'为什么《芝加哥》是误导性的？' 为人类构建模型驱动教程的尝试

为了用机器学习模型支持人类决策，我们经常需要阐明嵌入模型中的人类不明显、未知或违反直觉的模式。虽然现有方法侧重于通过实时辅助解释机器预测，但我们探索了模型驱动的教程，以帮助人类在培训阶段理解这些模式。我们考虑了从科学论文中获取指南的教程，类似于当前的科学传播实践，以及从训练数据中自动选择的带有解释的示例。我们使用欺骗性评论检测作为测试平台，并进行了大规模、随机的人类受试者实验，以检查此类教程的有效性。我们发现，教程确实提高了人类的表现，无论是否有实时辅助。特别是，尽管深度学习比简单模型提供了更优越的预测性能，但来自简单模型的教程和解释对人类更有用。我们的工作为人类中心的教程和解释指明了未来方向，以实现人类和AI之间的协同作用。