lightbulb现实痛点解释形式设计与理解效果
噪声或隐私保护削弱了情感识别的准确性和解释可靠性。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
用户因社交媒体上的健康信息误判症状，导致错误的自我诊断。lightbulb现实痛点解释形式设计与理解效果
用户不信任或误解自动驾驶系统行为的解释。lightbulb现实痛点解释形式设计与理解效果
用户因搜索引擎的健康信息感到焦虑，尤其是误信导致恐慌。lightbulb现实痛点解释形式设计与理解效果
用户难以获得情境相关且个性化的压力管理建议。lightbulb现实痛点解释形式设计与理解效果
数据注释费时费力，且现有工具难以对接用户的认知方式和注释意图。UIST '24MOCHA: Model Optimization through Collaborative Human-AI Alignment
lightbulb现实痛点解释形式设计与理解效果
用户难以长期信任和理解人工智能提供的决策解释。UbiComp '24How to Validate Explainable Artificial Intelligence (XAI) in Longitudinal Studies?
lightbulb现实痛点解释形式设计与理解效果
当前心理健康建议缺乏针对个体情境的实际可行性。UbiComp '24Counterfactual Explanations in Personal Informatics for Personalized Mental Health Management
lightbulb现实痛点解释形式设计与理解效果
普通用户难以理解参与式预算中复杂规则的AI决策，缺乏信任感。UbiComp '24"A User-Centric Exploration of Axiomatic Explainable AI in Participatory Budgeting"
lightbulb现实痛点解释形式设计与理解效果
用户难以理解人工智能的决策，尤其是错误的预测，影响任务表现。lightbulb现实痛点解释形式设计与理解效果
程序员难以快速理解自动生成的代码，特别是涉及复杂或陌生结构时。lightbulb现实痛点解释形式设计与理解效果
用户难以理解AI系统中连续特征的反事实解释，影响信任和决策。IUI '23Categorical and Continuous Features in Counterfactual Explanations of AI Systems
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
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
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
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
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
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
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。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。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。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。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。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。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