TY  - THES
A1  - Menne, Isabelle M.
T1  - Facing Social Robots – Emotional Reactions towards Social Robots
N2  - Ein Army Colonel empfindet Mitleid mit einem Roboter, der versuchsweise Landminen entschärft und deklariert den Test als inhuman (Garreau, 2007). Roboter bekommen militärische Beförderungen, Beerdigungen und Ehrenmedaillen (Garreau, 2007; Carpenter, 2013). Ein Schildkrötenroboter wird entwickelt, um Kindern beizubringen, Roboter gut zu behandeln (Ackermann, 2018). Der humanoide Roboter Sophia wurde erst kürzlich Saudi-Arabischer Staatsbürger und es gibt bereits Debatten, ob Roboter Rechte bekommen sollen (Delcker, 2018). Diese und ähnliche Entwicklungen zeigen schon jetzt die Bedeutsamkeit von Robotern und die emotionale Wirkung die diese auslösen. Dennoch scheinen sich diese emotionalen Reaktionen auf einer anderen Ebene abzuspielen, gemessen an Kommentaren in Internetforen. Dort ist oftmals die Rede davon, wieso jemand überhaupt emotional auf einen Roboter reagieren kann. Tatsächlich ist es, rein rational gesehen, schwierig zu erklären, warum Menschen mit einer leblosen (‚mindless‘) Maschine mitfühlen sollten. Und dennoch zeugen nicht nur oben genannte Berichte, sondern auch erste wissenschaftliche Studien (z.B. Rosenthal- von der Pütten et al., 2013) von dem emotionalen Einfluss den Roboter auf Menschen haben können. Trotz der Bedeutsamkeit der Erforschung emotionaler Reaktionen auf Roboter existieren bislang wenige wissenschaftliche Studien hierzu. Tatsächlich identifizierten Kappas, Krumhuber und Küster (2013) die systematische Analyse und Evaluation sozialer Reaktionen auf Roboter als eine der größten Herausforderungen der affektiven Mensch-Roboter Interaktion. Nach Scherer (2001; 2005) bestehen Emotionen aus der Koordination und Synchronisation verschiedener Komponenten, die miteinander verknüpft sind. Motorischer Ausdruck (Mimik), subjektives Erleben, Handlungstendenzen, physiologische und kognitive Komponenten gehören hierzu. Um eine Emotion vollständig zu erfassen, müssten all diese Komponenten gemessen werden, jedoch wurde eine solch umfassende Analyse bisher noch nie durchgeführt (Scherer, 2005). Hauptsächlich werden Fragebögen eingesetzt (vgl. Bethel & Murphy, 2010), die allerdings meist nur das subjektive Erleben abfragen. Bakeman und Gottman (1997) geben sogar an, dass nur etwa 8% der psychologischen Forschung auf Verhaltensdaten basiert, obwohl die Psychologie traditionell als das ‚Studium von Psyche und Verhalten‘ (American Psychological Association, 2018) definiert wird. Die Messung anderer Emotionskomponenten ist selten. Zudem sind Fragebögen mit einer Reihe von Nachteilen behaftet (Austin, Deary, Gibson, McGregor, Dent, 1998; Fan et al., 2006; Wilcox, 2011). Bethel und Murphy (2010) als auch Arkin und Moshkina (2015) plädieren für einen Multi-Methodenansatz um ein umfassenderes Verständnis von affektiven Prozessen in der Mensch-Roboter Interaktion zu erlangen. Das Hauptziel der vorliegenden Dissertation ist es daher, mithilfe eines Multi-Methodenansatzes verschiedene Komponenten von Emotionen (motorischer Ausdruck, subjektive Gefühlskomponente, Handlungstendenzen) zu erfassen und so zu einem vollständigeren und tiefgreifenderem Bild emotionaler Prozesse auf Roboter beizutragen. 
