AI生成视觉解释对图像匹配决策的影响评估
可解释人工智能(XAI)AI 辅助决策与自动化系统大学教授与研究人员软件工程师与开发者AI/ML 研究员与工程师
解释 Increasingly 被纳入智能系统,以提供对底层AI模型的洞察。在本文中,我们研究了AI生成的视觉解释在图像匹配任务期间对用户决策过程的影响。我们的工作探讨了这些解释如何影响正确性、时机和信心,并探索了AI素养在用户行为中的作用。我们进行了一项混合方法用户研究,54名参与者被要求使用专门的智能系统从图像中识别酒店。参与者被随机分配使用带有或不带有视觉解释功能的系统。结果表明,视觉解释不影响图像匹配任务的决策准确性或用户信心。具有高AI素养的参与者优于低素养参与者,但参与度较低。高AI素养和低AI素养参与者之间出现了不同的匹配策略,高AI素养参与者系统性地检查排名靠前的图像并将解释用于验证目的,而低AI素养参与者则采用更穷举的方法。
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。
- 80%
UMLAUT:使用程序结构和模型行为调试深度学习程序
CHI '21· 可解释人工智能(XAI) +1
- 80%
通过人类概念学习和认知理论支持共适应机器教学
CHI '25· 可解释人工智能(XAI) +1
- 67%
深度学习以理解人类
CHI '18· 人体姿态与行为识别 +2
- 67%
质疑人工智能:为可解释人工智能用户体验的设计实践提供信息
CHI '20· 可解释人工智能(XAI) +1
- 67%
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
- 67%
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
- 67%
如何使用可解释性方法来支持计算机视觉模型中的错误识别?
CHI '22· 可解释人工智能(XAI) +1
- 67%
Angler: 帮助机器翻译从业者优先考虑模型改进
CHI '23· 可解释人工智能(XAI) +2
- 67%
关于选择性、可变性和对话式的XAI:对用户对不同类型交互解释的评论综述
CHI '23· 可解释人工智能(XAI) +1
- 67%
芝诺:用于机器学习行为评估的交互式框架
CHI '23· 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://doi.org/10.1145/3708359.3712121
一眼看懂
fact_check论文快照
dataset
来源
IUI
calendar_month
年份
2025
emoji_events
奖项
未标记奖项
group
作者
4 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
大学教授与研究人员、软件工程师与开发者、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