用户对在线评价平台上算法不透明性和透明性的态度
作者
可解释人工智能(XAI)AI 伦理、公平与问责算法透明度与可审计性
算法在整理在线信息方面具有巨大的影响力,但其操作往往是不透明的,甚至其存在也是不为人知的。由于不透明的算法有时会做出有偏见或欺骗性的决策,许多人呼吁增加透明度。然而,对于用户如何感知和与潜在有偏见和欺骗性的不透明算法互动,人们知之甚少。哪些因素与这些感知有关,将透明度添加到算法系统中如何改变用户的态度?为了解决这些问题,我们进行了两项研究:1)分析了242名用户关于Yelp评论过滤算法的在线讨论;2)通过一个工具向15名Yelp用户披露算法的存在,进行了一项访谈研究。我们发现,用户根据他们与算法的互动以及从算法中获得的个人收益来质疑或辩护这种算法及其不透明性。我们还发现,将透明度添加到算法中改变了用户对算法的态度:用户报告说,他们打算在未来评论中为算法撰写内容,或者离开该平台。
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。
- 100%
'将一个人简化为一个百分比'; 对算法决策中正义的看法
CHI '18· 可解释人工智能(XAI) +2
- 100%
从终端用户视角看日常场景的可解释人工智能:非使用、顾虑与理想设计
DIS '25· 可解释人工智能(XAI) +2
- 75%
互动决策中的概率权重:不良辅助过度使用,良好辅助使用不足的证据
CHI '22· 可解释人工智能(XAI) +3
- 67%
什么是有吸引力的?对算法决策审查过程的看法
CHI '22· 可解释人工智能(XAI) +1
- 60%
官僚主义作为分析和设计算法系统的镜头
CHI '20· 可解释人工智能(XAI) +2
- 60%
扩展可解释性:迈向AI系统的社会透明度
CHI '21· 可解释人工智能(XAI) +2
- 60%
(超越)合理怀疑:公共辩护人在法庭上审查AI时面临的挑战
CHI '24· 可解释人工智能(XAI) +2
- 60%
HILL:用于大型语言模型的幻觉识别器
CHI '24· 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
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2019
emoji_events
奖项
未标记奖项
group
作者
6 位作者
sell
研究子方向
可解释人工智能(XAI)、AI 伦理、公平与问责、算法透明度与可审计性
work
职业/产业
—
article
内容状态
仅摘要
hub
相关论文
8 篇相关论文