Um dieses Ziel zu erreichen, wurden drei experimentelle Studien mit insgesamt 491 Teilnehmern durchgeführt. Mit unterschiedlichen Ebenen der „apparent reality“ (Frijda, 2007) sowie Macht / Kontrolle über die Situation (vgl. Scherer & Ellgring, 2007) wurde untersucht, inwiefern sich Intensität und Qualität emotionaler Reaktionen auf Roboter ändern und welche weiteren Faktoren (Aussehen des Roboters, emotionale Expressivität des Roboters, Behandlung des Roboters, Autoritätsstatus des Roboters) Einfluss ausüben. 
Experiment 1 basierte auf Videos, die verschiedene Arten von Robotern (tierähnlich, anthropomorph, maschinenartig), die entweder emotional expressiv waren oder nicht (an / aus) in verschiedenen Situationen (freundliche Behandlung des Roboters vs. Misshandlung) zeigten. Fragebögen über selbstberichtete Gefühle und die motorisch-expressive Komponente von Emotionen: Mimik (vgl. Scherer, 2005) wurden analysiert. Das Facial Action Coding System (Ekman, Friesen, & Hager, 2002), die umfassendste und am weitesten verbreitete Methode zur objektiven Untersuchung von Mimik, wurde hierfür verwendet. Die Ergebnisse zeigten, dass die Probanden Gesichtsausdrücke (Action Unit [AU] 12 und AUs, die mit positiven Emotionen assoziiert sind, sowie AU 4 und AUs, die mit negativen Emotionen assoziiert sind) sowie selbstberichtete Gefühle in Übereinstimmung mit der Valenz der in den Videos gezeigten Behandlung zeigten. Bei emotional expressiven Robotern konnten stärkere emotionale Reaktionen beobachtet werden als bei nicht-expressiven Robotern. Der tierähnliche Roboter Pleo erfuhr in der Misshandlungs-Bedingung am meisten Mitleid, Empathie, negative Gefühle und Traurigkeit, gefolgt vom anthropomorphen Roboter Reeti und am wenigsten für den maschinenartigen Roboter Roomba. Roomba wurde am meisten Antipathie zugeschrieben. Die Ergebnisse knüpfen an frühere Forschungen an (z.B. Krach et al., 2008; Menne & Schwab, 2018; Riek et al., 2009; Rosenthal-von der Pütten et al., 2013) und zeigen das Potenzial der Mimik für eine natürliche Mensch-Roboter Interaktion. 
Experiment 2 und Experiment 3 übertrugen die klassischen Experimente von Milgram (1963; 1974) zum Thema Gehorsam in den Kontext der Mensch-Roboter Interaktion. Die Gehorsamkeitsstudien von Milgram wurden als sehr geeignet erachtet, um das Ausmaß der Empathie gegenüber einem Roboter im Verhältnis zum Gehorsam gegenüber einem Roboter zu untersuchen. Experiment 2 unterschied sich von Experiment 3 in der Ebene der „apparent reality“ (Frijda, 2007): in Anlehnung an Milgram (1963) wurde eine rein text-basierte Studie (Experiment 2) einer live Mensch-Roboter Interaktion (Experiment 3) gegenübergestellt. Während die abhängigen Variablen von Experiment 2 aus den Selbstberichten emotionaler Gefühle sowie Einschätzungen des hypothetischen Verhaltens bestand, erfasste Experiment 3 subjektive Gefühle sowie reales Verhalten (Reaktionszeit: Dauer des Zögerns; Gehorsamkeitsrate; Anzahl der Proteste; Mimik) der Teilnehmer. Beide Experimente untersuchten den Einfluss der Faktoren „Autoritätsstatus“ (hoch / niedrig) des Roboters, der die Befehle erteilt (Nao) und die emotionale Expressivität (an / aus) des Roboters, der die Strafen erhält (Pleo). Die subjektiven Gefühle der Teilnehmer aus Experiment 2 unterschieden sich zwischen den Gruppen nicht. Darüber hinaus gaben nur wenige Teilnehmer (20.2%) an, dass sie den „Opfer“-Roboter definitiv bestrafen würden. Ein ähnliches Ergebnis fand auch Milgram (1963). Das reale Verhalten von Versuchsteilnehmern in Milgrams‘ Labor-Experiment unterschied sich jedoch von Einschätzungen hypothetischen Verhaltens von Teilnehmern, denen Milgram das Experiment nur beschrieben hatte. Ebenso lassen Kommentare von Teilnehmern aus Experiment 2 darauf schließen, dass das beschriebene Szenario möglicherweise als fiktiv eingestuft wurde und Einschätzungen von hypothetischem Verhalten daher kein realistisches Bild realen Verhaltens gegenüber Roboter in einer live Interaktion zeichnen können. Daher wurde ein weiteres Experiment (Experiment 3) mit einer Live Interaktion mit einem Roboter als Autoritätsfigur (hoher Autoritätsstatus vs. niedriger) und einem weiteren Roboter als „Opfer“ (emotional expressiv vs. nicht expressiv) durchgeführt. Es wurden Gruppenunterschiede in Fragebögen über emotionale Reaktionen gefunden. Dem emotional expressiven Roboter wurde mehr Empathie entgegengebracht und es wurde mehr Freude und weniger Antipathie berichtet als gegenüber einem nicht-expressiven Roboter. Außerdem konnten Gesichtsausdrücke beobachtet werden, die mit negativen Emotionen assoziiert sind während Probanden Nao’s Befehl ausführten und Pleo bestraften. Obwohl Probanden tendenziell länger zögerten, wenn sie einen emotional expressiven Roboter bestrafen sollten und der Befehl von einem Roboter mit niedrigem Autoritätsstatus kam, wurde dieser Unterschied nicht signifikant. Zudem waren alle bis auf einen Probanden gehorsam und bestraften Pleo, wie vom Nao Roboter befohlen. Dieses Ergebnis steht in starkem Gegensatz zu dem selbstberichteten hypothetischen Verhalten der Teilnehmer aus Experiment 2 und unterstützt die Annahme, dass die Einschätzungen von hypothetischem Verhalten in einem Mensch-Roboter-Gehorsamkeitsszenario nicht zuverlässig sind für echtes Verhalten in einer live Mensch-Roboter Interaktion. Situative Variablen, wie z.B. der Gehorsam gegenüber Autoritäten, sogar gegenüber einem Roboter, scheinen stärker zu sein als Empathie für einen Roboter. Dieser Befund knüpft an andere Studien an (z.B. Bartneck & Hu, 2008; Geiskkovitch et al., 2016; Menne, 2017; Slater et al., 2006), eröffnet neue Erkenntnisse zum Einfluss von Robotern, zeigt aber auch auf, dass die Wahl einer Methode um Empathie für einen Roboter zu evozieren eine nicht triviale Angelegenheit ist (vgl. Geiskkovitch et al., 2016; vgl. Milgram, 1965). Insgesamt stützen die Ergebnisse die Annahme, dass die emotionalen Reaktionen auf Roboter tiefgreifend sind und sich sowohl auf der subjektiven Ebene als auch in der motorischen Komponente zeigen. Menschen reagieren emotional auf einen Roboter, der emotional expressiv ist und eher weniger wie eine Maschine aussieht. Sie empfinden Empathie und negative Gefühle, wenn ein Roboter misshandelt wird und diese emotionalen Reaktionen spiegeln sich in der Mimik. Darüber hinaus unterscheiden sich die Einschätzungen von Menschen über ihr eigenes hypothetisches Verhalten von ihrem tatsächlichen Verhalten, weshalb videobasierte oder live Interaktionen zur Analyse realer Verhaltensreaktionen empfohlen wird. Die Ankunft sozialer Roboter in der Gesellschaft führt zu nie dagewesenen Fragen und diese Dissertation liefert einen ersten Schritt zum Verständnis dieser neuen Herausforderungen.
