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
作者
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AI/ML 研究员与工程师HCI 研究员
人工智能、传感器和大数据管理的进步对社会产生了深远的影响。随着这些系统增强我们的日常生活,人们理解它们并保持控制变得越来越重要。我们通过分析289篇关于解释和可解释系统的核心论文以及12,412篇引用论文,研究了HCI(人机交互)研究人员如何帮助开发负责任的系统。我们使用主题建模、共现和网络分析,从算法问责制、可解释机器学习、情境感知、认知心理学和软件可学性等不同领域绘制了研究空间。我们揭示了可解释系统中的衰退和新兴趋势,并确定了紧密相连或相对隔离的领域。现在是HCI社区确保这些强大的新自主系统内置可理解界面的时候了。从我们的研究结果中,我们提出了几个对未来研究的启示和方向,以实现这一目标。
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%
通过设计研究人工智能的可读性
CHI '20· 可解释人工智能(XAI) +2
- 83%
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
- 83%
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
- 83%
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
- 83%
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
- 83%
最优解释:因果图解释中人类错误的定量模型
IUI '26· 可解释人工智能(XAI) +2
- 83%
可迁移的可解释人工智能:通过解释迁移建立跨领域理解
IUI '26· 可解释人工智能(XAI) +2
- 80%
操纵和测量模型可解释性
CHI '21· 可解释人工智能(XAI) +1
- 80%
整体是否超过其部分?AI解释对互补团队绩效的影响
CHI '21· 可解释人工智能(XAI) +1
- 80%
共享兴趣:测量人机对齐以识别模型行为中的重复模式
CHI '22· 可解释人工智能(XAI) +1
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)、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
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