分心驾驶研究文献计量学分析

郭凤香，曲思柔，万华森，陈瑶，李京阳

(1.昆明理工大学，交通工程学院，昆明 650504；2.云南省交通科学研究院有限公司，昆明 650200)

0 引言

驾驶人作为道路交通系统的主体，同时，也是道路交通安全的薄弱之处，道路交通系统中93%以上的交通事故与人因有关[1]，在众多的人因相关的交通事故中，由分心驾驶导致的事故占据了相当大的比重。根据美国国家公路交通安全管理局(National Highway Traffic Safety Administration,NATHA)的调查统计[2]，近80%的车辆碰撞和65%的临界碰撞是驾驶人分心和注意力不集中所致。中国公安部交管局的统计数据显示，仅在2014年，全国简易交通事故(财产轻微损失和人员轻微受伤的交通事故)因分心驾驶导致的有309.9 万起，占47.22%；一般以上交通事故中，因分心驾驶导致的有74746起，占37.98%，直接财产损失4.58亿元。

车辆自动化、车载信息和娱乐系统以及智能手机的发展，使专注驾驶变得更加困难，分心相关的事故比例上升，驾驶分心已经成为重要且日益严重的安全问题。因此，学术界和有关部门对分心驾驶进行了广泛研究，包括但不限于分心驾驶风险[3-4]、分心源及次任务[5-7]、分心检测[8-9]等。此外，针对分心驾驶相关研究的综述也越来越多，但已有研究通常针对特定主题，例如，手机分心对驾驶表现的影响[10]，广告牌对驾驶人视觉行为的影响[11]，年轻驾驶人的行为管理策略[12]，分心检测方法[13]以及分心驾驶研究的性能指标[14]等。也有少数综述进行了综合研究，例如，葛慧敏等[15]从数据获取方式、指标选取及识别方法等方面详细回顾和分析驾驶分心研究，但仍缺乏从宏观上对分心驾驶不同研究角度和方向的研究进展进行系统性地梳理和总结的研究。

文献计量学是一种成熟的文献分析和信息挖掘方法，在定量和模型化宏观研究方面具有显著的客观性和优势。其以科学文献的外在特征为研究对象，研究文献的分布结构、数量关系和变化规律[16]。与一般的文献综述相比，文献计量学研究能够调查更多的数据，以保持高水平的严谨性、科学合理性、透明度和可复制性[17-18]。在道路安全研究领 域，2018 年ZOU 等[19]首 次 使 用SCI2 及VOSviewer 这2 种软件进行文献计量分析，且重点分析了道路安全领域的研究主题及趋势。本文使用VOSviewer和R-Bibliometrix这2种软件，可视化分析文献的总体情况、研究热点及发展，挖掘分心驾驶研究现状及趋势，并在此基础上展望未来可能的发展方向，以期为相关领域学者的研究提供参考。

1 方法和数据来源

1.1 数据集获取

本文所选用于分析的文献来自Web of Science核心数据集，针对关键词“driving distraction”进行英文文献检索，由于分心也会涉及到医学相关的研究，因此，此类主题中包含大量医学相关文献。为避免对研究结果产生影响，筛选并去除了医学类别的文献，例如，chemistry(化学)、pediatric(儿科)及psychiatry(精神病学)等。截止2022年4月10日，最终获得2313篇英文文献，包括期刊论文、研究综述及会议论文。

1.2 数据处理

由于文献计量学方法强调统一数据的一致性，因此，在定义数据集后，需要处理数据，由于本文所选文献仅来自于1个数据库，不会涉及到作者姓名和期刊的不一致性，所以，只需处理关键词的一致性，即术语统一性。众多论文对同一事物的描述使用了不同的术语，例如，secondary tasks 和secondary task，visual-attention和visual attention，以及同一事物的不同表达，例如cell phone，mobile phone和smart phone。术语不统一会对数据分析的严谨性带来极大的隐患，因此，术语统一性是数据处理的核心。

1.3 研究方法

本文使用R-Bibliometrix 和VOSviewer 进行文献计量学分析。通过回顾近12 年来(2010—2022年)在分心驾驶领域的2313篇文献回答6个问题：在分心驾驶领域的研究中，(1)分心驾驶的发展和关注如何，哪些国家的研究成果占主导地位；(2)该研究领域的核心作者及其研究方向；(3)该领域的核心期刊；(4)该领域的高影响力研究成果；(5)该领域的研究热点及其不足；(6)该领域的发展趋势。通过解决以上问题，可以理清分心驾驶领域的发展脉络，明确目前领域内重点关注的主题及研究进展，并通过分析其存在的不足对未来研究提出建议，为之后相关领域的研究者提供一定的参考。

