沙迦大学的研究团队提出了一种全新的机器学习模型，能够在驾驶员真正上路前预测其发生交通事故的可能性。研究指出，道路事故多与人为失误相关，而目前在出租车和商业运输领域常用的驾驶员筛查方式，主要依赖经验判断和背景调查，难以准确识别潜在的高风险驾驶员。

这项研究发表在期刊《人工智能工程应用》上，聚焦一个关键问题：如何在驾驶员进入道路系统之前，就区分出高风险与低风险人群？为此，研究人员搭建了一个数据驱动的评估框架，将心理画像、生理监测数据以及模拟驾驶表现整合在一起进行分析。

参与实验的驾驶员首先填写结构化问卷，用于评估包括寻求刺激倾向、尽责性在内的人格特质。随后，他们在高度逼真的驾驶模拟器中完成测试，该模拟器专门仿真迪拜的城市交通环境。迪拜是一座交通高度繁忙的国际都市，其道路网络每天承载超过 350 万辆车的通行量。

研究第一作者、工业工程副教授马莱克·马斯穆迪（Malek Masmoudi）博士介绍，在模拟驾驶过程中，团队同步记录了参与者的心率以及详细的眼动数据，包括眨眼频率和视线偏离道路的情况。

在此基础上，研究人员利用机器学习模型对这一整合数据集进行分析，并根据模拟过程中发生的事故、交通违规等客观结果，将驾驶员划分为低风险和高风险两类。

区分安全驾驶员与高风险驾驶员

研究的核心价值在于其“事前预防”和“能力发展”的双重导向。通过这一框架，运输企业可以在驾驶员正式上岗前，对其风险倾向进行量化评估，而不是等到事故发生后再被动应对。

除了为更安全、更有依据的招聘决策提供支持，该模型还可作为定制化培训工具，帮助驾驶员识别自身的风险模式，提升注意力控制和自我调节能力。这不仅有助于降低事故率，也有利于构建更系统、基于证据的驾驶员培养体系。

研究团队指出，视线分散程度、寻求刺激水平、尽责性以及性别，是预测驾驶行为的关键变量。“结果显示，我们的模型可以成为出租车公司和运输机构的重要决策支持工具，通过识别事故风险较低的驾驶员，优化选拔流程。”

作者们表示，实验结果验证了所提出分类框架在区分安全驾驶员与高风险驾驶员方面的实际可行性。“这项研究为出租车公司和运输机构提供了有价值的参考，帮助他们聚焦研究中识别出的关键因素，从而改进驾驶员筛选流程，优先录用事故风险更低的候选人。”

马斯穆迪博士强调，道路安全管理不应从事故发生后才开始，而应在驾驶员被录用之前就介入。“最安全的事故，是永远不会发生的事故。因此，安全工作必须在驾驶员握住方向盘之前就启动。”

他补充说：“在工业 4.0 时代，我们已经拥有预测风险的技术工具，而不仅仅是对事故做出反应。问题不再是‘我们能否测量风险？’，而是‘为什么我们还不充分利用这些工具？’”

守纪律、负责任的人更倾向安全驾驶

研究结果表明，安全驾驶不仅取决于操作技能，还深受人格特质和视觉注意模式的影响。例如，那些视线频繁偏离道路的驾驶员，在模拟环境中发生事故的概率明显更高。

马斯穆迪博士解释称：“天性守纪律、负责任的人，往往在驾驶中表现得更加谨慎。而寻求刺激得分较高的人，也就是更偏好兴奋和冒险的人，更容易出现不安全驾驶行为。”

换言之，一些可量化的人格特征和注意习惯，与更高的事故风险呈持续关联。当这些因素被纳入机器学习模型综合分析后，出租车公司或运输机构就能以较高准确率预测驾驶风险。

研究团队指出，这些发现不仅适用于筛选环节，也可用于设计有针对性的培训方案。被识别为高风险的驾驶员，可以接受专门的注意力控制训练、压力管理课程以及安全决策能力提升计划。

对出租车公司和车队运营商而言，这种方法有望带来多重收益：事故数量下降、保险与维修成本降低、乘客安全感提升、公众信任增强，以及企业整体声誉的改善。

沙迦大学工业工程教授、论文合著者伊马德·阿尔苏夫（Imad Alsyouf）指出：“高风险驾驶并非随机行为，而是注意力模式和人格特征的可测量反映。通过结合心理学、生理学和机器学习，我们正在从基于直觉的招聘，转向基于证据的安全决策。”

面向现实场景的应用前景

阿尔苏夫教授强调，尽管模型在识别高风险驾驶员方面表现出色，“人工智能不应取代人类判断，而应通过客观数据来增强判断。我们的目标不仅是排除风险个体，更是帮助驾驶员理解自身状况并提升安全水平。”

他介绍，这项研究从一开始就面向现实应用场景进行设计。“最直接的应用，是在出租车和商业车队的招聘流程中。企业不必只依赖驾驶记录或面试印象，而是可以加入简短的模拟器测试、心理筛查和生理监测。”

更重要的是，这一框架的作用并不限于招聘阶段。马斯穆迪博士指出，该模型同样可以作为结构化培训和持续评估工具，帮助企业为不同驾驶员制定个性化的能力提升路径。

“关键优势在于，这个系统是在驾驶员真正上路之前就开始发挥作用，”他总结道，“它将安全管理从事后处理事故的被动模式，转变为提前识别风险并主动干预的预防性、发展性模式。”