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
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
将人类置于可解释人工智能研究中心的做法主要聚焦于人工智能模型开发和高风险场景。然而,随着人工智能以往往不透明的方式日益融入日常应用,针对终端用户的可解释性需求变得更加迫切。为了解决这一差距,我们探索了终端用户对将可解释人工智能嵌入日常人工智能应用场景的看法。我们的发现揭示了可解释人工智能在终端用户的日常生活中并非自然被接受。当用户寻求解释时,他们设想可解释人工智能设计能够促进情境化理解,赋权用户对人工智能系统的采用和适应,并考虑多方利益相关者的价值。我们进一步讨论了支持用户在可解释人工智能非使用中的能动性,以及在人工智能交互中管理模糊性的可解释人工智能替代方案。此外,我们提供了个人和社会层面可解释人工智能的设计含义,包括通过计算理性视角理解用户、与用户共同进化的适应性设计,以及通过日常可解释人工智能推进“社会在环”愿景。
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%
用户对在线评价平台上算法不透明性和透明性的态度
CHI '19· 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
DIS
calendar_month
年份
2025
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