郭鳳香，曲思柔，萬華森，陳瑤，李京陽

(1.昆明理工大學(xué)，交通工程學(xué)院，昆明 650504；2.云南省交通科學(xué)研究院有限公司，昆明 650200)

0 引言

駕駛?cè)俗鳛榈缆方煌ㄏ到y(tǒng)的主體，同時，也是道路交通安全的薄弱之處，道路交通系統(tǒng)中93%以上的交通事故與人因有關(guān)[1]，在眾多的人因相關(guān)的交通事故中，由分心駕駛導(dǎo)致的事故占據(jù)了相當(dāng)大的比重。根據(jù)美國國家公路交通安全管理局(National Highway Traffic Safety Administration,NATHA)的調(diào)查統(tǒng)計[2]，近80%的車輛碰撞和65%的臨界碰撞是駕駛?cè)朔中暮妥⒁饬Σ患兴隆Ｖ袊膊拷还芫值慕y(tǒng)計數(shù)據(jù)顯示，僅在2014年，全國簡易交通事故(財產(chǎn)輕微損失和人員輕微受傷的交通事故)因分心駕駛導(dǎo)致的有309.9 萬起，占47.22%；一般以上交通事故中，因分心駕駛導(dǎo)致的有74746起，占37.98%，直接財產(chǎn)損失4.58億元。

車輛自動化、車載信息和娛樂系統(tǒng)以及智能手機的發(fā)展，使專注駕駛變得更加困難，分心相關(guān)的事故比例上升，駕駛分心已經(jīng)成為重要且日益嚴(yán)重的安全問題。因此，學(xué)術(shù)界和有關(guān)部門對分心駕駛進行了廣泛研究，包括但不限于分心駕駛風(fēng)險[3-4]、分心源及次任務(wù)[5-7]、分心檢測[8-9]等。此外，針對分心駕駛相關(guān)研究的綜述也越來越多，但已有研究通常針對特定主題，例如，手機分心對駕駛表現(xiàn)的影響[10]，廣告牌對駕駛?cè)艘曈X行為的影響[11]，年輕駕駛?cè)说男袨楣芾聿呗訹12]，分心檢測方法[13]以及分心駕駛研究的性能指標(biāo)[14]等。也有少數(shù)綜述進行了綜合研究，例如，葛慧敏等[15]從數(shù)據(jù)獲取方式、指標(biāo)選取及識別方法等方面詳細(xì)回顧和分析駕駛分心研究，但仍缺乏從宏觀上對分心駕駛不同研究角度和方向的研究進展進行系統(tǒng)性地梳理和總結(jié)的研究。

文獻計量學(xué)是一種成熟的文獻分析和信息挖掘方法，在定量和模型化宏觀研究方面具有顯著的客觀性和優(yōu)勢。其以科學(xué)文獻的外在特征為研究對象，研究文獻的分布結(jié)構(gòu)、數(shù)量關(guān)系和變化規(guī)律[16]。與一般的文獻綜述相比，文獻計量學(xué)研究能夠調(diào)查更多的數(shù)據(jù)，以保持高水平的嚴(yán)謹(jǐn)性、科學(xué)合理性、透明度和可復(fù)制性[17-18]。在道路安全研究領(lǐng) 域，2018 年ZOU 等[19]首 次 使 用SCI2 及VOSviewer 這2 種軟件進行文獻計量分析，且重點分析了道路安全領(lǐng)域的研究主題及趨勢。本文使用VOSviewer和R-Bibliometrix這2種軟件，可視化分析文獻的總體情況、研究熱點及發(fā)展，挖掘分心駕駛研究現(xiàn)狀及趨勢，并在此基礎(chǔ)上展望未來可能的發(fā)展方向，以期為相關(guān)領(lǐng)域?qū)W者的研究提供參考。

1 方法和數(shù)據(jù)來源

1.1 數(shù)據(jù)集獲取

本文所選用于分析的文獻來自Web of Science核心數(shù)據(jù)集，針對關(guān)鍵詞“driving distraction”進行英文文獻檢索，由于分心也會涉及到醫(yī)學(xué)相關(guān)的研究，因此，此類主題中包含大量醫(yī)學(xué)相關(guān)文獻。為避免對研究結(jié)果產(chǎn)生影響，篩選并去除了醫(yī)學(xué)類別的文獻，例如，chemistry(化學(xué))、pediatric(兒科)及psychiatry(精神病學(xué))等。截止2022年4月10日，最終獲得2313篇英文文獻，包括期刊論文、研究綜述及會議論文。

1.2 數(shù)據(jù)處理

由于文獻計量學(xué)方法強調(diào)統(tǒng)一數(shù)據(jù)的一致性，因此，在定義數(shù)據(jù)集后，需要處理數(shù)據(jù)，由于本文所選文獻僅來自于1個數(shù)據(jù)庫，不會涉及到作者姓名和期刊的不一致性，所以，只需處理關(guān)鍵詞的一致性，即術(shù)語統(tǒng)一性。眾多論文對同一事物的描述使用了不同的術(shù)語，例如，secondary tasks 和secondary task，visual-attention和visual attention，以及同一事物的不同表達(dá)，例如cell phone，mobile phone和smart phone。術(shù)語不統(tǒng)一會對數(shù)據(jù)分析的嚴(yán)謹(jǐn)性帶來極大的隱患，因此，術(shù)語統(tǒng)一性是數(shù)據(jù)處理的核心。