2 分心驾驶研究总体情况

2.1 文献年变化趋势分析

文献出版状况在一定程度上直接反映了某一学科或领域的研究水平和研究热度。在Web of Science核心数据库中统计分心驾驶文献。在统计时期内，关于分心驾驶的文献最早是1993 年由MCKNIGHT 等[20]发表的研究论文“The effect of cellular phone use upon driver attention”。鉴于“不正确的观察”“不注意”被认为是导致汽车事故的两个主要因素，作者通过研究评估了第1批投入使用的蜂窝电话系统对驾驶人关注公路交通环境能力的影响。之后，1994—2000年的发文量始终是个位数，分心驾驶的讨论度和研究关注度仍然很低。2001—2010年发文量开始缓慢增大，说明分心驾驶开始受到关注。从2011 年开始，分心驾驶研究出现显著增长趋势，尤其是从2010 年的70 篇增至2019年的295篇，充分显示该领域的研究成果在这10 年进入了快速增长时期。分心驾驶领域发文趋势如图1所示。

图1 分心驾驶领域发文趋势Fig.1 Posting trends of distracted driving

2.2 国家分布

国家文献的数量代表着一个国家在学科领域的研究投入，并在一定程度上反映了该领域的重要性和影响力，文献的国家分布可以显示该研究领域的受关注程度。美国是贡献文章数量最多的国家(807 篇，占所有文章的34.89%)，其次是中国(295篇，占12.75%)，德国(218 篇，占9.42%)，英国(200篇，占8.65%)和澳大利亚(182 篇，占7.87%)。10 篇及以上相关成果的38个国家在时间维度上的分布如图2所示，网络中的节点大小表示该国家的发文数量，节点深浅表示该国家研究时间早晚。

图2 分心驾驶研究国家分布及各国发展情况Fig.2 Country distribution of distracted driving research and development by country

由图2 可知，研究分心驾驶较早的国家有法 国、德国、日本、韩国和美国，之后，在澳大利亚、加拿大和欧洲其他国家(例如，意大利和荷兰)发展，近年来，中国和印度等国家对该领域的关注也在快速增加。由此可见，分心驾驶已经引起了全球科研人员的注意。

2.3 核心作者

高被引作者形成科研群体的实质核心，学科领域内的核心作者们极大地影响着学科的发展方向及发展速度，并对非核心研究人员有重要指导意义。作者的H 指数等于其发表了H 篇至少被引用H次的论文，G指数是H指数的衍生指数，是H指数的非常有用的补充。由此得出分心驾驶领域前10位最有影响力的作者如表1所示，与近年来发表论文的频率相结合，可以挖掘出分心驾驶领域的核心作者如图3所示。

表1 前10位高影响力作者Table 1 Top 10 high impact authors

图3 核心作者产出随时间变化Fig.3 Top10 authors'production over time

REIMER B.、YOUNG K.L.和MEHLER B.等研究人员无论从发表文献数、H 指数还是G 指数，都是统计时期内分心驾驶领域最核心的3位作者，同时，REIMER B.也是10 位核心作者中最早开始研究分心驾驶的研究人员之一。他们从驾驶行为和心理等角度，在不同特征的驾驶人的视角下，探讨分心驾驶的主题，分析驾驶分心时的自我调节与风险补偿、视觉和认知行为及分心驾驶的表现和影响等方面。而DONMEZ B.，YANNIS G.和GUO F.虽然发文量排在前10，但据其H指数和G指数可以看出，他们在分心驾驶研究领域的影响力相对较低。 另一个相关事实是，虽然OVIEDOTRESPALACIOS O.不是该领域发表论文最多的作者，但从2016年开始研究分心驾驶起，发表文章的数量和质量都比较高。

