Los vehículos autónomos (VA) enfrentan decisiones críticas en las interacciones con peatones, lo que requiere consideraciones éticas como minimizar el daño y priorizar la vida humana. Este estudio investiga modelos de aprendizaje automático para predecir la toma de decisiones humanas en escenarios de conducción simulados bajo diversas configuraciones de peatones y restricciones de tiempo. Se recopilaron datos de 204 participantes en 12 escenarios de conducción simulados únicos, categorizados en grupos de edad jóvenes (24.7 +/- 3.5 años, 38 hombres, 64 mujeres) y mayores (71.0 +/- 5.7 años, 59 hombres, 43 mujeres). Se registraron las decisiones binarias de los participantes para mantener o cambiar de carril. Los modelos tradicionales de regresión logística mostraron alta precisión pero consistentemente baja recuperación, luchando por identificar instancias verdaderas positivas que requerían intervención. En contraste, el algoritmo AdaBoost demostró una precisión y poder discriminatorio superiores. El análisis de la matriz de confusión reveló la capacidad de AdaBoost para lograr altas tasas de verdaderos positivos (hasta el 96%) mientras gestionaba eficazmente los falsos positivos y negativos, incluso bajo restricciones de tiempo de 1 segundo. El análisis de la curva de aprendizaje confirmó un aprendizaje robusto sin sobreajuste. AdaBoost superó consistentemente a la regresión logística, con valores de AUC-ROC que oscilaban entre 0.82 y 0.96. Mostró una fuerte generalización, con una precisión de validación que se acercaba a 0.8, subrayando su potencial para un despliegue confiable de VA en el mundo real. Al identificar consistentemente instancias críticas mientras minimiza errores, AdaBoost puede priorizar la seguridad humana y alinearse con los marcos éticos esenciales para la adopción responsable de VA.