提高概念地图中的用户信心:探索数据驱动的解释
作者
可解释人工智能(XAI)算法透明度与可审计性数据科学家与分析师HCI 研究员
自动工具越来越多地被用于生成高度吸引人的概念图,以辅助战略规划和其他决策任务。然而,除非利益相关者能够理解底层布局过程的基本原理,否则我们发现他们缺乏信心,因此不愿意使用这些地图。在本文中,我们通过与十位参与者进行深入的情景访谈,介绍了一项定性研究,探讨了使用数据驱动解释机制对用户信心的影响。为了在刺激和方法上提供多样性,我们使用了两种基于投影和聚合布局方法的解释机制。我们的结果表明,数据驱动的解释以多种方式提高了用户信心,并且过程清晰度和布局密度也影响了用户对概念图可信度的看法。我们讨论了这些因素如何增加自动工具的采用并影响用户信心。
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。
- 80%
解释作为支持算法透明度的机制
CHI '18· 可解释人工智能(XAI) +1
- 75%
从哲学到界面:一种受Achinstein解释理论启发的解释方法和工具
IUI '21· 可解释人工智能(XAI) +1
- 75%
视觉、文本或混合:用户体验对不同解释效果的影响
IUI '21· 可解释人工智能(XAI) +1
- 75%
我明白了,AI!可解释人工智能中的解释深度错觉
IUI '21· 可解释人工智能(XAI)
- 67%
信任我们:手机使用模式可以预测个人信任倾向
CHI '18· 大语言模型(LLM)的人机协作 +2
- 67%
评估来自不同计算机视觉处理阶段的反馈效果:一项比较实验室研究
CHI '19· 可解释人工智能(XAI) +2
- 67%
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
- 67%
表达方式会影响决策吗?探讨AI解释语气对决策制定的影响
CHI '25· 可解释人工智能(XAI) +2
- 67%
红队测试LLM作为社会技术实践:从探索与数据创建到评估
CHI '26· 可解释人工智能(XAI) +2
- 67%
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
一眼看懂
fact_check论文快照
dataset
来源
CHI
calendar_month
年份
2018
emoji_events
奖项
未标记奖项
group
作者
5 位作者
sell
研究子方向
可解释人工智能(XAI)、算法透明度与可审计性
work
职业/产业
数据科学家与分析师、HCI 研究员
article
内容状态
仅摘要
hub
相关论文
10 篇相关论文