2.4 核心期刊

对核心期刊的探索有助于拓展该领域学者未来选择目标期刊的研究视角。文献在期刊上的分布遵循布拉德福定律(Bradford's Law)，定量描述科学论文在相关期刊中，集中与离散状况的1 个规律。H指数不仅可以用来评价学者的学术影响力，还可以综合评价期刊的发表质量和数量，从而用来评价期刊的影响力。本文使用Bibliometrix对所选文献按照布拉德福期刊划分规则，将某一研究领域的载文期刊划分为3个区域(核心区、相关区及离散区)，得到位于核心区的分心驾驶领域的8个期刊如表2所示，并计算各期刊的H指数。

表2 分心驾驶领域核心期刊Table 2 Core journals publishing on distracted driving

布拉德福定律的核心区的期刊排序是根据期刊的文献数，而H 指数则是依据影响力，从表3 可以看出，两者的排序并不完全一致。但无论是依据布拉德福定律还是H 指数，Accident Analysis and Prevention 和Transportation Research Part F 都是最核心的2本期刊。从期刊分布中也可以看出，分心驾驶领域的研究方向包括交通安全、人因心理及行为以及智能交通这3个方向。

3 分心驾驶研究热点与趋势

3.1 高影响力文献

对最有影响力的文章进行内容分析，可以调查学科的主题演变和作者的专业程度，有助于确定该学科的“隐藏模式”，并对未来研究提出建议。被引频次在一定程度上表征了文献的学术影响力，按引用次数排列的最有影响力的论文如表3 所示。本地引用(LCS)指文献在所选数据集中的引用情况，可以快速定位一个领域的经典文献；全球引用(GCS)指文献的所有被引次数，即被全球科学家关注程度。被引频次最高的文献为2016 年DINGUS等[21]在Proceedings of the National Academy of Sciences 期刊上发表的论文“Driver crash risk factors and prevalence evaluation using naturalistic driving data”，研究采用美国国家科学院赞助的NDdataset数据集进行分析，在其研究结果中，最显著的发现是分心对驾驶人安全的高危害，尤其是手持电子设备的高使用率和高风险。其次为REGAN等[22]于2011 年发表在Accident Analysis and Prevention 上 的“Driver distraction and driver inattention: Definition, relationship and taxonomy”，专门讨论了分心驾驶的基础问题：分心与注意不集中的定义、关系和分类。2 篇论文旨在解决分心驾驶研究的基本问题，是研究和认识分心驾驶的基础。此外，分心驾驶中有关手机使用的研究也颇受关注，相关高被引的论文包含OVIEDOTRESPALACIOS O.(2016)、OWENS J.M.(2011)以及CHOUDHARY P.(2017)。

表3 最具影响力的分心驾驶研究论文(按本地引用数量)Table 3 Most influential publications on distracted driving by number of citations

3.2 研究热点

文章的关键词可以表达其主要内容，其频率可以衡量特定领域相关主题的重要性。因此，结合关键词的出现频率进行共现分析，能够探讨表达研究主题或研究方向的专业术语出现在文献中的现象，展示学科的研究内容和结构。针对全部文献以关键词出现次数20 次及以上为标准进行筛选，得到关键词聚类关系网络如图4 所示，并依据聚类结果得到分心驾驶研究5 大研究热点：注意力机制、分心源、分心驾驶风险及年轻驾驶人分心行为、分心驾驶检测和自动驾驶下的分心效应，如表4所示。

表4 分心驾驶研究热点Table 4 Research hotspot of distracted driving

图4 分心驾驶关键词聚类网络Fig.4 Distracted driving keywords co-occur on web

3.2.1 热点1注意力机制

解决驾驶人的分心需要一个明确的定义和理论方向，以下的定义反映了许多关于驾驶人分心定义的整合，即“驾驶人的分心是注意力从对安全驾驶至关重要的活动中转移到与之竞争的活动上”[22]。在驾驶过程中，注意力是所有知觉和认知操作的核心属性，其典型特征是容量受限[30-31]，前面的定义也充分的反应了这一点。分心驾驶的研究通常集中在注意力资源，并认为分心是由于过度的工作量淹没了驾驶人有限的注意资源。因此，信息加工视角和双任务范式框架了许多分心相关的研究。但同时也有研究认为，随着车辆自动化的发展，分心发生在低工作量的情况可能会更加常见[32]。

