解释模型：一项关于解释如何影响公平性判断的实证研究

确保机器学习系统的公平性是一个以人为本的过程，它依赖于开发者、用户和公众来识别公平性问题并进行改进。为了促进这一过程，我们需要有效、无偏见且用户友好的解释，让人们能够放心地依赖。基于此，我们对四类程序生成的解释进行了实证研究，以了解它们如何影响人们对ML系统公平性的判断。通过一项涉及160多名Mechanical Turk众包工人的实验，我们表明：1) 某些解释本身被认为不够公平，而其他解释可以增强人们对算法公平性的信心；2) 不同的公平问题（如模型级公平问题与案例级公平差异）可能通过不同风格的解释更有效地暴露；3) 个体差异，包括对算法公平的先前立场和判断标准，会影响人们对不同解释风格的反应。我们最后讨论了如何提供个性化的自适应解释以支持ML系统的公平性判断。