Empathic AI in Response to Stressful Driving Situations

Einleitung

Empathic AI in Response to Stressful Driving Situations ist ein Forschungsprojekt aus dem 6. Semester (FWS/SDUT 2025) an der Technischen Hochschule Ingolstadt von Hamza Dursun, Selin Durmus und Mona Jeske.

Das Projekt untersucht, ob ein empathischer Sprach-Assistent den wahrgenommenen Stress von Fahrern reduzieren, emotionale Unterstützung bieten und die Akzeptanz solcher Systeme nach stressigen Fahrsituationen verbessern kann.

Während moderne Fahrerassistenzsysteme (ADAS) zunehmend den Zustand des Fahrers überwachen, bleibt der Schritt über die reine Erkennung hinaus – die emotionale Unterstützung des Fahrers – weitgehend unerforscht.

Forschungs-Poster Übersicht

Problem Statement

Stressige Fahrereignisse wie Beinahe-Unfälle oder hohe kognitive Belastung können sowohl die Fahrsicherheit als auch das emotionale Wohlbefinden beeinträchtigen. Während die physiologische Stresserkennung bereits erforscht ist, gibt es wenig empirische Arbeiten darüber, wie sprachbasierte KI-Assistenten helfen können, Stress zu regulieren und emotionale Unterstützung nach solchen Ereignissen zu bieten.

Diese Studie schließt die Lücke zwischen Affective Computing und In-Vehicle Interaction Design.

Haupthypothesen:

H1: Teilnehmer berichten von niedrigerem wahrgenommenem Stress mit empathischem KI-Assistenten
H2: Teilnehmer nehmen höhere emotionale Unterstützung durch das System wahr
H3: Teilnehmer zeigen größere Bereitschaft, den empathischen KI-Assistenten in realen Fahrsituationen zu nutzen
H4: Teilnehmer fühlen ein höheres Sicherheitsgefühl während stressiger Fahrsituationen mit KI-Unterstützung

Methodik

Study Design

Die Studie verwendete ein Within-Subject-Design mit 20 Teilnehmern (Alter: 25–45 Jahre). Jeder Teilnehmer durchlief eine Fahrsession mit zwei stressinduzierenden Szenarien in einem hochauflösenden Hexapod-Simulator:

Szenario 1: Challenging Maneuver (Scharfe Kurvenfahrt)

Eine anspruchsvolle Kurvensequenz, die fortgeschrittene Fahrkünste erforderte und technischen Stress induzierte.

Szenario 2: Sudden Hazard (Plötzliche Gefahr)

Ein kritisches Ereignis, bei dem unerwartet ein Kind auf der Straße erschien und sofortiges Bremsen erforderte. Das automatische Bremssystem des Fahrzeugs war während dieses Events deaktiviert.

Im Hexapod-Simulator

Jedes Szenario wurde einmal mit und einmal ohne empathischen KI-Sprachassistenten durchgeführt, wobei die Reihenfolge über die Teilnehmer hinweg ausbalanciert wurde.

Voice-AI Intervention

Der empathische Sprachassistent lieferte eine standardisierte, etwa 30 Sekunden lange Nachricht unmittelbar nach dem stressigen Fahrereignis. Die Nachricht zielte darauf ab, durch beruhigende, bestärkende und affirmierende Aussagen die Emotionsregulation und das wahrgenommene Kontrollgefühl zu unterstützen.

Beispielnachricht:

"That was a close moment, but you handled it very well. You stayed calm and made the right decisions."

Das Design basiert auf etablierten psychologischen Theorien:

Emotion Regulation Theory betont die Bedeutung kognitiver Neubewertung und sozialer Unterstützung beim Stressmanagement
Die beruhigende und langsame Sprachausgabe orientierte sich an Entspannungstechniken zur Reduzierung physiologischer Erregung

Technisches Setup

Experimentelles Setup

Das experimentelle Setup bestand aus:

Simulation Environment: Fahrroute entwickelt mit IPG CarMaker und importiert in die Hauptsimulationssoftware
User Interface: Integration von visueller Animation und Sprachassistent, gestaltet in Adobe XD, angezeigt auf einem Tablet im Hexapod
Remote Control: Tablet mit Experimentator-Computer über TeamViewer verbunden für präzise Steuerung
Communication: Smartphone im Simulator über Discord mit Labor-Computer verbunden

Datenerfassung

Physiologische Daten (Heart Rate)

Kontinuierliche Herzfrequenzmessung mit Fitbit-Armband während des gesamten Experiments. Die Daten wurden über eine selbst entwickelte Fitbit-Anwendung erfasst und synchronisiert.

