help研究问题解释形式设计与理解效果
在复杂决策任务中，AI预测错误对用户长期信任有哪些影响？IUI '23It Seems Smart, but It Acts Stupid: Development of Trust in AI Advice in a Repeated Legal Decision-Making Task
所属方向: AI可解释性、信任与校准依赖
解释形式设计与理解效果
统计基于当前已索引 question 数据，来源缺失不影响问题展示。
100
问题/痛点
25
来源
2025
最近年份
lightbulb现实痛点解释形式设计与理解效果
用户在面对出错的AI建议时，难以建立长期信任。IUI '23It Seems Smart, but It Acts Stupid: Development of Trust in AI Advice in a Repeated Legal Decision-Making Task
help研究问题解释形式设计与理解效果
如何通过结合个体预测和整体统计分布的数据驱动解释，提高医疗工作者对糖尿病风险的理解？IUI '23Directive Explanations for Monitoring the Risk of Diabetes Onset: Introducing Directive Data-Centric Explanations and Combinations to Support What-If Explorations
help研究问题解释形式设计与理解效果
改进后的反事实解释（如避免不合理建议）在现实医疗情境中能否提升用户信任和应用效果？IUI '23Directive Explanations for Monitoring the Risk of Diabetes Onset: Introducing Directive Data-Centric Explanations and Combinations to Support What-If Explorations
help研究问题解释形式设计与理解效果
交互式仪表板的可视化设计如何支持患者和医生进行“假设探索”（what-if exploration）并优化健康管理？IUI '23Directive Explanations for Monitoring the Risk of Diabetes Onset: Introducing Directive Data-Centric Explanations and Combinations to Support What-If Explorations
lightbulb现实痛点解释形式设计与理解效果
非专业的医疗工作者和患者难以理解机器学习预测下的糖尿病风险来源。IUI '23Directive Explanations for Monitoring the Risk of Diabetes Onset: Introducing Directive Data-Centric Explanations and Combinations to Support What-If Explorations
help研究问题解释形式设计与理解效果
在智能决策支持系统（IDS）输出子最优建议时，子目标解释（ESB）如何帮助用户更有效地识别并拒绝子最优建议？IUI '23Application of Subgoal-Based Explanations in Unreliable Intelligent Decision Support Systems
help研究问题解释形式设计与理解效果
子目标解释（ESB）是否可以提升用户在没有系统支持（IDS失效）的情况下完成任务的能力？IUI '23Application of Subgoal-Based Explanations in Unreliable Intelligent Decision Support Systems
help研究问题解释形式设计与理解效果
用户更偏好哪种解释方法：子目标解释（ESB）、仅建议动作（aIDS）还是因果链解释（ECLC）？IUI '23Application of Subgoal-Based Explanations in Unreliable Intelligent Decision Support Systems
lightbulb现实痛点解释形式设计与理解效果
用户在复杂任务中难以评估智能系统的建议是否可靠。IUI '23Application of Subgoal-Based Explanations in Unreliable Intelligent Decision Support Systems
help研究问题解释形式设计与理解效果
多条反事实示例相比单条示例，是否更容易被非专业用户理解？IUI '23Investigating the Intelligibility of Plural Counterfactual Examples for Non-Expert Users: an Explanation User Interface Proposition and User Study
help研究问题解释形式设计与理解效果
对比分析功能能否帮助非专业用户更好地理解多条反事实示例？IUI '23Investigating the Intelligibility of Plural Counterfactual Examples for Non-Expert Users: an Explanation User Interface Proposition and User Study
help研究问题解释形式设计与理解效果
非专业用户是否能从多条反事实示例中有效提取有价值的信息？IUI '23Investigating the Intelligibility of Plural Counterfactual Examples for Non-Expert Users: an Explanation User Interface Proposition and User Study
lightbulb现实痛点解释形式设计与理解效果
普通用户很难理解机器学习模型的决策逻辑。IUI '23Investigating the Intelligibility of Plural Counterfactual Examples for Non-Expert Users: an Explanation User Interface Proposition and User Study
help研究问题解释形式设计与理解效果
什么类型的解释能提高用户与自然语言生成系统交互的错误纠正成功率？IUI '23Follow the Successful Herd: Towards Explanations for Improved Use and Mental Models of Natural Language Systems
help研究问题解释形式设计与理解效果
系统基于和社会基于的解释对用户的任务准确性和效率有何不同？IUI '23Follow the Successful Herd: Towards Explanations for Improved Use and Mental Models of Natural Language Systems
help研究问题解释形式设计与理解效果