1.3 研究方法

本文使用R-Bibliometrix 和VOSviewer 進行文獻計量學(xué)分析。通過回顧近12 年來(2010—2022年)在分心駕駛領(lǐng)域的2313篇文獻回答6個問題：在分心駕駛領(lǐng)域的研究中，(1)分心駕駛的發(fā)展和關(guān)注如何，哪些國家的研究成果占主導(dǎo)地位；(2)該研究領(lǐng)域的核心作者及其研究方向；(3)該領(lǐng)域的核心期刊；(4)該領(lǐng)域的高影響力研究成果；(5)該領(lǐng)域的研究熱點及其不足；(6)該領(lǐng)域的發(fā)展趨勢。通過解決以上問題，可以理清分心駕駛領(lǐng)域的發(fā)展脈絡(luò)，明確目前領(lǐng)域內(nèi)重點關(guān)注的主題及研究進展，并通過分析其存在的不足對未來研究提出建議，為之后相關(guān)領(lǐng)域的研究者提供一定的參考。

2 分心駕駛研究總體情況

2.1 文獻年變化趨勢分析

文獻出版狀況在一定程度上直接反映了某一學(xué)科或領(lǐng)域的研究水平和研究熱度。在Web of Science核心數(shù)據(jù)庫中統(tǒng)計分心駕駛文獻。在統(tǒng)計時期內(nèi)，關(guān)于分心駕駛的文獻最早是1993 年由MCKNIGHT 等[20]發(fā)表的研究論文“The effect of cellular phone use upon driver attention”。鑒于“不正確的觀察”“不注意”被認(rèn)為是導(dǎo)致汽車事故的兩個主要因素，作者通過研究評估了第1批投入使用的蜂窩電話系統(tǒng)對駕駛?cè)岁P(guān)注公路交通環(huán)境能力的影響。之后，1994—2000年的發(fā)文量始終是個位數(shù)，分心駕駛的討論度和研究關(guān)注度仍然很低。2001—2010年發(fā)文量開始緩慢增大，說明分心駕駛開始受到關(guān)注。從2011 年開始，分心駕駛研究出現(xiàn)顯著增長趨勢，尤其是從2010 年的70 篇增至2019年的295篇，充分顯示該領(lǐng)域的研究成果在這10 年進入了快速增長時期。分心駕駛領(lǐng)域發(fā)文趨勢如圖1所示。

圖1 分心駕駛領(lǐng)域發(fā)文趨勢Fig.1 Posting trends of distracted driving

2.2 國家分布

國家文獻的數(shù)量代表著一個國家在學(xué)科領(lǐng)域的研究投入，并在一定程度上反映了該領(lǐng)域的重要性和影響力，文獻的國家分布可以顯示該研究領(lǐng)域的受關(guān)注程度。美國是貢獻文章數(shù)量最多的國家(807 篇，占所有文章的34.89%)，其次是中國(295篇，占12.75%)，德國(218 篇，占9.42%)，英國(200篇，占8.65%)和澳大利亞(182 篇，占7.87%)。10 篇及以上相關(guān)成果的38個國家在時間維度上的分布如圖2所示，網(wǎng)絡(luò)中的節(jié)點大小表示該國家的發(fā)文數(shù)量，節(jié)點深淺表示該國家研究時間早晚。

圖2 分心駕駛研究國家分布及各國發(fā)展情況Fig.2 Country distribution of distracted driving research and development by country

由圖2 可知，研究分心駕駛較早的國家有法 國、德國、日本、韓國和美國，之后，在澳大利亞、加拿大和歐洲其他國家(例如，意大利和荷蘭)發(fā)展，近年來，中國和印度等國家對該領(lǐng)域的關(guān)注也在快速增加。由此可見，分心駕駛已經(jīng)引起了全球科研人員的注意。

2.3 核心作者

高被引作者形成科研群體的實質(zhì)核心，學(xué)科領(lǐng)域內(nèi)的核心作者們極大地影響著學(xué)科的發(fā)展方向及發(fā)展速度，并對非核心研究人員有重要指導(dǎo)意義。作者的H 指數(shù)等于其發(fā)表了H 篇至少被引用H次的論文，G指數(shù)是H指數(shù)的衍生指數(shù)，是H指數(shù)的非常有用的補充。由此得出分心駕駛領(lǐng)域前10位最有影響力的作者如表1所示，與近年來發(fā)表論文的頻率相結(jié)合，可以挖掘出分心駕駛領(lǐng)域的核心作者如圖3所示。