在CHUN 等[31]的描述中，注意机制分为3 个阶段：选择、调节和警惕。注意力选择是所有注意形式的核心功能；调节阶段中注意力决定了目标信息的处理程度、任务和响应的执行速度和准确性，以及事件是否会被遗忘；警惕阶段能够体现较长时间内保持注意的能力。注意力可以分为外部注意力和内部注意力，外部注意力涉及通过感官选择感知信息，并根据刺激特征或它们如何组织成物体，在空间、时间和形态上进行分配；内部注意力涉及认知控制过程，并对工作记忆、长期记忆、任务规则、决策和反应中的表征进行操作。因此，可以得出结论，即使驾驶人的注意力被分心源转移，但从持续的驾驶中解脱出来关注分心物主要是由内部注意力驱动的。即检测到单一类型的分心并不能表征完整的分心过程，并且在驾驶过程中参与和摆脱驾驶分心均会涉及到认知控制。而究竟是什么促使和影响了驾驶人从事非驾驶活动并且未能参与驾驶活动，“安全陷阱”[33]的概念为驾驶人分心和自我调节提供了有用的视角。

LEE J.D.[32]认为，关于注意力的两个理论观点有助于理解分心：注意力资源和注意动力学，目前，大多数关于驾驶分心的理论研究均是基于这两方面。与国外相比，国内对驾驶分心形成和消散的演化机理研究几乎是空白，有关分心恢复的研究更为少见。通过研究演化机理可以对驾驶分心过程有更加深刻的认知，也有助于及时检测和预警。

3.2.2 热点2分心源

分心任务的来源可能来自外部环境，也可能起源于内部，起源于内部的现象被称为认知分心，受年龄[34]、性别[35]及驾驶经验[36]等个体属性的影响。YOUNG等[28]的综述将来自外部环境的分心源分为3类：基于技术的，基于非技术的以及车外的。基于技术的分心包括使用车内信息系统，例如，使用手机通话(是否免提)[5,37]、发短信[38-39]，使用GPS搜索地址[40]和车辆人机交互界面[6]。使用手机同时涉及到视觉、认知、操作及听觉这4类分心，由于其复杂性和重要性，许多研究人员从不同的角度关注这个问题[41-44]。非技术性分心包括但不限于与乘客交谈[45]、吃喝[38]及化妆，也会导致不止一种类型的分心。车外分心涉及到驾驶过程中的视觉和认知能力，建筑物、广告牌[7]、信息标志[46]及交叉口停车[47]等都可能会使驾驶人产生此类分心。因此，驾驶分心的来源不太可能由单一的分心类型表示，两种或两种以上分心类型或现象的组合可以捕捉到更现实的情况。普遍情况下认为具有高视觉手动需求的次要任务(例如，在手机上执行的视觉手动任务)产生的影响最大[48]。

当前对于分心驾驶的研究主要集中在手机使用和车载信息系统(In-Vehicle Information Systems,IVIS)交互等方面，并且目前关于驾驶人分心的研究倾向于在每个单独的研究中关注1种分心源，而不是同时调查多种分心源的不同影响。对分心类型的研究也更聚焦于认知分心和视觉分心，对听觉分心和操作分心的研究较少。

3.2.3 热点3分心驾驶风险及年轻驾驶人分心行为

(1)分心驾驶风险

分心驾驶会导致驾驶人反应延迟以及车辆控制和应激能力下降，心理负荷增加，干扰驾驶行为或阻碍驾驶人及时感知道路环境和危险，从而不能迅速采取适当的行动防止事故的发生。在对分心驾驶风险的研究中，由于其高发性和高风险性，驾驶人的手机使用是最受关注的重点。一项流行病学研究发现，手机通话会将车祸风险增加4 倍[49]。ASBRIDGE 等[50]报告称，当驾驶人使用手机时，肇事概率增加70%。

在对分心驾驶风险的研究中，通过交通事故数据分析或使用模拟驾驶实验是大多数研究者选择的方法，近年来，自然驾驶数据集也逐渐受到研究人员的关注。分析事故数据是最直接有效的方法，但实际的数据获取却并不容易，因此，大多数研究通过实验获取驾驶表现以评价驾驶分心对驾驶安全的影响。与正常驾驶相比，分心驾驶将导致驾驶人在驾驶绩效、头部和眼动及生理心理特性等方面有显著性差异，因此，常见的评价指标包括反应时间、横向车辆控制[51-52]、速度[53]、车头时距[54]、眼动[46,55]、脑电[56]和碰撞[50]等。