解释设计能否改善用户对自然语言生成系统的心理模型？IUI '23Follow the Successful Herd: Towards Explanations for Improved Use and Mental Models of Natural Language Systems
lightbulb现实痛点解释形式设计与理解效果
用户难以理解自然语言生成系统的运行逻辑，导致交互失败和时间浪费。IUI '23Follow the Successful Herd: Towards Explanations for Improved Use and Mental Models of Natural Language Systems
help研究问题解释形式设计与理解效果
如何在复杂人体活动识别中实现高性能同时具备解释性？UbiComp '23X-CHAR: A Concept-based Explainable Complex Human Activity Recognition Model
help研究问题解释形式设计与理解效果
如何避免低层次活动的精确标注对复杂活动识别的依赖？UbiComp '23X-CHAR: A Concept-based Explainable Complex Human Activity Recognition Model
help研究问题解释形式设计与理解效果
基于时间序列数据的模型如何有效生成可理解的反事实解释？UbiComp '23X-CHAR: A Concept-based Explainable Complex Human Activity Recognition Model
lightbulb现实痛点解释形式设计与理解效果
在医疗等领域，普通用户难以理解AI识别复杂活动的决策逻辑。UbiComp '23X-CHAR: A Concept-based Explainable Complex Human Activity Recognition Model
help研究问题解释形式设计与理解效果
不同的解释设计（用户中心与系统中心）如何影响用户对智能家居照明系统的感知与接受度？help研究问题解释形式设计与理解效果
解释设计是否会通过提升易用性间接促进智能照明系统的采用意图？help研究问题解释形式设计与理解效果
在智能家居照明场景中，用户更倾向于哪种类型的系统信息呈现风格？lightbulb现实痛点解释形式设计与理解效果
用户难以理解智能家居照明系统的行为，导致不信任或弃用。help研究问题解释形式设计与理解效果
如何通过交互和用户参与，设计更符合用户多样性需求的算法反馈（Algorithmic Recourse）工具？help研究问题解释形式设计与理解效果
如何利用直接解释的机器学习模型（如EBMs）在生成可行的反事实解释中实现动态交互？help研究问题解释形式设计与理解效果
用户在算法反馈工具中对行动计划修改偏好的影响机制是什么？lightbulb现实痛点解释形式设计与理解效果
用户难以获得机器学习系统中透明且定制化的行动建议。help研究问题解释形式设计与理解效果
不同类型的解释（真实解释、安慰剂解释、无解释）如何影响青少年对学习推荐系统的多维信任结构？help研究问题解释形式设计与理解效果
青少年在教育推荐平台中对透明性和动态学习因素的需求如何影响信任度？help研究问题解释形式设计与理解效果
动态学习因素是否比解释类型对教育推荐系统的信任产生更大影响？lightbulb现实痛点解释形式设计与理解效果
青少年用户在教育推荐系统中难以信任算法推荐的内容是否可靠。help研究问题解释形式设计与理解效果
如何在语音情感识别中提供更符合用户认知的可解释性AI？help研究问题解释形式设计与理解效果
对比性解释（如显著性图、反事实示例）如何与人类的感知过程对齐？help研究问题解释形式设计与理解效果
如何设计多模态框架来提升用户对深度学习模型预测的理解和信任？lightbulb现实痛点解释形式设计与理解效果
普通用户无法理解语音情感识别结果，不敢使用AI。help研究问题解释形式设计与理解效果
非技术用户在使用基于Shapley值的机器学习解释工具时是否会产生解释深度的错觉（IOED）？help研究问题解释形式设计与理解效果
如何通过设计创新的交互界面帮助用户更准确地形成对模型行为的整体理解？help研究问题解释形式设计与理解效果
反思性自我解释方法是否可以有效缓解用户在XAI系统中产生的认知偏差？lightbulb现实痛点解释形式设计与理解效果
普通用户难以理解AI模型行为，容易高估自己的理解能力。help研究问题解释形式设计与理解效果
问题解答机制能否用于解释算法的内部状态（例如伪代码）？help研究问题解释形式设计与理解效果
用户提出的五类问题（因果、对比、描述、确认、概念）如何改善对算法的理解？help研究问题解释形式设计与理解效果
与现有仅展示算法动画的平台相比，交互式解答系统是否更有效？lightbulb现实痛点解释形式设计与理解效果
非专家用户很难理解算法的运作机制及内部状态。help研究问题解释形式设计与理解效果
设计研究者如何定义和解释设计探针（Probes）方法的使用？help研究问题解释形式设计与理解效果
设计探针的模糊性和开放性在设计研究中产生了哪些具体价值？help研究问题解释形式设计与理解效果
设计探针如何通过其物质性和互动性促进对研究参与者的反思和理解？lightbulb现实痛点解释形式设计与理解效果
设计师在应用设计探针时常面对模糊和多样解读的困扰。相关论文
IUI 2025
基于解耦线索特定显著性的机器学习鲁棒关联性解释
Harshavardhan Sunil Abichandani, Wencan Zhang, Brian Y Lim
CHI 2025
挖掘关于您症状的证据：缓解在线自我诊断中的可得性偏差
Junti Zhang, Zicheng Zhu, Jingshu Li
CHI 2025
人们在解释自动驾驶汽车的行为时将其归因于自主车辆的属性：来自认知科学的可解释人工智能的见解
Balint Gyevnar, Stephanie Droop, Tadeg Quillien
CHI 2025
搜索引擎算法透明度如何影响健康焦虑：在线健康信息搜索中的信任中介效应
Yuheng Wu, Yujie Dong, Yi Mou
CHI 2025
CounterStress：通过个人资讯中的反事实解释增强压力应对规划
Gyuwon Jung, Uichin Lee
CHI 2024
解开AI错误的困境：探索人类和机器解释对大型语言模型的有效性
Marvin Pafla, Kate Larson, Mark Hancock
CHI 2024
Ivie：新生成代码的轻量级锚定解释
Litao Yan, Alyssa Hwang, Zhiyuan Wu
CHI 2023
解释设计对用户感知智能家庭照明系统的影响：一项混合方法研究
Jiaxin Dai, Chao Zhang, Dzmitry Aliakseyeu
CHI 2023
GAM 教练：迈向交互式和用户中心的算法补救
Zijie J. Wang, Jennifer Wortman Vaughan, Rich Caruana
IUI 2022
可解释推荐对青少年信任的影响：一项电子学习情境研究
Jeroen Ooge, Shotallo Kato, Katrien Verbert
CHI 2022
面向可关联的可解释人工智能与感知过程
Wencan Zhang, Brian Y Lim
IUI 2021
我明白了，AI！可解释人工智能中的解释深度错觉
Michael Chromik, Malin Eiband, Felicitas Buchner