将互补特征集整合用于人类-AI决策

在许多AI辅助决策场景中，机器学习模型和用户可能访问不同的信息来源（特征），两者都是做出准确决策所必需的。为了将这些互补特征整合成单一的协作决策，用户或ML模型必须承担将另一位决策者的特征整合到其决策中的工作。当前大多数人类-ML决策设置依赖于用户来完成这项工作，即让ML模型生成一个用户在做决策时会考虑的预测。一些近期研究提出了将用户特征传达给ML模型的方法，这简化了用户的决策任务，但需要用户将其特征传达给模型。这些方法具有非常不同的用户体验，可能对最终决策产生不同的影响。在本工作中，我们进行了一项用户研究，通过文本输入界面探索用户在向AI传达互补特征时这些方法在决策准确性、响应时间和用户体验方面的权衡。我们还研究了当允许用户在每个实例中选择方法时如何应对权衡，并与基于估计实例难度的自动切换这两种方法的简单自适应策略进行了比较。