探究决策代理如何在不完全了解环境的情况下，通过理性获取信息构建最优学习目标，同时基于信息导向采样（information-directed sampling）和速率失真理论（rate-distortion theory）提出了一种有效的学习目标设计和信息获取方法，通过实验证明了信息获取在决定学习内容方面的价值。

Oct, 2021

提出了一种基于信息使用的方法来量化和限制任意探索性分析的偏差和其他误差指标，在此基础上分析和评估了过滤、排名选择和聚类等特定探索性分析方式的偏差。同时，该方法引出了随机化技术，可以证明减少了探索偏差同时保留了数据分析效用，从而帮助解决科学中的可重复性危机。

Nov, 2015

本研究提出了一种新的稳健性估计器，以避免在透明决策规则下个体的行为可能造成的操纵行为对决策结果的影响并在肯尼亚的一项大型实验中表明，在策略鲁棒方法估计的决策规则的指导下，其表现优于基于标准监督学习方法的规则。

Apr, 2020

本文认为，人工智能系统受限于所学数据的完整性而非算法的复杂性，并就如何实现企业级更好数据完整性提出非正常方法，即在企业级数据转换（迁移，集成，组合，查询，查看等）过程中形式化自动保证数据的完整性不断得到保留，不需要对数据和依赖于数据的程序进行反复验证，避免了数据湖方法的缺陷。

Jan, 2020

主要研究二进制状态的公共预测算法设计和决策委托规则优化，在代理与委托者之间存在信息不对称的情况下，发现委托决策只有在委托者观察到代理者的信息时会做出相同二进制决策时才是最优，提高算法预测的信息量并不一定是最优策略，相关算法限制和人机合作的共同偏好不一致会严重影响决策质量。

Feb, 2024

本篇论文探讨了数据偏见对最终用户的影响、偏见的来源以及如何处理数据偏见的问题。提出了‘bias management’的概念，强调应该从识别、测量、索引、面向和调整偏见的角度入手，而不是在所有情况下都要消除数据偏见。

May, 2023

决策与信息展示是可解释人工智能、人工智能与人类协作以及数据可视化等领域的研究重点。然而，何为决策问题以及为何需要实验来得出人类决策存在某种缺陷的结论，这些问题仍然存在争议。我们提出了一种广泛适用的决策问题定义，结合了统计决策理论和信息经济学。我们认为，要将人类表现中的损失归因于偏见形式，实验必须向参与者提供一个理性代理人所需的信息，以识别规范决策。我们评估了近期关于人工智能辅助决策的决策研究评估在多大程度上满足这一标准。我们发现，在 35 项声称发现存在偏见行为的研究中，只有 6 项（17%）为参与者提供足够的信息来表征其行为与良好决策制定有所偏离。通过描述性能损失的特征，我们阐述了研究明确定义的决策问题的价值，并对问题表述不清晰的决策问题的模糊性进行了对比，这限制了规范的解释。最后，我们给出了一些建议以促进实践。

Jan, 2024

本文研究算法决策，分析了在社会不平等的情况下，一方面面临更高的成本的候选群体可能会被错误地排除，而另一方面面临更低成本的候选群体可能会被错误地接受。本文还探讨了给予补贴的干预效果，发现某些情况下给予补贴只会提高算法决策者的效用，但实际上会损害所有候选群体的利益，包括补贴接收者。

Aug, 2018

在资源有限的情况下，为了准确预测贷款人还款能力，银行需要确定筛选标准，本文介绍了一种用线性规划解决这一问题的算法，提高了资源利用率及信息获取并增加预测准确性的价值。

Nov, 2019

为了解决人工智能系统解释信息与受影响利益相关者信息需求之间的差距，本研究通过两个算法决策场景中受访者的采访研究，提出了 “XAI 初学者问题库”，总结了信息需求的类别和挑战，并影响了受访者对系统风险和好处的感知.

Jan, 2024