Analysierte Zeitabschnitte:

Baseline: 2-minütige Periode vor Szenariobeginn
Stress Peak: 30-Sekunden-Intervall unmittelbar nach Stressereignis
Recovery: 60-Sekunden-Periode nach KI-Intervention bzw. nach Eventende

Berechnete Metriken:

Stress Induction (ΔHR_stress): Veränderung der Herzfrequenz von Baseline zu Stress Peak
Recovery Amount (ΔHR_recovery): Abnahme der Herzfrequenz von Stress Peak zu Recovery Phase

Fitbit Herzfrequenz-Monitoring-Anwendung

Subjektive Daten

Nach jedem Szenario füllten die Teilnehmer standardisierte Fragebögen aus (7-Punkt-Likert-Skalen):

Wahrgenommener Stress
Wahrgenommene emotionale Unterstützung
Wahrgenommene Ablenkung
Wahrgenommene Sicherheit und Kontrolle

Nach dem zweiten Szenario erfolgte eine System-Evaluation zur Bewertung von:

User Acceptance
Wahrgenommener Empathie
Vertrauen in den Sprachassistenten

Ergebnisse

Physiologische Resultate (Heart Rate)

Stress Induction Vergleich

Herzfrequenz-Veränderung nach Szenario

Beide Szenarien induzierten ähnliche Stresslevel:

Curve Scenario: +4.76 bpm (SD = 5.33)
Sudden Hazard: +5.63 bpm (SD = 6.49)
Statistik: t(19) = -0.504, p = 0.6198 (nicht signifikant)

Dies war ein beabsichtigtes Ergebnis des experimentellen Designs, um sicherzustellen, dass beide Szenarien vergleichbare physiologische Stresslevels erzeugten.

Recovery Phase (H1)

Herzfrequenz-Erholung mit und ohne KI

Mit AI: -3.20 bpm (SD = 4.42)
Ohne AI: -4.12 bpm (SD = 4.69)
Statistik: t(19) = -0.830, p = 0.7915 (nicht signifikant)

Ergebnis: Die Anwesenheit des KI-Assistenten führte nicht zu einer statistisch signifikanten Verbesserung der physiologischen Erholung. H1 wurde nicht unterstützt.

Subjektive Resultate

Vergleich der Fragebogen-Ergebnisse

H2: Emotionale Unterstützung ✓ UNTERSTÜTZT

Mit AI: M = 5.11 (SD = 0.76)
Ohne AI: M = 2.42 (SD = 0.98)
Statistik: p < .001, d_z = 1.38 (sehr großer Effekt)

Die wahrgenommene emotionale Unterstützung war in der AI-Bedingung signifikant höher.

System Helpfulness

Mit AI: M = 4.05 (SD = 0.82)
Ohne AI: M = 2.16 (SD = 1.05)
Statistik: p = .002, d_z = 0.87

H4: Sicherheitsgefühl (schwacher Trend)

Mit AI: M = 4.53 (SD = 0.91)
Ohne AI: M = 4.00 (SD = 0.89)
Statistik: p = .403, d_z = 0.26 (nicht signifikant, nur Trend)

H3: User Acceptance ✓ UNTERSTÜTZT

Verteilung der Nutzerpräferenzen

85% (17/20) der Teilnehmer berichteten, sich mit dem Sprachassistenten besser unterstützt zu fühlen. Nur 15% (3/20) sahen keinen Unterschied.

Qualitatives Feedback

Was Teilnehmer schätzten:

Positive qualitative Themen

Voice Tone & Empathy:

"Felt genuinely understood." (12/20)
"The AI sounded calm and reassuring, which reduced my anxiety." (9/20)

Timing & Contextual Fit:

"Receiving the message immediately after the event felt just right." (15/20)

Was kritisiert wurde:

Negative qualitative Themen

Conciseness & Clarity:

"The message was too long and repetitive." (5/20)
"Shorter prompts with bullet points would be ideal." (7/20)

Timing Issues:

"Sometimes it interrupted my focus—would help if I could delay." (4/20)

Customization & Control:

"Would be better if it addressed me by name or adapted to my driving style." (8/20)
"An option to switch to visual cues would improve usability." (6/20)

Diskussion & Interpretation

Die Studie zeigt eine Dissoziation zwischen physiologischen Messungen und subjektiven Bewertungen:

Physiologisch: Keine signifikante Verbesserung der Herzfrequenz-Erholung
Subjektiv: Starke und signifikante Verbesserungen bei emotionaler Unterstützung und System-Akzeptanz

Mögliche Erklärungen:

Cognitive Reappraisal: Der empathische AI-Assistent ermöglichte wahrscheinlich eine Neuinterpretation des stressigen Ereignisses, wodurch die wahrgenommene Bedrohung reduziert wurde, auch wenn die physiologische Erregung unverändert blieb.
Expectation and Novelty: Die Interaktion mit einem empathischen Sprachagenten könnte positiven Affekt durch Erwartungsverletzung und Neuheit ausgelöst haben.
Attention Allocation: Die verbale Unterstützung der KI könnte die Aufmerksamkeit der Teilnehmer von internen Stresssignalen zu externer Beruhigung umgeleitet haben.
Self-Report Sensitivity: Subjektive Messungen (Likert-Skalen) könnten empfindlicher auf wahrgenommene soziale Präsenz reagieren als physiologische Signale wie Herzfrequenz.

