lightbulb现实痛点推荐系统中的解释、控制与信任
用户难以通过静态评论解释理解推荐结果，互动性不足。CUI '21Conversational Review-Based Explanations for Recommender Systems: Exploring Users’ Query Behavior
AI可解释性、信任与校准依赖 / 推荐系统中的解释、控制与信任
用户难以通过静态评论解释理解推荐结果，互动性不足。
同类问题
lightbulb现实痛点推荐系统中的解释、控制与信任
用户对推荐系统的推荐内容缺乏信任，不清楚推荐理由。lightbulb现实痛点推荐系统中的解释、控制与信任
青少年在使用学习推荐系统时，难以理解和信任算法推荐的内容。IUI '23Steering Recommendations and Visualising Its Impact: Effects on Adolescents’ Trust in E-Learning Platforms
lightbulb现实痛点推荐系统中的解释、控制与信任
用户对基于社交媒体数据的健康推荐系统存在信任危机。lightbulb现实痛点推荐系统中的解释、控制与信任
用户不信任推荐结果，因为推荐系统使用的嵌入模型太难解释。lightbulb现实痛点推荐系统中的解释、控制与信任
用户在云存储管理文件时，逐条处理推荐文件操作负担重。lightbulb现实痛点推荐系统中的解释、控制与信任
用户对推荐系统的信任度不足，尤其在冷启动阶段。相关论文
IUI 2024
利用ChatGPT实现推荐系统中以人为中心的自动解释
Ítallo Silva, Leandro Marinho, Alan Said
CHI 2023
当推荐系统窥探社交媒体时，用户对它们的健康建议的信任度降低
Yuan Sun, Magdalayna Drivas, Mengqi Liao
IUI 2022
基于相似性的解释与结构保持嵌入的矩阵分解方法
Leandro Balby Marinho, Júlio Guedes, Denis Parra
UIST 2022
总结机器学习驱动的文件管理推荐集合以改进云存储中的文件管理
Will Brackenbury, Kyle Chard, Aaron Elmore
CHI 2022
用户对推荐系统的信任：基于内容、协同和人口统计过滤的比较
Mengqi Liao, S. Shyam Sundar, Joseph B. Walther
CHI 2022
个人特征对对话推荐系统中用户信任的影响
Wanling Cai, Yucheng Jin, Li Chen
CHI 2022
从你认识的人到你读过的内容：利用隐式社交网络增强科学推荐
Hyeonsu B Kang, Rafal Kocielnik, Andrew Head
CHI 2021
来自机器的视觉：人类与算法生成的可视化推荐中的信任分析
Rachael Zehrung, Astha Singhal, Michael Correll
CHI 2021
温暖和能力感知对用户选择AI系统的影响
Zohar Gilad, Ofra Amir, Liat Levontin