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
AI可解释性、信任与校准依赖 / 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。
同类问题
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。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
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