Limitationen & Future Work

Identifizierte Limitationen:

Physiologische Messung: Nur Herzfrequenz (HR) wurde gemessen. Heart Rate Variability (HRV) würde robustere Einblicke in die autonome Nervensystem-Regulation bieten.
Experimentelles Design: Keine vollständige Ausbalancierung von Szenario-Typ und Intervention. Zukünftige Studien sollten Latin Square oder vollständig ausbalancierte Designs verwenden.
Message Length & Timing: Mehrere Teilnehmer fanden die Nachricht zu lang oder wiederholend. Verzögerte empathische Reaktionen könnten Stress reaktivieren statt zu mindern.
Risk Compensation Effect: Beruhigendes Feedback könnte zu Überschätzung der eigenen Fähigkeiten oder reduzierter Wachsamkeit führen.
Sample Size: N=20 ist konsistent mit explorativen HCI-Studien, sollte aber mit größeren, diverseren Stichproben bestätigt werden.

Zukünftige Forschungsrichtungen:

Sophisticated Sensors: Integration von HRV, elektrodermaler Aktivität (EDA) und anderen Indikatoren
Adaptive Systems: Dynamische Anpassung von Inhalt, Timing und Modalität (Sprache, haptisches Feedback, Umgebungslicht) basierend auf Echtzeit-Affect-Sensing
Longitudinal Studies: Beobachtung über Wochen/Monate zur Bewertung langfristiger Effekte auf Vertrauen und Wohlbefinden
Personalization: Berücksichtigung individueller Persönlichkeitsmerkmale und Präferenzen

Design Implications

Basierend auf den Ergebnissen ergeben sich folgende Designempfehlungen für empathische In-Vehicle-Systeme:

User Control & Customization: Einstellbare Nachrichtenlänge, Lautstärke und Feedback-Modalität (visuell vs. auditiv)
Multimodal Integration: Kombination von Sprach-Feedback mit subtilen visuellen oder haptischen Hinweisen (z.B. beruhigende Animationen, Ambient Lighting)
Context-Aware Safety Protocols: Kontextbewusstsein zur Vermeidung falscher Beruhigung in tatsächlich gefährlichen Situationen
Conciseness & Timing: Kürzere, besser getimte und adaptive Unterstützung

Ethische Überlegungen

Während empathische KI die wahrgenommene emotionale Unterstützung verbessern kann, liefert sie typischerweise standardisierte Reaktionen, die Empathie nur simulieren. Dies wirft ethische Fragen bezüglich:

Authentizität & Transparenz
Potential für Manipulation
Parasoziale Bindungen
Überschätzung eigener Fähigkeiten durch permanente AI-Unterstützung

Diese Aspekte erfordern vorsichtiges Design und Verantwortung.

Fazit

Der empathische, sprachbasierte KI-Assistent führte nicht zu signifikanten Verbesserungen der physiologischen Erholung, wurde aber von den Teilnehmern auf subjektiver Ebene deutlich geschätzt.

Key Findings:

✓ Signifikant höhere emotionale Unterstützung (H2 unterstützt)
✓ Hohe User Acceptance (H3 unterstützt, 85% Zustimmung)
✗ Keine physiologische Verbesserung (H1 nicht unterstützt)
~ Leichter Trend bei Sicherheitsgefühl (H4 schwacher Trend)

Die Ergebnisse liefern verwertbare Erkenntnisse für die Entwicklung emotional responsiver In-Vehicle AI-Systeme und betonen die Bedeutung von Prägnanz, Adaptivität, User Control und multimodalem Design.

Zukünftige Systeme sollten kürzere, besser getimte und adaptive Unterstützung bieten, möglicherweise integriert mit Echtzeit-Affect-Sensing.

Technische Details & Repository

Das Projekt umfasste die Entwicklung einer eigenen Fitbit-Anwendung zur präzisen Herzfrequenzmessung und Synchronisation mit den experimentellen Events.

GitHub Repository:
https://github.com/hd2386/fitbit

Die Anwendung ermöglichte:

Kontinuierliche HR-Datenerfassung
Manuelle Protokollierung von Start-Zeiten (Stunde, Minute, Sekunde) jeder experimentellen Phase
Präzise temporale Ausrichtung der Event-Marker mit physiologischen Daten
Abruf der Daten über die Fitbit API

Team & Acknowledgments

Projektteam:

Hamza Dursun (had2386@thi.de)
Selin Durmus (sed0245@thi.de)
Mona Jeske (moj9886@thi.de)

Special Thanks:

Claus Pfeilschifter für Simulator-Unterstützung
Markus Weißenberger für technischen Support bei CARISSMA
Prof. Dr. Ignacio Alvarez (Technische Hochschule Ingolstadt) für wertvolles Feedback

Institution:
Technische Hochschule Ingolstadt (THI)
Esplanade 10, 85049 Ingolstadt, Germany

Dieses Projekt wurde im Rahmen des Kurses FWS/SDUT 2025 an der Technischen Hochschule Ingolstadt durchgeführt.

Die vollständige Literaturliste und detaillierte Methodenbeschreibung finden sich im vollständigen Research Paper.

Keywords: Empathic voice assistant, driver stress, in-vehicle interaction, affective computing, user study, human–AI interaction, physiological sensing, heart rate