为算法素养和透明度设计交互式可解释人工智能工具
可解释人工智能(XAI)算法公平与偏见AI/ML 研究员与工程师
随着人工智能(AI)日益渗透日常生活,公众对AI underlying principles的理解需求不断增长。现有的教育干预和可解释人工智能(XAI)工具主要面向儿童或成人专家。本文介绍了三种交互式网络工具,旨在促进非技术背景成人的AI学习。这些工具根据学习科学和以用户为中心的设计原则设计,将边缘检测、置信阈值和敏感度等复杂AI概念简化,使AI对初学者更易懂,并促进对伦理问题的反思。我们展示了42名参与者对这些工具的混合方法评估结果。结果显示,参与者对AI概念的熟悉度和信心有所提高。此外,我们的定性分析还揭示了参与者之间的常见交互模式。本文为AI教育和XAI社区提供了设计贡献,并为透明和以学习者为中心的面向成人初学者的AI设计提供了新兴交互模式。
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。
- 75%
每个人都想做模型工作,而不是数据工作:高风险人工智能中的数据级联
CHI '21· 可解释人工智能(XAI) +1
- 75%
寻找Snark:数据实践中的注释者多样性
CHI '23· 可解释人工智能(XAI) +1
- 75%
文本分类中的公平性评估:机器学习从业者对个体和群体公平性的看法
CHI '23· 可解释人工智能(XAI) +1
- 75%
对机器学习中多重性公平影响的认知
CHI '25· 可解释人工智能(XAI) +1
- 60%
改进机器学习系统中的公平性:行业从业者需要什么?
CHI '19· 可解释人工智能(XAI) +2
- 60%
围绕不完美AI自动评分器的态度
CHI '21· 可解释人工智能(XAI) +2
- 60%
超越专业知识和角色:一个框架来描述可解释机器学习的利益相关者及其需求
CHI '21· 可解释人工智能(XAI) +2
- 60%
AI调解的决策制定:捕捉和平衡顺序决策任务中的锚定偏差
CHI '22· 可解释人工智能(XAI) +2
- 60%
数据科学中的遗忘实践
CHI '22· 可解释人工智能(XAI) +1
- 60%
人工智能正在进入受监管的领域:理解监管机构在金融犯罪检测中对模型可解释性的看法
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
DIS
calendar_month
年份
2024
emoji_events
奖项
未标记奖项
group
作者
2 位作者
sell
研究子方向
可解释人工智能(XAI)、算法公平与偏见
work
职业/产业
AI/ML 研究员与工程师
article
内容状态
仅摘要
hub
相关论文
10 篇相关论文