N2  - An Army Colonel feels sorry for a robot that defuses landmines on a trial basis and declares the test inhumane (Garreau, 2007). Robots receive military promotions, funerals and medals of honor (Garreau, 2007; Carpenter, 2013). A turtle robot is being developed to teach children to treat robots well (Ackermann, 2018). The humanoid robot Sophia recently became a Saudi Arabian citizen and there are now debates whether robots should have rights (Delcker, 2018). These and similar developments already show the importance of robots and the emotional impact they have. Nevertheless, these emotional reactions seem to take place on a different level, judging by comments in internet forums alone: Most often, emotional reactions towards robots are questioned if not denied at all. In fact, from a purely rational point of view, it is difficult to explain why people should empathize with a mindless machine. However, not only the reports mentioned above but also first scientific studies (e.g. Rosenthal- von der Pütten et al., 2013) bear witness to the emotional influence of robots on humans. Despite the importance of researching emotional reactions towards robots, there are few scientific studies on this subject. In fact, Kappas, Krumhuber and Küster (2013) identified effective testing and evaluation of social reactions towards robots as one of the major challenges of affective Human-Robot Interaction (HRI). According to Scherer (2001; 2005), emotions consist of the coordination and synchronization of different components that are linked to each other. These include motor expression (facial expressions), subjective experience, action tendencies, physiological and cognitive components. To fully capture an emotion, all these components would have to be measured, but such a comprehensive analysis has never been performed (Scherer, 2005). Primarily, questionnaires are used (cf. Bethel & Murphy, 2010) but most of them only capture subjective experiences. Bakeman and Gottman (1997) even state that only about 8% of psychological research is based on behavioral data, although psychology is traditionally defined as the 'study of the mind and behavior' (American Psychological Association, 2018). The measurement of other emotional components is rare. In addition, questionnaires have a number of disadvantages (Austin, Deary, Gibson, McGregor, Dent, 1998; Fan et al., 2006; Wilcox, 2011). Bethel and Murphy (2010) as well as Arkin and Moshkina (2015) argue for a multi-method approach to achieve a more comprehensive understanding of affective processes in HRI. The main goal of this dissertation is therefore to use a multi-method approach to capture different components of emotions (motor expression, subjective feeling component, action tendencies) and thus contribute to a more complete and profound picture of emotional processes towards robots. 
To achieve this goal, three experimental studies were conducted with a total of 491 participants. With different levels of ‘apparent reality’ (Frijda, 2007) and power/control over the situation (cf. Scherer & Ellgring, 2007), the extent to which the intensity and quality of emotional responses to robots change were investigated as well as the influence of other factors (appearance of the robot, emotional expressivity of the robot, treatment of the robot, authority status of the robot). 
Experiment 1 was based on videos showing different types of robots (animal-like, anthropomorphic, machine-like) in different situations (friendly treatment of the robot vs. torture treatment) while being either emotionally expressive or not. Self-reports of feelings as well as the motoric-expressive component of emotion: facial expressions (cf. Scherer, 2005) were analyzed. The Facial Action Coding System (Ekman, Friesen, & Hager, 2002), the most comprehensive and most widely used method for objectively assessing facial expressions, was utilized for this purpose. Results showed that participants displayed facial expressions (Action Unit [AU] 12 and AUs associated with positive emotions as well as AU 4 and AUs associated with negative emotions) as well as self-reported feelings in line with the valence of the treatment shown in the videos. Stronger emotional reactions could be observed for emotionally expressive robots than non-expressive robots. Most pity, empathy, negative feelings and sadness were reported for the animal-like robot Pleo while watching it being tortured, followed by the anthropomorphic robot Reeti and least for the machine-like robot Roomba. Most antipathy was attributed to Roomba. The findings are in line with previous research (e.g., Krach et al., 2008; Menne & Schwab, 2018; Riek et al., 2009; Rosenthal-von der Pütten et al., 2013) and show facial expressions’ potential for a natural HRI. 
