As a countermeasure to visual-manual distraction, auditory-verbal (or voice) interfaces are becoming increasingly popular for in-vehicle systems. This opens up new opportunities for drivers to be connected to various service domains and receive proactive personalized services, such as contextualized recommendations and interactive decision-making. However, prior studies warn that such interactions can cause cognitive distraction due to the nature of concurrent multitasking with a limited amount of cognitive resources. This thesis aims to examine and find in-vehicle opportune moments in which the negative influence on voice interaction can be minimized (e.g., when drivers can safely engage in proactive voice services successfully without difficulty). Given that there is a lack of definition about what constitutes interruptibility for voice tasks, I first defined interruptible moments by considering multiple dimensions, then collected a real-road dataset of 29 drivers by iteratively developing the experimental framework through an extensive literature review and four pilot studies. Next, I quantitatively and qualitatively examined how interruption contexts and driver behavior influence driver interruptibilty, and develop a machine learning model that infers driver interruptibilty. Finally, I discuss how my findings and the prediction model can be used to design and realize three types of flow-control mechanisms for voice interactions that can improve driver interruptibilty.
시각 인터페이스에 의한 주의분산 문제에 대한 대책으로 음성 인터페이스가 차량 내 시스템에 대중화되고 있다. 앞으로 운전자는 음성 인터페이스를 활용하여 더욱더 능동적으로 다양한 서비스업체에서 제공하는 맞춤형 대화형 서비스를 제공 받을 가능성이 생겼다. 그러나, 선행 연구에 의하면 인간의 제한된 인지정보처 리량으로 인해 음성인터페이을 통한 운전자-자동차 상호작용도 주의분산 문제를 야기 할 수 있다. 이 논문은 운전자-자동차 음성상호작용의 부정적인 영향을 최소화 할 수있는 최적의 개입 시점(예: 운전자가 안전하게, 어려움없이 자동차와 음성상호작용을 사용 할 수 있는 경우)을 조사하고 찾는 것을 목표로 한다. 기존 연구 에서 최적의 개입 시점에 대한 정의가 부족하다는 것을 감안하여, 먼저 다양한 관점과 척도를 통합적으로 고려한 개입시점 측정 모델을 정의하였다. 다음으로 반복적 프로토타입 제작 및 파일럿 테스트를 통해 실험 프레임워크를 개발하여 29 명의 운전자를 대상으로 실제 운전 중에 음성 에이전트와 수행한 상호작용 및 센서 데이터를 수집했다. 수집된 본 데이터를 활용하여 개입환경과 운전자 행동이 개입시점의 적절성에 어떤 영향을 미치는지 정량적, 정성적으로 조사하였다. 다음으로 운전 중 적절한 개입시점을 추론하는 기계 학습 모델을 개발했다. 마지막으로, 실험결과와 예측 모델을 사용하여 운전자-자동차 상호작용을 개선할 수 있는 3 가지 유형의 흐름 제어 메커니즘을 설계하고 실현하는 방법에 대해 제시하였다.
