谁需要在何时知道什么?:通过审视人工智能生命周期中的解释来拓展可解释人工智能(XAI)设计空间
作者
可解释人工智能(XAI)AI 辅助决策与自动化系统AI/ML 研究员与工程师隐私政策制定者HCI 研究员
人工智能系统的可解释性(XAI)近年来在人工智能和人机交互社区获得了越来越多的关注。最近的工作引起了人们对实际应用项目中新兴可解释性需求的关注,但需要更多的探索性工作来更全面地理解这一领域。本文调查了应用人工智能项目,并报告了一项针对在大型科技和咨询公司从事人工智能项目个人的定性访谈研究。本文通过对工业人工智能项目中利益相关者范围的实证理解,阐述了这些项目展开时出现的新兴解释实践,突出了解释受众的范围(谁)以及他们的可解释性需求如何在人工智能项目生命周期中演变(何时)。我们讨论了在设计人工智能系统时采用社会技术视角的重要性,指出「人工智能生命周期」如何作为设计隐喻来推动XAI设计领域的发展。
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%
认证但不完美:探究 AI 认证与系统性能对人工智能系统信任度和依赖性的影响
CHI '26· 可解释人工智能(XAI) +2
- 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%
一种人工智能并不适合所有人:关于普通人对人工智能角色认知的聚类分析
CHI '23· 可解释人工智能(XAI) +1
- 80%
"帮助我帮助AI": 理解可解释性如何支持人机交互
CHI '23· 可解释人工智能(XAI) +1
- 80%
可编辑XAI:面向可解释属性的双向人机对齐与协同可编辑解释
CHI '26· 可解释人工智能(XAI) +1
- 80%
涌现而非固有:巴拉德式的可解释人工智能解读
CHI '26· 可解释人工智能(XAI) +1
- 80%
自动化理由生成:一种可解释人工智能技术及其对人类感知的影响
IUI '19· 可解释人工智能(XAI) +1
- 80%
基于示例的机器学习界面解释效果研究
IUI '19· 可解释人工智能(XAI) +1
- 80%
解释有帮助吗?AI辅助决策中解释效果的比较研究
IUI '21· 可解释人工智能(XAI) +1
- 80%
机器学习解释的优势:AI辅助序列预测任务中的学习改进
IUI '25· 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
广告推荐
学习 AI 编程到 CodeNow
open_in_new打开DOI链接
DOI: https://dl.acm.org/doi/10.1145/3461778.3462131
一眼看懂
fact_check论文快照
dataset
来源
DIS
calendar_month
年份
2021
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 辅助决策与自动化系统
work
职业/产业
AI/ML 研究员与工程师、隐私政策制定者、HCI 研究员
article
内容状态
仅摘要
hub
相关论文
10 篇相关论文