Experiment 2 and Experiment 3 transferred Milgram’s classic experiments (1963; 1974) on obedience into the context of HRI. Milgram’s obedience studies were deemed highly suitable to study the extent of empathy towards a robot in relation to obedience to a robot. Experiment 2 differed from Experiment 3 in the level of ‘apparent reality’ (Frijda, 2007): based on Milgram (1963), a purely text-based study (Experiment 2) was compared with a live HRI (Experiment 3). While the dependent variables of Experiment 2 consisted of self-reports of emotional feelings and assessments of hypothetical behavior, Experiment 3 measured subjective feelings and real behavior (reaction time: duration of hesitation; obedience rate; number of protests; facial expressions) of the participants. Both experiments examined the influence of the factors "authority status" (high / low) of the robot giving the orders (Nao) and the emotional expressivity (on / off) of the robot receiving the punishments (Pleo). The subjective feelings of the participants from Experiment 2 did not differ between the groups. In addition, only few participants (20.2%) stated that they would definitely punish the "victim" robot. Milgram (1963) found a similar result. However, the real behavior of participants in Milgram's laboratory experiment differed from the estimates of hypothetical behavior of participants to whom Milgram had only described the experiment. Similarly, comments from participants in Experiment 2 suggest that the scenario described may have been considered fictitious and that assessments of hypothetical behavior may not provide a realistic picture of real behavior towards robots in a live interaction. Therefore, another experiment (Experiment 3) was performed with a live interaction with a robot as authority figure (high authority status vs. low) and another robot as "victim" (emotional expressive vs. non-expressive). Group differences were found in questionnaires on emotional responses. More empathy was shown for the emotionally expressive robot and more joy and less antipathy was reported than for a non-expressive robot. In addition, facial expressions associated with negative emotions could be observed while subjects executed Nao's command and punished Pleo. Although subjects tended to hesitate longer when punishing an emotionally expressive robot and the order came from a robot with low authority status, this difference did not reach significance. Furthermore, all but one subject were obedient and punished Pleo as commanded by the Nao robot. This result stands in stark contrast to the self-reported hypothetical behavior of the participants from Experiment 2 and supports the assumption that the assessments of hypothetical behavior in a Human-Robot obedience scenario are not reliable for real behavior in a live HRI. Situational variables, such as obedience to authorities, even to a robot, seem to be stronger than empathy for a robot. This finding is in line with previous studies (e.g. Bartneck & Hu, 2008; Geiskkovitch et al., 2016; Menne, 2017; Slater et al., 2006), opens up new insights into the influence of robots, but also shows that the choice of a method to evoke empathy for a robot is not a trivial matter (cf. Geiskkovitch et al., 2016; cf. Milgram, 1965). Overall, the results support the assumption that emotional reactions to robots are profound and manifest both at the subjective level and in the motor component. Humans react emotionally to a robot that is emotionally expressive and looks less like a machine. They feel empathy and negative feelings when a robot is abused and these emotional reactions are reflected in facial expressions. In addition, people's assessments of their own hypothetical behavior differ from their actual behavior, which is why video-based or live interactions are recommended for analyzing real behavioral responses. The arrival of social robots in society leads to unprecedented questions and this dissertation provides a first step towards understanding these new challenges.
N2  - Are there emotional reactions towards social robots? Could you love a robot? Or, put the other way round: Could you mistreat a robot, tear it apart and sell it? Media reports people honoring military robots with funerals, mourning the “death” of a robotic dog, and granting the humanoid robot Sophia citizenship. But how profound are these reactions? Three experiments take a closer look on emotional reactions towards social robots by investigating the subjective experience of people as well as the motor expressive level. Contexts of varying degrees of Human-Robot Interaction (HRI) sketch a nuanced picture of emotions towards social robots that encompass conscious as well as unconscious reactions. The findings advance the understanding of affective experiences in HRI. It also turns the initial question into: Can emotional reactions towards social robots even be avoided?