目前，分心驾驶风险相关研究大多数是通过选取的指标变化反应驾驶风险，但对于指标的选取并没有确定的标准，应建立一套标准的指标体系以提高研究的有效性，并研究不同驾驶分心类型的影响程度。未来研究的数据来源也可以更多元化，例如，利用手机和智能手表等智能终端采集分心行为数据。此外，meta分析也可以用来分析分心驾驶风险，CAIRD 等[57]在2008 年已经用于手机使用对驾驶表现的研究上，但国内在此方面的研究比较匮乏。

(2)年轻及新手驾驶人分心行为

由于年轻及新手驾驶人存在经验较少的共性，现有研究经常将“年轻驾驶人”“新手驾驶人”合并为“年轻新手驾驶人”进行研究。随着社会的进步与发展，越来越多的中年甚至老年人开始学习机动车，这一群体还未得到重视。年轻驾驶人与较年长的驾驶人相比，更容易有各种分散注意力的行为(例如，浏览手机)[21]。并且由于缺乏经验，在面临刺激时，年轻及新手驾驶人会产生错误的判断。一些研究调查了年轻及新手驾驶人的分心性，揭示了短信等认知需求活动的巨大分心效应[39,58]，以及进食和外部干扰等简单任务的干扰[59]。

现有针对年轻驾驶人的研究内容主要包括针对年轻驾驶人分心驾驶行为分析[60]、父母态度及家庭氛围对年轻驾驶人驾驶行为影响[61]，以及年轻驾驶人分心行为制定对策建议[12,62]等；针对新手驾驶人的研究，包括新手驾驶人分心行为分析[63]和新手驾驶人危险预知[36]等。

3.2.4 热点4分心驾驶检测

虽然不能消除所有驾驶分心，但驾驶人分心检测系统等新兴技术可以在一定程度上减少分心。驾驶分心的检测方法分为3类：基于驾驶人表现特征(眼动、生理心理反应、头部和身体姿势)、车辆行驶性能和混合指标。其中，驾驶性能和姿势等非侵入式测量由于对驾驶人正常驾驶影响较小受到关注，而由于注意力的分散经常伴随着视线的偏离，所以，驾驶人的视觉行为常常是判别分心的重要指标。

分心驾驶检测的核心是通过从特征指标中挖掘潜藏的关联信息从而识别分心，机器学习研究的深入使不同的分类算法被应用，例如，支持向量机[64]、AdaBoost[65]及贝叶斯网络[66]等。随后，深度学习的发展弥补了机器学习处理时间序列问题的短板，例如，WOLLMER 等[67]介绍了一种利用长短时记忆神经网络(LSTM-NN)对驾驶人进行在线分心检测的技术[67]。近年来，随着人工智能的发展，图像识别技术更加成熟，使用基于深度学习的计算机视觉进行分心检测也越来越受到研究人员的关注。分心驾驶检测重要的数据集从观察角度可以分为①侧面：东南大学驾驶姿势(South-East University Driving Posture,SEU-DP)、State Farm、开罗美国大学(American University in Cairo, AUC)；②正面：EEE BUET 分心驾驶(EEE BUET Distracted Driving, EBDD)、公路战略研究计划(Strategic Highway Research Program, SHRP2)和智能车辆与应用愿景(Vision for Intelligent Vehicles and Applications,VIVA)数据集等。常用模型包括：卷积神经网络[68]、Cascade AdaBoost[69]、YOLO[70]及高斯混合模型(GMM)等。未来研究应在分心驾驶检测的基础上提供警告，并研究提供警告的分心程度和警告方式。此外，新的深度学习方法和时空数据可以进一步发展分心驾驶检测，例如，时空双流网络和3D 神经网络等。但与此同时，如何更有效地减少神经网络参数及针对不同驾驶分心类型的识别也是未来分心驾驶检测需要解决的重要问题。

3.2.5 热点5自动驾驶下驾驶人分心效应

驾驶自动化导致了驾驶人角色的变化，从负责执行所有动态驾驶任务到监督具有不同自动化程度的自动驾驶系统中的选择性任务。涉及的驾驶自动化程度越高，驾驶人就越愿意依靠自动化允许他们完成与驾驶无关的任务，这可能会影响自动驾驶车辆的安全性和有效性。有研究显示，驾驶相关的工作量低于一定水平时，驾驶人可能会寻求从事其他活动，例如，娱乐，而不是监测和监督自动驾驶系统[71-72]，反而会对驾驶表现产生负面影响[73]。但同时也有研究表明，在自动化过程中，驾驶人一定程度的分心可能会抵消被动疲劳和睡意[74]，甚至改善人工接管的表现[75]。

