研究表明，一些参与者过于信任人工智能辅助工具，导致选择结果不佳，适用于复杂选择的人工智能辅助工具的研究需要采用新的实验范例和计算建模方法。

Jan, 2023

本文主张人工智能系统需要模拟、理解、甚至复制人类的认知偏差，在人机协作中扮演更加重要的角色，并提出了关于人类认知偏差和人工智能之间相互作用的研究议程及三个感兴趣的广泛领域，并为具有更好对人类偏见的人工智能系统的设计方向提出了研究方向。

Oct, 2022

本文提出了一种基于快速 / 慢速求解器和元认知组件的通用架构，意在通过现有认知人类决策理论对 AI 系统的一些重要人类能力进行提升，并在此基础上尝试应用于基于有限环境下导航决策等方面，实验结果表明，这种决策策略组合可以大大提高系统的决策质量、资源消耗和效率。

Jan, 2022

本研究提出借鉴认知理论以推进 AI 的研究方向，通过嵌入因果组件来获得适应性、推理能力、常识理解等人类决策能力，以期激发 AI 技术研究，进而更好地理解人类和机器智能。

Oct, 2020

探讨了使用 AI 辅助决策时，人工智能的预测性能与偏差如何对人类决策产生影响的复杂动态，并通过大规模用户研究发现，高性能的模型显著提高了人类在混合环境中的表现，但有些模型削弱了混合偏见，有些则加重了混合偏见。这些研究结果表明，预先评估这些复杂动态对于部署人工智能具有明确的必要性。

Feb, 2022

信息系统经常被设计为利用锚定偏误的负面影响来影响个人的决策（例如通过操纵购买决策）。最近人工智能和可解释人工智能解释其决策的进展为减轻有偏见的决策开辟了新机会。迄今为止，这些技术进步克服锚定偏误的潜力仍然不清楚。为此，我们在购买决策背景下进行了两个在线实验，共有 N=390 名参与者，以研究人工智能和可解释人工智能决策支持对锚定偏误的影响。我们的结果表明，人工智能单独和与可解释人工智能的结合有助于减轻锚定偏误的负面影响。最终，我们的发现对于人工智能和可解释人工智能决策支持和信息系统的设计以克服认知偏见具有影响。

May, 2024

研究表明，当涉及到风险元素和评估人类和 AI 代理能力的探索利用过程时，人工智能和人类在小组决策方面具有互补技能。本文面向一组带有缺陷的 AI 代理人，向人类团队提交一系列智力问题，以评估团队成员和可用 AI 代理人的相对专业知识，评估不同行动的风险并通过达成共识来最大化整体回报，并提出了人工智能 - 人类团队决策的模型。研究验证了在不确定情况下的人工智能团队和人类行为预测中的前景理论、影响动态和贝叶斯学习的社会认知构建的价值。

Jan, 2022

本文阐述了人类认知偏差在人工智能领域中的重要性，并提出了在学习算法中结构上实施认知偏差以及为选择具有道德价值的社会或行为特征的偏向训练刺激应用过滤机制，结合七个具体的偏见实现情景案例，将来自认知科学和伦理学的启示应用于人工智能领域，是对重新评估机器偏见道德意义的探索和实施认知偏差到机器中的首次尝试。

Mar, 2022

本文提出了一种基于机器学习的个性化方法，用以检测网站用户在使用过程中表现出的两种认知偏见 - 锚定偏见和最新偏见。此方法建立在认知心理学两个基本原则的基础之上，并使用修改后的注意力网络进行培训，通过解释引导注意力的方式来区分这两种认知偏见。此个性化方法适用于特定的用户，并可以帮助他们意识到自己的偏见，从而采取减少偏见的方法。

Jun, 2022

人工智能的快速普及引发了对其可能加剧现有偏见和社会差异并引入新差异的担忧。我们的研究侧重于回顾现有方法和正在进行的调查，旨在了解对偏见产生影响的注释属性。

Apr, 2024