表1 前10位高影響力作者Table 1 Top 10 high impact authors

圖3 核心作者產(chǎn)出隨時間變化Fig.3 Top10 authors'production over time

REIMER B.、YOUNG K.L.和MEHLER B.等研究人員無論從發(fā)表文獻數(shù)、H 指數(shù)還是G 指數(shù)，都是統(tǒng)計時期內(nèi)分心駕駛領(lǐng)域最核心的3位作者，同時，REIMER B.也是10 位核心作者中最早開始研究分心駕駛的研究人員之一。他們從駕駛行為和心理等角度，在不同特征的駕駛?cè)说囊暯窍?，探討分心駕駛的主題，分析駕駛分心時的自我調(diào)節(jié)與風(fēng)險補償、視覺和認(rèn)知行為及分心駕駛的表現(xiàn)和影響等方面。而DONMEZ B.，YANNIS G.和GUO F.雖然發(fā)文量排在前10，但據(jù)其H指數(shù)和G指數(shù)可以看出，他們在分心駕駛研究領(lǐng)域的影響力相對較低。 另一個相關(guān)事實是，雖然OVIEDOTRESPALACIOS O.不是該領(lǐng)域發(fā)表論文最多的作者，但從2016年開始研究分心駕駛起，發(fā)表文章的數(shù)量和質(zhì)量都比較高。

2.4 核心期刊

對核心期刊的探索有助于拓展該領(lǐng)域?qū)W者未來選擇目標(biāo)期刊的研究視角。文獻在期刊上的分布遵循布拉德福定律(Bradford's Law)，定量描述科學(xué)論文在相關(guān)期刊中，集中與離散狀況的1 個規(guī)律。H指數(shù)不僅可以用來評價學(xué)者的學(xué)術(shù)影響力，還可以綜合評價期刊的發(fā)表質(zhì)量和數(shù)量，從而用來評價期刊的影響力。本文使用Bibliometrix對所選文獻按照布拉德福期刊劃分規(guī)則，將某一研究領(lǐng)域的載文期刊劃分為3個區(qū)域(核心區(qū)、相關(guān)區(qū)及離散區(qū))，得到位于核心區(qū)的分心駕駛領(lǐng)域的8個期刊如表2所示，并計算各期刊的H指數(shù)。

表2 分心駕駛領(lǐng)域核心期刊Table 2 Core journals publishing on distracted driving

布拉德福定律的核心區(qū)的期刊排序是根據(jù)期刊的文獻數(shù)，而H 指數(shù)則是依據(jù)影響力，從表3 可以看出，兩者的排序并不完全一致。但無論是依據(jù)布拉德福定律還是H 指數(shù)，Accident Analysis and Prevention 和Transportation Research Part F 都是最核心的2本期刊。從期刊分布中也可以看出，分心駕駛領(lǐng)域的研究方向包括交通安全、人因心理及行為以及智能交通這3個方向。

3 分心駕駛研究熱點與趨勢

3.1 高影響力文獻

對最有影響力的文章進行內(nèi)容分析，可以調(diào)查學(xué)科的主題演變和作者的專業(yè)程度，有助于確定該學(xué)科的“隱藏模式”，并對未來研究提出建議。被引頻次在一定程度上表征了文獻的學(xué)術(shù)影響力，按引用次數(shù)排列的最有影響力的論文如表3 所示。本地引用(LCS)指文獻在所選數(shù)據(jù)集中的引用情況，可以快速定位一個領(lǐng)域的經(jīng)典文獻；全球引用(GCS)指文獻的所有被引次數(shù)，即被全球科學(xué)家關(guān)注程度。被引頻次最高的文獻為2016 年DINGUS等[21]在Proceedings of the National Academy of Sciences 期刊上發(fā)表的論文“Driver crash risk factors and prevalence evaluation using naturalistic driving data”，研究采用美國國家科學(xué)院贊助的NDdataset數(shù)據(jù)集進行分析，在其研究結(jié)果中，最顯著的發(fā)現(xiàn)是分心對駕駛?cè)税踩母呶：?，尤其是手持電子設(shè)備的高使用率和高風(fēng)險。其次為REGAN等[22]于2011 年發(fā)表在Accident Analysis and Prevention 上 的“Driver distraction and driver inattention: Definition, relationship and taxonomy”，專門討論了分心駕駛的基礎(chǔ)問題：分心與注意不集中的定義、關(guān)系和分類。2 篇論文旨在解決分心駕駛研究的基本問題，是研究和認(rèn)識分心駕駛的基礎(chǔ)。此外，分心駕駛中有關(guān)手機使用的研究也頗受關(guān)注，相關(guān)高被引的論文包含OVIEDOTRESPALACIOS O.(2016)、OWENS J.M.(2011)以及CHOUDHARY P.(2017)。

表3 最具影響力的分心駕駛研究論文(按本地引用數(shù)量)Table 3 Most influential publications on distracted driving by number of citations

3.2 研究熱點

文章的關(guān)鍵詞可以表達(dá)其主要內(nèi)容，其頻率可以衡量特定領(lǐng)域相關(guān)主題的重要性。因此，結(jié)合關(guān)鍵詞的出現(xiàn)頻率進行共現(xiàn)分析，能夠探討表達(dá)研究主題或研究方向的專業(yè)術(shù)語出現(xiàn)在文獻中的現(xiàn)象，展示學(xué)科的研究內(nèi)容和結(jié)構(gòu)。針對全部文獻以關(guān)鍵詞出現(xiàn)次數(shù)20 次及以上為標(biāo)準(zhǔn)進行篩選，得到關(guān)鍵詞聚類關(guān)系網(wǎng)絡(luò)如圖4 所示，并依據(jù)聚類結(jié)果得到分心駕駛研究5 大研究熱點：注意力機制、分心源、分心駕駛風(fēng)險及年輕駕駛?cè)朔中男袨椤⒎中鸟{駛檢測和自動駕駛下的分心效應(yīng)，如表4所示。

