通过设计研究人工智能的可读性
可解释人工智能(XAI)AI 辅助决策与自动化系统算法透明度与可审计性UI/UX 设计师AI/ML 研究员与工程师HCI 研究员
日常与计算机的互动越来越可能涉及人工智能(AI)的元素。AI涵盖了广泛的技术和应用,为HCI和设计带来了许多挑战。其中一个挑战是以有意义的方式使用户能够理解给定系统中AI的作用。在本文中,我们采用设计研究(RtD)方法来探讨如何实现这一目标。基于当前的关注点和对相关研究的深入探索,我们的RtD过程反思了旨在帮助用户提高AI可读性的设计图像。本文做出了三项贡献。首先,我们深入探讨了先前的研究,以批判性地剖析AI可读性问题空间。其次,我们提出了旨在增强用户对使用AI的系统可读性的设计提案。第三,我们探讨了设计主导的探究作为批判性探索HCI和AI研究交汇点的工具的作用。
研究问题 / 现实痛点
这篇论文在当前问题库中对应的问题线索。
当前问题库还没有收录这篇论文的问题与痛点。
- 83%
可解释、可问责和可理解系统的趋势与轨迹:一项HCI研究议程
CHI '18· 可解释人工智能(XAI) +2
- 75%
神经透明性:用于预测模型行为的可解释性接口服务于个性化AI
IUI '26· 可解释人工智能(XAI) +4
- 71%
重新审视人类与AI交互的独特设计难度及其原因
CHI '20· 生成式AI(文本、图像、音乐、视频) +2
- 71%
通过交互重建评估生成模型的可解释性
CHI '21· 可解释人工智能(XAI) +2
- 71%
测量和理解自动化系统的信任校准:一项关于最新技术和未来方向的综述
CHI '23· 可解释人工智能(XAI) +2
- 71%
注意差异:设计师和标准在用户算法系统透明度方面的设计
CHI '24· 可解释人工智能(XAI) +2
- 71%
RELIC:使用自我一致性调查大型语言模型的响应
CHI '24· 可解释人工智能(XAI) +2
- 71%
基于LLM的搜索对决策制定的影响:速度、准确性和过度依赖
CHI '25· 大语言模型(LLM)的人机协作 +2
- 71%
用户何时应该检查?多步骤智能体人工智能任务中确认频率的建模
CHI '26· AI 辅助决策与自动化系统 +2
- 71%
Comparables XAI:具有反事实轨迹调整的忠实基于示例的人工智能解释
CHI '26· 可解释人工智能(XAI) +2
基于研究子主题与职业分类的 Jaccard 相似度(≥60%)
快捷操作
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3313831.3376792
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2020
emoji_events
奖项
未标记奖项
group
作者
4 位作者
sell
研究子方向
可解释人工智能(XAI)、AI 辅助决策与自动化系统、算法透明度与可审计性
work
职业/产业
UI/UX 设计师、AI/ML 研究员与工程师、HCI 研究员
article
内容状态
仅摘要
hub
相关论文
10 篇相关论文