在部分自动化系统中，驾驶人需要偶尔恢复对车辆的控制，涉及到了驾驶人接管车辆的问题。研究表明，驾驶人长时间脱离驾驶任务会导致其陷入被动疲劳或驾驶分心状态，从而降低接管绩效[76]。因此，车辆会通过听觉和触觉等方式提供警告，让驾驶人及时控制车辆[77]。然而，在唤起驾驶人接管控制权时，什么程度的风险和离事故现场多远才是安全的，且不会惊吓和迷惑驾驶人，仍然需要进一步的定量研究。

正如目前研究所证明的那样，驾驶人的分心会大大影响自动驾驶的投入性能。因此，未来的研究需要继续确定自动驾驶汽车中的人机界面如何使驾驶人的注意力保持在主要驾驶任务上。智能网联环境下，半自动和全自动驾驶等情况下，驾驶人多大程度上可以分心或脱离并仍然保持安全是值得关注的研究。由于自动驾驶汽车的行驶能力完全取决于控制其行为的算法，因此，在未来的道路上，分心的问题可能不在于人类驾驶人，而在于控制车辆的算法。

3.3 领域演变和发展

依据科学学科演化的4个阶段[78]构建分心驾驶的研究体系如图5所示。

图5 分心驾驶领域研究体系Fig.5 Distracted driving research system

分心驾驶行为的基础研究，例如，驾驶人分心的形成与消散的机理、诱导驾驶人分心的因素及分心驾驶对行车安全的影响，为车辆安全设施设计提供了理论支撑，也为相关交通政策与法规提供了一定理论依据。由于分心驾驶属于危险驾驶行为的一种，因此，其研究方法与驾驶行为的研究方法大致相同，即通过实验或调查等手段获取数据，并选取适当的指标和模型进行研究，使分心驾驶现象能够进一步被理解。基于对分心驾驶领域研究结果，可以初步应用于分心驾驶的识别及警告系统、车辆人机交互界面及车载设备的设计等，这几方面仍在深入探索研究中。此外，针对分心驾驶现象的危险性，有关的管理策略和法律措施也在逐渐细化和完善。

随着数据集更新与算法的发展，以统计学和人工智能算法为数据驱动，研究的准确性将得到改善和提升。同时，分心驾驶行为的机理和分心驾驶风险因素的分析结果，将有助于进一步理解驾驶行为以及驾驶人心理和行车安全之间的关联性，提高分心驾驶检测的精度，推动驾驶人分心实时监测技术和先进驾驶辅助系统(Advanced Driver Assistance System,ADAS)等车辆主动安全设备的实用化和人机交互界面优化进程，为驾驶人行为、立法、基础设施和创新技术提供改善建议。

研究的主题变化分析有助于探索整个领域的主题内容和结构随时间发生的演化关系、演化路径和演化趋势，在显示领域发展、把握发展方向和预测领域趋势方面发挥着重要作用[79]。使用Sankey图对主题的演化流程进行可视化，如图6 所示，它显示了不同的主题是如何通过十几年的时间连接和发展的，并将分心驾驶的研究分为3 个阶段：2010—2013 年，2014—2017 年 和2018—2022 年。每个节点代表主题，大小与主题中包含的关键字数量成比例，节点之间的流动代表研究主题的演变方向，宽度通常用于表示共享关键字的数量，线条越粗，两个主题的相关性就越高。

图6 分心驾驶领域主题演化图Fig.6 Theme evolution of distracted driving

由图6 可知，交通安全、驾驶模拟和手机使用在过去十几年中一直是被持续关注的话题，而热门话题则更加动态，并与其他领域融合，从人机交互到最近的自动驾驶和深度学习，显示出焦点领域的演变，全球范围内交通发展的大方向也对这一演变方向产生了重要影响。通过主题演化分析可以预测研究的发展方向和趋势，在分心驾驶领域，一些基础研究仍是备受关注的重点，例如，驾驶安全和注意力分散研究。手机使用仍是分心驾驶研究中的热门话题，并随着智能手机的发展更加受到重视。研究的数据来源仍是以模拟实验为主，但基于自然驾驶的分心研究开始受到学者们的关注，并将逐渐成为数据来源的一大支柱。此外，深度学习和自动驾驶的出现意味着基于深度学习的分心驾驶检测和高度或部分自动驾驶下驾驶人的分心效应和车辆接管效能将成为未来分心驾驶研究的两大趋势。