表4 分心駕駛研究熱點Table 4 Research hotspot of distracted driving

圖4 分心駕駛關(guān)鍵詞聚類網(wǎng)絡(luò)Fig.4 Distracted driving keywords co-occur on web

3.2.1 熱點1注意力機制

解決駕駛?cè)说姆中男枰粋€明確的定義和理論方向，以下的定義反映了許多關(guān)于駕駛?cè)朔中亩x的整合，即“駕駛?cè)说姆中氖亲⒁饬膶Π踩{駛至關(guān)重要的活動中轉(zhuǎn)移到與之競爭的活動上”[22]。在駕駛過程中，注意力是所有知覺和認(rèn)知操作的核心屬性，其典型特征是容量受限[30-31]，前面的定義也充分的反應(yīng)了這一點。分心駕駛的研究通常集中在注意力資源，并認(rèn)為分心是由于過度的工作量淹沒了駕駛?cè)擞邢薜淖⒁赓Y源。因此，信息加工視角和雙任務(wù)范式框架了許多分心相關(guān)的研究。但同時也有研究認(rèn)為，隨著車輛自動化的發(fā)展，分心發(fā)生在低工作量的情況可能會更加常見[32]。

在CHUN 等[31]的描述中，注意機制分為3 個階段：選擇、調(diào)節(jié)和警惕。注意力選擇是所有注意形式的核心功能；調(diào)節(jié)階段中注意力決定了目標(biāo)信息的處理程度、任務(wù)和響應(yīng)的執(zhí)行速度和準(zhǔn)確性，以及事件是否會被遺忘；警惕階段能夠體現(xiàn)較長時間內(nèi)保持注意的能力。注意力可以分為外部注意力和內(nèi)部注意力，外部注意力涉及通過感官選擇感知信息，并根據(jù)刺激特征或它們?nèi)绾谓M織成物體，在空間、時間和形態(tài)上進行分配；內(nèi)部注意力涉及認(rèn)知控制過程，并對工作記憶、長期記憶、任務(wù)規(guī)則、決策和反應(yīng)中的表征進行操作。因此，可以得出結(jié)論，即使駕駛?cè)说淖⒁饬Ρ环中脑崔D(zhuǎn)移，但從持續(xù)的駕駛中解脫出來關(guān)注分心物主要是由內(nèi)部注意力驅(qū)動的。即檢測到單一類型的分心并不能表征完整的分心過程，并且在駕駛過程中參與和擺脫駕駛分心均會涉及到認(rèn)知控制。而究竟是什么促使和影響了駕駛?cè)藦氖路邱{駛活動并且未能參與駕駛活動，“安全陷阱”[33]的概念為駕駛?cè)朔中暮妥晕艺{(diào)節(jié)提供了有用的視角。

LEE J.D.[32]認(rèn)為，關(guān)于注意力的兩個理論觀點有助于理解分心：注意力資源和注意動力學(xué)，目前，大多數(shù)關(guān)于駕駛分心的理論研究均是基于這兩方面。與國外相比，國內(nèi)對駕駛分心形成和消散的演化機理研究幾乎是空白，有關(guān)分心恢復(fù)的研究更為少見。通過研究演化機理可以對駕駛分心過程有更加深刻的認(rèn)知，也有助于及時檢測和預(yù)警。

3.2.2 熱點2分心源

分心任務(wù)的來源可能來自外部環(huán)境，也可能起源于內(nèi)部，起源于內(nèi)部的現(xiàn)象被稱為認(rèn)知分心，受年齡[34]、性別[35]及駕駛經(jīng)驗[36]等個體屬性的影響。YOUNG等[28]的綜述將來自外部環(huán)境的分心源分為3類：基于技術(shù)的，基于非技術(shù)的以及車外的。基于技術(shù)的分心包括使用車內(nèi)信息系統(tǒng)，例如，使用手機通話(是否免提)[5,37]、發(fā)短信[38-39]，使用GPS搜索地址[40]和車輛人機交互界面[6]。使用手機同時涉及到視覺、認(rèn)知、操作及聽覺這4類分心，由于其復(fù)雜性和重要性，許多研究人員從不同的角度關(guān)注這個問題[41-44]。非技術(shù)性分心包括但不限于與乘客交談[45]、吃喝[38]及化妝，也會導(dǎo)致不止一種類型的分心。車外分心涉及到駕駛過程中的視覺和認(rèn)知能力，建筑物、廣告牌[7]、信息標(biāo)志[46]及交叉口停車[47]等都可能會使駕駛?cè)水a(chǎn)生此類分心。因此，駕駛分心的來源不太可能由單一的分心類型表示，兩種或兩種以上分心類型或現(xiàn)象的組合可以捕捉到更現(xiàn)實的情況。普遍情況下認(rèn)為具有高視覺手動需求的次要任務(wù)(例如，在手機上執(zhí)行的視覺手動任務(wù))產(chǎn)生的影響最大[48]。

