An increasing number of decisions are guided by machine learning algorithms.
In many settings, from consumer credit to criminal justice, those decisions are
made by applying an estimator to data on an individual'
研究人员探究了人们在处理两项困难任务时,对机器学习(ML)建议的信任程度;他们发现,即使人们了解这些任务,并给出了表明该系统不自信的信息,但在执行大部分时间正确的任务时,人们也会相信错误的 ML 建议,并且提供了四种不同类型的系统信息可增加人们对建议的信任,并且数学和逻辑技能对于使用 ML 建议的决策者来说可能与 ML 一样重要。