4 结论与展望

本文利用文献计量学梳理了Web of Science核心数据库中分心驾驶领域近12 年的研究成果，补充该领域内已有的文献综述。首先，从时间变化趋势、国家分布、领域核心作者和核心出版物这4 方面总结分心驾驶领域研究的总体情况，以确定领域目前研究概况。然后，基于领域内的高影响力文献和文章主题分析，探究分心驾驶领域研究的热点与发展趋势。得到如下结论：

(1)分心驾驶领域的研究已经进入了快速增长期，在所有国家中，美国占主要力量，中国虽研究相对较晚，但发展较快，排在第2 位。REIMER B.、YOUNG K.L.和MEHLER B.是统计时期内分心驾驶领域最核心的3 位作者，LEE J.D.和STRAYER D.L.是10位核心作者中最早开始研究分心驾驶的研究人员。Accident Analysis and Prevention 和transportation Research Part F 是驾驶分心领域影响力最大的2个期刊。

(2)高影响力文献聚焦于分心驾驶风险和分心机理等基础研究，关键词聚类显示分心驾驶的5大研究热点包括“注意力机制”“分心源”“分心驾驶风险与年轻驾驶人驾驶行为”“分心驾驶检测”“自动驾驶下的分心效应”，主题演化分析揭示了基于深度学习的分心检测和自动驾驶的接管效能将成为分心驾驶领域的研究前沿。

基于上述相关研究工作的分析，对未来研究提出以下建议：

(1)注意力机制。研究驾驶人的分心需要明确的理论方向，并了解分心行为的动机和影响因素。以注意力资源和注意动力学两个注意理论为基础，研究分心状态的形成、消散及恢复的分心过程机理，能帮助研究者更好地理解并预防分心。因此，应加强分心机理的理论研究，提高分心检测和预警的准确性。

(2)分心源。当前，对于分心驾驶的研究主要集中在手机使用和IVIS 交互等方面，并且倾向于在每个单独的研究中关注一种分心源，而不是同时调查多种分心源的不同影响。对分心类型的研究也更聚焦于认知分心和视觉分心，对听觉分心和操作分心的研究较少。因此，应进行分散性研究，扩展研究对象和场景，综合考虑车内和车外的分心源，以及复合分心的风险，为分心驾驶研究的应用提供支持。

(3)分心驾驶风险。分心驾驶研究的指标选取存在“多且杂”的问题，应建立标准化的指标体系和选取原则，并研究不同驾驶分心类型的影响程度。未来研究的数据来源也可以更多元化，例如利用手机和智能手表等智能终端采集分心行为数据。此外，meta 分析也是值得国内研究者们关注的研究方法。

(4)年轻驾驶人的驾驶行为。现有研究经常将“年轻驾驶人”与“新手驾驶人”合并为“年轻新手驾驶人”进行研究，但中年甚至老年的新手驾驶人群体还未得到重视，因此，不同年龄段的新手驾驶人的分心行为有待进一步挖掘。总结影响中国年轻和新手驾驶人的分心因素，借鉴国外的研究经验，设计和制定适用于中国驾驶人的管理对策是需要考虑的主题。

(5)分心驾驶检测。从算法模型看，机器视觉将成为分心驾驶检测的一大热点。并且，应在目前研究的基础上，进一步挖掘如何在驾驶过程中对驾驶人分心状态进行界定与等级划分，为车载信息系统、预警系统以及人车共驾状态下驾驶人状态监控的设计提供参考。此外，如何更有效地减少神经网络参数及针对不同驾驶分心类型的识别也是未来分心驾驶检测需要解决的重要问题。

(6)自动驾驶下分心效应。智能网联环境下，半自动和全自动驾驶等情况下，如何使驾驶人的注意力保持在驾驶人任务上；如果允许分心，驾驶人多大程度上可以分心或脱离并仍然保持安全是值得关注的研究。由于在进入高度自动驾驶前将会有很长一段时间的人车共驾模式，因此，半自动驾驶场景下的分心行为及接管效能，以及混合交通流下的分心状态也应受到研究者的关注。