當(dāng)前對于分心駕駛的研究主要集中在手機使用和車載信息系統(tǒng)(In-Vehicle Information Systems,IVIS)交互等方面，并且目前關(guān)于駕駛?cè)朔中牡难芯績A向于在每個單獨的研究中關(guān)注1種分心源，而不是同時調(diào)查多種分心源的不同影響。對分心類型的研究也更聚焦于認(rèn)知分心和視覺分心，對聽覺分心和操作分心的研究較少。

3.2.3 熱點3分心駕駛風(fēng)險及年輕駕駛?cè)朔中男袨?/p>

(1)分心駕駛風(fēng)險

分心駕駛會導(dǎo)致駕駛?cè)朔磻?yīng)延遲以及車輛控制和應(yīng)激能力下降，心理負(fù)荷增加，干擾駕駛行為或阻礙駕駛?cè)思皶r感知道路環(huán)境和危險，從而不能迅速采取適當(dāng)?shù)男袆臃乐故鹿实陌l(fā)生。在對分心駕駛風(fēng)險的研究中，由于其高發(fā)性和高風(fēng)險性，駕駛?cè)说氖謾C使用是最受關(guān)注的重點。一項流行病學(xué)研究發(fā)現(xiàn)，手機通話會將車禍風(fēng)險增加4 倍[49]。ASBRIDGE 等[50]報告稱，當(dāng)駕駛?cè)耸褂檬謾C時，肇事概率增加70%。

在對分心駕駛風(fēng)險的研究中，通過交通事故數(shù)據(jù)分析或使用模擬駕駛實驗是大多數(shù)研究者選擇的方法，近年來，自然駕駛數(shù)據(jù)集也逐漸受到研究人員的關(guān)注。分析事故數(shù)據(jù)是最直接有效的方法，但實際的數(shù)據(jù)獲取卻并不容易，因此，大多數(shù)研究通過實驗獲取駕駛表現(xiàn)以評價駕駛分心對駕駛安全的影響。與正常駕駛相比，分心駕駛將導(dǎo)致駕駛?cè)嗽隈{駛績效、頭部和眼動及生理心理特性等方面有顯著性差異，因此，常見的評價指標(biāo)包括反應(yīng)時間、橫向車輛控制[51-52]、速度[53]、車頭時距[54]、眼動[46,55]、腦電[56]和碰撞[50]等。

目前，分心駕駛風(fēng)險相關(guān)研究大多數(shù)是通過選取的指標(biāo)變化反應(yīng)駕駛風(fēng)險，但對于指標(biāo)的選取并沒有確定的標(biāo)準(zhǔn)，應(yīng)建立一套標(biāo)準(zhǔn)的指標(biāo)體系以提高研究的有效性，并研究不同駕駛分心類型的影響程度。未來研究的數(shù)據(jù)來源也可以更多元化，例如，利用手機和智能手表等智能終端采集分心行為數(shù)據(jù)。此外，meta分析也可以用來分析分心駕駛風(fēng)險，CAIRD 等[57]在2008 年已經(jīng)用于手機使用對駕駛表現(xiàn)的研究上，但國內(nèi)在此方面的研究比較匱乏。

(2)年輕及新手駕駛?cè)朔中男袨?/p>

由于年輕及新手駕駛?cè)舜嬖诮?jīng)驗較少的共性，現(xiàn)有研究經(jīng)常將“年輕駕駛?cè)恕薄靶率竹{駛?cè)恕焙喜椤澳贻p新手駕駛?cè)恕边M行研究。隨著社會的進步與發(fā)展，越來越多的中年甚至老年人開始學(xué)習(xí)機動車，這一群體還未得到重視。年輕駕駛?cè)伺c較年長的駕駛?cè)讼啾龋菀子懈鞣N分散注意力的行為(例如，瀏覽手機)[21]。并且由于缺乏經(jīng)驗，在面臨刺激時，年輕及新手駕駛?cè)藭a(chǎn)生錯誤的判斷。一些研究調(diào)查了年輕及新手駕駛?cè)说姆中男?，揭示了短信等認(rèn)知需求活動的巨大分心效應(yīng)[39,58]，以及進食和外部干擾等簡單任務(wù)的干擾[59]。

現(xiàn)有針對年輕駕駛?cè)说难芯績?nèi)容主要包括針對年輕駕駛?cè)朔中鸟{駛行為分析[60]、父母態(tài)度及家庭氛圍對年輕駕駛?cè)笋{駛行為影響[61]，以及年輕駕駛?cè)朔中男袨橹贫▽Σ呓ㄗh[12,62]等；針對新手駕駛?cè)说难芯?，包括新手駕駛?cè)朔中男袨榉治鯷63]和新手駕駛?cè)宋ｋU預(yù)知[36]等。

