规则还是权重？比较用户对可解释人工智能技术的理解与认知XAI自适应模型

规则和权重是解释人工智能决策的流行XAI技术。然而，如何在其间进行选择仍不明确，缺少比较其可解释性的认知框架。在一项关于正向和反事实决策任务的引发用户研究中，我们确定了7种解释三种XAI模式——权重、规则及其混合——的推理策略。为了分析其能力，我们提出了CoXAM，这是一种具有共享记忆表示的认知XAI-自适应模型，用于编码实例属性、线性权重和决策规则。CoXAM采用计算合理性根据正向或反事实决策任务的效用和推理时间权衡来选择推理过程。在验证研究中，CoXAM与人类决策的对齐程度优于基线机器学习代理模型。该模型成功复制并解释了几个关键实证发现，包括反事实任务本质上比正向任务更难、决策树规则比线性权重更难记忆和应用，以及XAI的有用性取决于应用数据上下文，同时确定了哪些底层推理策略最有效。通过CoXAM，我们为加速调试和基准测试不同的XAI技术提供了认知基础。