lightbulb现实痛点透明度、可审计性与信任校准机制
用户无法信任AI系统，因为它们缺乏透明性和可审计性。UbiComp '21Particles of a Whole: Design Patterns for Transparent and Auditable AI-Systems
AI可解释性、信任与校准依赖 / 透明度、可审计性与信任校准机制
用户无法信任AI系统，因为它们缺乏透明性和可审计性。
同类问题
lightbulb现实痛点透明度、可审计性与信任校准机制
城市居民对311系统信任低，报告内容分散，服务效率低下。lightbulb现实痛点透明度、可审计性与信任校准机制
用户容易把语言模型误认为有人类特质，导致过度信任或误解。lightbulb现实痛点透明度、可审计性与信任校准机制
用户不清楚社交媒体如何实时处理其数据，缺乏透明度导致隐私和信任问题。lightbulb现实痛点透明度、可审计性与信任校准机制
用户对AI工具缺乏信任，尤其是在高风险的HR领域。CSCW '24The Role of Algorithmic Audits and Other Soft Law Approaches in Informing Users' Calibrated Trust in Artificial Intelligence Tools
lightbulb现实痛点透明度、可审计性与信任校准机制
设计师难以快速高效地优化生成任务提示的效果。lightbulb现实痛点透明度、可审计性与信任校准机制
学者难以评估文献的可信度和可重复性，尤其是新手或跨学科研究者。相关论文
CHI 2025
为市民生活质量设计物品
Graham Dove, Eric Corbett
CHI 2025
语言技术拟人化的语言表达分类学
Alicia DeVrio, Myra Cheng, Lisa Egede
CHI 2025
令人印象深刻地可怕：探索用户对社交媒体应用中解开机器学习模型的感知和反应
Jack West, Bengisu Cagiltay, Shirley Zhang
CHI 2024
EvalLM：基于用户定义标准的大语言模型提示的交互式评估
Taesu Kim, Yoonjoo Lee, Jamin Shin
CHI 2024
将可重复性措施整合到学术搜索中：挑战与机遇
Chuhao Wu, Tatiana Chakravorti, John M Carroll
CHI 2024
人们最关心哪种人工智能？一项关于道德考虑的联合实验
Ali Ladak, Jamie Harris, Jacy Reese Anthis
IUI 2022
AQX：利用特征重要性可视化解释空气质量预测以验证领域知识
Reshika Palaniyappan Velumani, Meng Xia, Jun Han
CHI 2022
模板和信任测量仪：迈向维基百科信任指标的广泛应用
Andrew Kuznetsov, Margeigh Novotny, Jessica Klein
CHI 2021
操纵和测量模型可解释性
Forough Poursabzi-Sangdeh, Daniel G Goldstein, Jake M Hofman
CHI 2021
Cody：基于AI的系统，用于定性研究的半自动化编码
Tim Rietz, Alexander Maedche
CHI 2021
扩展可解释性：迈向AI系统的社会透明度
Upol Ehsan, Q. Vera Liao, Michael Muller
CHI 2021
从机器中诞生的用户：仿真作为人机循环文本分析中的设计探测
Anamaria Crisan, Michael Correll