help研究问题解释形式设计与理解效果
在噪声条件下，如何生成可靠的情感分析模型解释？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
help研究问题解释形式设计与理解效果
分解语音特征（如响度、音高、语速）能否改善模型解释的直观性和可信度？help研究问题解释形式设计与理解效果
如何通过比较多种情感特征生成直观的用户可用解释？help研究问题解释形式设计与理解效果
社交媒体上的健康相关信息如何引发用户的可得性偏差，影响自我诊断？help研究问题解释形式设计与理解效果
哪种基于聊天机器人的症状检测器（CSC）最有效地缓解因社交媒体引发的可得性偏差？help研究问题解释形式设计与理解效果
不同类型的认知干预策略（如反事实思维和证据反思）在改善用户自我诊断准确性方面有何影响？help研究问题解释形式设计与理解效果
在自动驾驶场景中，人们更偏好哪种解释模式（目的性、机械性、反事实、描述性）？help研究问题解释形式设计与理解效果
不同解释模式如何影响人们对系统的满意度和信任度？help研究问题解释形式设计与理解效果
如何基于人类认知模式设计更符合心理需求的XAI系统解释？help研究问题解释形式设计与理解效果
算法透明性解释能否减少用户对搜索引擎的过度信任，从而减轻因健康信息造成的焦虑？help研究问题解释形式设计与理解效果
算法透明性如何通过信任的中介作用来影响用户的心理状态和健康焦虑？help研究问题解释形式设计与理解效果
哪些透明性解释类型对减轻健康焦虑效果最佳，是否适用于不同健康信息场景？help研究问题解释形式设计与理解效果
如何通过反事实解释生成个性化的压力应对策略？help研究问题解释形式设计与理解效果
哪些上下文因素的调整能够有效减轻用户的压力水平？help研究问题解释形式设计与理解效果
反事实生成模型如何帮助用户选择最适合其情境的应对策略？help研究问题解释形式设计与理解效果
如何通过整合认知科学理论（如结构映射理论）优化数据注释工具，提高注释效率？UIST '24MOCHA: Model Optimization through Collaborative Human-AI Alignment
help研究问题解释形式设计与理解效果
实时生成的反事实数据如何影响数据注释的质量和效率？UIST '24MOCHA: Model Optimization through Collaborative Human-AI Alignment
help研究问题解释形式设计与理解效果
交互界面设计如何降低用户的认知负荷，提高他们理解关键数据点的能力？UIST '24MOCHA: Model Optimization through Collaborative Human-AI Alignment
help研究问题解释形式设计与理解效果
在长期纵向研究中，如何验证可解释人工智能（XAI）工具的有效性？UbiComp '24How to Validate Explainable Artificial Intelligence (XAI) in Longitudinal Studies?
help研究问题解释形式设计与理解效果
不同XAI解释方法（如特征重要性、反事实解释）的序列展示顺序会如何影响用户的信任和理解？UbiComp '24How to Validate Explainable Artificial Intelligence (XAI) in Longitudinal Studies?
help研究问题解释形式设计与理解效果
如何在验证XAI工具时结合用户的个性化背景和纵向行为数据？UbiComp '24How to Validate Explainable Artificial Intelligence (XAI) in Longitudinal Studies?
help研究问题解释形式设计与理解效果
个性化信息学系统如何通过生成反事实解释帮助用户改善心理健康？UbiComp '24Counterfactual Explanations in Personal Informatics for Personalized Mental Health Management
help研究问题解释形式设计与理解效果
在多变量背景下，反事实分析能如何优化心理状态调整策略？UbiComp '24Counterfactual Explanations in Personal Informatics for Personalized Mental Health Management
help研究问题解释形式设计与理解效果
个体层面上的反事实情景生成能否比群体模式提供更具实际操作性的建议？UbiComp '24Counterfactual Explanations in Personal Informatics for Personalized Mental Health Management
help研究问题解释形式设计与理解效果
在参与式预算中，如何利用数学公理（如可行性、效用最大化）提升AI决策的可解释性？UbiComp '24"A User-Centric Exploration of Axiomatic Explainable AI in Participatory Budgeting"
help研究问题解释形式设计与理解效果
不同类型的AI决策解释（如个性化解释、反事实解释）是否对用户信任和公平感知有不同影响？UbiComp '24"A User-Centric Exploration of Axiomatic Explainable AI in Participatory Budgeting"
help研究问题解释形式设计与理解效果
基于公理约束的解释是否能改善用户对预算分配系统透明性和公平性的感知？UbiComp '24"A User-Centric Exploration of Axiomatic Explainable AI in Participatory Budgeting"
help研究问题解释形式设计与理解效果
人工生成的解释和机器生成的解释在理解大语言模型输出时，哪个更有效？help研究问题解释形式设计与理解效果
错误预测情况下的解释是否会减弱用户的任务表现？help研究问题解释形式设计与理解效果
“解释确认偏差”在用户信任和认知负担中如何起作用？help研究问题解释形式设计与理解效果
如何设计一种工具来为自动生成的代码提供轻量化且锚定的解释，从而支持程序员的理解？help研究问题解释形式设计与理解效果
锚定解释如何优化程序员在使用代码生成工具时的认知负荷和理解效率？help研究问题解释形式设计与理解效果
轻量化解释设计能否在不打断工作流的情况下提升代码理解的效果？help研究问题解释形式设计与理解效果
反事实解释和因果解释在提升用户任务表现和系统可解释性方面有何差异？IUI '23Categorical and Continuous Features in Counterfactual Explanations of AI Systems
help研究问题解释形式设计与理解效果
用户对于分类特征和连续特征的解释理解能力是否存在显著差异？IUI '23Categorical and Continuous Features in Counterfactual Explanations of AI Systems
help研究问题解释形式设计与理解效果
将连续特征转化为分类特征是否能提升用户对反事实解释的理解？IUI '23Categorical and Continuous Features in Counterfactual Explanations of AI Systems
help研究问题解释形式设计与理解效果
随着时间推移，用户在长期人机互动中如何调整对AI建议的信任？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
AI模型的准确性和解释类型如何影响用户的行为和主观信任？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
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
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
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
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
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
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