3.2.4 熱點4分心駕駛檢測

雖然不能消除所有駕駛分心，但駕駛?cè)朔中臋z測系統(tǒng)等新興技術(shù)可以在一定程度上減少分心。駕駛分心的檢測方法分為3類：基于駕駛?cè)吮憩F(xiàn)特征(眼動、生理心理反應(yīng)、頭部和身體姿勢)、車輛行駛性能和混合指標(biāo)。其中，駕駛性能和姿勢等非侵入式測量由于對駕駛?cè)苏ｑ{駛影響較小受到關(guān)注，而由于注意力的分散經(jīng)常伴隨著視線的偏離，所以，駕駛?cè)说囊曈X行為常常是判別分心的重要指標(biāo)。

分心駕駛檢測的核心是通過從特征指標(biāo)中挖掘潛藏的關(guān)聯(lián)信息從而識別分心，機器學(xué)習(xí)研究的深入使不同的分類算法被應(yīng)用，例如，支持向量機[64]、AdaBoost[65]及貝葉斯網(wǎng)絡(luò)[66]等。隨后，深度學(xué)習(xí)的發(fā)展彌補了機器學(xué)習(xí)處理時間序列問題的短板，例如，WOLLMER 等[67]介紹了一種利用長短時記憶神經(jīng)網(wǎng)絡(luò)(LSTM-NN)對駕駛?cè)诉M行在線分心檢測的技術(shù)[67]。近年來，隨著人工智能的發(fā)展，圖像識別技術(shù)更加成熟，使用基于深度學(xué)習(xí)的計算機視覺進行分心檢測也越來越受到研究人員的關(guān)注。分心駕駛檢測重要的數(shù)據(jù)集從觀察角度可以分為①側(cè)面：東南大學(xué)駕駛姿勢(South-East University Driving Posture,SEU-DP)、State Farm、開羅美國大學(xué)(American University in Cairo, AUC)；②正面：EEE BUET 分心駕駛(EEE BUET Distracted Driving, EBDD)、公路戰(zhàn)略研究計劃(Strategic Highway Research Program, SHRP2)和智能車輛與應(yīng)用愿景(Vision for Intelligent Vehicles and Applications,VIVA)數(shù)據(jù)集等。常用模型包括：卷積神經(jīng)網(wǎng)絡(luò)[68]、Cascade AdaBoost[69]、YOLO[70]及高斯混合模型(GMM)等。未來研究應(yīng)在分心駕駛檢測的基礎(chǔ)上提供警告，并研究提供警告的分心程度和警告方式。此外，新的深度學(xué)習(xí)方法和時空數(shù)據(jù)可以進一步發(fā)展分心駕駛檢測，例如，時空雙流網(wǎng)絡(luò)和3D 神經(jīng)網(wǎng)絡(luò)等。但與此同時，如何更有效地減少神經(jīng)網(wǎng)絡(luò)參數(shù)及針對不同駕駛分心類型的識別也是未來分心駕駛檢測需要解決的重要問題。

3.2.5 熱點5自動駕駛下駕駛?cè)朔中男?yīng)

駕駛自動化導(dǎo)致了駕駛?cè)私巧淖兓?，從?fù)責(zé)執(zhí)行所有動態(tài)駕駛?cè)蝿?wù)到監(jiān)督具有不同自動化程度的自動駕駛系統(tǒng)中的選擇性任務(wù)。涉及的駕駛自動化程度越高，駕駛?cè)司驮皆敢庖揽孔詣踊试S他們完成與駕駛無關(guān)的任務(wù)，這可能會影響自動駕駛車輛的安全性和有效性。有研究顯示，駕駛相關(guān)的工作量低于一定水平時，駕駛?cè)丝赡軙で髲氖缕渌顒?，例如，娛樂，而不是監(jiān)測和監(jiān)督自動駕駛系統(tǒng)[71-72]，反而會對駕駛表現(xiàn)產(chǎn)生負(fù)面影響[73]。但同時也有研究表明，在自動化過程中，駕駛?cè)艘欢ǔ潭鹊姆中目赡軙窒粍悠诤退鈁74]，甚至改善人工接管的表現(xiàn)[75]。

在部分自動化系統(tǒng)中，駕駛?cè)诵枰紶柣謴?fù)對車輛的控制，涉及到了駕駛?cè)私庸苘囕v的問題。研究表明，駕駛?cè)碎L時間脫離駕駛?cè)蝿?wù)會導(dǎo)致其陷入被動疲勞或駕駛分心狀態(tài)，從而降低接管績效[76]。因此，車輛會通過聽覺和觸覺等方式提供警告，讓駕駛?cè)思皶r控制車輛[77]。然而，在喚起駕駛?cè)私庸芸刂茩?quán)時，什么程度的風(fēng)險和離事故現(xiàn)場多遠(yuǎn)才是安全的，且不會驚嚇和迷惑駕駛?cè)?，仍然需要進一步的定量研究。

正如目前研究所證明的那樣，駕駛?cè)说姆中臅蟠笥绊懽詣玉{駛的投入性能。因此，未來的研究需要繼續(xù)確定自動駕駛汽車中的人機界面如何使駕駛?cè)说淖⒁饬Ρ３衷谥饕{駛?cè)蝿?wù)上。智能網(wǎng)聯(lián)環(huán)境下，半自動和全自動駕駛等情況下，駕駛?cè)硕啻蟪潭壬峡梢苑中幕蛎撾x并仍然保持安全是值得關(guān)注的研究。由于自動駕駛汽車的行駛能力完全取決于控制其行為的算法，因此，在未來的道路上，分心的問題可能不在于人類駕駛?cè)?，而在于控制車輛的算法。