T2  - Im Angesicht sozialer Roboter - Emotionale Reaktionen angesichts sozialer Roboter
KW  - Roboter
KW  - social robot
KW  - emotion
KW  - FACS
KW  - Facial Action Coding System
KW  - facial expressions
KW  - emotional reaction
KW  - Human-Robot Interaction
KW  - HRI
KW  - obedience
KW  - empathy
KW  - Gefühl
KW  - Mimik
KW  - Mensch-Maschine-Kommunikation
Y1  - 2020
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-187131
SN  - 978-3-95826-120-4
SN  - 978-3-95826-121-1
N1  - Parallel erschienen als Druckausgabe in Würzburg University Press, 978-3-95826-120-4, 27,80 EUR.
PB  - Würzburg University Press
CY  - Würzburg
ET  - 1. Auflage
ER  - 
TY  - THES
A1  - Wandtner, Bernhard
T1  - Non-driving related tasks in highly automated driving - Effects of task characteristics and drivers' self-regulation on take-over performance
T1  - Fahrfremde Tätigkeiten beim hochautomatisierten Fahren - Einfluss des Aufgabentyps und der Selbstregulation auf die Übernahmeleistung
N2  - The rise of automated driving will fundamentally change our mobility in the near future. This thesis specifically considers the stage of so called highly automated driving (Level 3, SAE International, 2014). At this level, a system carries out vehicle guidance in specific application areas, e.g. on highway roads. The driver can temporarily suspend from monitoring the driving task and might use the time by engaging in so called non-driving related tasks (NDR-tasks). However, the driver is still in charge to resume vehicle control when prompted by the system. This new role of the driver has to be critically examined from a human factors perspective.
The main aim of this thesis was to systematically investigate the impact of different NDR-tasks on driver behavior and take-over performance. Wickens’ (2008) architecture of multiple resource theory was chosen as theoretical framework, with the building blocks of multiplicity (task interference due to resource overlap), mental workload (task demands), and aspects of executive control or self-regulation. Specific adaptations and extensions of the theory were discussed to account for the context of NDR-task interactions in highly automated driving.
Overall four driving simulator studies were carried out to investigate the role of these theoretical components. Study 1 showed that drivers focused NDR-task engagement on sections of highly automated compared to manual driving. In addition, drivers avoided task engagement prior to predictable take-over situations. These results indicate that self-regulatory behavior, as reported for manual driving, also takes place in the context of highly automated driving. Study 2 specifically addressed the impact of NDR-tasks’ stimulus and response modalities on take-over performance. Results showed that particularly visual-manual tasks with high motoric load (including the need to get rid of a handheld object) had detrimental effects. However, drivers seemed to be aware of task specific distraction in take-over situations and strictly canceled visual-manual tasks compared to a low impairing auditory-vocal task. Study 3 revealed that also the mental demand of NDR-tasks should be considered for drivers’ take-over performance. Finally, different human-machine-interfaces were developed and evaluated in Simulator Study 4. Concepts including an explicit pre-alert (“notification”) clearly supported drivers’ self-regulation and achieved high usability and acceptance ratings.
Overall, this thesis indicates that the architecture of multiple resource theory provides a useful framework for research in this field. Practical implications arise regarding the potential legal regulation of NDR-tasks as well as the design of elaborated human-machine-interfaces.
N2  - In den nächsten Jahren wird die Fahrzeugautomatisierung stufenweise immer weiter zunehmen. Im Fokus dieser Arbeit steht das Hochautomatisierte Fahren (HAF), bei dem ein System in definierten Anwendungsbereichen, z.B. auf Autobahnen, die Fahraufgabe vollständig übernehmen kann (Level 3; SAE International, 2014). Der Fahrer muss das Verkehrsgeschehen nicht mehr überwachen, jedoch bereit sein, nach Aufforderung durch das System die Fahraufgabe wieder zu übernehmen. Bisherige Forschung legt nahe, dass Fahrer die freigewordene Zeit oftmals zur Beschäftigung mit sog. fahrfremden Tätigkeiten (FFTs) nutzen werden.
