of planned behavior. Organizational Behavior and Human Decision Processes, 50(2), 179–211. https://doi.org/10.1016/0749-5978(91)90020-T
• Awad, E., Dsouza, S., Kim, R., Schulz, J., Henrich, J., Shariff, A., Bonnefon, J.-F., & Rahwan, I. (2018). The Moral Machine experiment. Nature, 563(7729), 59–64. https://doi.org/10.1038/s41586-018-0637-6
• Baby, T., Ippoliti, H. Ş., Wintersberger, P., Zhang, Y., Yoon, S. H., Lee, J., & Lee, S. C. (2024). Development and classification of autonomous vehicle’s ambiguous driving scenario. Accident Analysis & Prevention, 200, Article 107501. https://doi.org/10.1016/j.aap.2024.107501
• Bonnefon, J.-F., Shariff, A., & Rahwan, I. (2016). The social dilemma of autonomous vehicles. Science, 352(6293), 1573–1576. https://doi.org/10.1126/science.aaf2654
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
• Endsley, M. R. (1995). Toward a theory of situation awareness in dynamic systems. Human Factors, 37(1), 32–64. https://doi.org/10.1518/001872095779049543
• Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
• Krishnan, J., & Ramasamy, M. (2011). Measurement of user perception in structural equation modeling: Methodological and practical considerations. Journal of Applied Statistics and Psychometrics, 14(2), 108–122.
• Lee, J. D., & See, K. A. (2004). Trust in technology: Designing for appropriate reliance. Human Factors, 46(1), 50–80. https://doi.org/10.1518/hfctr.46.1.50_30392

13. Questions et items du questionnaire / Scale Items

Les items complets, le protocole iconographique précis comprenant les 28 illustrations vectorielles de scénarios et la formulation verbatim des questionnaires d’expérimentation sont protégés par le droit d’auteur (Copyright © 2024 Elsevier Ltd.) et ne sont pas diffusés dans le domaine public ouvert.