设计有效的AI误信息检测解释：内容解释、社交解释与组合解释的比较研究

本文研究AI误信息解释问题，目标是确定能够帮助用户提高误信息检测能力和整体用户体验的解释设计。我们的工作源于当前可解释AI（XAI）方法的局限性，这些方法主要关注阐明误信息语言特征和句子结构的内容解释。为解决这一局限性，我们探索了内容解释之外的各种解释，如考虑误信息更广泛社会背景的"社交解释"，以及在内容与社交解释一致或不一致的场景中同时呈现两种解释的"组合解释"。为评估这些AI解释的相对有效性，我们在COVID-19（Prolific上的研究1）和政治领域（MTurk上的研究2）进行了两项在线众包实验。我们的结果表明，AI解释通常能有效帮助用户检测误信息，且效果受内容解释与社交解释之间对齐程度的显著影响。我们还发现解释类型的呈现顺序——即内容解释或社交解释是否优先——会影响检测准确度，且在COVID-19和政治领域之间存在差异。这项工作有助于更有效地设计AI解释，促进更深入地理解不同解释类型及其组合如何影响误信息检测。