Die vorliegende Arbeit beschäftigt sich mit den Herausforderungen, die diese neue Rolle des Fahrers mit sich bringt. Der Fokus liegt auf dem Einfluss unterschiedlicher FFTs auf die Übernahmeleistung und der Frage, inwieweit Fahrer den Umgang mit FFTs an die situativen Bedingungen anpassen. Die Theorie der multiplen Ressourcen (Wickens, 2008) wurde dabei als Rahmenmodell gewählt und für den spezifischen Anwendungsfall von HAF-Systemen ausgelegt.
In vier Fahrsimulatorstudien wurden die unterschiedlichen Komponenten der Theorie untersucht. Studie 1 beschäftigte sich mit dem Aspekt der Ressourcenallokation (Selbstregulation). Die Ergebnisse zeigten, dass Fahrer die Beschäftigung mit einer prototypischen FFT an die Verfügbarkeit des HAF-Systems anpassten. Die Tätigkeit wurde bevorzugt im HAF und nicht im manuellen Fahrbetrieb durchgeführt und vor Übernahmesituationen wurden weniger Aufgaben neu begonnen. Studie 2 betrachtete den Aspekt der Interferenz zwischen FFT und Fahraufgabe. Die Modalitäten einer FFT wurden dazu systematisch variiert. Dabei zeigte sich, dass insbesondere visuell-manuelle Tätigkeiten mit hoher motorischer Beanspruchung (z.B. ein in der Hand gehaltenes Tablet) die Übernahme erschwerten. Fahrer schienen sich der Ablenkung bewusst zu sein und brachen diese Art von Aufgaben bei der Übernahme eher ab. Studie 3 ergab Hinweise, dass neben den Aufgabenmodalitäten auch kognitive Beanspruchung die Übernahmeleistung beeinträchtigen kann. Studie 4 beschäftigte sich mit der Mensch-Maschine-Schnittstelle (HMI) für HAF-Systeme. Die Ergebnisse ergaben, dass eine explizite Vorankündigung von Übernahmesituationen die Selbstregulation des Fahrers unterstützen kann.
Die Arbeit zeigt die Eignung der multiplen Ressourcentheorie als Rahmenmodell für Forschung im Bereich HAF. Praktische Implikationen ergeben sich für mögliche gesetzliche Regelungen über erlaubte Tätigkeiten beim HAF, genauso wie konkrete HMI-Gestaltungsempfehlungen.
KW  - Autonomes Fahrzeug
KW  - Fahrerverhalten
KW  - automated driving
KW  - human-automation interaction
KW  - driver behavior
KW  - driver distraction
KW  - Automatisiertes Fahren
KW  - Mensch-Maschine-Interaktion
KW  - Fahrerablenkung
KW  - Automation
KW  - Verkehrspsychologie
KW  - Mensch-Maschine-Kommunikation
Y1  - 2018
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-173956
ER  - 
TY  - THES
A1  - Muth, Felicitas Vanessa
T1  - Step by step: Sense of agency for complex action-event sequences
T1  - Schritt für Schritt: Sense of Agency in komplexen Handlungs-Effekt Sequenzen
N2  - From simply ringing a bell to preparing a five-course menu, human behavior commonly causes changes in the environment. Such episodes where an agent acts, thereby causing changes in their environment constitute the sense of agency. In this thesis four series of experi-ments elucidate how the sense of agency is represented in complex action-event sequences, thereby bridging a gap between basic cognitive research and real-life practice. It builds upon extensive research on the sense of agency in unequivocal sequences consisting of single ac-tions and distinct, predominantly auditory, outcomes. Employing implicit as well as explicit measures, the scope is opened up to multi-step sequences.
