评估用户对主动学习系统的信任：查询策略与不确定性可视化的洞察

主动学习系统在机器学习的各种应用中越来越普及，包括医学影像、环境监测和地理空间分析等。这些系统依赖动态从人工获取输入以提升分类性能。确保分析师对这些系统有适当的信任仍然是一项重大挑战，因为分析师可能会过度依赖或依赖不足系统。常见的主动学习策略通过要求分析师为不确定性最高的数据点提供标签来增强分类模型。然而，以模型为中心的策略并未考虑对分析师的潜在启动效应，以及这种效应将如何影响他们在训练后对系统的信任。本文呈现了一项实证研究，评估主动学习查询策略和增强分类器确定性透明度的可视化如何影响对自动图像分类器的信任。研究发现，查询策略可能显著影响分析师对系统能力的看法，而分类器确定性可视化透明度水平可能影响分析师执行分类任务的能力。我们的研究为交互式标注系统的设计提供了参考，以帮助缓解过度依赖的影响。