3.3 領(lǐng)域演變和發(fā)展

依據(jù)科學(xué)學(xué)科演化的4個階段[78]構(gòu)建分心駕駛的研究體系如圖5所示。

圖5 分心駕駛領(lǐng)域研究體系Fig.5 Distracted driving research system

分心駕駛行為的基礎(chǔ)研究，例如，駕駛?cè)朔中牡男纬膳c消散的機理、誘導(dǎo)駕駛?cè)朔中牡囊蛩丶胺中鸟{駛對行車安全的影響，為車輛安全設(shè)施設(shè)計提供了理論支撐，也為相關(guān)交通政策與法規(guī)提供了一定理論依據(jù)。由于分心駕駛屬于危險駕駛行為的一種，因此，其研究方法與駕駛行為的研究方法大致相同，即通過實驗或調(diào)查等手段獲取數(shù)據(jù)，并選取適當(dāng)?shù)闹笜?biāo)和模型進行研究，使分心駕駛現(xiàn)象能夠進一步被理解?；趯Ψ中鸟{駛領(lǐng)域研究結(jié)果，可以初步應(yīng)用于分心駕駛的識別及警告系統(tǒng)、車輛人機交互界面及車載設(shè)備的設(shè)計等，這幾方面仍在深入探索研究中。此外，針對分心駕駛現(xiàn)象的危險性，有關(guān)的管理策略和法律措施也在逐漸細(xì)化和完善。

隨著數(shù)據(jù)集更新與算法的發(fā)展，以統(tǒng)計學(xué)和人工智能算法為數(shù)據(jù)驅(qū)動，研究的準(zhǔn)確性將得到改善和提升。同時，分心駕駛行為的機理和分心駕駛風(fēng)險因素的分析結(jié)果，將有助于進一步理解駕駛行為以及駕駛?cè)诵睦砗托熊嚢踩g的關(guān)聯(lián)性，提高分心駕駛檢測的精度，推動駕駛?cè)朔中膶崟r監(jiān)測技術(shù)和先進駕駛輔助系統(tǒng)(Advanced Driver Assistance System,ADAS)等車輛主動安全設(shè)備的實用化和人機交互界面優(yōu)化進程，為駕駛?cè)诵袨?、立法、基礎(chǔ)設(shè)施和創(chuàng)新技術(shù)提供改善建議。

研究的主題變化分析有助于探索整個領(lǐng)域的主題內(nèi)容和結(jié)構(gòu)隨時間發(fā)生的演化關(guān)系、演化路徑和演化趨勢，在顯示領(lǐng)域發(fā)展、把握發(fā)展方向和預(yù)測領(lǐng)域趨勢方面發(fā)揮著重要作用[79]。使用Sankey圖對主題的演化流程進行可視化，如圖6 所示，它顯示了不同的主題是如何通過十幾年的時間連接和發(fā)展的，并將分心駕駛的研究分為3 個階段：2010—2013 年，2014—2017 年 和2018—2022 年。每個節(jié)點代表主題，大小與主題中包含的關(guān)鍵字?jǐn)?shù)量成比例，節(jié)點之間的流動代表研究主題的演變方向，寬度通常用于表示共享關(guān)鍵字的數(shù)量，線條越粗，兩個主題的相關(guān)性就越高。

圖6 分心駕駛領(lǐng)域主題演化圖Fig.6 Theme evolution of distracted driving

由圖6 可知，交通安全、駕駛模擬和手機使用在過去十幾年中一直是被持續(xù)關(guān)注的話題，而熱門話題則更加動態(tài)，并與其他領(lǐng)域融合，從人機交互到最近的自動駕駛和深度學(xué)習(xí)，顯示出焦點領(lǐng)域的演變，全球范圍內(nèi)交通發(fā)展的大方向也對這一演變方向產(chǎn)生了重要影響。通過主題演化分析可以預(yù)測研究的發(fā)展方向和趨勢，在分心駕駛領(lǐng)域，一些基礎(chǔ)研究仍是備受關(guān)注的重點，例如，駕駛安全和注意力分散研究。手機使用仍是分心駕駛研究中的熱門話題，并隨著智能手機的發(fā)展更加受到重視。研究的數(shù)據(jù)來源仍是以模擬實驗為主，但基于自然駕駛的分心研究開始受到學(xué)者們的關(guān)注，并將逐漸成為數(shù)據(jù)來源的一大支柱。此外，深度學(xué)習(xí)和自動駕駛的出現(xiàn)意味著基于深度學(xué)習(xí)的分心駕駛檢測和高度或部分自動駕駛下駕駛?cè)说姆中男?yīng)和車輛接管效能將成為未來分心駕駛研究的兩大趨勢。