The experiments show that it is worthwhile devoting more research to complex action-event sequences. With a newly introduced auditory measure (Chapter II), common phenomena such as temporal binding and a decrease in agency ratings following distorted feedback were replicated in multi-step sequences. However, diverging results between traditional implicit and explicit measures call for further inspection. Multisensory integration appears to gain more weight when multiple actions have to be performed to attain a goal leading to more accurate representations of the own actions (Chapter III). Additionally, freedom of choice (Chapter III) as well as early spatial ambiguity altered the perceived timing of outcomes, while late spatial ambi-guity (Chapter IV) and the outcome’s self-relevance did not (Chapter V). The data suggests that the cognitive system is capable of representing multi-step action-event sequences implicitly and explicitly. Actions and sensory events show a temporal attraction stemming from a bias in the perception of outcomes. Explicit knowledge about causing an event-sequence facilitates neither feelings of control nor taking authorship. The results corroborate current theorizing on the un-derpinnings of temporal binding and the divergence between traditional implicit and explicit measures of the sense of agency. Promising avenues for further research include structured analyses of how much inferred causality contributes to implicit and explicit measures of agency as well as finding alternative measures to capture conceptual as well as non-conceptual facets of the agency experience with one method.
N2  - Vom Läuten einer Klingel bis hin zum Kochen eines Fünf-Gänge Menüs – menschliches Handeln verändert die Umwelt. Situationen, in denen eine Person handelt und so 
Veränderungen in ihrer Umgebung bewirkt, konstituieren den Sense of Agency. Diese Arbeit präsentiert vier Experimentalreihen, die die Repräsentation des Sense of Agency in komplexen Handlungs-Ereignis-Sequenzen erforschen und so eine Brücke zwischen kognitiver Grundla-genforschung und Alltagspraxis schlagen. Aufbauend auf umfangreicher Forschung zum Sense of Agency in Sequenzen aus einzelnen Handlungen und eindeutigen, vorwiegend auditiven Handlungseffekten wird der Forschungsbereich durch Einsatz impliziter sowie expliziter Maße auf mehrschrittige Sequenzen erweitert.
Mittels eines neuen auditiven Maßes (Kapitel II) wurden gängige Phänomene wie Temporal Binding und die Abnahme von Agency Ratings nach verfremdetem Feedback in mehrschrittigen Sequenzen repliziert. Müssen mehrere Handlungen ausgeführt werden, um ein Ziel zu 
erreichen, scheint multisensorische Integration stärker ins Gewicht zu fallen, was zu genaueren Repräsentationen der eigenen Handlungen führt (Kapitel III). Darüber hinaus veränderten Wahl-freiheit (Kapitel III) und frühe räumliche Ambiguität das wahrgenommene Timing von Hand-lungseffekten, späte räumliche Ambiguität (Kapitel IV) sowie Selbstrelevanz des Handlungsef-fekts taten dies nicht (Kapitel V). Die Daten deuten darauf hin, dass das kognitive System mehrschrittige Handlungs-Ereignis-Sequenzen sowohl implizit als auch explizit repräsentieren kann. Die zeitliche Kompression von Handlungs-Ereignis-Sequenzen ist auf eine Verzerrung der Wahrnehmung von Handlungseffekten zurückzuführen. Explizites Wissen über die Verursa-chung von Ereignis-Folgen fördert weder Kontrollerleben noch das Gefühl eigener Autoren-schaft. Die 
Ergebnisse bestätigen den derzeitigen Diskurs über die Grundlagen von Temporal Binding und die Divergenz zwischen den traditionellen impliziten und expliziten Maßen des Sense of Agency. Strukturierte Analysen zum Beitrag von Kausalität zu Sense of Agency sowie die Ent-wicklung alternativer Methoden zur Erfassung konzeptueller wie nicht-konzeptueller Facetten des Sense of Agency mit einem Maß würden zur Weiterentwicklung des Forschungsbereichs beitragen.
KW  - Psychologie
KW  - Experimentelle Psychologie
KW  - Mensch-Maschine-Kommunikation
KW  - Sense of agency
KW  - Temporal binding
KW  - Feelings of agency
KW  - Judgements of agency
KW  - Multisensory integration
KW  - Causality
KW  - Handlungserleben
KW  - Cognitive control
KW  - Kognitive Psychologie
KW  - Handlungsregulation
KW  - Kognitionspsychologie
KW  - Handlungssteuerung
Y1  - 2023
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-307569
ER  -