4 結(jié)論與展望

本文利用文獻計量學(xué)梳理了Web of Science核心數(shù)據(jù)庫中分心駕駛領(lǐng)域近12 年的研究成果，補充該領(lǐng)域內(nèi)已有的文獻綜述。首先，從時間變化趨勢、國家分布、領(lǐng)域核心作者和核心出版物這4 方面總結(jié)分心駕駛領(lǐng)域研究的總體情況，以確定領(lǐng)域目前研究概況。然后，基于領(lǐng)域內(nèi)的高影響力文獻和文章主題分析，探究分心駕駛領(lǐng)域研究的熱點與發(fā)展趨勢。得到如下結(jié)論：

(1)分心駕駛領(lǐng)域的研究已經(jīng)進入了快速增長期，在所有國家中，美國占主要力量，中國雖研究相對較晚，但發(fā)展較快，排在第2 位。REIMER B.、YOUNG K.L.和MEHLER B.是統(tǒng)計時期內(nèi)分心駕駛領(lǐng)域最核心的3 位作者，LEE J.D.和STRAYER D.L.是10位核心作者中最早開始研究分心駕駛的研究人員。Accident Analysis and Prevention 和transportation Research Part F 是駕駛分心領(lǐng)域影響力最大的2個期刊。

(2)高影響力文獻聚焦于分心駕駛風(fēng)險和分心機理等基礎(chǔ)研究，關(guān)鍵詞聚類顯示分心駕駛的5大研究熱點包括“注意力機制”“分心源”“分心駕駛風(fēng)險與年輕駕駛?cè)笋{駛行為”“分心駕駛檢測”“自動駕駛下的分心效應(yīng)”，主題演化分析揭示了基于深度學(xué)習(xí)的分心檢測和自動駕駛的接管效能將成為分心駕駛領(lǐng)域的研究前沿。

基于上述相關(guān)研究工作的分析，對未來研究提出以下建議：

(1)注意力機制。研究駕駛?cè)说姆中男枰鞔_的理論方向，并了解分心行為的動機和影響因素。以注意力資源和注意動力學(xué)兩個注意理論為基礎(chǔ)，研究分心狀態(tài)的形成、消散及恢復(fù)的分心過程機理，能幫助研究者更好地理解并預(yù)防分心。因此，應(yīng)加強分心機理的理論研究，提高分心檢測和預(yù)警的準(zhǔn)確性。

(2)分心源。當(dāng)前，對于分心駕駛的研究主要集中在手機使用和IVIS 交互等方面，并且傾向于在每個單獨的研究中關(guān)注一種分心源，而不是同時調(diào)查多種分心源的不同影響。對分心類型的研究也更聚焦于認(rèn)知分心和視覺分心，對聽覺分心和操作分心的研究較少。因此，應(yīng)進行分散性研究，擴展研究對象和場景，綜合考慮車內(nèi)和車外的分心源，以及復(fù)合分心的風(fēng)險，為分心駕駛研究的應(yīng)用提供支持。

(3)分心駕駛風(fēng)險。分心駕駛研究的指標(biāo)選取存在“多且雜”的問題，應(yīng)建立標(biāo)準(zhǔn)化的指標(biāo)體系和選取原則，并研究不同駕駛分心類型的影響程度。未來研究的數(shù)據(jù)來源也可以更多元化，例如利用手機和智能手表等智能終端采集分心行為數(shù)據(jù)。此外，meta 分析也是值得國內(nèi)研究者們關(guān)注的研究方法。

(4)年輕駕駛?cè)说鸟{駛行為?，F(xiàn)有研究經(jīng)常將“年輕駕駛?cè)恕迸c“新手駕駛?cè)恕焙喜椤澳贻p新手駕駛?cè)恕边M行研究，但中年甚至老年的新手駕駛?cè)巳后w還未得到重視，因此，不同年齡段的新手駕駛?cè)说姆中男袨橛写M一步挖掘?？偨Y(jié)影響中國年輕和新手駕駛?cè)说姆中囊蛩?，借鑒國外的研究經(jīng)驗，設(shè)計和制定適用于中國駕駛?cè)说墓芾韺Σ呤切枰紤]的主題。

(5)分心駕駛檢測。從算法模型看，機器視覺將成為分心駕駛檢測的一大熱點。并且，應(yīng)在目前研究的基礎(chǔ)上，進一步挖掘如何在駕駛過程中對駕駛?cè)朔中臓顟B(tài)進行界定與等級劃分，為車載信息系統(tǒng)、預(yù)警系統(tǒng)以及人車共駕狀態(tài)下駕駛?cè)藸顟B(tài)監(jiān)控的設(shè)計提供參考。此外，如何更有效地減少神經(jīng)網(wǎng)絡(luò)參數(shù)及針對不同駕駛分心類型的識別也是未來分心駕駛檢測需要解決的重要問題。

(6)自動駕駛下分心效應(yīng)。智能網(wǎng)聯(lián)環(huán)境下，半自動和全自動駕駛等情況下，如何使駕駛?cè)说淖⒁饬Ρ３衷隈{駛?cè)巳蝿?wù)上；如果允許分心，駕駛?cè)硕啻蟪潭壬峡梢苑中幕蛎撾x并仍然保持安全是值得關(guān)注的研究。由于在進入高度自動駕駛前將會有很長一段時間的人車共駕模式，因此，半自動駕駛場景下的分心行為及接管效能，以及混合交通流下的分心狀態(tài)也應(yīng)受到研究者的關(guān)注。